【技术实现步骤摘要】
本专利技术涉及遥感监测，尤其涉及基于空天地协同的目标树种遥感识别方法，更具体地涉及目标树种遥感识别模型的获取方法、基于空天地协同的目标树种遥感识别方法、终端及计算机存储介质。
技术介绍
1、现有的树种识别方法往往采用人工识别的方法，不仅耗时耗力、准确度角度，且往往进行深度山区进行实地踏勘，则危险性较大；而利用卫星遥感技术进行树种识别，不仅效率高、成本，适用于大范围的长时序监测。
2、于利用卫星遥感影像进行树种识别时，往往需要对影像进行分割和分类处理；于现有技术中，往往仅针对影像分割方法或仅针对影像分类方法进行优化，即单一地优化分割过程或分类过程，并未为考虑分割方式、尺度等对于分类结果的影响，导致识别图斑的边界准确度往往较低，进而导致树种的识别准确度受到影响而降低；尤其是对于天空冠层树种的识别过程中，往往会因为图斑分割不准确而导致图斑的分类准确度降低等情况。
3、因此，如何同步提高树种的分割准确度和识别准确度，已成为本领域需要解决的技术问题。
技术实现思路
1、鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种目标树种遥感识别模型优化方法、终端及计算机存储介质，用于解决现有的目标树种识别模型中识别图斑的边界准确度较低，进而导致分类识别的准确度较低等问题。
2、为实现上述目的及其他相关目的，本专利技术于第一方面提供一种目标树种遥感识别模型的获取方法，包括：
3、构建工作区内目标树种的样本数据集；所述样本数据集中包括由多维影像数据和对
4、于本专利技术一实施例中，所述基于当前合并尺度的邻近超像素合并于执行时，包括：
5、基于各所述初始分割图斑的分布，构建当前多维影像数据的区域邻接图；根据所述当前合并尺度，采用聚类方法对各所述初始分割图斑执行邻近超像素合并，以获得各所述合并图斑分布。
6、于本专利技术一实施例中， 所述对目标树种的当前识别模型执行基于特征因子的模型优化的实现方式，包括：
7、获取所述当前识别模型中包含的当前目标特征因子；基于所述当前目标特征因子，将所述特征因子库中与所述当前目标特征因子不相同的特征因子，作为当前备选特征因子；根据所述当前备选特征因子的计算方式，对所述多维影像数据的各当前分割图斑执行相应计算，以获得相应的特征分布图；基于各所述多维影像数据对应的特征分布图，和相应的所述实地分布数据，利用特征筛选方法于各所述当前备选特征因子中，提取出与目标树种识别相关联的特征因子，作为新目标特征因子；基于所述新目标特征因子，对所述当前目标特征因子进行更新。
8、于本专利技术一实施例中，所述特征筛选方法包括boruta方法。
9、于本专利技术一实施例中，所述对当前的正确识别图斑执行边缘匹配检测，包括：
10、基于所述目标树种的实地分布数据，获取各正确识别图斑对应的实地分布图斑；提取各所述正确识别图斑的图斑边界，和提取对应的所述实地分布图斑的图斑边界；基于两者的边界分布，利用边缘匹配检测方法，提取所述正确识别图斑与对应实地分布图斑之间的边缘匹配度；检测该边缘匹配度是否大于匹配度阈值。
11、于本专利技术一实施例中，所述基于边缘匹配检测结果调整合并尺度，包括：
12、当所述正确识别图斑的边缘超出所述目标图斑边缘的占比大于占比阈值时，则调小所述当前合并尺度；以及，当正确识别图斑的边缘未超出所述目标图斑边缘的占比大于占比阈值时，则调大所述当前合并尺度。
13、于本专利技术一实施例中，所述目标树种遥感识别模型的获取方法还包括：
14、构建目标树种的各特征因子，以基于各所述特征因子，构建目标树种的特征因子库；其中，所述特征因子包括生境因子、纹理因子和光谱因子。
15、为实现上述目的及其他相关目的，本专利技术于第二方面提供一种基于空天地协同的目标树种遥感识别方法，包括：
16、获取工作区内目标树种对应的最优合并尺度，和与该合并尺对应的目标树种的最优识别模型；对工作区的多维影像数据执行超像素分割，以获得分割后的初始分割图斑；基于所述最优合并尺度，对各所述初始分割图斑执行相应合并尺度的邻近超像素合并，以获得对应的合并图斑分布；利用所述最优识别模型对所述合并图斑分布中各图斑进行识别，以获得目标树种的识别；其中，所述最优识别模型为采用如上任意所述的目标树种遥感识别模型的获取方法获得。
17、为实现上述目的及其他相关目的，本专利技术于第三方面还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任意所述的目标树种遥感识别模型的获取方法，或该程序被处理器执行时实现如上任意所述的基于空天地协同的目标树种遥感识别方法。
18、本专利技术于第四方面还提供一种终端，包括处理器以及存储器，所述存储器与所述处理器之间通信连接；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上任意所述的目标树种遥感识别模型的获取方法，或如上任意所述的基于空天地协同的目标树种遥感识别方法。
19、如上所述，本专利技术提供的所述目标树种遥感识别模型的获取方法、基于空天地协同的目标树种遥感识别方法、终端及计算机存储介质，通过利用超像素分割方法对多维影像执行分割，和对分割获得的图斑执行基于合并尺度的相邻超像素聚类合并，以获得与当前合并尺度对应的初始分割图斑，并基于各初始分割图斑的分布对特征因子进行筛选，以基于筛选后目标识别因子对目标树种的识别模型进行优化，并对优化后识别模型的正确识别图斑的边界匹配度进行检测，于检测到正确识别图斑与对应的实地图斑边界不匹配时，则调整当前的合并尺度，并通过上述迭代过程获得工作区内与目标树种匹配的最优合并尺度和对应最优合并尺度的最优识别模型，于保证目标树种的识别精度的同时，有效地提高了图斑边界的准确性，使得分割图斑的边界与目标树种的实际边界的匹配度得到了有效的提升，从而可以快速、高效和准确地获取与目标树种对应的目标识别因子，进而基于目标识别因子所构建的识别模型，可以准确、高效地获取目标树种对应的识别图斑，不仅提高了树种识别的准确性。
本文档来自技高网...【技术保护点】
1.一种目标树种遥感识别模型的获取方法，其特征在于，包括：
2.根据权利要求1所述的目标树种遥感识别模型的获取方法，其特征在于，所述基于当前合并尺度的邻近超像素合并于执行时，包括：
3.根据权利要求1所述的目标树种遥感识别模型的获取方法，其特征在于， 所述对目标树种的当前识别模型执行基于特征因子的模型优化的实现方式，包括：
4.根据权利要求3所述的目标树种遥感识别模型的获取方法，其特征在于， 所述特征筛选方法包括Boruta方法。
5.根据权利要求1所述的目标树种遥感识别模型的获取方法，其特征在于， 所述对当前的正确识别图斑执行边缘匹配检测，包括：
6.根据权利要求1所述的目标树种遥感识别模型的获取方法，其特征在于， 所述基于边缘匹配检测结果调整合并尺度，包括：
7.根据权利要求1所述的目标树种遥感识别模型的获取方法，其特征在于，还包括：
8.一种基于空天地协同的目标树种遥感识别方法，其特征在于，包括：
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利
10.一种终端，其特征在于，包括处理器以及存储器，所述存储器与所述处理器之间通信连接；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任一项所述的目标树种遥感识别模型的获取方法或如权利要求8所述的目标树种遥感识别方法。
...【技术特征摘要】
1.一种目标树种遥感识别模型的获取方法，其特征在于，包括：
2.根据权利要求1所述的目标树种遥感识别模型的获取方法，其特征在于，所述基于当前合并尺度的邻近超像素合并于执行时，包括：
3.根据权利要求1所述的目标树种遥感识别模型的获取方法，其特征在于， 所述对目标树种的当前识别模型执行基于特征因子的模型优化的实现方式，包括：
4.根据权利要求3所述的目标树种遥感识别模型的获取方法，其特征在于， 所述特征筛选方法包括boruta方法。
5.根据权利要求1所述的目标树种遥感识别模型的获取方法，其特征在于， 所述对当前的正确识别图斑执行边缘匹配检测，包括：
6.根据权利要求1所述的目标树种遥感识别模型的获取方法，其特征在于， 所述基于边缘匹配检测...
【专利技术属性】
技术研发人员：冯存均，邓小渊，詹远增，周伟，黄晨，朱晶晶，于辉，施临锦，王兴坤，赵建雪，马彦，徐建，李硕果，李晓天，金姗姗，施利涛，钮潇雨，
申请(专利权)人：浙江省测绘科学技术研究院，
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。