【技术实现步骤摘要】
本专利技术属于生态产品价值实现，尤其涉及一种基于深度学习的生态环境遥感影像分类与特征提取方法。
技术介绍
1、随着生态环境保护意识的日益增强，对生态环境遥感影像进行精准分类与特征提取的需求愈发迫切。近年来，深度学习技术的快速发展为遥感影像处理领域带来了新的突破。深度学习模型凭借其强大的自动特征学习能力，能够深入挖掘遥感影像中的潜在信息，为生态环境遥感影像的精准分类与特征提取提供了有力支持。
2、然而，现有的部分遥感影像处理技术中，由于算力限制，若无法较好地对遥感影像进行有目的有侧重地分析处理，则不仅无法得到满足质量要求的图像数据，更制约了生态环境监测与评估的准确性和效率。
技术实现思路
1、本专利技术实施例的目的在于提供一种基于深度学习的生态环境遥感影像分类与特征提取方法，旨在解决
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术实施例提供如下技术方案：
3、一种基于深度学习的生态环境遥感影像分类与特征提取方法，所述方法具体包括以下步骤：
4、获取目标生态区域的遥感影像数据，基于ai技术，对所述遥感影像数据进行数据处理与指标分析，获取包括高程、坡度、坡向、植被类型和土地利用类型五个生态指标的区域指标数据；
5、根据所述区域指标数据，进行高程、坡度、坡向、植被类型和土地利用类型五个生态指标的生态敏感评价与融合，将所述目标生态区域划分为多个生态敏感子区域；
6、获取每个所述生态敏感子区域对应的生态敏感性数据，所
7、当判断到所述重要性权重系数大于预设重要性权重系数，则在当前项中选取最优特征提取算法模型进行特征提取以得到对应的最优子特征，并将各项对应的所述最优子特征进行整合，以生成完整特征数据集。
8、作为本专利技术实施例技术方案进一步的限定，所述获取目标生态区域的遥感影像数据，基于ai技术，对所述遥感影像数据进行数据处理与指标分析，获取包括高程、坡度、坡向、植被类型和土地利用类型五个生态指标的区域指标数据具体包括以下步骤：
9、确定目标生态区域；
10、对所述目标生态区域进行遥感检测，获取遥感影像数据；
11、基于ai技术，对所述遥感影像数据进行辐射定标、大气校正、几何校正、裁剪和拼接处理，获取标准遥感数据；
12、对所述标准遥感数据进行指标分析，获取包括高程、坡度、坡向、植被类型和土地利用类型五个生态指标的区域指标数据。
13、作为本专利技术实施例技术方案进一步的限定，所述对所述标准遥感数据进行指标分析，获取包括高程、坡度、坡向、植被类型和土地利用类型五个生态指标的区域指标数据具体包括以下步骤：
14、利用数字高程模型，对所述标准遥感数据进行三维地形分析，获取高程数据、坡度数据和坡向数据；
15、对所述标准遥感数据进行光谱特征分析与分类，获取植被类型数据；
16、对所述标准遥感数据进行颜色纹理分析与分类，获取土地利用类型数据；
17、综合所述高程数据、所述坡度数据、所述坡向数据、所述植被类型数据和所述土地利用类型数据，生成区域指标数据。
18、作为本专利技术实施例技术方案进一步的限定，所述根据所述区域指标数据，进行高程、坡度、坡向、植被类型和土地利用类型五个生态指标的生态敏感评价与融合，将所述目标生态区域划分为多个生态敏感子区域具体包括以下步骤：
19、根据所述区域指标数据，进行高程的生态敏感评价，获取高程评价数据；
20、根据所述区域指标数据，进行坡度的生态敏感评价，获取坡度评价数据；
21、根据所述区域指标数据，进行坡向的生态敏感评价，获取坡向评价数据；
22、根据所述区域指标数据，进行植被类型的生态敏感评价，获取植被类型评价数据；
23、根据所述区域指标数据，进行土地利用类型的生态敏感评价，获取土地利用类型评价数据；
24、融合所述高程评价数据、所述坡度评价数据、所述坡向评价数据、所述植被类型评价数据和所述土地利用类型评价数据，划分多个生态敏感子区域。
25、作为本专利技术实施例技术方案进一步的限定，所述融合所述高程评价数据、所述坡度评价数据、所述坡向评价数据、所述植被类型评价数据和所述土地利用类型评价数据，划分多个生态敏感子区域具体包括以下步骤：
26、确定融合评价权重；
27、按照所述融合评价权重，对高程评价数据、坡度评价数据、坡向评价数据、植被类型评价数据和土地利用类型评价数据进行融合，获取融合评价数据；
28、对所述融合评价数据进行分析，确定所述目标生态区域的敏感等级边界；
29、按照所述敏感等级边界，将目标生态区域划分为多个生态敏感子区域。
30、与现有技术相比，本专利技术的有益效果是：
31、本专利技术通过获取目标生态区域的遥感影像数据，获取五个生态指标的区域指标数据；进行五个生态指标的生态敏感评价与融合，划分多个生态敏感子区域；根据每个生态敏感子区域的生态敏感性数据，结合重要性权重系数选取最优特征提取算法进行特征提取以最终得到特征数据集。本专利技术能够有目的有侧重地分析处理遥感影像数据，在满足质量要求的前提下提高了处理效率。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，所述方法具体包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，基于AI技术，对所述遥感影像数据进行辐射定标的过程具体包括以下步骤：
3.根据权利要求2所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，基于AI技术，对所述遥感影像数据进行大气校正的过程具体包括以下步骤：
4.根据权利要求3所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，所述对所述标准遥感数据进行指标分析，获取包括高程、坡度、坡向、植被类型和土地利用类型五个生态指标的区域指标数据具体包括以下步骤：
5.根据权利要求4所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，利用数字高程模型，对所述标准遥感数据进行三维地形分析，获取高程数据、坡度数据和坡向数据具体包括以下步骤：
6.根据权利要求5所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，对所述标准
7.根据权利要求6所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，对所述标准遥感数据进行颜色纹理分析与分类，获取土地利用类型数据具体包括以下步骤：
8.根据权利要求7所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，所述根据所述区域指标数据，进行高程、坡度、坡向、植被类型和土地利用类型五个生态指标的生态敏感评价与融合，将所述目标生态区域划分为多个生态敏感子区域具体包括以下步骤：
9.根据权利要求8所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，所述融合所述高程评价数据、所述坡度评价数据、所述坡向评价数据、所述植被类型评价数据和所述土地利用类型评价数据，划分多个生态敏感子区域具体包括以下步骤：
10.根据权利要求9所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，当判断到所述重要性权重系数大于预设重要性权重系数，则在当前项中选取最优特征提取算法模型进行特征提取以得到对应的最优子特征具体包括如下步骤：
...【技术特征摘要】
1.一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，所述方法具体包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，基于ai技术，对所述遥感影像数据进行辐射定标的过程具体包括以下步骤：
3.根据权利要求2所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，基于ai技术，对所述遥感影像数据进行大气校正的过程具体包括以下步骤：
4.根据权利要求3所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，所述对所述标准遥感数据进行指标分析，获取包括高程、坡度、坡向、植被类型和土地利用类型五个生态指标的区域指标数据具体包括以下步骤：
5.根据权利要求4所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，利用数字高程模型，对所述标准遥感数据进行三维地形分析，获取高程数据、坡度数据和坡向数据具体包括以下步骤：
6.根据权利要求5所述的一种基于深度学习的生态环境遥感影像分类与特征提取方法，其特征在于，对所述标准遥感数据进行...
【专利技术属性】
技术研发人员：刘超，詹一萍，刘爱民，万海涛，徐子好，曹蒙雅，邹思梦，曾文祥，
申请(专利权)人：江西两山生态技术有限公司，
类型：发明
国别省市：
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。