一种基于人工智能的土地利用变化图斑自动识别方法

摘要

本发明公开了一种基于人工智能的土地利用变化图斑自动识别方法，涉及遥感技术领域。获取目标土地区域在第一时刻的第一目标图像和第二时刻的第二目标图像；使用预设的决策树判别模型和土地遥感数据库，确定第二目标图像相对于第一目标图像的目标变化信息；土地遥感数据库包括各土地利用类型的第一图斑信息和第一目标图像的第二图斑信息；根据目标变化信息自动生成目标土地区域的变化信息统计图表。通过目标土地区域在不同时刻的遥感数据，使用预设的决策树判别模型和土地遥感数据库，确定当前时刻的目标土地区域相对于历史时刻的目标土地区域的目标变化信息。实现了土地利用变化数据的批量、全自动识别，为土地规划和决策提供实时精准的数据。

说明书

技术领域

本发明涉及遥感技术领域，具体涉及一种基于人工智能的土地利用变化图斑自动识别方法。

背景技术

土地是人类赖以生存的重要自然资源基础，获取土地利用变化信息对掌握土地现状和促进经济发展有着重要的意义。现阶段，通常基于人工判读的方式获取土地利用变化信息，不仅费时费力，且同时在地物空间地理边界划分上也缺乏精确度。

因此，需要从遥感影像数据中自动提取和输出土地利用变化信息，提升土地利用变化数据的时效性和精准度，支撑对土地的规划和决策。

发明内容

本发明的目的就在于解决上述背景技术的问题，而提出一种基于人工智能的土地利用变化图斑自动识别方法。

本发明的目的可以通过以下技术方案实现：

本发明实施例提供了一种基于人工智能的土地利用变化图斑自动识别方法，所述方法包括：

获取目标土地区域在第一时刻的第一目标图像和第二时刻的第二目标图像；所述第一时刻为所述目标土地区域的历史时刻，所述第二时刻为所述目标土地区域的当前时刻；

使用预设的决策树判别模型和土地遥感数据库，输出所述第二目标图像相对于所述第一目标图像的目标变化信息；所述土地遥感数据库包括各土地利用类型的第一图斑信息和所述第一目标图像的第二图斑信息；

根据所述目标变化信息自动生成所述目标土地区域的变化信息统计图表。

可选地，获取目标土地区域在第一时刻的第一目标图像和第二时刻的第二目标图像，包括：

获取目标土地区域在所述第一时刻的第一原始图像和所述第二时刻的第二原始图像；

对所述第一原始图像和所述第二原始图像进行配准叠加处理，得到所述第一目标图像和所述第二目标图像；所述第一目标图像和所述第二目标图像具有统一的区域范围和地理坐标。

可选地，所述第一图斑信息包括各土地利用类型的图斑的第一特征向量，所述第二图斑信息包括所述第一目标图像中的各个图斑的第二特征向量和各个图斑的第一范围；

使用预设的决策树判别模型和土地遥感数据库，输出所述第二目标图像相对于所述第一目标图像的目标变化信息，包括：

以所述第一范围为检测单位，使用预设的决策树判别模型和第二特征向量，检测所述第二目标图像中相对于所述第一目标图像发生改变的目标变化区域；

判断所述目标变化区域的土地变化结果类型；

若所述土地变化结果类型为单一土地类型变为单一土地类型，则直接输出所述第二目标图像相对于所述第一目标图像的目标变化信息；

否则，采用影像分割技术将所述目标变化区域分割为均一的若干个图斑单元，使用预设的决策树判别模型和第一特征向量，确定各图斑单元的土地利用类型，将所述目标变化区域和各图斑单元的土地利用类型，作为所述第二目标图像相对于所述第一目标图像的目标变化信息。

可选地，以所述第一范围为检测单位，使用预设的决策树判别模型和第二特征向量，检测所述第二目标图像中相对于所述第一目标图像发生改变的目标变化区域，包括：

以所述第一范围为检测单位，提取所述第二目标图像中的特征向量，作为第三特征向量；

使用预设的决策树判别模型计算所述第二特征向量和所述第三特征向量的相似度，确定所述第二目标图像中所述第一范围对应的区域是否发生变化；将变化的所述第一范围作为目标变化区域。

可选地，使用预设的决策树判别模型和第一特征向量，确定各图斑单元的土地利用类型，包括：

针对每一图斑单元，提取该图斑单元的特征向量，作为第四特征向量；

使用预设的决策树判别模型计算所述第一特征向量和所述第四特征向量的相似度，确定该图斑单元的土地利用类型。

可选地，所述预设的决策树判别模型的判别规则为距离最小规则：

计算两特征向量之间的距离：

其中，若

根据距离D

可选地，所述预设的决策树判别模型的判别规则为贝叶斯法则：

计算两特征向量之间的似然概率：

其中，i为土地利用类别号，∑

可选地，所述第一特征向量和所述第二特征向量包括光谱特征、统计特征、直方图特征、纹理特征和波段运算特征中的至少一项；

所述预设的决策树判别模型的判别规则为多重判据法则：计算两特征向量之间的似然概率和多个不同维度特征的距离，通过似然概率和多个不同维度的距离共同判断待判别区域所属的土地利用类别，即可确定所述第二目标图像中所述第一范围对应的区域是否发生变化，或者，确定各图斑单元的土地利用类型。

可选地，根据所述目标变化信息自动生成所述目标土地区域的变化信息统计图表，包括：

根据所述目标变化信息确定所述目标土地区域的土地利用变化类型；

统计所述土地利用变化类型的变化面积；

根据所述土地利用变化类型和变化面积，生成所述目标土地区域的变化信息统计图表。

一种基于人工智能的土地利用变化图斑自动识别方法，获取目标土地区域在第一时刻的第一目标图像和第二时刻的第二目标图像；第一时刻为目标土地区域的历史时刻，第二时刻为所述目标土地区域的当前时刻；使用预设的决策树判别模型和土地遥感数据库，输出第二目标图像相对于第一目标图像的目标变化信息；土地遥感数据库包括各土地利用类型的第一图斑信息和第一目标图像的第二图斑信息；根据目标变化信息自动生成目标土地区域的变化信息统计图表。通过目标土地区域在不同时刻的遥感数据，使用预设的决策树判别模型和土地遥感数据库，确定当前时刻的目标土地区域相对于历史时刻的目标土地区域的目标变化信息。实现了土地利用变化数据的批量、全自动识别，为土地规划和决策提供实时精准的数据。

附图说明

下面结合附图对本发明作进一步的说明。

图1为本发明实施例提供的一种基于人工智能的土地利用变化图斑自动识别方法的流程图；

图2为本发明实施例提供的另一种基于人工智能的土地利用变化图斑自动识别方法的流程图；

图3为本发明实施例提供的又一种基于人工智能的土地利用变化图斑自动识别方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明实施例提供了一种基于人工智能的土地利用变化图斑自动识别方法。参见图1，图1为本发明实施例提供的一种基于人工智能的土地利用变化图斑自动识别方法的流程图。该方法可以包括以下步骤：

S101，获取目标土地区域在第一时刻的第一目标图像和第二时刻的第二目标图像。

S102，使用预设的决策树判别模型和土地遥感数据库，输出第二目标图像相对于第一目标图像的目标变化信息。

S103，根据目标变化信息自动生成目标土地区域的变化信息统计图表。

第一时刻为目标土地区域的历史时刻，第二时刻为目标土地区域的当前时刻。土地遥感数据库包括各土地利用类型的第一图斑信息和第一目标图像的第二图斑信息。

基于本发明实施例提供的一种基于人工智能的土地利用变化图斑自动识别方法，通过目标土地区域在不同时刻的遥感数据，使用预设的决策树判别模型和土地遥感数据库，确定当前时刻的目标土地区域相对于历史时刻的目标土地区域的目标变化信息。实现了土地利用变化数据的批量、全自动识别，为土地规划和决策提供实时精准的数据。

一种实现方式中，第二时刻可以为当前对目标土地区域进行遥感测量的时刻，第一时刻可以为目标土地区域在第二时刻之前，最近一次对目标土地区域进行遥感测量的历史时刻。

一种实现方式中，土地遥感数据库记录了目标土地区域在历史时间段内，每一次进行遥感测量的第二图斑信息,通过将当前测量的目标土地区域的图像与第二图斑信息进行比较，可以判断当前时刻目标土地区域的土地利用类型是否发生了变化。土地遥感数据库还记录了，各种土地利用类型的第一图斑信息，通过将当前测量的目标土地区域的图像与第一图斑信息进行比较，可以确定当前时刻目标土地区域的土地利用类型。

一种实现方式中，预设的决策树判别模型可以由树根节点、树干节点和树叶节点组成。其中，树根节点为第二目标图像，树叶节点为输出的土地利用类型(或土地利用是否变化的判断结果)，树干节点是利用土地遥感数据库构建的逻辑关系，用于连接树根节点和树叶节点。其可有效利用提取的第二目标图像和土地遥感数据库中的第一图斑信息和第二图斑信息，并可同时利用其他有利于变化检测的辅助信息，合理设置与组织树干节点的层次，将可用的知识按照层次关系有效组织起来，实现对土地利用变化按层次检测与识别。

在一个实施例中，参见图2，在图1的基础上步骤S101包括：

S1011，获取目标土地区域在第一时刻的第一原始图像和第二时刻的第二原始图像。

S1012，对第一原始图像和第二原始图像进行配准叠加处理，得到第一目标图像和第二目标图像。

第一目标图像和第二目标图像具有统一的区域范围和地理坐标。

一种实现方式中，第一原始图像可以从土地遥感数据库中获取，第二原始图像可以通过对目标土地区域进行实时遥感测量获取。

一种实现方式中，由于每次进行遥感测量时的位置和角度等因素的不同，导致第一原始图像和第二原始图像时相不同，通过配准叠加处理可以使第一目标图像和第二目标图像具有统一的区域范围和地理坐标，可以更加精准地判断目标土地区域的土地利用变化情况。

在一个实施例中，第一图斑信息包括各土地利用类型的图斑的第一特征向量，第二图斑信息包括第一目标图像中的各个图斑的第二特征向量和各个图斑的第一范围。参见图3，在图2的基础上步骤S102包括：

S1021，以第一范围为检测单位，使用预设的决策树判别模型和第二特征向量，检测第二目标图像中相对于第一目标图像发生改变的目标变化区域。

S1022，判断目标变化区域的土地变化结果类型。

S1023，若土地变化结果类型为单一土地类型变为单一土地类型，则直接输出所述第二目标图像相对于所述第一目标图像的目标变化信息。

S1024，否则，采用影像分割技术将目标变化区域分割为均一的若干个图斑单元，使用预设的决策树判别模型和第一特征向量，确定各图斑单元的土地利用类型，将目标变化区域和各图斑单元的土地利用类型，作为第二目标图像相对于第一目标图像的目标变化信息。

一种实现方式中，第一目标图像中可以包括多个图斑，每一图斑的范围为第一范围。针对每一第一范围，与第二目标图像中和第一范围相同的区域进行比较，用于判断该第一范围内的土地利用类型是否发生改变。

一种实现方式中，土地利用变化结果存在四种类型，即：

①单一土地类型变为单一土地类型；

②单一土地类型变化多种土地类型；

③多种土地类型变为单一土地类型；

④多种土地类型变为多种土地类型。

因此针对判别为土地利用类型发生改变的两期图斑，首先识别其变化属于以上哪种类型，若属于类型①，则直接输出土地利用变化信息；若属于上述②③④三种类型，则采用影像分割技术将两期影像类别不匹配的区域分割为均一的若干个图斑单元，以分割的图斑单元为单位进行特征计算，按照上述相同方法进行变化检测和类别识别，最后分别输出土地利用变化信息。

一种实现方式中，目标变化区域可能具有多种变化，可以将目标变化区域分割为均一的若干个更小的图斑单元，可以用于计算目标变化区域的变化类型和对应的变化面积。

在一个实施例中，步骤S1021包括：

步骤一，以第一范围为检测单位，提取第二目标图像中的特征向量，作为第三特征向量。

步骤二，使用预设的决策树判别模型计算第二特征向量和第三特征向量的相似度，确定第二目标图像中第一范围对应的区域是否发生变化，将变化的第一范围作为目标变化区域。

在一个实施例中，使用预设的决策树判别模型和第一特征向量，确定各图斑单元的土地利用类型，包括：

步骤一，针对每一图斑单元，提取该图斑单元的特征向量，作为第四特征向量。

步骤二，使用预设的决策树判别模型计算第一特征向量和第四特征向量的相似度，确定该图斑单元的土地利用类型。

在一个实施例中，预设的决策树判别模型的判别规则为距离最小规则：

计算两特征向量之间的距离：

其中，若

根据距离D

在一个实施例中，预设的决策树判别模型的判别规则为贝叶斯法则：

计算两特征向量之间的似然概率：

其中，i为土地利用类别号，∑

在一个实施例中，第一特征向量和第二特征向量包括光谱特征、统计特征、直方图特征、纹理特征和波段运算特征中的至少一项；

预设的决策树判别模型的判别规则为多重判据法则：计算两特征向量之间的似然概率和多个不同维度特征的距离，通过似然概率和多个不同维度的距离共同判断待判别区域所属的土地利用类别，即可确定第二目标图像中第一范围对应的区域是否发生变化，或者，确定各图斑单元的土地利用类型。

一种实现方式中，光谱特征包括每一土地利用类别各波段的光谱值和光谱曲线；统计特征包括每一土地利用类别各波段的极值特征、均值、方差、协方差、自相关、互相关、不变矩；直方图特征包括每一土地利用类别的直方图分布、平均值、方差、歪斜度、峭度、能量、熵；纹理特征包括每一土地利用类别的灰度共生矩阵的自相关系数、惯性矩、能量、熵、局部均一性；波段运算特征包括每一土地利用类别的比值和植被指数。

一种实现方式中，为提高自动检测的可靠性，可构建多重判据法则。例如，当判断x发生变化时，则需满足均值距离大于阈值ω

在一个实施例中，步骤S103包括：

步骤一，根据目标变化信息确定目标土地区域的土地利用变化类型。

步骤二，统计土地利用变化类型的变化面积。

步骤三，根据土地利用变化类型和变化面积，生成目标土地区域的变化信息统计图表。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。