【技术实现步骤摘要】
本专利技术涉及沙漠化监测，特别是涉及一种基于遥感技术的沙漠化监测与预警方法。
技术介绍
1、随着全球气候变化和人类活动的影响，沙漠化成为严重的环境问题，它不仅改变了自然生态系统，还威胁到人类的生存环境和经济发展。
2、公开号为cn102915616a的专利技术专利中公开了一种区域栅格累加土地沙漠化预警方法，根据遥感影像沙漠化监测结果以及区域栅格累加土地沙漠化预警模型对区域的土地沙漠化进行预警的一种新方法。该方法首先对遥感数据稳定性进行判定；在稳定遥感影像数据的基础上提取沙漠化程度信息，实现沙漠化长期监测；再根据沙漠化监测数据和区域栅格累加预警模型进行沙漠化预警，最后结合gis技术构建沙漠化监测与预警信息系统，利用webgis技术和.net技术对沙漠化监测与预警的结果进行网络发布。但其仅仅通过遥感数据不足以捕捉到小规模的地表变化。这种分辨率的限制可能导致沙漠化初期阶段的微小变化被忽视。且区域栅格累加预警模型可能在特定地区和特定条件下表现良好，但在不同的环境和地理条件下可能需要调整和重新验证。模型的泛化能力和适应不同环境的能力是关键因素，可能影响预警系统的普遍适用性。
技术实现思路
1、为了克服现有技术的不足，本专利技术的目的是提供一种基于遥感技术的沙漠化监测与预警方法。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于遥感技术的沙漠化监测与预警方法，包括：
4、利用多源遥感卫星收集目标区域的影像数据，并获取所述目标区域与沙漠
5、对所述影像数据进行图像预处理和数据增强，并将图像预处理和数据增强后的影像数据进行筛选，得到所述目标区域与沙漠化区域的交界地区的影像数据，并将所述目标区域与沙漠化区域的交界地区的影像数据划分为训练集、测试集和验证集；
6、对所述沙漠化数据特征序列进行数据清洗，并根据数据清洗后的沙漠化数据特征序列计算沙漠化特征阈值，根据所述沙漠化特征阈值对所述训练集、测试集和验证集进行标记；
7、分别构建空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器，并根据空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器构建深度空间注意力网络，并根据标记后的训练集对深度空间注意力网络进行训练；
8、分别利用标记后的测试集和标记后的验证集对深度空间注意力网络进行测试和验证，得到最优的沙漠化监测模型；
9、利用所述沙漠化监测模型对所述目标区域进行监测和预警。
10、优选地，对所述影像数据进行图像预处理和数据增强，并将图像预处理和数据增强后的影像数据进行筛选，得到所述目标区域与沙漠化区域的交界地区的影像数据，并将所述目标区域与沙漠化区域的交界地区的影像数据划分为训练集、测试集和验证集，包括：
11、对所述影像数据进行影像裁剪，得到裁剪后的影像；
12、将所述裁剪后的影像进行数据增强，得到扩充处理后的图像；
13、按照预设比例将所述扩充后的图像进行随机划分，得到所述训练集、所述测试集和所述验证集。
14、优选地，对所述沙漠化数据特征序列进行数据清洗，包括：
15、按照预设的采集周期对所述沙漠化数据特征序列进行分组，得到多个数据组；
16、依次计算当前数据组与前一个数据组的差异系数；所述差异系数计算公式为：其中，px,y为差异系数，cov(x,y)表示当前数据组x与前一个数据组y之间的协方差，αx表示当前数据组x的均值，βy表示前一个数据组y的均值；
17、判断差异系数的值是否在预设的范围内；
18、若差异系数的值不在预设的范围内，则将相应的数据组去除；
19、若差异系数的值在预设的范围内，则将相应的数据组保留，直到遍历完所有的数据组，得到数据清洗后的沙漠化数据特征序列。
20、优选地，根据数据清洗后的沙漠化数据特征序列计算沙漠化特征阈值，包括：
21、分别计算所述裸地发展时间序列以及所述草地退化时间序列的均值偏差序列；所述均值偏差序列的计算公式为：其中，x表示均值偏差序列，x(tn)表示裸地发展时间序列或所述草地退化时间序列的第tn个值，表示裸地发展时间序列或所述草地退化时间序列的平均值，x(n)表示均值偏差序列第n个值；
22、基于所述均值偏差序列计算差异系数；所述差异系数的计算公式为：其中，ε表示差异系数，x1(k)表示裸地发展时间序列的均值偏差序列中的第k个值，表示裸地发展时间序列的均值，x2(k)表示草地退化时间序列的均值偏差序列中的第k个值，表示草地退化时间序列的均值；
23、分别计算所述裸地发展时间序列以及所述草地退化时间序列的商值偏差序列；所述商值偏差序列的计算公式为：其中，y表示均值偏差序列，y(n)表示商值偏差序列的第n个值；
24、基于所述商值偏差序列计算距离系数；所述距离系数的计算公式为：其中，δ表示距离系数，y1(k)表示裸地发展时间序列的商值偏差序列中的第k个值，y2(k)表示草地退化时间序列的商值偏差序中的第k个值；
25、利用所述距离系数和所述差异系数计算所述沙漠化特征阈值。
26、优选地，所述沙漠化特征阈值的计算公式为：
27、ρ＝εa+(1-θ)；其中，ρ表示沙漠化特征阈值，a表示权重系数。
28、优选地，所述空间信息编码器包括三个阶段，每个阶段包含有两层浅层结构；每层所述浅层结构由卷积运算、批量归一化和参数校正线性单元组成；每个阶段的第一层和第二层具有相同数量的过滤器和输出特征图大小；所述语义编码器包括通道分割和重划分模块和3个下采样模块；所述双注意力提取器是基于核注意力机制和点积的通道注意机制构建得到的；所述注意力特征定义器包括projection层和上采样模块；所述注意力特征定义器的每一层均由卷积层、bn层和prelu组成。
29、优选地，根据空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器构建深度空间注意力网络，并根据标记后的训练集对深度空间注意力网络进行训练，包括：
30、根据所述空间信息编码器构建空间信息编码网络分支网络；
31、根据所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建高维特征提取分支网络；
32、根据所述空间信息编码网络分支网络、所述高维特征提取分支网络和预设的特征融合器构建所述深度空间注意力网络；
33、将所述标记后的训练集输入到所述所述深度空间注意力网络中，并调整超参数后进行训练，得到训练好的深度空间注意力网络。
34、优选地，分别利用标记后的测试集和标记后的验证集对深度空间注意力网络进行测试和验证，得到最优的沙漠化监测模型，包括：
35、对所述深度空间注意力网络的训练参数进行初始化；
<本文档来自技高网...【技术保护点】
1.一种基于遥感技术的沙漠化监测与预警方法，其特征在于，包括：
2.根据权利要求1所述的基于遥感技术的沙漠化监测与预警方法，其特征在于，对所述影像数据进行图像预处理和数据增强，并将图像预处理和数据增强后的影像数据进行筛选，得到所述目标区域与沙漠化区域的交界地区的影像数据，并将所述目标区域与沙漠化区域的交界地区的影像数据划分为训练集、测试集和验证集，包括：
3.根据权利要求1所述的基于遥感技术的沙漠化监测与预警方法，其特征在于，对所述沙漠化数据特征序列进行数据清洗，包括：
4.根据权利要求3所述的基于遥感技术的沙漠化监测与预警方法，其特征在于，根据数据清洗后的沙漠化数据特征序列计算沙漠化特征阈值，包括：
5.根据权利要求4所述的基于遥感技术的沙漠化监测与预警方法，其特征在于，所述沙漠化特征阈值的计算公式为：
6.根据权利要求1所述的基于遥感技术的沙漠化监测与预警方法，其特征在于，所述空间信息编码器包括三个阶段，每个阶段包含有两层浅层结构；每层所述浅层结构由卷积运算、批量归一化和参数校正线性单元组成；每个阶段的第一层和第二层
7.根据权利要求1所述的基于遥感技术的沙漠化监测与预警方法，其特征在于，根据空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器构建深度空间注意力网络，并根据标记后的训练集对深度空间注意力网络进行训练，包括：
8.根据权利要求1所述的基于遥感技术的沙漠化监测与预警方法，其特征在于，分别利用标记后的测试集和标记后的验证集对深度空间注意力网络进行测试和验证，得到最优的沙漠化监测模型，包括：
9.一种基于遥感技术的沙漠化监测与预警系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于遥感技术的沙漠化监测与预警方法，其特征在于，包括：
2.根据权利要求1所述的基于遥感技术的沙漠化监测与预警方法，其特征在于，对所述影像数据进行图像预处理和数据增强，并将图像预处理和数据增强后的影像数据进行筛选，得到所述目标区域与沙漠化区域的交界地区的影像数据，并将所述目标区域与沙漠化区域的交界地区的影像数据划分为训练集、测试集和验证集，包括：
3.根据权利要求1所述的基于遥感技术的沙漠化监测与预警方法，其特征在于，对所述沙漠化数据特征序列进行数据清洗，包括：
4.根据权利要求3所述的基于遥感技术的沙漠化监测与预警方法，其特征在于，根据数据清洗后的沙漠化数据特征序列计算沙漠化特征阈值，包括：
5.根据权利要求4所述的基于遥感技术的沙漠化监测与预警方法，其特征在于，所述沙漠化特征阈值的计算公式为：
6.根据权利要求1所述的基于遥感技术的沙漠化监测与预警方法，其特征在于，所述空间信息编码器包括三个阶段，每个阶段包...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。