一种基于深度学习的土地利用分类及变化预测方法

技术领域

本发明涉及遥感影像信息技术领域，特别是涉及一种基于深度学习的土地利用分类及变化预测方法。

背景技术

基于高分辨率遥感影像的土地利用分类技术已广泛用于大尺度范围土地利用调查工作中，但现有的土地利用分类技术仍旧存在地物分类特征难提取、噪声干扰因子多、分类结果不够精细等问题；此外，土地利用类型多样且划分依据复杂，部分类别由多种不同地物组成，导致其内部结构复杂，一般依赖于遥感图像特征的分类方法不能对组成复杂的土地利用类型进行准确分类。现有的土地利用分类和变化预测并没有结合起来，在进行土地利用变化预测时，往往采用普通的分类技术进行分类，导致预测精度低，无法开展土地利用动态变化预测、农作物产量预测、自然灾害防治及合理组织土地利用等一系列工作。因此，设计一种基于深度学习的土地利用分类及变化预测方法是十分有必要的。

发明内容

本发明的目的是提供一种基于深度学习的土地利用分类及变化预测方法，能够准确的实现土地利用分类及变化预测，能够为开展土地利用动态变化预测、农作物产量预测、自然灾害防治及合理组织土地利用等一系列工作提供基础。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习的土地利用分类及变化预测方法，包括如下步骤：

步骤1：获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本；

步骤2：构建深度学习语义分割网络模型，通过土地覆盖类型训练样本训练深度学习语义分割网络模型，基于门控机制构建类型转换网络模型，通过土地利用类型训练样本训练类型转换网络模型；

步骤3：将训练完成的深度学习语义分割网络模型及类型转换网络模型进行串联整合，生成土地利用分类模型；

步骤4：将不同时期的待检测土地遥感影像输入土地利用分类模型中，得到土地利用分类图像；

步骤5：根据土地利用分类图像，绘制出分类矢量图，根据分类矢量图，计算土地变化幅度、动态度及空间变化，并通过土地变化幅度、动态度及空间变化分析不同时期土地的动态变化，归纳不同时期的土地利用时空变化特征和规律；

步骤6：选取驱动因子构建CA-Markov预测模型，获取验证土地遥感影像数据，对CA-Markov预测模型的精度和适用性进行验证；

步骤7：若验证通过，则根据不同时期的土地利用时空变化特征和规律，利用CA-Markov预测模型，对未来土地利用变化进行预测。

可选的，步骤1中，获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本，具体为：

收集历史遥感影像数据、对应的土地利用矢量数据及历史土地覆盖矢量数据，通过扫描线算法获取各矢量数据的边界区域，对各矢量数据进行矢量栅格化处理，生成初始土地利用矢量标注底图及初始历史土地覆盖矢量标注底图，通过人工标注对初始土地利用矢量标注底图及初始历史土地覆盖矢量标注底图中的具有代表性的人造地物进行单独标注，得到土地利用矢量标注底图及历史土地覆盖矢量标注底图，对历史遥感影像数据及其对应的历史土地覆盖矢量标注底图进行切片处理，生成标准尺寸的土地覆盖类型训练样本，对历史土地覆盖矢量标注底图及其对应的土地利用矢量标注底图进行切片处理，生成标准的土地利用类型训练样本。

可选的，步骤2中，构建深度学习语义分割网络模型，具体为：

利用并行高分辨率特征提取网络模型作为基础网络，基于深度学习构建深度学习语义分割模型。

可选的，步骤2中，基于门控机制构建类型转换网络模型，通过土地利用类型训练样本训练类型转换网络模型，具体为：

基于门控机制构建地理空间关联关系特征提取单元，以地理空间关联关系特征单元为基本单元，引入注意力模块建立类型转换网络模型，将土地利用类型训练样本按行划分，按照从上到下的顺序排列形成第一组图像序列，按照从下到上的顺序组成第二组图像序列，将土地利用类型训练样本按行划分，按照从左到右的顺序排列形成第三组图像序列，按照从右到左的顺序组成第四组图像序列，将四组图像序列输入类型转换网络模型中进行训练。

可选的，步骤4中，将不同时期的待检测土地遥感影像输入土地利用分类模型中，得到土地利用分类图像，具体为：

获取不同时期的待检测土地遥感影像，并将其输入土地利用分类模型中，得到土地利用分类图像。

可选的，步骤6中，选取驱动因子构建CA-Markov预测模型，具体为：

选取若干个驱动因子，根据若干个驱动因子生成土地利用类型的分布概率示意图，根据土地利用类型的分布概率示意图获取元胞自动机CA模型的转换规则，根据马尔科夫Markov模型和CA模型的转换规则，构建CA-Markov预测模型。

可选的，步骤6中，获取验证土地遥感影像数据，对CA-Markov预测模型的精度和适用性进行验证，具体为：

获取验证土地遥感影像及实际土地利用变化数据，将验证土地遥感影像输入土地利用分类模型中，得到验证土地利用分类图像，根据验证土地利用分类图像绘制出验证分类矢量图，根据验证分类矢量图，计算土地变化幅度、动态度及空间变化，并通过土地变化幅度、动态度及空间变化分析不同时期土地的动态变化，归纳不同时期的土地利用时空变化特征和规律，根据土地利用时空变化特征和规律，利用CA-Markov预测模型对土地利用变化进行预测，得到验证土地利用变化数据，将验证土地利用变化数据与实际土地利用变化数据进行对比，若在合理误差范围内，则判断验证通过。

可选的，所述驱动因子至少包括高程、坡度、坡向、距公路距离和距行政中心距离。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于深度学习的土地利用分类及变化预测方法，获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本，构建深度学习语义分割网络模型，通过土地覆盖类型训练样本训练深度学习语义分割网络模型，基于门控机制构建类型转换网络模型，通过土地利用类型训练样本训练类型转换网络模型，将训练完成的深度学习语义分割网络模型及类型转换网络模型进行串联整合，生成土地利用分类模型，将不同时期的待检测土地遥感影像输入土地利用分类模型中，得到土地利用分类图像，根据土地利用分类图像，绘制出分类矢量图，根据分类矢量图，计算土地变化幅度、动态度及空间变化，并通过土地变化幅度、动态度及空间变化分析不同时期土地的动态变化，归纳不同时期的土地利用时空变化特征和规律，选取驱动因子构建CA-Markov预测模型，根据不同时期的土地利用时空变化特征和规律，利用CA-Markov预测模型，对未来土地利用变化进行预测；基于深度学习实现了土地利用的分类，采用深度学习语义分割技术，基于历史遥感影像数据与对应的历史土地覆盖矢量标注底图进行分类模型训练，获得精确分类的像素级历史土地覆盖矢量标注底图，基于门控机制构建地理空间关联关系特征提取单元来提取各土地利用类型的地理空间关联关系，可以将土地覆盖类型的细分结果进行同一土地利用类型的归并，完成了土地覆盖地物类型分类底图向土地利用分类标注图的转换；引入驱动因子，基于马尔科夫Markov模型和CA模型构建CA-Markov预测模型，对土地利用变化进行了精准的分析预测，通过验证土地遥感影像数据对CA-Markov预测模型进行验证，保证了CA-Markov预测模型的精度和适用性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于深度学习的土地利用分类及变化预测方法流程示意图。

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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于深度学习的土地利用分类及变化预测方法，能够准确的实现土地利用分类及变化预测，能够为开展土地利用动态变化预测、农作物产量预测、自然灾害防治及合理组织土地利用等一系列工作提供基础。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为发明实施例基于深度学习的土地利用分类及变化预测方法流程示意图，如图1所示，本发明实施例提供的基于深度学习的土地利用分类及变化预测方法，包括如下步骤：

步骤1：获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本；

步骤2：构建深度学习语义分割网络模型，通过土地覆盖类型训练样本训练深度学习语义分割网络模型，基于门控机制构建类型转换网络模型，通过土地利用类型训练样本训练类型转换网络模型；

步骤3：将训练完成的深度学习语义分割网络模型及类型转换网络模型进行串联整合，生成土地利用分类模型；

步骤4：将不同时期的待检测土地遥感影像输入土地利用分类模型中，得到土地利用分类图像；

步骤5：根据土地利用分类图像，绘制出分类矢量图，根据分类矢量图，计算土地变化幅度、动态度及空间变化，并通过土地变化幅度、动态度及空间变化分析不同时期土地的动态变化，归纳不同时期的土地利用时空变化特征和规律；

步骤6：选取驱动因子构建CA-Markov预测模型，获取验证土地遥感影像数据，对CA-Markov预测模型的精度和适用性进行验证；

步骤7：若验证通过，则根据不同时期的土地利用时空变化特征和规律，利用CA-Markov预测模型，对未来土地利用变化进行预测。

步骤1中，获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本，具体为：

收集历史遥感影像数据、对应的土地利用矢量数据及历史土地覆盖矢量数据，通过扫描线算法获取各矢量数据的边界区域，对各矢量数据进行矢量栅格化处理，生成初始土地利用矢量标注底图及初始历史土地覆盖矢量标注底图，通过人工标注对初始土地利用矢量标注底图及初始历史土地覆盖矢量标注底图中的具有代表性的人造地物进行单独标注，所述具有代表性的人造地物例如，游乐场、体育场、广场等，得到土地利用矢量标注底图及历史土地覆盖矢量标注底图，对历史遥感影像数据及其对应的历史土地覆盖矢量标注底图进行切片处理，生成标准尺寸的土地覆盖类型训练样本，对历史土地覆盖矢量标注底图及其对应的土地利用矢量标注底图进行切片处理，生成标准的土地利用类型训练样本。

在制作训练样本时，统计各样本图像上各土地覆盖类型或土地利用类型所占比例，根据统计结果进行样本筛选，构建出类别平衡的训练集。

步骤2中，构建深度学习语义分割网络模型，具体为：

基于深度学习，利用并行高分辨率特征提取网络模型作为基础网络，构建深度学习语义分割模型，在通过土地覆盖类型训练样本对深度学习语义分割模型进行训练时，应该设置合理的模型训练参数，使深度学习语义分割模型能够自动提取分类特征，实现像素级土地覆盖分类。

步骤2中，基于门控机制构建类型转换网络模型，通过土地利用类型训练样本训练类型转换网络模型，具体为：

基于门控机制构建地理空间关联关系特征提取单元，以地理空间关联关系特征单元为基本单元，引入注意力模块建立类型转换网络模型，其中类型转换网络模型分为编码部分、注意力模块及解码部分，其中编码部分包括多个地理空间关联关系特征提取单元，多个地理空间关联关系特征提取单元组成多个特征提取层，其中，不同特征提取层之间采用跨层特征组合模块对提取的特征进行特征跨层组合，注意力模块连接解码部分及编码部分，通过注意力模块内部学习不同土地覆盖地物在各土地利用类型中所占权重，解码部分包括多个地理空间关联关系特征提取单元，多个地理空间关联关系特征提取单元组成多个特征提取层，不同特征提取层之间采用跨层特征组合模块对提取的特征进行特征跨层组合，输出层经过softmax函数输出最终分类结果；

将土地利用类型训练样本按行划分，按照从上到下的顺序排列形成第一组图像序列，按照从下到上的顺序组成第二组图像序列，将土地利用类型训练样本按行划分，按照从左到右的顺序排列形成第三组图像序列，按照从右到左的顺序组成第四组图像序列，将四组图像序列输入类型转换网络模型中进行训练。

步骤4中，将不同时期的待检测土地遥感影像输入土地利用分类模型中，得到土地利用分类图像，具体为：

获取不同时期的待检测土地遥感影像，并将其输入土地利用分类模型中，得到土地利用分类图像。

土地利用分类图像的土地利用类型一般为草地、耕地、林地、水域、建筑用地和未利用土地等。

所述土地利用时空变化特征和规律一般为土地利用总体变化、变化幅度、动态度和变化空间等。

步骤6中，选取驱动因子构建CA-Markov预测模型，具体为：

选取若干个驱动因子，根据若干个驱动因子生成土地利用类型的分布概率示意图，根据土地利用类型的分布概率示意图获取元胞自动机CA模型的转换规则，根据马尔科夫Markov模型和CA模型的转换规则，构建CA-Markov预测模型。

步骤6中，获取验证土地遥感影像数据，对CA-Markov预测模型的精度和适用性进行验证，具体为：

获取验证土地遥感影像及实际土地利用变化数据，将验证土地遥感影像输入土地利用分类模型中，得到验证土地利用分类图像，根据验证土地利用分类图像绘制出验证分类矢量图，根据验证分类矢量图，计算土地变化幅度、动态度及空间变化，并通过土地变化幅度、动态度及空间变化分析不同时期土地的动态变化，归纳不同时期的土地利用时空变化特征和规律，根据土地利用时空变化特征和规律，利用CA-Markov预测模型对土地利用变化进行预测，得到验证土地利用变化数据，将验证土地利用变化数据与实际土地利用变化数据进行对比，若在合理误差范围内，则判断验证通过。

所述驱动因子至少包括高程、坡度、坡向、距公路距离和距行政中心距离。

本发明提供的基于深度学习的土地利用分类及变化预测方法，获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本，构建深度学习语义分割网络模型，通过土地覆盖类型训练样本训练深度学习语义分割网络模型，基于门控机制构建类型转换网络模型，通过土地利用类型训练样本训练类型转换网络模型，将训练完成的深度学习语义分割网络模型及类型转换网络模型进行串联整合，生成土地利用分类模型，将不同时期的待检测土地遥感影像输入土地利用分类模型中，得到土地利用分类图像，根据土地利用分类图像，绘制出分类矢量图，根据分类矢量图，计算土地变化幅度、动态度及空间变化，并通过土地变化幅度、动态度及空间变化分析不同时期土地的动态变化，归纳不同时期的土地利用时空变化特征和规律，选取驱动因子构建CA-Markov预测模型，根据不同时期的土地利用时空变化特征和规律，利用CA-Markov预测模型，对未来土地利用变化进行预测；基于深度学习实现了土地利用的分类，采用深度学习语义分割技术，基于历史遥感影像数据与对应的历史土地覆盖矢量标注底图进行分类模型训练，获得精确分类的像素级历史土地覆盖矢量标注底图，基于门控机制构建地理空间关联关系特征提取单元来提取各土地利用类型的地理空间关联关系，可以将土地覆盖类型的细分结果进行同一土地利用类型的归并，完成了土地覆盖地物类型分类底图向土地利用分类标注图的转换；引入驱动因子，基于马尔科夫Markov模型和CA模型构建CA-Markov预测模型，对土地利用变化进行了精准的分析预测，通过验证土地遥感影像数据对CA-Markov预测模型进行验证，保证了CA-Markov预测模型的精度和适用性。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。