CN116206215B - 一种森林土地状态的监测方法、装置及存储介质 - Google Patents

一种森林土地状态的监测方法、装置及存储介质 Download PDF

Info

Publication number
CN116206215B
CN116206215B CN202310261854.4A CN202310261854A CN116206215B CN 116206215 B CN116206215 B CN 116206215B CN 202310261854 A CN202310261854 A CN 202310261854A CN 116206215 B CN116206215 B CN 116206215B
Authority
CN
China
Prior art keywords
blocks
block
forest
image
forest area
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.)
Active
Application number
CN202310261854.4A
Other languages
English (en)
Other versions
CN116206215A (zh
Inventor
杨文翰
杨沐
高千峰
张世杰
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.)
Galaxy Aerospace Beijing Network Technology Co ltd
Original Assignee
Galaxy Aerospace Beijing Network Technology Co ltd
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 Galaxy Aerospace Beijing Network Technology Co ltd filed Critical Galaxy Aerospace Beijing Network Technology Co ltd
Priority to CN202310261854.4A priority Critical patent/CN116206215B/zh
Publication of CN116206215A publication Critical patent/CN116206215A/zh
Application granted granted Critical
Publication of CN116206215B publication Critical patent/CN116206215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种森林土地状态的监测方法、装置及存储介质，包括：获取土地规划信息，并根据土地规划信息，确定目标森林中的第一森林区域和第二森林区域；将第一森林区域划分为多个第一区块，并将第二森林区域划分为多个第二区块；获取不同时刻，与目标森林对应的遥感图像；获取遥感图像中与第一森林区域的第一区块对应的第一图像块，和遥感图像中与第二森林区域的第二区块对应的第二图像块；根据第一区块的第一图像块和第二区块的第二图像块，确定与第一区块对应的特征信息；以及根据与第一区块对应的特征信息，对与第一区块对应的第一森林区域的进行质量评估。从而，达到了能够充分利用遥感图像所包含的信息对森林的质量进行评估的技术效果。

Description

一种森林土地状态的监测方法、装置及存储介质
技术领域
本申请涉及卫星监测领域，特别是涉及一种森林土地状态的监测方法、装置及存储介质。
背景技术
目前，环境问题不断地在引起国家的重视，国家对于森林建设也投入了更多的精力。除了通过退耕还林的方式扩充森林面积之外，很多地方还在原有森林基础上，继续种植林木，从而扩大森林面积。因此很多森林是在多次规划种植的基础上形成的。
但是在森林种植过程中，往往需要对种植过程进行监管。在监管方面存在以下问题：有些地方为了骗过监管，会在扩展森林的种植过程中种上临时性的草木以欺骗监管，并且由于缺乏管理监护，仍然会导致来年草木死亡，从而引起沙化等问题。或者工作人员在扩展森林的种植过程中，由于专业知识的缺乏，可能会出现种植不恰当的草木，而在缺乏监管的情况下，也容易导致来年出现草木死亡的情况发生。
尽管现有技术中提出了利用遥感图像来分析森林的种植情况的方案（例如，利用遥感图像对森林面积以及森林覆盖率等进行分析），但是还不能充分利用遥感图像所包含的信息对扩充森林的质量进行评估。
公开号为CN1148811620A，名称为一种基于卫星遥感的国土空间监测方法与系统。首先，获取一个获得审批的国土空间开发项目的开发目标以及项目规划中的多项数据，并根据当前该项目的卫星遥感图像获得第一状态以及第一图像；通过项目开发目标获得第二状态以及根据该第二状态模拟生成第二图像；根据第一状态、第二状态以及项目规划，推算在指定时刻的第三状态以及模拟生成第三图像。
公开号为CN114419455A，名称为一种基于多源遥感数据的区域沙化程度判断方法。首先，获取研究区域需要的Landsat-8卫星数据和哨兵二号卫星数据。其次，对获取的两颗遥感卫星数据进行数据融合，获得较高精度的研究区域遥感数据。再次，分别对融合后的高精度Landsat-8数据上进行归一化植被指数、归一化建筑指数、改进归一化水指数、缨帽变换、比值植被指数处理。最后，通过步骤三获得的指数利用经验阈值将研究区域的土地划分为六种土地类型，完成决策树的建立，运用决策树实现对研究区域的沙化程度信息进行提取，进而精确判断研究区域的沙化程度。
针对上述现有技术中存在的尽管现有技术中提出了利用遥感图像分析森林的种植情况的方案，但是还不能充分利用遥感图像所包含的信息对扩充森林的质量进行评估的技术问题，目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种森林土地状态的监测方法、装置及存储介质，以至少解决现有技术中存在的尽管现有技术中提出了利用遥感图像分析森林的种植情况的方案，但是还不能充分利用遥感图像所包含的信息对扩充森林的质量进行评估的技术问题。
根据本公开实施例的一个方面，提供了一种森林土地状态的监测方法，包括：获取土地规划信息，并根据土地规划信息，确定目标森林中的第一森林区域和第二森林区域，其中土地规划信息包括第一森林区域的位置信息和第二森林区域的位置信息，第一森林区域用于指示作为监管对象的森林区域，第二森林区域用于指示作为参考对象的森林区域；将第一森林区域划分为多个第一区块，并将第二森林区域划分为多个第二区块；获取不同时刻，与目标森林对应的遥感图像；获取遥感图像中与第一森林区域的第一区块对应的第一图像块，和遥感图像中与第二森林区域的第二区块对应的第二图像块；根据第一区块的第一图像块和第二区块的第二图像块，确定与第一区块对应的特征信息，其中特征信息用于指示第一区块的第一图像块与第二区块的第二图像块之间的相关性；以及根据与第一区块对应的特征信息，对与第一区块对应的第一森林区域的进行质量评估。
根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。
根据本公开实施例的另一个方面，还提供了一种森林土地状态的监测装置，包括：森林区域确定模块，用于获取土地规划信息，并根据土地规划信息，确定目标森林中的第一森林区域和第二森林区域，其中土地规划信息包括第一森林区域的位置信息和第二森林区域的位置信息，第一森林区域用于指示作为监管对象的森林区域，第二森林区域用于指示作为参考对象的森林区域；区块划分模块，用于将第一森林区域划分为多个第一区块，并将第二森林区域划分为多个第二区块；遥感图像获取模块，用于获取不同时刻，与目标森林对应的遥感图像；图像块获取模块，用于获取遥感图像中与第一森林区域的第一区块对应的第一图像块，和遥感图像中与第二森林区域的第二区块对应的第二图像块；特征信息确定模块，用于根据第一区块的第一图像块和第二区块的第二图像块，确定与第一区块对应的特征信息，其中特征信息用于指示第一区块的第一图像块与第二区块的第二图像块之间的相关性；以及质量评估模块，用于根据与第一区块对应的特征信息，对与第一区块对应的第一森林区域的进行质量评估。
根据本公开实施例的另一个方面，还提供了一种森林土地状态的监测装置，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取土地规划信息，并根据土地规划信息，确定目标森林中的第一森林区域和第二森林区域，其中土地规划信息包括第一森林区域的位置信息和第二森林区域的位置信息，第一森林区域用于指示作为监管对象的森林区域，第二森林区域用于指示作为参考对象的森林区域；将第一森林区域划分为多个第一区块，并将第二森林区域划分为多个第二区块；获取不同时刻，与目标森林对应的遥感图像；获取遥感图像中与第一森林区域的第一区块对应的第一图像块，和遥感图像中与第二森林区域的第二区块对应的第二图像块；根据第一区块的第一图像块和第二区块的第二图像块，确定与第一区块对应的特征信息，其中特征信息用于指示第一区块的第一图像块与第二区块的第二图像块之间的相关性；以及根据与第一区块对应的特征信息，对与第一区块对应的第一森林区域的进行质量评估。
首先，处理器获取土地规划信息，并根据土地规划信息，确定目标森林中作为监管对象的第一森林区域的位置信息，和目标森林中作为参考对象的第二森林区域的位置信息。然后，处理器将第一森林区域划分为多个第一区块，并将第二森林区域划分为多个第二区块。进一步地，处理器获取不同时刻下，与目标森林对应的遥感图像，并在遥感图像上确定与第一森林区域的第一区块对应的第一图像块以及与第二森林区域的第二区块对应的第二图像块。最后，处理器根据第一图像块和第二图像块，确定与第一区块对应的特征信息，并根据与第一区块对应的特征信息，对第一森林区域进行质量评估。
由于本申请中处理器将第一森林区域确定作为待监管对象的森林区域，将第二森林区域确定作为参考对象的森林区域，并根据遥感图像中与第一森林区域的第一区块对应的第一图像块和与第二森林区域的第二区块对应的第二图像块，确定与第一区块对应的特征信息（即，第一区块的第一图像块与第二区块的第二图像块之间的相关性），因此可以进一步将作为监管对象的第一森林区域与作为参考对象的第二森林区域进行对比，从而得出第一森林区域与第二森林区域之间的差异。而又由于处理器获取的是不同时刻下与目标森林对应的遥感图像，因此处理器能够充分的利用遥感图像所包含的信息对扩充森林的质量进行评估。从而，通过上述操作达到了能够充分利用遥感图像所包含的信息对森林的质量进行评估的技术效果。进而解决了现有技术中存在的尽管现有技术中提出了利用遥感图像分析森林的种植情况的方案，但是还不能充分利用遥感图像所包含的信息对扩充森林的质量进行评估的技术问题。
附图说明
此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：
图1是根据本申请实施例1的第一个方面所述的计算设备的硬件结构框图；
图2是根据本申请实施例1的第一个方面所述的森林土地状态的监测方法的流程图；
图3是根据本申请实施例1的第一个方面所述的与目标森林对应的土地规划信息中的目标森林区域的示意图；
图4A是根据本申请实施例1的第一个方面所述的与第一森林区域对应的多个第一区块的示意图；
图4B是根据本申请实施例1的第一个方面所述的与第二森林区域对应的多个第二区块的示意图；
图5是根据本申请实施例1的第一个方面所述的树木状态判定模型的示意图；
图6是根据本申请实施例1的第一个方面所述的全连接层和softmax分类层的示意图；
图7是根据本申请实施例2的第一个方面所述的一种森林土地状态的监测装置的模块示意图；以及
图8是根据本申请实施例3的第一个方面所述的一种森林土地状态的检测装置的模块示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开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公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，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，都应当属于本公开保护的范围。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本实施例，提供了一种森林土地状态的监测方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的计算设备中执行。图1示出了一种用于实现森林土地状态的监测方法的计算设备的硬件结构框图。如图1所示，计算设备可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器、用于通信功能的传输装置以及输入/输出接口。其中存储器、传输装置以及输入/输出接口通过总线与处理器连接。除此以外，还可以包括：与输入/输出接口连接的显示器、键盘以及光标控制设备。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。
存储器可用于存储应用软件的软件程序以及模块，如本公开实施例中的森林土地状态的监测方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的森林土地状态的监测方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器（LCD），该液晶显示器可使得用户能够与计算设备的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算设备可以包括硬件元件（包括电路）、软件元件（包括存储在计算机可读介质上的计算机代码）、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算设备中的部件的类型。
在上述运行环境下，根据本实施例的第一个方面，提供了一种森林土地状态的监测方法，该方法例如由图1中的处理器实现。图2示出了该方法的流程示意图，参考图2所示，该方法包括：
S202：获取土地规划信息，并根据土地规划信息，确定目标森林中的第一森林区域和第二森林区域，其中土地规划信息包括第一森林区域的位置信息和第二森林区域的位置信息，第一森林区域用于指示作为监管对象的森林区域，第二森林区域用于指示作为参考对象的森林区域；
S204：将第一森林区域划分为多个第一区块，并将第二森林区域划分为多个第二区块；
S206：获取不同时刻，与目标森林对应的遥感图像；
S208：获取遥感图像中与第一森林区域的第一区块对应的第一图像块，和遥感图像中与第二森林区域的第二区块对应的第二图像块；
S210：根据第一区块的第一图像块和第二区块的第二图像块，确定与第一区块对应的特征信息，其中特征信息用于指示第一区块的第一图像块与第二区块的第二图像块之间的相关性；以及
S212：根据与第一区块对应的特征信息，对与第一区块对应的第一森林区域的进行质量评估。
首先，处理器获取土地规划信息，并根据土地规划信息，确定目标森林中的第一森林区域110和第二森林区域120（S202）。具体地，为了对目标森林进行监管，处理器需要先获取与目标森林对应的土地规划信息。该土地规划信息例如可以是由相关的规划部门制定的与目标森林对应的土地规划方案。并且其中，土地规划信息还可以包括：目标森林的位置信息、目标森林的种植信息以及目标森林的扩充信息等。并且根据土地规划信息，还可以确定目标森林中作为监管对象的第一森林区域110的位置信息和作为参考对象的第二森林区域120的位置信息。
然后，处理器根据土地规划信息确定与目标森林对应的目标森林区域100中作为监管对象的第一森林区域110和作为参考对象的第二森林区域120。具体地，处理器在获取土地规划信息后，会根据土地规划信息确定目标森林区域100中作为监管对象的第一森林区域110和原有的作为参考对象的第二森林区域120。图3是根据本申请实施例所述的与目标森林对应的土地规划信息中的目标森林区域100的示意图，参考图3所示，目标森林区域100包括作为监管对象的第一森林区域110和作为参考对象的第二森林区域120。
进一步地，处理器将第一森林区域110划分为多个第一区块Z1~Zm，并将第二森林区域120划分为多个第二区块Y1~Yn（S204）。其中，多个第一区块Z1~Zm构成第一区块集合，多个第二区块Y1~Yn构成第二区块集合。图4A是根据本申请实施例所述的与第一森林区域110对应的多个第一区块Z1~Zm的示意图，图4B是根据本申请实施例所述的与第二森林区域120对应的多个第二区块Y1~Yn的示意图。参考图4A和图4B所示，处理器将第一森林区域110划分为多个第一区块Z1~Zm，处理器将第二森林区域120划分为多个第二区块Y1~Yn。
此外，处理器获取不同时刻下与目标森林对应的遥感图像（S206）。其中，处理器例如可以获取“春夏秋冬”四个季节下的与目标森林对应的目标森林区域100的遥感图像。具体地，例如，处理器获取春季拍摄的目标森林区域100的遥感图像IMGa、获取夏季拍摄的目标森林区域100的遥感图像IMGb、获取秋季拍摄的目标森林区域100的遥感图像IMGc以及获取冬季拍摄的目标森林区域100的遥感图像IMGd。
并且进一步地，由于遥感图像包含多个不同光谱波段的颜色通道，因此春季拍摄的遥感图像IMGa、夏季拍摄遥感图像IMGb、秋季拍摄的遥感图像IMGc以及冬季拍摄的遥感图像IMGd均包含多个不同光谱波段的颜色通道。例如在本方案中，遥感图像IMGa、遥感图像IMGb、遥感图像IMGc以及遥感图像IMGd包括R（即第一颜色通道）、G（即第二颜色通道）以及B（即第三颜色通道）。
然后，处理器获取遥感图像中与第一森林区域110的第一区块Z1~Zm对应的第一图像块，和遥感图像中与第二森林区域120的第二区块Y1~Yn对应的第二图像块（S208）。具体地，处理器在获取不同季节下与目标森林区域100对应的遥感图像IMGa~IMGd之后，根据第一森林区域110的第一区块Z1~Zm和第二森林区域120的第二区块Y1~Yn，分别从遥感图像IMGa~IMGd中分割出与各个区块对应的图像块。
表1示出了与第一森林区域110的第一区块Z1~Zm对应的第一图像块的信息。
表1
参考表1所示，处理器针对第一森林区域110的第一区块Z1~Zm中的任意一个区块Zi，从春夏秋冬的四个季节的遥感图像中，分割出与区块Zi对应的第一图像块。其中，i=1~m。例如，从春季拍摄的遥感图像IMGa中分割出与区块Zi对应的图像块ZAi。并且该图像块ZAi包括三个通道的图像数据，分别是ZARi（R颜色通道）、ZAGi（G颜色通道）以及ZABi（B颜色通道）。并且，图像块ZAi包括x个像素，每个像素块均包含3个颜色通道（即，R、G、B颜色通道）。从而ZARi颜色通道包括像素信息ZARi=[zari,1, zari,2,..., zari,x]T（即，将该颜色通道的像素按照各个行依次拼接组成的向量信息）；ZAGi颜色通道包括像素信息ZAGi=[zagi,1,zagi,2,..., zagi,x]T（即，将该颜色通道的像素按照各个行依次拼接组成向量信息）；ZABi颜色通道包括像素信息ZABi=[zabi,1, zabi,2,..., zabi,x]T（即，将该颜色通道的像素按照各个行依次拼接组成向量信息）。
从夏季拍摄的遥感图像IMGb中分割出与区块Zi对应的图像块ZBi。并且该图像块ZBi包括三个颜色通道的图像数据，分别是ZBRi（R颜色通道）、ZBGi（G颜色通道）以及ZBBi（B颜色通道）。并且，图像块ZBi包括x个像素。从而ZBRi颜色通道包括像素信息ZBRi=[zbri,1,zbri,2,..., zbri,x]T（即，将该颜色通道的像素按照各个行依次拼接组成的向量信息）；ZBGi颜色通道包括像素信息ZBGi=[zbgi,1, zbgi,2,..., zbgi,x]T（即，将该颜色通道的像素按照各个行依次拼接组成向量信息）；ZBBi颜色通道包括像素信息ZBBi=[zbbi,1, zbbi,2,...,zbbi,x]T（即，将该颜色通道的像素按照各个行依次拼接组成向量信息）。
从秋季拍摄的遥感图像IMGc中分割出与区块Zi对应的图像块ZCi。并且该图像块ZCi包括三个颜色通道的图像数据，分别是ZCRi（R颜色通道）、ZCGi（G颜色通道）以及ZCBi（B颜色通道）。并且，图像块ZCi包括x个像素。从而ZCRi颜色通道包括像素信息ZCRi=[zcri,1,zcri,2,..., zcri,x]T（即，将该颜色通道的像素按照各个行依次拼接组成的向量信息）；ZCGi颜色通道包括像素信息ZCGi=[zcgi,1, zcgi,2,..., zcgi,x]T（即，将该颜色通道的像素按照各个行依次拼接组成向量信息）；ZCBi颜色通道包括像素信息ZCBi=[zcbi,1, zcbi,2,...,zcbi,x]T（即，将该颜色通道的像素按照各个行依次拼接组成向量信息）。
从冬季拍摄的遥感图像IMGd中分割出与区块Zi对应的图像块ZDi。并且该图像块ZDi包括三个颜色通道的图像数据，分别是ZDRi（R颜色通道）、ZDGi（G颜色通道）以及ZDBi（B颜色通道）。并且，图像块ZDi包括x个像素。从而ZDRi颜色通道包括像素信息ZDRi=[zdri,1,zdri,2,..., zdri,x]T（即，将该颜色通道的像素按照各个行依次拼接组成的向量信息）；ZDGi颜色通道包括像素信息ZDGi=[zdgi,1, zdgi,2,..., zdgi,x]T（即，将该颜色通道的像素按照各个行依次拼接组成向量信息）；ZDBi颜色通道包括像素信息ZDBi=[zdbi,1, zdbi,2,...,zdbi,x]T（即，将该颜色通道的像素按照各个行依次拼接组成向量信息）。
从而，处理器能够从遥感图像中分割出与各个第一区块Z1~Zm对应的图像块。
表2示出了与第二森林区域120的第二区块Y1~Yn对应的图像块的信息。
表2
参考表2所示，处理器针对第二森林区域120的第二区块Y1~Yn中的任意一第二个区块Yj，从春夏秋冬四个季节的遥感图像中，分割出与第二区块Yj对应的图像块。其中，j=1~n。
例如，从春季拍摄的遥感图像IMGa中分割出与区块Yj对应的图像块YAj，并且该图像块YAj包括三个颜色通道的图像数据，分别是YARj（R颜色通道）、YAGj（G颜色通道）以及YABj（B颜色通道）。并且，图像块YAj包括x个像素。从而YAGj颜色通道包括像素信息YAGj=[yagj,1, yagj,2,..., yagj,x]T（即将该颜色通道的像素按照各个行依次拼接组成向量信息）；YAGj颜色通道包括像素信息YAGj=[yagj,1, yagj,2,..., yagj,x]T（即将该颜色通道的像素按照各个行依次拼接组成向量信息）；以及YABj颜色通道包括像素信息YABj=[yabj,1,yabj,2,..., yabj,x]T（即将该颜色通道的像素按照各个行依次拼接组成向量信息）。
从夏季拍摄的遥感图像IMGb中分割出与区块Yj对应的图像块YBj，并且该图像块YBj包括三个颜色通道的图像数据，分别是YBRj（R颜色通道）、YBGj（G颜色通道）以及YBBj（B颜色通道）。并且，图像块YBj包括x个像素。从而YBGj颜色通道包括像素信息YBGj=[ybgj,1,ybgj,2,..., ybgj,x]T（即将该颜色通道的像素按照各个行依次拼接组成向量信息）；YBGj颜色通道包括像素信息YBGj=[ybgj,1, ybgj,2,..., ybgj,x]T（即将该颜色通道的像素按照各个行依次拼接组成向量信息）；以及YBBj颜色通道包括像素信息YBBj=[ybbj,1, ybbj,2,...,ybbj,x]T（即将该颜色通道的像素按照各个行依次拼接组成向量信息）。
从秋季拍摄的遥感图像IMGc中分割出与区块Yj对应的图像块YCj，并且该图像块YCj包括三个颜色通道的图像数据，分别是YCRj（R颜色通道）、YCGj（G颜色通道）以及YCBj（B颜色通道）。并且，图像块YCj包括x个像素。从而YCGj颜色通道包括像素信息YCGj=[ycgj,1,ycgj,2,..., ycgj,x]T（即将该颜色通道的像素按照各个行依次拼接组成向量信息）；YCGj颜色通道包括像素信息YCGj=[ycgj,1, ycgj,2,..., ycgj,x]T（即将该颜色通道的像素按照各个行依次拼接组成向量信息）；以及YCBj颜色通道包括像素信息YCBj=[ycbj,1, ycbj,2,...,ycbj,x]T（即将该颜色通道的像素按照各个行依次拼接组成向量信息）。
从冬季拍摄的遥感图像IMGd中分割出与区块Yj对应的图像块YDj，并且该图像块YDj包括三个颜色通道的图像数据，分别是YDRj（R颜色通道）、YDGj（G颜色通道）以及YDBj（B颜色通道）。并且，图像块YDj包括x个像素。从而YDGj颜色通道包括像素信息YDGj=[ydgj,1,ydgj,2,..., ydgj,x]T（即将该颜色通道的像素按照各个行依次拼接组成向量信息）；YDGj颜色通道包括像素信息YDGj=[ydgj,1, ydgj,2,..., ydgj,x]T（即将该颜色通道的像素按照各个行依次拼接组成向量信息）；以及YDBj颜色通道包括像素信息YDBj=[ydbj,1, ydbj,2,...,ydbj,x]T（即将该颜色通道的像素按照各个行依次拼接组成向量信息）。
从而，处理器能够从遥感图像分割出与各个第二区块Y1~Yn对应的图像块。
进一步地，处理器根据第一区块Z1~Zm的第一图像块和第二区块Y1~Yn的第二图像块，确定与第一区块Z1~Zm对应的特征信息（S210）。其中，特征信息用于指示第一区块Z1~Zm的第一图像块与第二区块Y1~Yn的第二图像块之间的相关性。具体地，处理器针对第一区块Zi（i=1~m）的第一图像块ZAi~ZDi，确定其与各个第二图像块Yj（j=1~n）的相关性RAi,j、RBi,j、RCi,j以及RDi,j。其中，RAi,j表示第一区块Zi与第二区块Yj的春季的图像块之间的相关性；RBi,j表示第一区块Zi与第二区块Yj的夏季的图像块之间的相关性；RCi,j表示第一区块Zi与第二区块Yj的秋季的图像块之间的相关性；RDi,j表示第一区块Zi与第二区块Yj的冬季的图像块之间的相关性。此外，处理器根据第一区块Zi的第一图像块和第二区块Yj的第二图像块，确定与第一区块Zi对应的特征信息的详细操作步骤将在后续进行详细说明。
最后，处理器根据与第一区块Zi对应的特征信息，对与第一区块Zi对应的第一森林区域110进行质量评估（S212）。
正如背景技术中所述，在森林种植过程中，往往需要对种植过程进行监管。在监管方面存在以下问题：有些地方为了骗过监管，会在扩展森林的种植过程中种上临时性的草木以欺骗监管，并且由于缺乏管理监护，仍然会导致来年草木死亡，从而引起沙化等问题。或者工作人员在扩展森林的种植过程中，由于专业知识的缺乏，可能会出现种植不恰当的草木，而在缺乏监管的情况下，也容易导致来年出现草木死亡的情况发生。
尽管现有技术中提出了利用遥感图像来分析森林的种植情况的方案（例如，利用遥感图像对森林面积以及森林覆盖率等进行分析），但是还不能充分利用遥感图像所包含的信息对扩充森林的质量进行评估。
有鉴于此，由于本申请中处理器将第一森林区域确定作为待监管对象的森林区域，将第二森林区域确定作为参考对象的森林区域，并根据遥感图像中与第一森林区域的第一区块对应的第一图像块和与第二森林区域的第二区块对应的第二图像块，确定与第一区块对应的特征信息（即，第一区块的第一图像块与第二区块的第二图像块之间的相关性），因此可以进一步将作为监管对象的第一森林区域与作为参考对象的第二森林区域进行对比，从而得出第一森林区域与第二森林区域之间的差异。而又由于处理器获取的是不同时刻下与目标森林对应的遥感图像，因此处理器能够充分的利用遥感图像所包含的信息对扩充森林的质量进行评估。从而，通过上述操作达到了能够充分利用遥感图像所包含的信息对森林的质量进行评估的技术效果。进而解决了现有技术中存在的尽管现有技术中提出了利用遥感图像分析森林的种植情况的方案，但是还不能充分利用遥感图像所包含的信息对扩充森林的质量进行评估的技术问题。
可选地，根据与第一区块对应的特征信息，对与第一区块对应的第一森林区域的进行质量评估的操作，包括：确定预先设置的缺陷区块识别模型；根据缺陷区块识别模型，识别与第一区块对应的特征信息，并确定识别结果，其中识别结果用于指示第一区块中的缺陷区块；以及根据识别结果，对与第一区块对应的第一森林区域的进行质量评估。
具体地，处理器先将与各个第一区块Z1~Zm对应的特征信息输入至预先训练的基于卷积神经网络的树木状态判定模型200，确定各个第一区块Z1~Zm的树木状态值。其中，该树木状态值用于指示相应区块的树木成长状态。
图5是根据本申请实施例所述的树木状态判定模型200的示意图。参考图5所示，树木状态判定模型200包括卷积层210、全连接层220以及softmax分类层230。其中，卷积层210采用3*3的卷积核。卷积层210中卷积核的数量可以根据实际情况设置。此处不再赘述。
图6是根据本申请实施例所述的全连接层220和softmax分类层230的示意图。参考图6所示，全连接层220包括101个单元S00~S100，从而分别与不同的树木状态值对应。例如，处理器将树木状态值设置为0~100共101个状态值。其中，树木的状态值越高，反映相应的区块的树木成长状态越好。当树木状态值为100时，则说明与该区块对应的树木成长状态最佳；当树木状态值为0时，则说明该区块的树木成长状态最差。
从而，全连接层220的101个单元S00~S100分别与不同的树木状态值1~100对应，输出根据区块的特征信息所判定的与各个树木状态值对应的积分值。例如，基于输入的与区块对应的特征信息，单元S00输出与该区块的树木状态值为“0”对应的积分，单元S01输出与该区块的树木状态值为“1”对应的积分，以此类推，单元S100输出与该区块的树木状态值为“100”对应的积分。
此外，softmax分类层230也包括100个单元Q00~Q100，并且单元Q00~Q100分别与不同的树木状态值1~100对应。其中，Q00~Q100表示与各个树木状态值0~100对应的概率值。例如，基于输入的与区块对应的特征信息，单元Q00输出与该区块的树木状态值为“0”对应的概率值，单元Q01输出与该区块的树木状态值为“1”对应的概率值，以此类推，单元Q100输出与该区块的树木状态值为“100”对应的概率值。
从而，树木状态判定模型200根据与第一区块Zi（i=1~m）对应的特征信息，输出与该第一区块对应的树木状态向量，该树木状态向量的各个元素分别对应该第一区块的树木状态值为不同分值0~100的概率。从而处理器可以将树木状态判定模型200输出的树木状态向量中概率值最高的元素，作为与该第一区块Zi对应的树木状态值。
从而，处理器针对第一区块Z1~Zm中的每一个第一区块Zi（i=1~m），先将与第一区块Zi的春季对应的特征信息RAi输入至树木状态判定模型200，从而确定第一区块Zi的春季对应的树木状态值sai。然后，处理器将与第一区块Zi的夏季对应的特征信息RBi输入至树木状态判定模型200，从而确定第一区块Zi的夏季对应的树木状态值sbi。再然后，处理器将与第一区块Zi的秋季对应的特征信息RCi输入至树木状态判定模型200，从而确定第一区块Zi的秋季对应的树木状态值sci。最后，处理器将与第一区块Zi的冬季对应的特征信息RDi输入至树木状态判定模型200，从而确定第一区块Zi的冬季对应的树木状态值sdi。
然后，处理器根据第一区块Zi在不同季节的树木状态值sai~sdi，利用以下公式，计算第一区块Zi为正常区块的概率：
（公式1）
（公式2）
其中，为线性参数，可以通过机器学习的训练方法确定。
从而通过以上方式，处理器可以根据第一区块Zi，与不同季节对应的特征信息RAi~RDi确定第一区块Zi是正常区块的概率Pi。并且当概率Pi小于预定阈值（例如50%时），确定第一区块Zi为树木存在缺陷的缺陷区块。
从而，处理器可以针对第一区块Z1~Zm中的每一个区块，判断其是否为缺陷区块。
可选地，根据识别结果，对与第一区块对应的第一森林区域的进行质量评估的操作，包括：根据第一区块中缺陷区块的数量，对与第一区块对应的第一森林区域的进行质量评估。
具体地，处理器对第一森林区域110中的第一区块Z1~Zm中缺陷区块的数量进行统计，对第一森林区域110的土地状态进行评估。例如当第一区块中缺陷区块的比例超过预定阈值（例如30%）时，则认为第一森林区域110的土地状态存在比较严重的问题。
从而，处理器可以对第一森林区域110的土地状态进行有效监管。
可选地，根据第一区块的第一图像块和第二区块的第二图像块，确定与第一区块对应的特征信息的操作，包括：确定与第一区块的第一图像块对应的像素值，和与第二区块的第二图像块对应的像素值；以及根据与第一区块的第一图像块对应的像素值，和与第二区块的第二图像块对应的像素值，确定与第一区块对应的特征信息。
具体地，在春季下，第一区块Z1的第一图像块ZA1与第二区块Yj的第二图像块YAj之间的相关性RA1,j=[RAR1,j, RAG1,j, RAB1,j]。其中，RAR1,j表示第一区块Z1与第二区块Yj的R颜色通道之间的相关性；RAG1,j表示第一区块Z1与第二区块Yj的G颜色通道之间的相关性；RAB1,j表示第一区块Z1与第二区块Yj的B颜色通道之间的相关性。其中，RAR1,j、RAG1,j以及RAB1,j例如可以通过以下公式计算：
（公式3）
（公式4）
（公式5）
从而通过上述公式3、公式4和公式5可以确定在春季下，第一区块Z1的第一图像块ZA1与第二区块Yj的第二图像块YAj之间的相关性RA1,j=[RAR1,j, RAG1,j, RAB1,j]。
以此类推，对于第一森林区域110中的任意第一区块Zi（i=1~m），可以通过以下公式确定第一区块Zi与任意第二区块Yj（j=1~n）的相关性RAi,j=[RARi,j, RAGi,j, RABi,j]：
（公式6）
（公式7）
（公式8）
从而，对于任意的第一区块Zi（i=1~m），得到与第一区块Zi的春季对应的特征信息RAi：
表3A
其中，[RARi,1, RAGi,1, RABi,1]为第一区块Zi（i=1~m）与第二区块Y1的与春季相关的图像块的相关性，[RARi,2, RAGi,2, RABi,2]为第一区块Zi（i=1~m）与第二区块Y2的与春季相关的图像块的相关性，以此类推，[RARi,n, RAGi,n, RABi,n]为第一区块Zi（i=1~m）与第二区块Yn的与春季相关的图像块的相关性。
同样地，对于第一森林区域110中的任意第一区块Zi（i=1~m），可以通过以下公式确定其与任意第二区块Yj（j=1~n）的与夏季相关的图像块的相关性RBi,j=[RBRi,j, RBGi,j,RBBi,j]：
（公式9）
（公式10）
（公式11）
从而，对于任意的第一区块Zi（i=1~m），得到与第一区块Zi的夏季对应的特征信息RBi：
表3B
其中，[RBRi,1, RBGi,1, RBBi,1]为第一区块Zi（i=1~m）与第二区块Y1的与夏季相关的图像块的相关性。
[RBRi,2, RBGi,2, RBBi,2]为第一区块Zi（i=1~m）与第二区块Y2的与夏季相关的图像块的相关性。
以此类推，[RBRi,n, RBGi,n, RBBi,n]为第一区块Zi（i=1~m）与第二区块Yn的与夏季相关的图像块的相关性。
同样地，对于第一森林区域110中的任意第一区块Zi（i=1~m），可以通过以下公式确定其与任意第二区块Yj（j=1~n）的与秋季相关的图像块的相关性RCi,j=[RCRi,j, RCGi,j,RCBi,j]：
（公式12）
（公式13）
（公式14）
从而，对于任意的第一区块Zi（i=1~m），得到与第一区块Zi的秋季对应的特征信息RCi：
表3C
其中，[RCRi,1, RCGi,1, RCBi,1]为第一区块Zi（i=1~m）与第二区块Y1的与秋季相关的图像块的相关性。
[RCRi,2, RCGi,2, RCBi,2]为第一区块Zi（i=1~m）与第二区块Y2的与秋季相关的图像块的相关性。
以此类推，[RCRi,n, RCGi,n, RCBi,n]为第一区块Zi（i=1~m）与第二区块Yn的与秋季相关的图像块的相关性。
同样地，对于第一森林区域110中的任意第一区块Zi（i=1~m），可以通过以下公式确定其与任意第二区块Yj（j=1~n）的与冬季相关的图像块的相关性RDi,j=[RDRi,j, RDGi,j,RDBi,j]：
（公式15）
（公式16）
（公式17）
从而，对于任意的第一区块Zi（i=1~m），得到与第一区块Zi的冬季对应的特征信息RDi：
表3D
其中，[RDRi,1, RDGi,1, RDBi,1]为第一区块Zi（i=1~m）与第二区块Y1的与冬季相关的图像块的相关性。
[RDRi,2, RDGi,2, RDBi,2]为第一区块Zi（i=1~m）与第二区块Y2的与冬季相关的图像块的相关性。
以此类推，[RDRi,n, RDGi,n, RDBi,n]为第一区块Zi（i=1~m）与第二区块Yn的与冬季相关的图像块的相关性。
从而通过上述操作，处理器生成与各个第一区块Z1~Zm相关的特征信息。
此外，根据本实施例的第三个方面，提供了一种存储介质。所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行以上任意一项所述的方法。
从而，通过上述操作达到了能够充分利用遥感图像所包含的信息对森林的质量进行评估的技术效果。进而解决了现有技术中存在的尽管现有技术中提出了利用遥感图像分析森林的种植情况的方案，但是还不能充分利用遥感图像所包含的信息对扩充森林的质量进行评估的技术问题。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
实施例2
图7示出了根据本实施例的第一个方面所述的一种森林土地状态的监测装置700，该装置700与根据实施例1的第一个方面所述的方法相对应。参考图7所示，该装置700包括：森林区域确定模块710，用于获取土地规划信息，并根据土地规划信息，确定目标森林中的第一森林区域和第二森林区域，其中土地规划信息包括第一森林区域的位置信息和第二森林区域的位置信息，第一森林区域用于指示作为监管对象的森林区域，第二森林区域用于指示作为参考对象的森林区域；区块划分模块720，用于将第一森林区域划分为多个第一区块，并将第二森林区域划分为多个第二区块；遥感图像获取模块730，用于获取不同时刻，与目标森林对应的遥感图像；图像块获取模块740，用于获取遥感图像中与第一森林区域的第一区块对应的第一图像块，和遥感图像中与第二森林区域的第二区块对应的第二图像块；特征信息确定模块750，用于根据第一区块的第一图像块和第二区块的第二图像块，确定与第一区块对应的特征信息，其中特征信息用于指示第一区块的第一图像块与第二区块的第二图像块之间的相关性；以及质量评估模块760，用于根据与第一区块对应的特征信息，对与第一区块对应的第一森林区域的进行质量评估。
可选地，质量评估模块760包括：模型确定模块，用于确定预先设置的缺陷区块识别模型；特征信息识别模块，用于根据缺陷区块识别模型，识别与第一区块对应的特征信息，并确定识别结果，其中识别结果用于指示第一区块中的缺陷区块；以及质量评估子模块，用于根据识别结果，对与第一区块对应的第一森林区域的进行质量评估。
可选地，质量评估子模块包括：数量确定模块，用于根据第一区块中缺陷区块的数量，对与第一区块对应的第一森林区域的进行质量评估。
可选地，特征信息确定模块750包括：像素值确定模块，用于确定与第一区块的第一图像块对应的像素值，和与第二区块的第二图像块对应的像素值；以及特征信息确定子模块，用于根据与第一区块的第一图像块对应的像素值，和与第二区块的第二图像块对应的像素值，确定与第一区块对应的特征信息。
从而，通过上述操作达到了能够充分利用遥感图像所包含的信息对森林的质量进行评估的技术效果。进而解决了现有技术中存在的尽管现有技术中提出了利用遥感图像分析森林的种植情况的方案，但是还不能充分利用遥感图像所包含的信息对扩充森林的质量进行评估的技术问题。
实施例3
图8示出了根据本实施例的第一个方面所述的一种森林土地状态的监测装置800，该装置800与根据实施例1的第一个方面所述的方法相对应。参考图8所示，该装置800包括：处理器810；以及存储器820，与处理器810连接，用于为处理器810提供处理以下处理步骤的指令：获取土地规划信息，并根据土地规划信息，确定目标森林中的第一森林区域和第二森林区域，其中土地规划信息包括第一森林区域的位置信息和第二森林区域的位置信息，第一森林区域用于指示作为监管对象的森林区域，第二森林区域用于指示作为参考对象的森林区域；将第一森林区域划分为多个第一区块，并将第二森林区域划分为多个第二区块；获取不同时刻，与目标森林对应的遥感图像；获取遥感图像中与第一森林区域的第一区块对应的第一图像块，和遥感图像中与第二森林区域的第二区块对应的第二图像块；根据第一区块的第一图像块和第二区块的第二图像块，确定与第一区块对应的特征信息，其中特征信息用于指示第一区块的第一图像块与第二区块的第二图像块之间的相关性；以及根据与第一区块对应的特征信息，对与第一区块对应的第一森林区域的进行质量评估。
从而，通过上述操作达到了能够充分利用遥感图像所包含的信息对森林的质量进行评估的技术效果。进而解决了现有技术中存在的尽管现有技术中提出了利用遥感图像分析森林的种植情况的方案，但是还不能充分利用遥感图像所包含的信息对扩充森林的质量进行评估的技术问题。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种森林土地状态的监测方法，其特征在于，包括：
获取土地规划信息，并根据所述土地规划信息，确定目标森林中的第一森林区域和第二森林区域，其中所述土地规划信息包括所述第一森林区域的位置信息和与所述第一森林区域的位置信息不同的所述第二森林区域的位置信息，所述第一森林区域用于指示作为监管对象的森林区域，所述第二森林区域用于指示作为参考对象的森林区域；
将所述第一森林区域划分为多个第一区块，并将所述第二森林区域划分为多个第二区块；
获取在不同季节，与所述目标森林对应的遥感图像；
对不同季节的遥感图像，分别获取与不同季节对应的所述遥感图像中与所述第一森林区域的第一区块对应的第一图像块，和所述遥感图像中与所述第二森林区域的第二区块对应的第二图像块，以及根据每个所述第一区块的第一图像块和所述多个第二区块的多个第二图像块，确定与每个所述第一区块对应的特征信息，其中所述特征信息用于指示所述第一区块的第一图像块与各个所述第二区块的第二图像块之间的相关性；
根据不同季节对应的所述遥感图像获取的与所述多个第一区块对应的特征信息，对与所述多个第一区块对应的第一森林区域进行质量评估，其中
根据不同季节对应的所述遥感图像获取的与所述多个第一区块对应的特征信息，对与所述多个第一区块对应的第一森林区域的进行质量评估的操作，包括：
确定预先设置的缺陷区块识别模型；
根据所述缺陷区块识别模型，识别根据不同季节对应的所述遥感图像获取的与所述多个第一区块对应的特征信息，获得所述多个第一区块在多个不同季节的树木状态值，将所述多个第一区块在不同季节的树木状态值进行加权，并基于加权结果确定识别结果，其中所述识别结果用于指示所述第一区块是否为缺陷区块；
根据所述识别结果，对与所述多个第一区块对应的第一森林区域的进行质量评估。
2.根据权利要求1所述的监测方法，其特征在于，根据所述识别结果，对与所述多个第一区块对应的第一森林区域的进行质量评估的操作，包括：
根据所述多个第一区块中缺陷区块的数量，对与所述多个第一区块对应的第一森林区域的进行质量评估。
3.根据权利要求1所述的监测方法，其特征在于，根据每个所述第一区块的第一图像块和多个所述第二区块的第二图像块，确定与每个所述第一区块对应的特征信息的操作，包括：
确定与每个所述第一区块的第一图像块对应的像素值，和与所述多个第二区块的多个第二图像块对应的像素值；以及
根据与每个所述第一区块的第一图像块对应的像素值，和与所述多个第二区块的多个第二图像块对应的像素值，确定与每个所述第一区块对应的特征信息。
4.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由遥感数据平台执行权利要求1至3中任意一项所述的方法。
5.一种森林土地状态的监测装置，其特征在于，包括：
森林区域确定模块，用于获取土地规划信息，并根据所述土地规划信息，确定目标森林中的第一森林区域和第二森林区域，其中所述土地规划信息包括所述第一森林区域的位置信息和与所述第一森林区域的位置信息不同的所述第二森林区域的位置信息，所述第一森林区域用于指示作为监管对象的森林区域，所述第二森林区域用于指示作为参考对象的森林区域；
区块划分模块，用于将所述第一森林区域划分为多个第一区块，并将所述第二森林区域划分为多个第二区块；
遥感图像获取模块，用于获取在不同季节，与所述目标森林对应的遥感图像；
图像块获取模块，用于对不同季节的遥感图像，分别获取与不同季节对应的所述遥感图像中与所述第一森林区域的第一区块对应的第一图像块，和所述遥感图像中与所述第二森林区域的第二区块对应的第二图像块，以及根据每个所述第一区块的第一图像块和所述多个第二区块的多个第二图像块，确定与每个所述第一区块对应的特征信息，其中所述特征信息用于指示所述第一区块的第一图像块与各个所述第二区块的第二图像块之间的相关性；
质量评估模块，用于根据不同季节对应的所述遥感图像获取的与所述多个第一区块对应的特征信息，对与所述多个第一区块对应的第一森林区域的进行质量评估，其中
质量评估模块，包括：
模型确定模块，用于确定预先设置的缺陷区块识别模型；
特征信息识别模块，用于根据所述缺陷区块识别模型，识别根据不同季节对应的所述遥感图像获取的与所述多个第一区块对应的特征信息，获得所述多个第一区块在多个不同季节的树木状态值，将所述多个第一区块在不同季节的树木状态值，将所述多个第一区块在不同季节的树木状态值进行加权，并基于加权结果确定识别结果其中所述识别结果用于指示所述第一区块是否为缺陷区块；
质量评估子模块，用于根据所述识别结果，对与所述多个第一区块对应的第一森林区域的进行质量评估。
6.根据权利要求5所述的装置，其特征在于，质量评估子模块，包括：
数量确定模块，用于根据所述多个第一区块中缺陷区块的数量，对与所述多个第一区块对应的第一森林区域的进行质量评估。
7.根据权利要求5所述的装置，其特征在于，特征信息确定模块包括：
像素值确定模块，用于确定与每个所述第一区块的第一图像块对应的像素值，和与所述多个第二区块的多个第二图像块对应的像素值；以及
特征信息确定子模块，用于根据与每个所述第一区块的第一图像块对应的像素值，和与所述多个第二区块的多个第二图像块对应的像素值，确定与每个所述第一区块对应的特征信息。
8.一种森林土地状态的监测装置，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
获取土地规划信息，并根据所述土地规划信息，确定目标森林中的第一森林区域和第二森林区域，其中所述土地规划信息包括所述第一森林区域的位置信息和与所述第一森林区域的位置信息不同的所述第二森林区域的位置信息，所述第一森林区域用于指示作为监管对象的森林区域，所述第二森林区域用于指示作为参考对象的森林区域；
将所述第一森林区域划分为多个第一区块，并将所述第二森林区域划分为多个第二区块；
获取在不同季节，与所述目标森林对应的遥感图像；
对不同季节的遥感图像，分别获取与不同季节对应的所述遥感图像中与所述第一森林区域的第一区块对应的第一图像块，和所述遥感图像中与所述第二森林区域的第二区块对应的第二图像块，以及根据每个所述第一区块的第一图像块和所述多个第二区块的多个第二图像块，确定与每个所述第一区块对应的特征信息，其中所述特征信息用于指示所述第一区块的第一图像块与各个所述第二区块的第二图像块之间的相关性；
根据不同季节对应的所述遥感图像获取的与所述多个第一区块对应的特征信息，对与所述多个第一区块对应的第一森林区域进行质量评估，其中
根据不同季节对应的所述遥感图像获取的与所述多个第一区块对应的特征信息，对与所述多个第一区块对应的第一森林区域的进行质量评估的操作，包括：
确定预先设置的缺陷区块识别模型；
根据所述缺陷区块识别模型，识别根据不同季节对应的所述遥感图像获取的与所述多个第一区块对应的特征信息，获得所述多个第一区块在多个不同季节的树木状态值，将所述多个第一区块在不同季节的树木状态值进行加权，并基于加权结果确定识别结果，其中所述识别结果用于指示所述第一区块是否为缺陷区块；
根据所述识别结果，对与所述多个第一区块对应的第一森林区域的进行质量评估。
CN202310261854.4A 2023-03-17 2023-03-17 一种森林土地状态的监测方法、装置及存储介质 Active CN116206215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310261854.4A CN116206215B (zh) 2023-03-17 2023-03-17 一种森林土地状态的监测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310261854.4A CN116206215B (zh) 2023-03-17 2023-03-17 一种森林土地状态的监测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN116206215A CN116206215A (zh) 2023-06-02
CN116206215B true CN116206215B (zh) 2023-09-29

Family

ID=86511188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310261854.4A Active CN116206215B (zh) 2023-03-17 2023-03-17 一种森林土地状态的监测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116206215B (zh)

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112166688B (zh) * 2010-12-24 2013-09-11 二十一世纪空间技术应用股份有限公司 基于小卫星的沙漠与沙漠化土地监测方法
WO2016169699A1 (en) * 2015-04-23 2016-10-27 Forest Vision As A system, an apparatus and a method for determining mass change in a study area using remote sensing data
CN107578040A (zh) * 2017-09-30 2018-01-12 中南大学 一种基于脉冲耦合神经网络的房屋变化检测方法
CN108765465A (zh) * 2018-05-31 2018-11-06 西安电子科技大学 一种无监督sar图像变化检测方法
CN109766815A (zh) * 2019-01-03 2019-05-17 银河航天（北京）科技有限公司 一种对目标事件进行预警的系统与方法
CN110135328A (zh) * 2019-05-10 2019-08-16 中国科学院遥感与数字地球研究所 基于多源空间数据的巴基斯坦土地覆盖信息提取方法
CN110276284A (zh) * 2019-06-11 2019-09-24 暨南大学 基于视频质量评估的火焰识别方法、装置、设备及存储介质
CN111539914A (zh) * 2020-03-24 2020-08-14 上海交通大学 一种手机照片质量比较评价方法、系统及终端
CN111798501A (zh) * 2020-07-02 2020-10-20 中航华东光电有限公司 融入颜色直方图与余弦相似性的优化图像配准方法
CN112215098A (zh) * 2020-09-25 2021-01-12 中国科学院空天信息创新研究院 基于多源遥感数据估算常绿林地盖度的方法及系统
AU2020103570A4 (en) * 2020-11-20 2021-02-04 College of Grassland and Environmental Science, Xinjiang Agricultural University Grassland soil degradation evaluation method
CN112434617A (zh) * 2020-11-26 2021-03-02 南京观微空间科技有限公司 一种基于多源遥感数据的森林生物量变化监测方法及系统
WO2021077847A1 (zh) * 2019-10-23 2021-04-29 北京建筑大学 一种基于高分遥感影像的海水污染区域识别方法和设备
CN112784732A (zh) * 2021-01-20 2021-05-11 北京百度网讯科技有限公司 地物类型变化的识别、模型训练方法、装置、设备及介质
CN113034471A (zh) * 2021-03-25 2021-06-25 重庆大学 一种基于finch聚类的sar图像变化检测方法
CN113378785A (zh) * 2021-07-05 2021-09-10 中煤航测遥感集团有限公司 森林类型识别方法及装置
CN113469586A (zh) * 2021-09-02 2021-10-01 中国农业大学 土地系统状态的评估方法、装置以及存储介质
CN113537063A (zh) * 2021-07-16 2021-10-22 海南省林业科学研究院(海南省红树林研究院) 一种基于综合遥感技术的森林环境遥感监测方法及终端
CN113901914A (zh) * 2021-09-30 2022-01-07 京东城市(北京)数字科技有限公司 图像识别方法、装置、电子设备以及可读存储介质
CN114627125A (zh) * 2022-05-17 2022-06-14 南通剑烽机械有限公司 一种基于光学手段的不锈钢压片机表面质量评估方法
CN114693955A (zh) * 2020-12-29 2022-07-01 杭州安存网络科技有限公司 比对图像相似度的方法与装置及电子设备
CN115457408A (zh) * 2022-10-14 2022-12-09 浙江省土地信息中心有限公司 一种土地监测方法、装置、电子设备及介质
CN115494007A (zh) * 2022-08-03 2022-12-20 北京市农林科学院信息技术研究中心 基于随机森林的土壤有机质高精度快速检测方法及装置
CN115712669A (zh) * 2022-11-22 2023-02-24 昆明理工大学 一种自然资源多目标协同优化配置方法
CN115731407A (zh) * 2021-08-25 2023-03-03 顺丰科技有限公司 图像比对方法、装置、计算机设备和存储介质
CN115752224A (zh) * 2022-11-23 2023-03-07 广东春宏科技有限公司 一种基于大数据的卫星土地监控系统

Patent Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112166688B (zh) * 2010-12-24 2013-09-11 二十一世纪空间技术应用股份有限公司 基于小卫星的沙漠与沙漠化土地监测方法
WO2016169699A1 (en) * 2015-04-23 2016-10-27 Forest Vision As A system, an apparatus and a method for determining mass change in a study area using remote sensing data
CN107578040A (zh) * 2017-09-30 2018-01-12 中南大学 一种基于脉冲耦合神经网络的房屋变化检测方法
CN108765465A (zh) * 2018-05-31 2018-11-06 西安电子科技大学 一种无监督sar图像变化检测方法
CN109766815A (zh) * 2019-01-03 2019-05-17 银河航天（北京）科技有限公司 一种对目标事件进行预警的系统与方法
CN110135328A (zh) * 2019-05-10 2019-08-16 中国科学院遥感与数字地球研究所 基于多源空间数据的巴基斯坦土地覆盖信息提取方法
CN110276284A (zh) * 2019-06-11 2019-09-24 暨南大学 基于视频质量评估的火焰识别方法、装置、设备及存储介质
WO2021077847A1 (zh) * 2019-10-23 2021-04-29 北京建筑大学 一种基于高分遥感影像的海水污染区域识别方法和设备
CN111539914A (zh) * 2020-03-24 2020-08-14 上海交通大学 一种手机照片质量比较评价方法、系统及终端
CN111798501A (zh) * 2020-07-02 2020-10-20 中航华东光电有限公司 融入颜色直方图与余弦相似性的优化图像配准方法
CN112215098A (zh) * 2020-09-25 2021-01-12 中国科学院空天信息创新研究院 基于多源遥感数据估算常绿林地盖度的方法及系统
AU2020103570A4 (en) * 2020-11-20 2021-02-04 College of Grassland and Environmental Science, Xinjiang Agricultural University Grassland soil degradation evaluation method
CN112434617A (zh) * 2020-11-26 2021-03-02 南京观微空间科技有限公司 一种基于多源遥感数据的森林生物量变化监测方法及系统
CN114693955A (zh) * 2020-12-29 2022-07-01 杭州安存网络科技有限公司 比对图像相似度的方法与装置及电子设备
CN112784732A (zh) * 2021-01-20 2021-05-11 北京百度网讯科技有限公司 地物类型变化的识别、模型训练方法、装置、设备及介质
CN113034471A (zh) * 2021-03-25 2021-06-25 重庆大学 一种基于finch聚类的sar图像变化检测方法
CN113378785A (zh) * 2021-07-05 2021-09-10 中煤航测遥感集团有限公司 森林类型识别方法及装置
CN113537063A (zh) * 2021-07-16 2021-10-22 海南省林业科学研究院(海南省红树林研究院) 一种基于综合遥感技术的森林环境遥感监测方法及终端
CN115731407A (zh) * 2021-08-25 2023-03-03 顺丰科技有限公司 图像比对方法、装置、计算机设备和存储介质
CN113469586A (zh) * 2021-09-02 2021-10-01 中国农业大学 土地系统状态的评估方法、装置以及存储介质
CN113901914A (zh) * 2021-09-30 2022-01-07 京东城市(北京)数字科技有限公司 图像识别方法、装置、电子设备以及可读存储介质
CN114627125A (zh) * 2022-05-17 2022-06-14 南通剑烽机械有限公司 一种基于光学手段的不锈钢压片机表面质量评估方法
CN115494007A (zh) * 2022-08-03 2022-12-20 北京市农林科学院信息技术研究中心 基于随机森林的土壤有机质高精度快速检测方法及装置
CN115457408A (zh) * 2022-10-14 2022-12-09 浙江省土地信息中心有限公司 一种土地监测方法、装置、电子设备及介质
CN115712669A (zh) * 2022-11-22 2023-02-24 昆明理工大学 一种自然资源多目标协同优化配置方法
CN115752224A (zh) * 2022-11-23 2023-03-07 广东春宏科技有限公司 一种基于大数据的卫星土地监控系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Deep nonsmooth nonnegative matrix factorization network with semi-suprvised learning for SAR image change detection";LI H C等;《ISPRS Journal of Photogrammetry and Remote Sensing》;第167-179页 *
"基于GF-1 PMS数据的森林覆盖变化检测";王崇阳等;《遥感技术与应用》;第36卷(第1期);第208-216页 *
"遥感影像变化检测综述";任秋如等;《计算机应用》;第41卷(第8期);第2294-2305页 *

Also Published As

Publication number Publication date
CN116206215A (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN113110207A (zh) 基于物联网传感器的虫害远程监测方法、系统及存储介质
EP3719708A1 (en) Model test method and device
CN110458032A (zh) 荔枝生长状况全程监控方法、系统、云服务器及存储介质
CN111008561B (zh) 一种牲畜的数量确定方法、终端及计算机存储介质
CN107944450A (zh) 一种车牌识别方法及装置
CN108256404A (zh) 行人检测方法和装置
CN111382808A (zh) 一种车辆检测处理方法及装置
CN113159300A (zh) 图像检测神经网络模型及其训练方法、图像检测方法
Hernández-Hernández et al. A new portable application for automatic segmentation of plants in agriculture
CN110321774B (zh) 农作物灾情评估方法、装置、设备及计算机可读存储介质
CN110428114A (zh) 果树产量预测方法、装置、设备及计算机可读存储介质
CN114511500A (zh) 图像处理方法、存储介质以及计算机终端
CN114998712A (zh) 图像识别方法、存储介质及电子设备
CN115797781A (zh) 农作物识别方法、装置、计算机设备和存储介质
CN113420871A (zh) 图像质量的评估方法、装置、存储介质及电子装置
CN106878938A (zh) 一种信息推送方法、位置定位方法和设备
CN115018770A (zh) 除草作业区域的确定方法及装置、除草设备
CN114359599A (zh) 图像处理方法、存储介质及计算机终端
CN113496220A (zh) 影像处理方法、系统、计算机可读存储介质
CN116206215B (zh) 一种森林土地状态的监测方法、装置及存储介质
CN113971757A (zh) 图像分类方法、计算机终端及存储介质
CN110472537B (zh) 一种自适应识别方法、装置、设备及介质
CN110837562B (zh) 案件的处理方法、装置和系统
CN115690592A (zh) 图像处理方法和模型训练方法
CN116246184A (zh) 一种应用于无人机航拍图像的罂粟智能识别方法及系统

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