CN116246175A - 土地利用信息生成方法、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了土地利用信息生成方法、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取遥感影像信息和影响参数信息集合；对遥感影像信息进行降噪处理；对降噪遥感影像信息进行去阴影处理；对去阴影遥感影像信息进行几何校正处理；生成图像增强遥感影像信息；对图像增强遥感影像信息进行图像裁剪处理；生成关键影响参数信息集合；将关键影响参数信息集合和图像裁剪遥感影像信息输入至残差网络层，得到残差特征信息；将残差特征信息输入至数量预测网络层，得到数量特征信息；将数量特征信息输入至空间预测网络层，得到土地利用信息。该实施方式可以提高预测的土地利用信息的精度，优化预测的土地利用的结构和减少土地资源浪费。

Description

土地利用信息生成方法、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及土地利用信息生成方法、电子设备和计算机可读介质。

背景技术

土地资源是国土空间资源的核心要素，土地利用的结构和组成随着城市发展发生动态变化，对区域生态环境带来重要影响。目前，在生成土地利用信息时，通常采用的方式为：通过单一数量预测模型（例如，马尔科夫模型）对遥感影像信息进行预测，以及将预测得到的信息作为土地利用信息。

然而，发明人发现，当采用上述方式生成土地利用信息时，经常会存在如下技术问题：

第一，未考虑采用残差网络，导致模型容易过拟合；未考虑将数量预测与空间预测相结合，导致预测的土地利用信息的维度较少。从而导致预测的土地利用信息的精度较低，导致预测的土地利用的结构较差，进而增加了土地资源的浪费。

第二，在对土地利用信息对应的模型进行评定的过程中，未同时从卡帕系数、总精度和品质因数三个维度对模型预测进行评定。导致对模型评定的维度较少，从而导致模型预测的土地利用信息的精度较低，导致预测的土地利用结构较差，进而增加了土地资源的浪费。

第三，在生成土地利用信息之后，未进行相关的土地利用结构差异判断，导致生成的土地利用信息的可解释性较差。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了土地利用信息生成方法、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种土地利用信息生成方法，该方法包括：获取目标地区的遥感影像信息和上述遥感影像信息对应的影响参数信息集合；对上述遥感影像信息进行降噪处理，得到降噪处理后的遥感影像信息作为降噪遥感影像信息；对上述降噪遥感影像信息进行去阴影处理，得到去阴影处理后的降噪遥感影像信息作为去阴影遥感影像信息；对上述去阴影遥感影像信息进行几何校正处理，得到几何校正处理后的去阴影遥感影像信息作为几何校正遥感影像信息；根据上述几何校正遥感影像信息，生成图像增强遥感影像信息；对上述图像增强遥感影像信息进行图像裁剪处理，得到图像裁剪处理后的图像增强遥感影像信息作为图像裁剪遥感影像信息；根据上述影响参数信息集合，生成关键影响参数信息集合；将上述关键影响参数信息集合和上述图像裁剪遥感影像信息输入至预先训练的土地利用信息预测模型的残差网络层，得到残差特征信息，其中，上述土地利用信息预测模型还包括数量预测网络层和空间预测网络层；将上述残差特征信息输入至上述数量预测网络层，得到数量特征信息；将上述数量特征信息输入至上述空间预测网络层，得到土地利用信息。

第二方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第三方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的土地利用信息生成方法，提高了预测的土地利用信息的精度，优化了预测的土地利用的结构和减少了土地资源的浪费。具体来说，导致预测的土地利用信息的精度较低，从而导致预测的土地利用的结构较差，进而增加了土地资源的浪费的原因在于：未考虑采用残差网络，导致模型容易过拟合；未考虑将数量预测与空间预测相结合，导致预测的土地利用信息的维度较少。从而导致预测的土地利用信息的精度较低，导致预测的土地利用的结构较差，进而增加了土地资源的浪费。基于此，本公开的一些实施例的土地利用信息生成方法，首先，获取目标地区的遥感影像信息和上述遥感影像信息对应的影响参数信息集合。对上述遥感影像信息进行降噪处理，得到降噪处理后的遥感影像信息作为降噪遥感影像信息。由此，可以得到降噪遥感影像信息，从而可以用于提高遥感影像信息对应的遥感影像的清晰度。然后，对上述降噪遥感影像信息进行去阴影处理，得到去阴影处理后的降噪遥感影像信息作为去阴影遥感影像信息。由此，可以得到去阴影遥感影像信息，从而可以用于减弱光照对遥感影像的干扰。之后，对上述去阴影遥感影像信息进行几何校正处理，得到几何校正处理后的去阴影遥感影像信息作为几何校正遥感影像信息。由此，可以得到表征准确地理坐标和投影信息的几何校正遥感影像信息。随后，根据上述几何校正遥感影像信息，生成图像增强遥感影像信息。由此，可以得到表征地表物体更突出的图像增强遥感影像信息。其次，对上述图像增强遥感影像信息进行图像裁剪处理，得到图像裁剪处理后的图像增强遥感影像信息作为图像裁剪遥感影像信息。由此，可以得到图像裁剪遥感影像信息，从而可以更加有针对性的对目标地区的遥感影像信息进行处理。然后，根据上述影响参数信息集合，生成关键影响参数信息集合。由此，可以得到对土地利用信息起关键影响作用的关键影响参数信息集合。之后，将上述关键影响参数信息集合和上述图像裁剪遥感影像信息输入至预先训练的土地利用信息预测模型的残差网络层，得到残差特征信息。其中，上述土地利用信息预测模型还可以包括数量预测网络层和空间预测网络层。由此，可以得到具有非线性特征的残差特征信息，同时，也可以用于降低模型的过拟合风险。随之，将上述残差特征信息输入至上述数量预测网络层，得到数量特征信息。由此，可以得到具有时间维度特征的数量特征信息。最后，将上述数量特征信息输入至上述空间预测网络层，得到土地利用信息。由此，可以得到兼有非线性特征和时间维度、空间维度特征相结合的土地利用信息。因为通过对遥感影像信息进行各种预处理，可以得到清晰度和辨识度更高的遥感影像信息。也因为将经过各种预处理后的遥感影像信息输入至残差网络层，可以得到具有非线性特征的残差特征信息。还因为将数量预测和空间预测相结合，可以增加预测的土地利用信息的维度。从而提高了预测的土地利用信息的精度，优化了预测的土地利用的结构和减少了土地资源的浪费。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的土地利用信息生成方法的一些实施例的流程图；

图2是适于用来实现本公开的一些实施例的电子设备的结构示意图。

实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1示出了根据本公开的土地利用信息生成方法的一些实施例的流程100。该土地利用信息生成方法，包括以下步骤：

步骤101，获取目标地区的遥感影像信息和遥感影像信息对应的影响参数信息集合。

在一些实施例中，土地利用信息生成方法的执行主体（例如计算设备）可以通过有线连接方式或者无线连接方式从目标地区的地理信息数据库中获取目标地区的遥感影像信息和上述遥感影像信息对应的影响参数信息集合。其中，上述地理信息数据库可以为存储上述遥感影像信息和上述影像参数信息集合的地理信息数据库。上述目标地区可以为任意地区。上述目标地区在此不做具体限定。例如，上述目标地区可以为贵阳市。上述遥感影像信息可以为上述目标地区对应的遥感影像包括的各个地理对象的信息。上述各个地理对象可以包括但不限于：草地、耕地、林地、建设用地、水域和山脉。上述影响参数信息集合可以为影响上述遥感影像信息对应的各个地理对象的参数信息的集合。上述影响参数信息集合可以包括但不限于：高程、坡度、年平均降水量、年平均气温、目标地区GDP、目标地区人口密度、归一化植被指数和人为影响指数。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。

步骤102，对遥感影像信息进行降噪处理，得到降噪处理后的遥感影像信息作为降噪遥感影像信息。

在一些实施例中，上述执行主体可以对上述遥感影像信息进行降噪处理，得到降噪处理后的遥感影像信息作为降噪遥感影像信息。实践中，上述执行主体可以通过傅里叶变换对上述遥感影像信息进行滤波降噪处理，得到滤波降噪处理后的遥感影像信息作为降噪遥感影像信息。

步骤103，对降噪遥感影像信息进行去阴影处理，得到去阴影处理后的降噪遥感影像信息作为去阴影遥感影像信息。

在一些实施例中，上述执行主体可以对上述降噪遥感影像信息进行去阴影处理，得到去阴影处理后的降噪遥感影像信息作为去阴影遥感影像信息。实践中，上述执行主体可以对上述降噪遥感影像信息进行去阴影处理，得到去阴影处理后的降噪遥感影像信息作为去阴影遥感影像信息。

步骤104，对去阴影遥感影像信息进行几何校正处理，得到几何校正处理后的去阴影遥感影像信息作为几何校正遥感影像信息。

在一些实施例中，上述执行主体可以对上述去阴影遥感影像信息进行几何校正处理，得到几何校正处理后的去阴影遥感影像信息作为几何校正遥感影像信息。其中，上述几何校正处理可以包括但不限于：图像配准处理、正射纠正处理和大气纠正处理。实践中，上述执行主体可以对上述去阴影遥感影像信息进行正射纠正处理，得到正射纠正处理后的去阴影遥感影像信息作为正射纠正处理遥感影像信息。

步骤105，根据几何校正遥感影像信息，生成图像增强遥感影像信息。

在一些实施例中，根据上述几何校正遥感影像信息，上述执行主体可以生成图像增强遥感影像信息。

在一些实施例的一些可选的实现方式中，根据上述几何校正遥感影像信息，上述执行主体可以通过以下步骤生成图像增强遥感影像信息：

第一步，对上述几何校正遥感影像信息进行彩色合成处理，得到彩色合成处理后的几何校正遥感影像信息作为彩色遥感影像信息。实践中，上述执行主体可以对上述几何校正遥感影像信息进行彩色合成处理，得到彩色合成处理后的几何校正遥感影像信息作为彩色遥感影像信息。

第二步，对上述彩色遥感影像信息进行直方图变换处理，得到直方图变换处理后的彩色遥感影像信息作为直方图遥感影像信息。实践中，上述执行主体可以对上述彩色遥感影像信息进行直方图变换处理，得到直方图变换处理后的彩色遥感影像信息作为直方图遥感影像信息。

第三步，对上述直方图遥感影像信息进行密度分割处理，得到密度分割处理后的直方图遥感影像信息作为密度分割遥感影像信息。实践中，上述执行主体可以对上述直方图遥感影像信息进行密度分割处理，得到密度分割处理后的直方图遥感影像信息作为密度分割遥感影像信息。

第四步，对上述密度分割遥感影像信息进行灰度颠倒处理，以生成灰度颠倒遥感影像信息。实践中，上述执行主体可以对上述密度分割遥感影像信息进行灰度颠倒处理，以生成灰度颠倒遥感影像信息。

第五步，将上述灰度颠倒遥感影像信息确定为图像增强遥感影像信息。实践中，上述执行主体可以将上述灰度颠倒遥感影像信息确定为图像增强遥感影像信息。由此，通过对几何校正遥感影像信息进行彩色合成处理、直方图变换处理、密度分割处理和灰度颠倒处理，提高了遥感影像信息对应的遥感影像的清晰度和辨识度。

步骤106，对图像增强遥感影像信息进行图像裁剪处理，得到图像裁剪处理后的图像增强遥感影像信息作为图像裁剪遥感影像信息。

在一些实施例中，上述执行主体可以对上述图像增强遥感影像信息进行图像裁剪处理，得到图像裁剪处理后的图像增强遥感影像信息作为图像裁剪遥感影像信息。实践中，上述执行主体可以按照预设区域范围对上述图像增强遥感影像信息进行图像裁剪处理，得到图像裁剪处理后的图像增强遥感影像信息作为图像裁剪遥感影像信息。其中，上述预设区域范围可以为预先设定的区域范围。例如，预设区域范围可以为预先设定的目标地区对应的面积范围。

步骤107，根据影响参数信息集合，生成关键影响参数信息集合。

在一些实施例中，根据上述影响参数信息集合，上述执行主体可以生成关键影响参数信息集合。其中，上述关键影响参数信息集合可以为对上述遥感影像信息对应的各个地理对象有关键影响作用的参数信息的集合。例如，关键影响参数信息集合可以为：人口密度和目标地区GDP。实践中，首先，上述执行主体可以采用主成分分析算法生成影响参数信息集合对上述各个地理对象的关联度集合。然后，对于关联度集合中的每个关联度，将满足关联度条件的关联度确定为关键关联度。其次，将上述关键关联度对应的影响参数信息确定为关键影响参数信息。最后，可以将所确定的各个关键影响参数信息确定为关键影响参数信息集合。其中，上述关联度条件可以为关联度大于等于预设关联度阈值。上述预设关联度阈值可以为预先设定的关联度阈值。例如，上述预设关联度阈值可以为0.1。

步骤108，将关键影响参数信息集合和图像裁剪遥感影像信息输入至预先训练的土地利用信息预测模型的残差网络层，得到残差特征信息。

在一些实施例中，上述执行主体可以将上述关键影响参数信息集合和上述图像裁剪遥感影像信息输入至预先训练的土地利用信息预测模型的残差网络层，得到残差特征信息。其中，上述土地利用信息预测模型还可以包括数量预测网络层和空间预测网络层。上述土地利用信息预测模型可以为以关键影响参数信息集合和图像裁剪遥感影像信息为输入，以土地利用信息为输出的模型。上述土地利用信息可以为上述遥感影像信息包括的各个地理对象变动后的地理信息。上述残差网络层可以为能够提取关键影响参数信息集合与图像裁剪遥感影像信息的非线性特征以及降低模型过拟合的网络层。具体地，上述残差网络层可以由以下五部分组成：第一部分可以为卷积层，第二部分可以为3*残差模块，第三部分可以为3*残差模块+降采样残差模块，第四部分可以为5*残差模块+降采样残差模块，第五部分可以为2*残差模块+降采样残差模块。上述数量预测网络可以为能够对残差特征信息进行数量特征提取的网络层。具体地，上述数量预测网络可以为马尔科夫网络（Markov）。上述空间预测网络层可以为能够对数量特征信息进行空间特征提取的网络层。具体地，上述空间预测网络层可以为元胞自动机（cellular automata，CA）网络。

实践中，上述执行主体可以将上述关键影响参数信息集合和上述图像裁剪遥感影像信息输入至预先训练的土地利用信息预测模型的残差网络层，得到残差特征信息。

在一些实施例的一些可选的实现方式中，上述土地利用信息预测模型是可以通过以下方式训练得到的：

第一训练步骤，获取样本集。其中，上述样本集中的样本包括样本关键影响参数信息集合和图像裁剪遥感影像信息，以及与样本关键影响参数信息集合和图像裁剪遥感影像信息对应的样本土地利用信息。上述样本土地利用信息可以是与上述样本关键影响参数信息集合和图像裁剪遥感影像信息对应的标签。需要说明的是，训练上述土地利用信息预测模型的执行主体可以是上述执行主体，也可以是其他计算设备。

第二训练步骤，基于样本集执行以下训练步骤：

第一训练子步骤，将样本集中的至少一个样本的样本关键影响参数信息集合和图像裁剪遥感影像信息分别输入至初始土地利用信息预测模型中，得到上述至少一个样本中的每个样本对应的土地利用信息。

第二训练子步骤，将上述至少一个样本中的每个样本对应的土地利用信息与对应的样本土地利用信息进行比较。这里，比较可以为至少一个样本中的每个样本对应的土地利用信息与对应的样本土地利用信息是否相同。

第三训练子步骤，根据比较结果确定初始土地利用信息预测模型是否达到预设的优化目标，其中，上述优化目标可以包括：卡帕系数大于等于预设卡帕阈值，总精度大于等于预设精度阈值且品质因数大于等于预设因数阈值。上述卡帕系数可以为表征模型分类的效果。卡帕系数的范围可以为[0，1]。卡帕系数越大，模型效果越好。上述预设卡帕阈值可以为预先设定的卡帕阈值。例如，上述预设卡帕阈值可以为0.6。上述总精度可以为正确分类的像元数量与总的像元数量的比值。上述预设精度阈值可以为预先设定的精度阈值。例如，上述预设精度阈值可以为0.7。上述品质因数可以为第一变动面积与变动总面积的比值。上述第一变动面积可以为预测的与真实情况下均发生转变的土地面积。上述变动总面积可以为第一变动面积、第二变动面积和第三变动面积的和。上述第二变动面积可以为真实情况下发生变化且预测的未发生变化的面积。上述第三变动面积可以为预测的发生变化且真实情况下未发生变化的面积。上述预设因数阈值可以为预先设定的因数阈值。例如上述预设因数阈值可以为0.5。

第四训练子步骤，响应于确定初始土地利用信息预测模型达到上述优化目标，将初始土地利用信息预测模型确定为训练完成的土地利用信息预测模型。

可选地，训练得到上述土地利用信息预测模型的步骤还可以包括：

第五训练子步骤，响应于确定初始土地利用信息预测模型未达到上述优化目标，调整初始土地利用信息预测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始土地利用信息预测模型作为初始土地利用信息预测模型，再次执行上述训练步骤。

上述第一训练步骤至第二训练步骤及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“在对土地利用信息对应的模型进行评定的过程中，未同时从卡帕系数、总精度和品质因数三个维度对模型预测进行评定。导致对模型评定的维度较少，从而导致模型预测的土地利用信息的精度较低，导致预测的土地利用结构较差，进而增加了土地资源的浪费”。导致对模型评定的维度较少，从而导致模型预测的土地利用信息的精度较低，导致预测的土地利用结构较差，进而增加了土地资源的浪费的因素往往如下：在对土地利用信息对应的模型进行评定的过程中，未同时从卡帕系数、总精度和品质因数三个维度对模型预测进行评定。导致对模型评定的维度较少，从而导致模型预测的土地利用信息的精度较低，导致预测的土地利用结构较差，进而增加了土地资源的浪费。如果解决了上述因素，就能达到增加对模型评定的维度，提高模型预测的土地利用信息的精度，优化预测的土地利用结构和减少土地资源浪费的效果。为了达到这一效果，首先，获取样本集。其中，上述样本集中的样本包括样本关键影响参数信息集合和图像裁剪遥感影像信息，以及与样本关键影响参数信息集合和图像裁剪遥感影像信息对应的样本土地利用信息。由此，可以得到样本集，从而可以用于模型的训练。其次，基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本关键影响参数信息集合和图像裁剪遥感影像信息分别输入至初始土地利用信息预测模型中，得到上述至少一个样本中的每个样本对应的土地利用信息。将上述至少一个样本中的每个样本对应的土地利用信息与对应的样本土地利用信息进行比较。根据比较结果确定初始土地利用信息预测模型是否达到预设的优化目标。其中，上述优化目标可以包括：卡帕系数大于等于预设卡帕阈值、总精度大于等于预设精度阈值且品质因数大于等于预设因数阈值。响应于确定初始土地利用信息预测模型达到上述优化目标，将初始土地利用信息预测模型确定为训练完成的土地利用信息预测模型。由此，基于样本集，完成了模型的训练，根据比较结果确定初始土地利用信息预测模型是否达到预设的优化目标。以及将达到上述优化目标的初始土地利用信息预测模型确定为土地利用信息预测模型。并从卡帕系数、总精度和品质因数多维度对模型进行评定，增加对模型评定的维度，提高模型预测的土地利用信息的精度。最后，响应于确定初始土地利用信息预测模型未达到上述优化目标，调整初始土地利用信息预测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始土地利用信息预测模型作为初始土地利用信息预测模型，再次执行上述训练步骤。由此，基于初始土地利用信息预测模型未达到上述优化目标，对初始土地利用信息预测模型的网络参数不断的进行调优，不断的使用未用过的样本组成样本集进行模型的训练，为土地利用信息的预测提供了更优的模型。也因为同时从卡帕系数、总精度和品质因数三个维度对模型预测进行评定，可以增加模型评定的维度。还因为基于样本集，不断的用新的样本对模型进行训练，可以得到模拟效果更好的预测模型。从而，提高了模型预测的土地利用信息的精度，优化了预测的土地利用结构，进而减少了土地资源的浪费。

步骤109，将残差特征信息输入至数量预测网络层，得到数量特征信息。

在一些实施例中，上述执行主体可以将上述残差特征信息输入至上述数量预测网络层，得到数量特征信息。实践中，上述执行主体可以将残差特征信息输入至上述数量预测网络层，得到数量特征信息。

步骤110，将数量特征信息输入至空间预测网络层，得到土地利用信息。

在一些实施例中，上述执行主体可以将上述数量特征信息输入至上述空间预测网络层，得到土地利用信息。实践中，上述执行主体可以将上述数量特征信息输入至上述空间预测网络层，得到土地利用信息。

可选地，在将上述数量特征信息输入至上述空间预测网络层，得到土地利用信息之后，上述执行主体还可以执行以下步骤：

第一步，根据上述土地利用信息和上述遥感影像信息，生成单一土地利用动态信息集合和综合动态信息。其中，上述单一土地利用动态信息集合中的单一土地利用动态信息可以表征单一土地类型的土地利用变动情况。上述综合动态信息可以表征目标地区的土地利用整体变动情况。

在一些实施例的一些可选的实现方式中，根据上述土地利用信息和上述遥感影像信息，上述执行主体可以通过以下步骤生成单一土地利用动态信息集合和综合动态信息：

第一步骤，根据上述土地利用信息，生成土地利用类型集合。实践中，上述执行主体可以通过土地重分类函数接口对上述土地利用信息进行土地重分类，以生成土地利用类型集合。其中，上述土地重分类函数接口可以为预先封装好的土地重分类函数。上述土地利用类型集合可以为目标地区包括的各个土地利用类型。上述各个土地利用类型可以包括但不限于：耕地、林地、水域、建设用地和山脉。

第二步骤，根据上述遥感影像信息，生成遥感土地利用类型集合。实践中，上述执行主体生成遥感土地利用类型集合的方式与上述生成土地利用类型集合的方式相同，在此不再赘述。上述遥感土地利用类型集合也可以为目标地区包括的各个土地利用类型。

第三步骤，根据上述土地利用类型集合，确定土地利用类型面积信息集合。实践中，首先，对于上述土地利用类型集合中的每个土地利用类型，上述执行主体可以将上述土地利用类型对应的区域面积确定为土地利用类型面积信息。然后，可以将所确定的各个土地利用类型面积信息确定为土地利用类型面积信息集合。

第四步骤，根据上述遥感土地利用类型集合，确定遥感土地利用类型面积信息集合。其中，上述土地利用类型面积信息集合中的土地利用类型面积信息对应上述遥感土地利用类型面积信息集合中的遥感土地利用类型面积信息。实践中，对于上述遥感土地利用类型集合中的每个遥感土地利用类型，上述执行主体可以将上述遥感土地利用类型对应的区域面积确定为遥感土地利用类型面积信息。然后，可以将所确定的各个遥感土地利用类型面积信息确定为遥感土地利用类型面积信息集合。

第五步骤，将上述土地利用信息对应的预测时间确定为土地利用时间信息。其中，上述预测时间可以为预测的土地利用信息对应的时间。例如，上述预测时间可以为2030年。

第六步骤，将上述遥感影像信息对应的采集时间确定为遥感时间信息。其中，上述采集时间可以为上述采集遥感影像信息的时间。例如，上述采集时间可以为2020年。

第七步骤，将上述土地利用时间信息与上述遥感时间信息的差值绝对值信息确定为间隔时间信息。

第八步骤，对于上述土地利用类型面积信息集合中的每个土地利用类型面积信息，执行以下步骤：

第一子步骤，将上述土地利用类型面积信息与对应的遥感土地利用类型面积信息的差值确定为土地面积差值信息。

第二子步骤，将上述土地面积差值信息的绝对值确定为土地面积差值绝对值信息。

第三子步骤，将上述土地面积差值信息与上述间隔时间信息的倒数的乘积确定为单一土地利用类型动态信息。

第九步骤，将所得到的各个单一土地利用类型动态信息确定为单一土地利用动态信息集合。

第十步骤，将所确定的各个土地面积差值绝对值信息的和确定为差值面积信息。

第十一步骤，将上述遥感土地利用类型面积信息集合包括的各个遥感土地利用类型面积信息的和确定为遥感土地面积信息。

第十二步骤，将上述差值面积信息与上述遥感土地面积信息的比值确定为面积比值信息。

第十三步骤，将上述面积比值信息与上述间隔时间信息的倒数的乘积确定为综合动态信息。

第二步，根据上述土地利用信息和上述遥感影像信息，生成土地利用结构差异信息。其中，上述土地利用结构差异信息可以表征土地利用结构变化时的时空分异程度。这里，可以理解为上述土地利用结构差异信息越大，土地结构差异性越大。

在一些实施例的一些可选的实现方式中，根据上述土地利用信息和上述遥感影像信息，上述执行主体可以通过以下步骤生成土地利用结构差异信息：

第一步骤，将土地利用类型面积信息集合包括的各个土地利用类型面积信息的和确定为土地利用总面积信息。

第二步骤，将遥感土地利用类型面积信息集合包括的各个遥感土地利用类型面积信息的和确定为遥感总面积信息。

第三步骤，根据上述土地利用类型面积信息集合和上述土地利用总面积信息，确定土地利用类型面积占比信息集合。实践中，首先，对于上述土地利用类型面积信息集合中的每个土地利用类型面积信息，上述执行主体可以将上述土地利用类型面积信息与上述土地利用总面积信息的比值确定为土地利用类型面积占比信息。然后，可以将所确定的各个土地利用类型面积占比信息确定为土地利用类型面积占比信息集合。

第四步骤，根据上述遥感土地利用类型面积信息集合和上述遥感总面积信息，确定遥感面积占比信息集合。其中，上述遥感面积占比信息集合中的遥感面积占比信息对应上述土地利用类型面积占比信息集合中的土地利用类型面积占比信息。这里，对应可以理解为遥感面积占比信息与对应的土地利用类型面积占比信息可以为同一个土地利用类型。实践中，首先，对于上述遥感土地利用类型面积信息集合中的每个遥感土地利用类型面积信息，上述执行主体可以将上述遥感土地利用类型面积信息与上述遥感总面积信息的比值确定为遥感面积占比信息。然后，可以将所确定的各个遥感面积占比信息确定为遥感面积占比信息集合。

第五步骤，对于上述土地利用类型面积占比信息集合中的每个土地利用类型面积占比信息，将上述土地利用类型面积占比信息与对应的遥感面积占比信息的差值的平方确定为土地面积占比差值信息。

第六步骤，将所确定的各个土地面积占比差值信息的和的二分之一次方确定为土地利用结构差异信息。

上述第一步骤至第六步骤及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题三“在生成土地利用信息之后，未进行相关的土地利用结构差异判断，导致生成的土地利用信息的可解释性较差”。导致生成的土地利用信息的可解释性较差的因素往往如下：在生成土地利用信息之后，未进行相关的土地利用结构差异判断，导致生成的土地利用信息的可解释性较差。如果解决了上述因素，就能达到增强生成的土地利用信息的可解释性的效果。为了达到这一效果，首先，将上述土地利用类型面积信息集合包括的各个土地利用类型面积信息的和确定为土地利用总面积信息。由此，可以得到表征预测的目标区域的总面积的土地利用总面积信息。然后，将上述遥感土地利用类型面积信息集合包括的各个遥感土地利用类型面积信息的和确定为遥感总面积信息。由此，可以得到表征采集时刻的目标区域的总面积的遥感总面积信息。之后，根据上述土地利用类型面积信息集合和上述土地利用总面积信息，确定土地利用类型面积占比信息集合。由此，可以得到表征预测的各个土地利用类型对应的面积占比情况的土地利用类型面积占比信息集合。其次，根据上述遥感土地利用类型面积信息集合和上述遥感总面积信息，确定遥感面积占比信息集合。其中，上述遥感面积占比信息集合中的遥感面积占比信息对应上述土地利用类型面积占比信息集合中的土地利用类型面积占比信息。由此，可以得到采集时刻的各个土地利用类型对应的面积占比情况的遥感面积占比信息集合。然后，对于上述土地利用类型面积占比信息集合中的每个土地利用类型面积占比信息，将上述土地利用类型面积占比信息与对应的遥感面积占比信息的差值的平方确定为土地面积占比差值信息。由此，可以得到表征同一土地利用类型预测的与采集时刻的面积占比差异的土地面积占比差值信息。最后，将所确定的各个土地面积占比差值信息的和的二分之一次方确定为土地利用结构差异信息。由此，可以得到表征整体土地利用结构差异的土地利用结构差异信息。从而增强了生成的土地利用信息的可解释性。

第三步，根据上述土地利用信息和上述遥感影像信息，生成重心转移信息集合。

在一些实施例的一些可选的实现方式中，根据上述土地利用信息和上述遥感影像信息，上述执行主体可以通过以下步骤生成重心转移信息集合：

第一步，根据上述土地利用类型集合，确定土地利用类型分布图集合。实践中，对于上述土地利用类型集合中的每个土地利用类型，上述执行主体可以按照上述土地利用类型对应的属性值对上述土地利用信息包括的各个像元进行提取。然后，可以将所提取的各个像元所组成的分布图确定为土地利用类型分布图。最后，可以将所确定的各个土地利用类型分布图确定为土地利用类型分布图集合。这里，像元可以理解为像素点。上述属性值可以理解为每个土地利用类型对应一个唯一属性值。例如，土地利用类型为耕地的属性值可以为10。土地利用类型为林地的属性值可以为20。

第二步，根据上述遥感土地利用类型集合，确定遥感土地利用类型分布图集合。实践中，对于上述遥感土地利用类型集合中的每个遥感土地利用类型，上述执行主体可以按照上述遥感土地利用类型对应的属性值对上述遥感影像信息包括的各个像元进行提取。然后，可以将所提取的各个像元所组成的分布图确定为遥感土地利用类型分布图。最后，可以将所确定的各个遥感土地利用类型分布图确定为遥感土地利用类型分布图集合。

第三步，对于上述土地利用类型分布图集合中的每个土地利用类型分布图，将上述土地利用类型分布图的中心点坐标确定为土地利用类型重心坐标信息。

第四步，将所得到的各个土地利用类型重心坐标信息确定为土地利用类型重心信息集合。

第五步，对于上述遥感土地利用类型分布图集合中的每个遥感土地利用类型分布图，将上述遥感土地利用类型分布图的中心点坐标确定为遥感土地利用类型重心坐标信息。

第六步，将所得到的各个遥感土地利用类型重心坐标信息确定为遥感土地利用类型重心信息集合。其中，上述遥感土地利用类型重心信息集合中的遥感土地利用类型重心信息对应上述土地利用类型重心信息集合中的土地利用类型重心信息。

第七步，根据上述土地利用类型重心信息集合和上述遥感土地利用类型重心信息集合，生成重心转移信息集合。

在一些实施例的一些可选的实现方式中，根据上述土地利用类型重心信息集合和上述遥感土地利用类型重心信息集合，上述执行主体可以通过以下步骤生成重心转移信息集合：

第一步骤，对于上述土地利用类型重心信息集合中的每个土地利用类型重心信息，执行以下步骤：

第一子步骤，将上述土地利用类型重心信息对应的坐标位置确定为第一坐标位置。

第二子步骤，将上述遥感土地利用类型重心信息集合中与上述土地利用类型重心信息对应的遥感土地利用类型重心信息的坐标位置确定为第二坐标位置。

第三子步骤，将上述第一坐标位置与上述第二坐标位置对应的距离确定为转移距离。

第四子步骤，将上述第二坐标位置与上述第一坐标位置确定的方向确定为转移方向。例如，上述第二坐标位置可以为东经106度，北纬26度。上述第一坐标位置可以为东经107度，北纬26度。上述转移方向可以为正东方向。

第五子步骤，将所确定的转移距离与上述转移方向确定为重心转移信息。

第二步骤，将所确定的各个重心转移信息确定为重心转移信息集合。

可选地，上述执行主体还可以执行以下步骤：

第一步，将上述土地利用结构差异信息、上述单一土地利用动态信息集合、上述综合动态信息、上述重心转移信息集合和上述土地利用信息确定为土地利用更新信息。

第二步，将上述土地利用更新信息发送至相关联的显示设备，以对上述土地利用更新信息进行显示。其中，上述相关联的显示设备可以为能够对上述土地利用更新信息进行显示的设备。例如，上述相关联的显示设备可以包括但不限于：笔记本电脑和平板电脑。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的土地利用信息生成方法，提高了预测的土地利用信息的精度，优化了预测的土地利用的结构和减少了土地资源的浪费。具体来说，导致预测的土地利用信息的精度较低，从而导致预测的土地利用的结构较差，进而增加了土地资源的浪费的原因在于：未考虑采用残差网络，导致模型容易过拟合；未考虑将数量预测与空间预测相结合，导致预测的土地利用信息的维度较少。从而导致预测的土地利用信息的精度较低，导致预测的土地利用的结构较差，进而增加了土地资源的浪费。基于此，本公开的一些实施例的土地利用信息生成方法，首先，获取目标地区的遥感影像信息和上述遥感影像信息对应的影响参数信息集合。对上述遥感影像信息进行降噪处理，得到降噪处理后的遥感影像信息作为降噪遥感影像信息。由此，可以得到降噪遥感影像信息，从而可以用于提高遥感影像信息对应的遥感影像的清晰度。然后，对上述降噪遥感影像信息进行去阴影处理，得到去阴影处理后的降噪遥感影像信息作为去阴影遥感影像信息。由此，可以得到去阴影遥感影像信息，从而可以用于减弱光照对遥感影像的干扰。之后，对上述去阴影遥感影像信息进行几何校正处理，得到几何校正处理后的去阴影遥感影像信息作为几何校正遥感影像信息。由此，可以得到表征准确地理坐标和投影信息的几何校正遥感影像信息。随后，根据上述几何校正遥感影像信息，生成图像增强遥感影像信息。由此，可以得到表征地表物体更突出的图像增强遥感影像信息。其次，对上述图像增强遥感影像信息进行图像裁剪处理，得到图像裁剪处理后的图像增强遥感影像信息作为图像裁剪遥感影像信息。由此，可以得到图像裁剪遥感影像信息，从而可以更加有针对性的对目标地区的遥感影像信息进行处理。然后，根据上述影响参数信息集合，生成关键影响参数信息集合。由此，可以得到对土地利用信息起关键影响作用的关键影响参数信息集合。之后，将上述关键影响参数信息集合和上述图像裁剪遥感影像信息输入至预先训练的土地利用信息预测模型的残差网络层，得到残差特征信息。其中，上述土地利用信息预测模型还可以包括数量预测网络层和空间预测网络层。由此，可以得到具有非线性特征的残差特征信息，同时，也可以用于降低模型的过拟合风险。随之，将上述残差特征信息输入至上述数量预测网络层，得到数量特征信息。由此，可以得到具有时间维度特征的数量特征信息。最后，将上述数量特征信息输入至上述空间预测网络层，得到土地利用信息。由此，可以得到兼有非线性特征和时间维度、空间维度特征相结合的土地利用信息。因为通过对遥感影像信息进行各种预处理，可以得到清晰度和辨识度更高的遥感影像信息。也因为将经过各种预处理后的遥感影像信息输入至残差网络层，可以得到具有非线性特征的残差特征信息。还因为将数量预测和空间预测相结合，可以增加预测的土地利用信息的维度。从而提高了预测的土地利用信息的精度，优化了预测的土地利用的结构和减少了土地资源的浪费。

下面参考图2，其示出了适于用来实现本公开的一些实施例的电子设备200（例如计算设备）的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图2所示，电子设备200可以包括处理装置201（例如中央处理器、图形处理器等），其可以根据存储在只读存储器202（ROM）中的程序或者从存储装置208加载到随机访问存储器203（RAM）中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有电子设备200操作所需的各种程序和数据。处理装置201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出（I/O）接口205也连接至总线204。

通常，以下装置可以连接至I/O接口205：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置206；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置207；包括例如磁带、硬盘等的存储装置208；以及通信装置209。通信装置209可以允许电子设备200与其他设备进行无线或有线通信以交换数据。虽然图2示出了具有各种装置的电子设备200，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图2中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置209从网络上被下载和安装，或者从存储装置208被安装，或者从ROM 202被安装。在该计算机程序被处理装置201执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标地区的遥感影像信息和上述遥感影像信息对应的影响参数信息集合；对上述遥感影像信息进行降噪处理，得到降噪处理后的遥感影像信息作为降噪遥感影像信息；对上述降噪遥感影像信息进行去阴影处理，得到去阴影处理后的降噪遥感影像信息作为去阴影遥感影像信息；对上述去阴影遥感影像信息进行几何校正处理，得到几何校正处理后的去阴影遥感影像信息作为几何校正遥感影像信息；根据上述几何校正遥感影像信息，生成图像增强遥感影像信息；对上述图像增强遥感影像信息进行图像裁剪处理，得到图像裁剪处理后的图像增强遥感影像信息作为图像裁剪遥感影像信息；根据上述影响参数信息集合，生成关键影响参数信息集合；将上述关键影响参数信息集合和上述图像裁剪遥感影像信息输入至预先训练的土地利用信息预测模型的残差网络层，得到残差特征信息，其中，上述土地利用信息预测模型还包括数量预测网络层和空间预测网络层；将上述残差特征信息输入至上述数量预测网络层，得到数量特征信息；将上述数量特征信息输入至上述空间预测网络层，得到土地利用信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种土地利用信息生成方法，其特征在于，包括：

获取目标地区的遥感影像信息和所述遥感影像信息对应的影响参数信息集合；

对所述遥感影像信息进行降噪处理，得到降噪处理后的遥感影像信息作为降噪遥感影像信息；

对所述降噪遥感影像信息进行去阴影处理，得到去阴影处理后的降噪遥感影像信息作为去阴影遥感影像信息；

对所述去阴影遥感影像信息进行几何校正处理，得到几何校正处理后的去阴影遥感影像信息作为几何校正遥感影像信息；

根据所述几何校正遥感影像信息，生成图像增强遥感影像信息；

对所述图像增强遥感影像信息进行图像裁剪处理，得到图像裁剪处理后的图像增强遥感影像信息作为图像裁剪遥感影像信息；

根据所述影响参数信息集合，生成关键影响参数信息集合；

将所述关键影响参数信息集合和所述图像裁剪遥感影像信息输入至预先训练的土地利用信息预测模型的残差网络层，得到残差特征信息，其中，所述土地利用信息预测模型还包括数量预测网络层和空间预测网络层；

将所述残差特征信息输入至所述数量预测网络层，得到数量特征信息；

将所述数量特征信息输入至所述空间预测网络层，得到土地利用信息。

2.根据权利要求1所述的方法，其特征在于，所述根据所述几何校正遥感影像信息，生成图像增强遥感影像信息，包括：

对所述几何校正遥感影像信息进行彩色合成处理，得到彩色合成处理后的几何校正遥感影像信息作为彩色遥感影像信息；

对所述彩色遥感影像信息进行直方图变换处理，得到直方图变换处理后的彩色遥感影像信息作为直方图遥感影像信息；

对所述直方图遥感影像信息进行密度分割处理，得到密度分割处理后的直方图遥感影像信息作为密度分割遥感影像信息；

对所述密度分割遥感影像信息进行灰度颠倒处理，以生成灰度颠倒遥感影像信息；

将所述灰度颠倒遥感影像信息确定为图像增强遥感影像信息。

3.根据权利要求1所述的方法，其特征在于，在所述将所述数量特征信息输入至所述空间预测网络层，得到土地利用信息之后，所述方法还包括：

根据所述土地利用信息和所述遥感影像信息，生成单一土地利用动态信息集合和综合动态信息；

根据所述土地利用信息和所述遥感影像信息，生成土地利用结构差异信息；

根据所述土地利用信息和所述遥感影像信息，生成重心转移信息集合。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

将所述土地利用结构差异信息、所述单一土地利用动态信息集合、所述综合动态信息、所述重心转移信息集合和所述土地利用信息确定为土地利用更新信息；

将所述土地利用更新信息发送至相关联的显示设备，以对所述土地利用更新信息进行显示。

5.根据权利要求3所述的方法，其特征在于，所述根据所述土地利用信息和所述遥感影像信息，生成单一土地利用动态信息集合和综合动态信息，包括：

根据所述土地利用信息，生成土地利用类型集合；

根据所述遥感影像信息，生成遥感土地利用类型集合；

根据所述土地利用类型集合，确定土地利用类型面积信息集合；

根据所述遥感土地利用类型集合，确定遥感土地利用类型面积信息集合，其中，所述土地利用类型面积信息集合中的土地利用类型面积信息对应所述遥感土地利用类型面积信息集合中的遥感土地利用类型面积信息；

将所述土地利用信息对应的预测时间确定为土地利用时间信息；

将所述遥感影像信息对应的采集时间确定为遥感时间信息；

将所述土地利用时间信息与所述遥感时间信息的差值绝对值信息确定为间隔时间信息；

对于所述土地利用类型面积信息集合中的每个土地利用类型面积信息，执行以下步骤：

将所述土地利用类型面积信息与对应的遥感土地利用类型面积信息的差值确定为土地面积差值信息；

将所述土地面积差值信息的绝对值确定为土地面积差值绝对值信息；

将所述土地面积差值信息与所述间隔时间信息的倒数的乘积确定为单一土地利用类型动态信息；

将所得到的各个单一土地利用类型动态信息确定为单一土地利用动态信息集合；

将所确定的各个土地面积差值绝对值信息的和确定为差值面积信息；

将所述遥感土地利用类型面积信息集合包括的各个遥感土地利用类型面积信息的和确定为遥感土地面积信息；

将所述差值面积信息与所述遥感土地面积信息的比值确定为面积比值信息；

将所述面积比值信息与所述间隔时间信息的倒数的乘积确定为综合动态信息。

6.根据权利要求5所述的方法，其特征在于，所述根据所述土地利用信息和所述遥感影像信息，生成重心转移信息集合，包括：

根据所述土地利用类型集合，确定土地利用类型分布图集合；

根据所述遥感土地利用类型集合，确定遥感土地利用类型分布图集合；

对于所述土地利用类型分布图集合中的每个土地利用类型分布图，将所述土地利用类型分布图的中心点坐标确定为土地利用类型重心坐标信息；

将所得到的各个土地利用类型重心坐标信息确定为土地利用类型重心信息集合；

对于所述遥感土地利用类型分布图集合中的每个遥感土地利用类型分布图，将所述遥感土地利用类型分布图的中心点坐标确定为遥感土地利用类型重心坐标信息；

将所得到的各个遥感土地利用类型重心坐标信息确定为遥感土地利用类型重心信息集合，其中，所述遥感土地利用类型重心信息集合中的遥感土地利用类型重心信息对应所述土地利用类型重心信息集合中的土地利用类型重心信息；

根据所述土地利用类型重心信息集合和所述遥感土地利用类型重心信息集合，生成重心转移信息集合。

7.根据权利要求6所述的方法，其特征在于，所述根据所述土地利用类型重心信息集合和所述遥感土地利用类型重心信息集合，生成重心转移信息集合，包括：

对于所述土地利用类型重心信息集合中的每个土地利用类型重心信息，执行以下步骤：

将所述土地利用类型重心信息对应的坐标位置确定为第一坐标位置；

将所述遥感土地利用类型重心信息集合中与所述土地利用类型重心信息对应的遥感土地利用类型重心信息的坐标位置确定为第二坐标位置；

将所述第一坐标位置与所述第二坐标位置对应的距离确定为转移距离；

将所述第二坐标位置与所述第一坐标位置确定的方向确定为转移方向；

将所确定的转移距离与所述转移方向确定为重心转移信息；

将所确定的各个重心转移信息确定为重心转移信息集合。

8.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images