CN114882084A - 一种基于人工智能的土地利用变化图斑自动识别方法 - Google Patents

一种基于人工智能的土地利用变化图斑自动识别方法 Download PDF

Info

Publication number
CN114882084A
CN114882084A CN202210495038.5A CN202210495038A CN114882084A CN 114882084 A CN114882084 A CN 114882084A CN 202210495038 A CN202210495038 A CN 202210495038A CN 114882084 A CN114882084 A CN 114882084A
Authority
CN
China
Prior art keywords
land
target
target image
change
feature vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210495038.5A
Other languages
English (en)
Other versions
CN114882084B (zh
Inventor
董斌
刘筱
高祥
惠倩
王萍
王成
徐志立
卫泽柱
陆志鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN202210495038.5A priority Critical patent/CN114882084B/zh
Publication of CN114882084A publication Critical patent/CN114882084A/zh
Application granted granted Critical
Publication of CN114882084B publication Critical patent/CN114882084B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

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。

Description

一种基于人工智能的土地利用变化图斑自动识别方法
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：
Figure BDA0003632561340000031
其中，若
Figure BDA0003632561340000032
为所述第三特征向量，则
Figure BDA0003632561340000033
为所述第二特征向量；若
Figure BDA0003632561340000034
为所述第四特征向量，则
Figure BDA0003632561340000035
为所述第一特征向量；N为遥感数据波段数，ωi为第i波段特征向量的权重，j为土地利用类别号；
根据距离Dij与预设的阈值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，根据距离Dij与预设的阈值确定各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贝叶斯法则：
计算两特征向量之间的似然概率：
Figure BDA0003632561340000036
其中，i为土地利用类别号，∑i为N阶协方差矩阵，N为遥感影像波段数；若x为所述第三特征向量，则μi为所述第二特征向量；若x为所述第四特征向量，则μi为所述第一特征向量；p(ωi)为类别ωi的先验概率；使gi(x)最大的类别i，即为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，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：
Figure BDA0003632561340000091
其中，若
Figure BDA0003632561340000092
为第三特征向量，则
Figure BDA0003632561340000093
为第二特征向量；若
Figure BDA0003632561340000094
为第四特征向量，则
Figure BDA0003632561340000095
为第一特征向量；N为遥感数据波段数，ωi为第i波段特征向量的权重，j为土地利用类别号；
根据距离Dij与预设的阈值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，根据距离Dij与预设的阈值确定各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贝叶斯法则：
计算两特征向量之间的似然概率：
Figure BDA0003632561340000096
其中，i为土地利用类别号，∑i为N阶协方差矩阵，N为遥感影像波段数；若x为第三特征向量，则μi为第二特征向量；若x为第四特征向量，则μi为第一特征向量；p(ωi)为类别ωi的先验概率；使gi(x)最大的类别i，即为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。
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ω1，且方差距离大于阈值ω2，且相关系数大于阈值ω3，且似然概率gi(x)小于阈值ω4四重判据，本发明实施例仅以四重判据为例进行说明，但实际情况并不限于此。多重判据的构造可根据土地遥感数据库中选定的信息特征和计算的特征量按一定的层次和顺序组织。
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。

Claims (9)

1.一种基于人工智能的土地利用变化图斑自动识别方法，其特征在于，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。
2.根据权利要求1所述的一种基于人工智能的土地利用变化图斑自动识别方法，其特征在于，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。
3.根据权利要求2所述的一种基于人工智能的土地利用变化图斑自动识别方法，其特征在于，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。
4.根据权利要求3所述的一种基于人工智能的土地利用变化图斑自动识别方法，其特征在于，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。
5.根据权利要求4所述的一种基于人工智能的土地利用变化图斑自动识别方法，其特征在于，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。
6.根据权利要求5所述的一种基于人工智能的土地利用变化图斑自动识别方法，其特征在于，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：
Figure FDA0003632561330000031
其中，若
Figure FDA0003632561330000032
为所述第三特征向量，则
Figure FDA0003632561330000033
为所述第二特征向量；若
Figure FDA0003632561330000034
为所述第四特征向量，则
Figure FDA0003632561330000035
为所述第一特征向量；N为遥感数据波段数，ωi为第i波段特征向量的权重，j为土地利用类别号；
根据距离Dij与预设的阈值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，根据距离Dij与预设的阈值确定各图斑单元的土地利用类型。
7.根据权利要求5所述的一种基于人工智能的土地利用变化图斑自动识别方法，其特征在于，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：
Figure FDA0003632561330000036
其中，i为土地利用类别号，∑i为N阶协方差矩阵，N为遥感影像波段数；若x为所述第三特征向量，则μi为所述第二特征向量；若x为所述第四特征向量，则μi为所述第一特征向量；p(ωi)为类别ωi的先验概率；使gi(x)最大的类别i，即为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。
8.根据权利要求6或7所述的一种基于人工智能的土地利用变化图斑自动识别方法，其特征在于，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。
9.根据权利要求1所述的一种基于人工智能的土地利用变化图斑自动识别方法，其特征在于，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。
CN202210495038.5A 2022-05-07 2022-05-07 一种基于人工智能的土地利用变化图斑自动识别方法 Active CN114882084B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210495038.5A CN114882084B (zh) 2022-05-07 2022-05-07 一种基于人工智能的土地利用变化图斑自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210495038.5A CN114882084B (zh) 2022-05-07 2022-05-07 一种基于人工智能的土地利用变化图斑自动识别方法

Publications (2)

Publication Number Publication Date
CN114882084A true CN114882084A (zh) 2022-08-09
CN114882084B CN114882084B (zh) 2024-04-05

Family

ID=82673838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210495038.5A Active CN114882084B (zh) 2022-05-07 2022-05-07 一种基于人工智能的土地利用变化图斑自动识别方法

Country Status (1)

Country Link
CN (1) CN114882084B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150278603A1 (en) * 2014-03-31 2015-10-01 Regents Of The University Of Minnesota Unsupervised spatio-temporal data mining framework for burned area mapping
CN105225227A (zh) * 2015-09-07 2016-01-06 中国测绘科学研究院 遥感影像变化检测的方法及系统
CN108268527A (zh) * 2016-12-30 2018-07-10 航天星图科技（北京）有限公司 一种检测土地利用类型变化的方法
CN108846832A (zh) * 2018-05-30 2018-11-20 理大产学研基地(深圳)有限公司 一种基于多时相遥感影像与gis数据的变化检测方法及系统
CN109657610A (zh) * 2018-12-18 2019-04-19 北京航天泰坦科技股份有限公司 一种高分辨率多源遥感影像的土地利用变化检测方法
CN110263764A (zh) * 2019-07-09 2019-09-20 中国地质大学（北京） 基于遥感影像数据的土地利用监测方法和装置
CN113869133A (zh) * 2021-09-02 2021-12-31 陈萍 遥感影像变化检测方法、装置、设备及存储介质
WO2022020448A1 (en) * 2020-07-21 2022-01-27 Indigo Ag, Inc. Remote sensing algorithms for mapping regenerative agriculture

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150278603A1 (en) * 2014-03-31 2015-10-01 Regents Of The University Of Minnesota Unsupervised spatio-temporal data mining framework for burned area mapping
CN105225227A (zh) * 2015-09-07 2016-01-06 中国测绘科学研究院 遥感影像变化检测的方法及系统
CN108268527A (zh) * 2016-12-30 2018-07-10 航天星图科技（北京）有限公司 一种检测土地利用类型变化的方法
CN108846832A (zh) * 2018-05-30 2018-11-20 理大产学研基地(深圳)有限公司 一种基于多时相遥感影像与gis数据的变化检测方法及系统
CN109657610A (zh) * 2018-12-18 2019-04-19 北京航天泰坦科技股份有限公司 一种高分辨率多源遥感影像的土地利用变化检测方法
CN110263764A (zh) * 2019-07-09 2019-09-20 中国地质大学（北京） 基于遥感影像数据的土地利用监测方法和装置
WO2022020448A1 (en) * 2020-07-21 2022-01-27 Indigo Ag, Inc. Remote sensing algorithms for mapping regenerative agriculture
CN113869133A (zh) * 2021-09-02 2021-12-31 陈萍 遥感影像变化检测方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张继贤, 杨贵军: "单一时相遥感数据土地利用与覆盖变化自动检测方法", 遥感学报, no. 03, 10 June 2005 (2005-06-10), pages 71 - 76 *
王琰: ""基于像斑统计分析的高分辨率遥感影像土地利用/覆盖变化检测方法研究"", 《武汉大学博士学位论文》, 15 October 2012 (2012-10-15), pages 1 - 146 *
王琰: ""基于像斑统计分析的高分辨率遥感影像土地利用/覆盖变化检测方法研究"", 《武汉大学博士学位论文》, pages 1 - 146 *

Also Published As

Publication number Publication date
CN114882084B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN107885778B (zh) 一种基于动态临近点谱聚类的个性化推荐方法
CN109063754B (zh) 一种基于OpenStreetMap的遥感影像多特征联合分类方法
CN108846527A (zh) 一种光伏发电功率预测方法
CN113033520B (zh) 一种基于深度学习的树木线虫病害木识别方法及系统
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
CN104598908A (zh) 一种农作物叶部病害识别方法
CN108830876B (zh) 一种水域轮廓提取及面积检测方法
CN110444011B (zh) 交通流高峰识别方法、装置、电子设备及存储介质
CN113936214B (zh) 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法
CN116309575B (zh) 基于图像处理的电插头生产质量检测方法
CN116071600B (zh) 一种基于多分类概率的农作物遥感识别方法及装置
CN112926397A (zh) 基于两轮投票策略集成学习的sar图像海冰类型分类方法
CN106897722A (zh) 一种基于区域形状特征的商标图像检索方法
Singh et al. Unsupervised change detection from remote sensing images using hybrid genetic FCM
CN115409153A (zh) 一种基于注意力lstm的畜牧指标预测方法及预测系统
CN114494909A (zh) 一种大豆生长季空间分布图的生成方法和系统
CN114169502A (zh) 一种基于神经网络的降水预测方法、装置和计算机设备
CN106408571A (zh) 一种基于最优模糊因子选择的可变类遥感图像分割方法
CN116206208B (zh) 一种基于人工智能的林业病虫害快速分析系统
CN111428627B (zh) 一种山地地貌遥感提取方法及系统
CN111199228B (zh) 一种车牌定位的方法及装置
CN114882084A (zh) 一种基于人工智能的土地利用变化图斑自动识别方法
CN112115984A (zh) 基于深度学习的茶园异常数据校正方法、系统和存储介质
CN114119575B (zh) 一种空间信息变化检测方法及系统
CN116912265A (zh) 一种遥感图像分割方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant