CN116912698A - 土地覆盖变化监测方法、装置、电子设备及存储介质 - Google Patents
土地覆盖变化监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116912698A CN116912698A CN202311126526.XA CN202311126526A CN116912698A CN 116912698 A CN116912698 A CN 116912698A CN 202311126526 A CN202311126526 A CN 202311126526A CN 116912698 A CN116912698 A CN 116912698A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- time
- sensing data
- component
- representing
- 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
Links
- 230000008859 change Effects 0.000 title claims abstract description 88
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000001932 seasonal effect Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000007500 overflow downdraw method Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种土地覆盖变化监测方法、装置、电子设备及存储介质，涉及遥感信息技术领域。该方法包括：获取待处理长时序遥感数据的第一趋势分量和第一季节分量；对待处理长时序遥感数据进行预设次数的频率增强迭代，确定与预设次数相同数量的频域特征，并获取每个频域特征对应的第二趋势分量和第二季节分量；将第一趋势分量与多个第二趋势分量进行融合、将第一季节分量与多个所述第二季节分量进行融合，确定目标长时序遥感数据；根据目标长时序遥感数据确定土地覆盖类型的变化，对土地覆盖变化进行监测。本发明可以准确地确定土地覆盖类型的变化，从而提高了对土地覆盖类型变化的监测，进而提高了对土地覆盖类型变化的监测精度。
Description
技术领域
本发明涉及遥感信息技术领域，具体而言，涉及一种土地覆盖变化监测方法、装置、电子设备及存储介质。
背景技术
土地覆盖变化是地表诸多要素的综合反应，对地表能量平衡、气候变化、水循环等产生直接影响，是众多学科关注的焦点。遥感数据因其宏观性、周期性和连续性，是土地覆盖变化识别的重要数据源。时序遥感影像能够提供对地表状态长时间序列的记录，反映地表在一个长时间范围内的动态变化情况，为土地覆盖变化的时空识别提供了可靠的数据源。
目前，海量多时相数据的获取为变化检测技术研究提供了丰富的数据支撑，并且利用这些遥感数据监测城市发展进程上已经取得了巨大的进步，在遥感时间序列变化检测分析任务上都取得了不错的研究成果。但是当前基于像素级的时间序列变化检测方法大多基于遥感时间序列形态特征建模，例如基于时间轨迹和基于模型的方法，但上述方法所提取的像素时域特征不充分、不鲁棒，导致对土地覆盖变化率的监测精度较低。
发明内容
为解决上述问题，本发明提供一种土地覆盖变化监测方法、装置、电子设备及存储介质。
第一方面，本发明提供一种土地覆盖变化监测方法，包括：
获取待处理长时序遥感数据的第一趋势分量和第一季节分量；
获取所述待处理长时序遥感数据的时域特征，对所述时域特征进行预设次数的频率增强迭代，并根据第三公式确定与所述预设次数相同数量的频域特征，并获取每个所述频域特征对应的第二趋势分量和第二季节分量，包括：
通过第一公式对所述频域特征进行特征分解，以获取所述频率特征对应的第二趋势分量和第二季节分量;
其中,所述第三公式为：
；
；
；
其中，经过投影变换后的时域特征矩阵，/>为最大池化后的输入时域特征矩阵，/>为/>经过傅里叶变换后的时域特征矩阵，/>，/>表示傅里叶变换，/>表示傅里叶变换的逆变换，/>为选取低频傅里叶分量策略，/>为随机初始化的自学习权重矩阵，，w为权重矩阵，且/>，/>为算子，具体表示为，其中，/>表示输入通道，/>输出通道，/>表示补零填充，D为通道总个数，M为选取出来的分量，C为复数的集合，N为特征矩阵的长度，Y和Q为预设复数集合，且/>，/>，m=1，2，……M；
所述第一公式为：
；
；
其中，表示趋势分量，/>表示季节分量，/>表示平均池化函数，/>表示频域特征；
将所述第一趋势分量与多个所述第二趋势分量进行融合、将所述第一季节分量与多个所述第二季节分量进行融合，根据第二公式确定目标长时序遥感数据，其中，所述第二公式为：
；
其中，为目标长时序遥感数据，/>采用FCN模型的多尺度特征融合方法，为逐时相的趋势特征和季节特征拼接；
根据所述目标长时序遥感数据，通过第四公式得到各个时间点的土地覆盖类型，以确定土地覆盖类型变化序列，对土地覆盖变化进行监测，其中所述第四公式为：
；
其中，表示土地覆盖类型，/>为反卷积函数，/>表示归一指数函数。
可选地，所述对所述待处理长时序遥感数据进行预设次数的频率增强迭代，确定多个频域特征，包括：
获取所述待处理长时序遥感数据的时域特征，其中，所述时域特征包括以下至少之一：光谱特征、周期特征和土地覆盖边界特征；
对所述时域特征进行预设次数的频率增强迭代，确定多个所述频域特征。
可选地，所述获取所述待处理长时序遥感数据的时域特征，对所述时域特征进行预设次数的频率增强迭代，并确定与所述预设次数相同数量的频域特征，包括：
获取所述频域特征对应的频率增强时域特征,所述时域特征包括以下至少之一：光谱特征、周期特征和土地覆盖边界特征；
将所述频率增强时域特征作为频率增强迭代的输入，进行预设次数的频率增强迭代，并确定与所述预设次数相同数量的所述频域特征。
可选地，所述获取每个所述频域特征对应的第二趋势分量和第二季节分量，包括：
对所述频域特征进行特征分解，以获取所述频率特征对应的第二趋势分量和第二季节分量。
可选地，根据第一公式对所述频域特征进行分解，所述第一公式包括：
；
；
其中，表示趋势分量，/>表示季节分量，/>表示平均池化函数，/>表示补零填充，/>表示频域特征。
可选地，还包括：
获取初始长时序遥感数据；
对所述初始长时序遥感数据进行去噪，确定所述待处理长时序遥感数据。
可选地，所述根据土地覆盖类型变化序列，对土地覆盖变化进行监测，包括：
对所述土地覆盖类型变化序列进行时空一致性修正，确定目标土地覆盖类型变化序列，并利用所述土地覆盖类型变化序列对土地覆盖变化进行监测。
第二方面，本发明提供一种土地覆盖变化监测装置，包括：
获取模块，用于获取待处理长时序遥感数据的第一趋势分量和第一季节分量；
迭代模块，用于获取所述待处理长时序遥感数据的时域特征，对所述时域特征进行预设次数的频率增强迭代，并根据第三公式确定与所述预设次数相同数量的频域特征，并获取每个所述频域特征对应的第二趋势分量和第二季节分量，包括：
通过第一公式对所述频域特征进行特征分解，以获取所述频率特征对应的第二趋势分量和第二季节分量；
其中,所述第三公式为：
；
；
；
其中，经过投影变换后的时域特征矩阵，/>为最大池化后的输入时域特征矩阵，/>为/>经过傅里叶变换后的时域特征矩阵，/>，/>表示傅里叶变换，/>表示傅里叶变换的逆变换，/>为选取低频傅里叶分量策略，/>为随机初始化的自学习权重矩阵，，w为权重矩阵，且/>，/>为算子，具体表示为，其中，/>表示输入通道，/>输出通道，/>表示补零填充，D为通道总个数，M为选取出来的分量，C为复数的集合，N为特征矩阵的长度，Y和Q为预设复数集合，且/>，/>，m=1，2，……M；
所述第一公式为：
；
；
其中，表示趋势分量，/>表示季节分量，/>表示平均池化函数，/>表示频域特征；
融合模块，用于将所述第一趋势分量与多个所述第二趋势分量进行融合、将所述第一季节分量与多个所述第二季节分量进行融合，根据第二公式确定目标长时序遥感数据，其中，所述第二公式为：
；
其中，为目标长时序遥感数据，/>采用FCN模型的多尺度特征融合方法，为逐时相的趋势特征和季节特征拼接；
监测模块，用于根据所述目标长时序遥感数据，通过第四公式得到各个时间点的土地覆盖类型，以确定土地覆盖类型变化序列，对土地覆盖变化进行监测，其中所述第四公式为：
；
其中，表示土地覆盖类型，/>为反卷积函数，/>表示归一指数函数。
第三方面，本发明提供一种电子设备，所述电子设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时基于第一方面任一项所述的土地覆盖变化监测方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面任一项所述的土地覆盖变化监测方法。
本发明提供的技术方案可以包括以下有益效果：
本发明提供的土地覆盖变化监测方法，首先获取待处理长时序遥感数据的第一趋势分量和第一季节分量，进一步地，通过对待处理长时序遥感数据进行频率增强迭代，可以充分地对待处理长时序遥感数据的时域特征进行提取，从而可以准确地确定频域特征，进一步地，通过将第一趋势分量与多个第二趋势分量进行融合、将第一季节分量与多个第二季节分量进行融合，可以准确地确定土地覆盖类型的变化，从而提高了对土地覆盖类型变化的监测，进而提高了对土地覆盖类型变化的监测精度。
附图说明
图1为本发明实施例提供的一种土地覆盖变化监测方法的流程示意图；
图2为本发明另一实施例提供的一种土地覆盖变化监测方法的流程示意图；
图3为本发明另一实施例提供的一种土地覆盖变化监测装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
第一方面，本发明实施例提供一种土地覆盖变化监测方法，具体步骤如图1所示，包括：
S101，获取待处理长时序遥感数据的第一趋势分量和第一季节分量。
本实施例中，首先获取待处理长时序遥感数据，并利用待处理长时序遥感数据绘制时序图，进而在时序图中获取待处理长时序遥感数据对应的第一趋势分量和第一季节分量，其中，趋势分量用于表示长时序遥感数据的长期变化，趋势分量包括第一趋势分量和第二趋势分量，季节分量用于表示长时序遥感数据以年为周期的不同年份相同季度或月度表现出来的周期性变动，季节分量包括第一季节分量和第二季节分量。
S102，对所述待处理长时序遥感数据进行预设次数的频率增强迭代，确定与所述预设次数相同数量的频域特征，包括：获取所述待处理长时序遥感数据的时域特征，对所述时域特征进行预设次数的频率增强迭代，并根据第三公式确定与所述预设次数相同数量的频域特征，并获取每个所述频域特征对应的第二趋势分量和第二季节分量。
本实施例中，在执行S101之后，则对待处理长时序遥感数据进行频率增强迭代，在每次迭代后，则确定一个频域特征，在迭代达到预设次数时，则确定与预设次数相同数量的频域特征，即频域特征的数量与预测次数相同，并在每次得到频域特征后，则获取该频域特征对应的第二趋势分量和第二季节分量。例如，在预设次数为4次时，则迭代后，频域特征的数量为4。
在一个示例中，本实施例中的预设次数可以为2次、4次、6次等，本实施例中预设次数优选的设置为4次，即对所述待处理长时序遥感数据进行4次的频率增强迭代。
S103，将所述第一趋势分量与多个所述第二趋势分量进行融合、将所述第一季节分量与多个所述第二季节分量进行融合，根据第二公式确定目标长时序遥感数据。
本实施例中，在执行S101得到第一趋势分量和第一季节分量，执行S102的得到多个第二趋势分量和多个第二季节分量之后，则将第一趋势分量和多个第二趋势分量进行融合，确定融合趋势分量，将第一季节分量和多个第二季节分量进行融合，确定融合季节分量，进一步地将融合趋势分量和融合季节分量进行拼接，确定目标长时序遥感数据。
在一个示例中，利用第二公式确定目标长时序遥感数据，第二公式具体包括：
；
其中，为融合趋势分量和融合季节分量拼接后的融合分量（目标长时序遥感数据），/>采用FCN模型的多尺度特征融合方法，/>为逐时相的趋势特征和季节特征拼接。
S104，根据所述目标长时序遥感数据，通过第四公式得到各个时间点的土地覆盖类型，以确定土地覆盖类型的变化，对土地覆盖变化进行监测。
本实施例中，在执行S103之后，则根据目标长时序遥感数据，确定遥感数据中各个时间点的土地覆盖类型，从而得到土地覆盖类型的变化，进而对土地覆盖变化进行监测。
在一个示例中，本实施例中的土地覆盖类型可以包括草地、裸地和不透水面。
本发明实施例提供的土地覆盖变化监测方法，首先获取待处理长时序遥感数据的第一趋势分量和第一季节分量，进一步地，通过对待处理长时序遥感数据进行频率增强迭代，可以充分地对待处理长时序遥感数据的时域特征进行提取，从而可以准确地确定频域特征，进一步地，通过将第一趋势分量与多个第二趋势分量进行融合、将第一季节分量与多个第二季节分量进行融合，可以准确地确定土地覆盖类型的变化，从而提高了对土地覆盖类型变化的监测，进而提高了对土地覆盖类型变化的监测精度。
进一步地，本实施例中S102中的所述对所述待处理长时序遥感数据进行预设次数的频率增强迭代，确定多个频域特征，可以包括以下步骤：
S1021，获取所述待处理长时序遥感数据的时域特征。
本实施例中，在获取到待处理长时序遥感数据对应的时序图之后，则在时序图中读取待处理长时序遥感数据对应的时域特征，进而获取到待处理长时序遥感数据的时域特征。
在一个示例中，本实施例中的时域特征可以包括光谱特征、周期特征和土地覆盖边界特征。
S1022，对所述时域特征进行预设次数的频率增强迭代，确定与预设次数相同数量的所述频域特征。
本实施例中，在获取到时域特征之后，则对时域特征进行频率增强迭代，以确定时域特征对应的频域特征，在对时域特征的频率增强迭代达到预设次数之后，则确定与预设次数相同数量的频域特征。
在一个示例中，通过第三公式确定频域特征，第三公式具体如下：
；
；
；
其中，经过投影变换后的时域特征矩阵，/>为最大池化后的输入时域特征矩阵，/>为/>经过傅里叶变换后的时域特征矩阵，/>，/>表示傅里叶变换，/>表示傅里叶变换的逆变换，/>为选取低频傅里叶分量策略，/>为随机初始化的自学习权重矩阵其中，，/>为算子，具体可以表示为/>，其中，表示输入通道，/>输出通道，w为权重矩阵，且/>，其中，D为通道总个数，也表示维度，M为选取出来的分量，C表示复数的集合，N是特征矩阵的长度；其中，Y和Q为预设复数集合，/>，/>，m=1，2，……M，在Y=Q⊙C中，Q就是一个复数矩阵（预设复数集合），C为可学习的权重R，最后计算的Y就是一个维度为M/>D的复数矩阵；w就是一个权重矩阵，x和w做完矩阵相乘后就是完成一次线性投影变换（/>，），目的是聚合更高级别的特征。
本发明实施例通过对时域特征进行多次的频率迭代增强，可以充分的提取待处理长时序遥感数据的时域特征，从而可以准确地确定频域特征，进而利用频域特征准确的确定第二趋势分量和第二季节分量，进一步地，可以利用第二趋势分量和季节分量准确地确定土地覆盖类型的变化，从而提高了对土地覆盖类型变化的监测，进而提高了对土地覆盖类型变化的监测精度。
进一步地，本实施例中的S1022可以包括以下步骤：
S10221，获取所述频域特征对应的频率增强时域特征，将所述频率增强时域特征作为频率增强迭代的输入，进行预设次数的频率增强迭代，并确定每次迭代后的所述频域特征。
本实施例中，在得到频域特征之后，对频域特征进行逆运算，确定频域特征对应的频率增强时域特征，并将频率增强时域特征作为频率增强迭代的输入，从而对频率增强时域特征进行频率增强，确定频率增强时域特征对应的频域特征，从而对时域特征进行频率增强迭代，并获取每次迭代后的频域特征。
进一步地，本实施例中S102中的所述获取每次迭代后所述频率特征对应的第二趋势分量和第二季节分量，可以包括以下步骤：
S1023，对所述频域特征进行特征分解，以获取所述频率特征对应的第二趋势分量和第二季节分量。
本实施例中，在确定频域特征之后，则对频域特征进行特征分解，从而确定频域特征对应的第二趋势分量和第二季节分量。
在一个示例中，本实施例中，根据第一公式对所述频域特征进行分解，所述第一公式包括：
；
；
其中，表示趋势分量，/>表示季节分量，/>表示平均池化函数，/>表示补零填充，/>表示频域特征。
进一步地，本发明实施例的土地覆盖变化监测方法还包括以下步骤：
S105，获取初始长时序遥感数据。
本实施例中，首选获取数据库中存储的初始长时序遥感数据。
S106对所述初始长时序遥感数据进行去噪，确定所述待处理长时序遥感数据。
本实施例中，在获取到初始长时序遥感数据之后，则利用预设过滤算法对初始长时序遥感数据进行去噪，进而去除初始遥感数据中包含的由残余云、雪或阴影引起的噪声点，从而得到待处理长时序遥感数据。
在一个示例中，本实施例中的预设过滤算法为尖峰去除算法。
进一步地，S104可以包括以下步骤：
S1041，根据所述目标长时序遥感数据，确定土地覆盖类型变化序列。
本实施例中，在确定目标长时序遥感数据之后，则绘制目标长时序遥感数据对应的目标时域图，从而根据目标时域图，确定目标长时序遥感数据中各个时间点对应的土地覆盖类型，进而得到目标长时序遥感数据对应的土地覆盖类型变化序列。
在一个示例中，通过第四公式遥感数据中各个时间点的土地覆盖类型，第四公式具体包括：
；
其中，表示土地覆盖类型，/>为反卷积函数，/>表示归一指数函数。
S1042，对所述土地覆盖类型变化序列进行时空一致性修正，确定目标土地覆盖类型变化序列，并利用所述土地覆盖类型变化序列对土地覆盖变化进行监测。
本实施例中，在确定土地覆盖类型变化序列之后，则利用时空一致性修正策略对土地覆盖类型变化序列进行修正，以去除时间序列异常观测或云盖等因素可能在时间域和空间域的检测结果上出现“椒盐”噪音，从而准确地确定各个时间点对应的土地覆盖类型进行修正，进而利用所述土地覆盖类型变化序列对土地覆盖变化进行监测。
进一步地，本发明另一实施例提供一种土地覆盖变化监测方法，具体步骤如图2所示，包括：
首先在数据库中获取初始长时序遥感数据，并利用预设过滤算法对初始长时序遥感数据进行去噪，确定待处理长时序遥感数据，进一步地，利用待处理长时序遥感数据绘制时序图，进而在时序图中获取待处理长时序遥感数据对应的第一趋势分量和第一季节分量，进一步地，在获取到待处理长时序遥感数据对应的时序图之后，则在时序图中读取待处理长时序遥感数据对应的时域特征，进而获取到待处理长时序遥感数据的时域特征，在获取到时域特征之后，则对时域特征进行频率增强迭代，以确定时域特征对应的频域特征，在对时域特征的频率增强迭代达到预设次数之后，则确定多个频域特征。
进一步地，在确定频域特征之后，则利用第一公式对频域特征进行特征分解，从而确定每个频域特征对应的第二趋势分量和第二季节分量，进一步地，在频率增强迭代达预设次数后，将第一趋势分量和多个第二趋势分量进行融合，确定融合趋势分量，将第一季节分量和多个第二季节分量进行融合，确定融合季节分量，进一步地将融合趋势分量和融合季节分量进行拼接，确定目标长时序遥感数据，并利用第四公式确定目标长时序遥感数据中各个时间点对应的土地覆盖类型，进而得到目标长时序遥感数据对应的土地覆盖类型变化序列，最后利用时空一致性修正策略对土地覆盖类型变化序列进行修正，以去除时间序列异常观测或云盖等因素可能在时间域和空间域的检测结果上出现“椒盐”噪音，从而准确地确定各个时间点对应的土地覆盖类型进行修正，进而利用所述土地覆盖类型变化序列对土地覆盖变化进行监测。
进一步地，本发明另一实施例提供的一种土地覆盖变化监测装置，具体如图3所示，该装置包括：
获取模块301，用于获取待处理长时序遥感数据的第一趋势分量和第一季节分量；
迭代模块302，用于对所述待处理长时序遥感数据进行预设次数的频率增强迭代，确定与预设次数相同数量的频域特征，并获取每个所述频域特征对应的第二趋势分量和第二季节分量；
融合模块303，用于将所述第一趋势分量与多个所述第二趋势分量进行融合、将所述第一季节分量与多个所述第二季节分量进行融合，确定目标长时序遥感数据；
监测模块304，用于根据所述目标长时序遥感数据确定土地覆盖类型的变化，以对土地覆盖变化进行监测。
本发明另一实施例提供一种电子设备，所述电子设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时基于本发明实施例所述的土地覆盖变化监测方法。
本发明另一实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例所述的土地覆盖变化监测方法。
在上述实施例中，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。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，电子设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (7)
1.一种土地覆盖变化监测方法，其特征在于，包括：
获取待处理长时序遥感数据的第一趋势分量和第一季节分量；
获取所述待处理长时序遥感数据的时域特征，对所述时域特征进行预设次数的频率增强迭代，并根据第三公式确定与所述预设次数相同数量的频域特征，并获取每个所述频域特征对应的第二趋势分量和第二季节分量，包括：
通过第一公式对所述频域特征进行特征分解，以获取所述频率特征对应的第二趋势分量和第二季节分量；
其中,所述第三公式为：
；
；
；
其中，经过投影变换后的时域特征矩阵，/>为最大池化后的输入时域特征矩阵，/>为/>经过傅里叶变换后的时域特征矩阵，/>，/>表示傅里叶变换，/>表示傅里叶变换的逆变换，/>为选取低频傅里叶分量策略，/>为随机初始化的自学习权重矩阵，/>，w为权重矩阵，且/>，/>为算子，具体表示为/>，其中，/>表示输入通道，/>表示补零填充，D为通道总个数，M为选取出来的分量，C为复数的集合，N为特征矩阵的长度，Y和Q为预设复数集合，且/>，/>，m=1，2，……M；
所述第一公式为：
；
；
其中，表示趋势分量，/>表示季节分量，/>表示平均池化函数，/>表示频域特征；
将所述第一趋势分量与多个所述第二趋势分量进行融合、将所述第一季节分量与多个所述第二季节分量进行融合，根据第二公式确定目标长时序遥感数据，其中，所述第二公式为：
；
其中，为所述目标长时序遥感数据，/>采用FCN模型的多尺度特征融合方法，为逐时相的趋势特征和季节特征拼接；
根据所述目标长时序遥感数据，通过第四公式得到各个时间点的土地覆盖类型，以确定土地覆盖类型变化序列，对土地覆盖变化进行监测，其中所述第四公式为：
；
其中，表示土地覆盖类型，/>为反卷积函数，/>表示归一指数函数。
2.根据权利要求1所述的土地覆盖变化监测方法，其特征在于，所述获取所述待处理长时序遥感数据的时域特征，对所述时域特征进行预设次数的频率增强迭代，并确定与所述预设次数相同数量的频域特征，包括：
获取所述频域特征对应的频率增强时域特征，所述时域特征包括以下至少之一：光谱特征、周期特征和土地覆盖边界特征；
将所述频率增强时域特征作为频率增强迭代的输入，进行预设次数的频率增强迭代，并确定与所述预设次数相同数量的所述频域特征。
3.根据权利要求1所述的土地覆盖变化监测方法，其特征在于，还包括：
获取初始长时序遥感数据；
对所述初始长时序遥感数据进行去噪，确定所述待处理长时序遥感数据。
4.根据权利要求1所述的土地覆盖变化监测方法，其特征在于，所述根据土地覆盖类型变化序列，对土地覆盖变化进行监测，包括：
对所述土地覆盖类型变化序列进行时空一致性修正，确定目标土地覆盖类型变化序列，并利用所述土地覆盖类型变化序列对土地覆盖变化进行监测。
5.一种土地覆盖变化监测装置，其特征在于，包括：
获取模块，用于获取待处理长时序遥感数据的第一趋势分量和第一季节分量；
迭代模块，用于获取所述待处理长时序遥感数据的时域特征，对所述时域特征进行预设次数的频率增强迭代，并根据第三公式确定与所述预设次数相同数量的频域特征，并获取每个所述频域特征对应的第二趋势分量和第二季节分量，包括：
通过第一公式对所述频域特征进行特征分解，以获取所述频率特征对应的第二趋势分量和第二季节分量；
其中,所述第三公式为：
；
；
；
其中，经过投影变换后的时域特征矩阵，/>为最大池化后的输入时域特征矩阵，/>为/>经过傅里叶变换后的时域特征矩阵，/>，/>表示傅里叶变换，/>表示傅里叶变换的逆变换，/>为选取低频傅里叶分量策略，/>为随机初始化的自学习权重矩阵，/>，w为权重矩阵，且/>，/>为算子，具体表示为/>，其中，/>表示输入通道，/>输出通道，/>表示补零填充，D为通道总个数，M为选取出来的分量，C为复数的集合，N为特征矩阵的长度，Y和Q为预设复数集合，且，/>，m=1，2，……M；
所述第一公式为：
；
；
其中，表示趋势分量，/>表示季节分量，/>表示平均池化函数，/>表示频域特征；
融合模块，用于将所述第一趋势分量与多个所述第二趋势分量进行融合、将所述第一季节分量与多个所述第二季节分量进行融合，根据第二公式确定目标长时序遥感数据，其中，所述第二公式为：
；
其中，为目标长时序遥感数据，/>采用FCN模型的多尺度特征融合方法，/>为逐时相的趋势特征和季节特征拼接；
监测模块，用于根据所述目标长时序遥感数据，通过第四公式得到各个时间点的土地覆盖类型，以确定土地覆盖类型变化序列，对土地覆盖变化进行监测，其中所述第四公式为：
；
其中，表示土地覆盖类型，/>为反卷积函数，/>表示归一指数函数。
6.一种电子设备，其特征在于，所述电子设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时基于权利要求1至4中任一项所述的土地覆盖变化监测方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至4中任一项所述的土地覆盖变化监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311126526.XA CN116912698B (zh) | 2023-09-04 | 2023-09-04 | 土地覆盖变化监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311126526.XA CN116912698B (zh) | 2023-09-04 | 2023-09-04 | 土地覆盖变化监测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116912698A true CN116912698A (zh) | 2023-10-20 |
| CN116912698B CN116912698B (zh) | 2023-12-08 |
Family
ID=88360538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311126526.XA Active CN116912698B (zh) | 2023-09-04 | 2023-09-04 | 土地覆盖变化监测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116912698B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103226826A (zh) * | 2013-03-20 | 2013-07-31 | 西安电子科技大学 | 基于局部熵视觉注意模型的遥感图像变化检测方法 |
| US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
| CN106548146A (zh) * | 2016-11-01 | 2017-03-29 | 北京航天泰坦科技股份有限公司 | 基于时空分析的地表覆盖变化算法和系统 |
| CN109446962A (zh) * | 2018-10-19 | 2019-03-08 | 中国科学院地理科学与资源研究所 | 土地覆盖年际变化检测方法及系统 |
| CN110930375A (zh) * | 2019-11-13 | 2020-03-27 | 广东国地规划科技股份有限公司 | 一种土地覆盖变化监测方法、系统、装置及存储介质 |
| CN112053359A (zh) * | 2020-09-30 | 2020-12-08 | 中国科学院空天信息创新研究院 | 遥感图像变化检测方法、装置、电子设备及存储介质 |
| CN113516077A (zh) * | 2021-07-14 | 2021-10-19 | 生态环境部卫星环境应用中心 | 地表环境变化监测方法、装置、可读存储介质和设备 |
-
2023
- 2023-09-04 CN CN202311126526.XA patent/CN116912698B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103226826A (zh) * | 2013-03-20 | 2013-07-31 | 西安电子科技大学 | 基于局部熵视觉注意模型的遥感图像变化检测方法 |
| US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
| CN106548146A (zh) * | 2016-11-01 | 2017-03-29 | 北京航天泰坦科技股份有限公司 | 基于时空分析的地表覆盖变化算法和系统 |
| CN109446962A (zh) * | 2018-10-19 | 2019-03-08 | 中国科学院地理科学与资源研究所 | 土地覆盖年际变化检测方法及系统 |
| CN110930375A (zh) * | 2019-11-13 | 2020-03-27 | 广东国地规划科技股份有限公司 | 一种土地覆盖变化监测方法、系统、装置及存储介质 |
| CN112053359A (zh) * | 2020-09-30 | 2020-12-08 | 中国科学院空天信息创新研究院 | 遥感图像变化检测方法、装置、电子设备及存储介质 |
| CN113516077A (zh) * | 2021-07-14 | 2021-10-19 | 生态环境部卫星环境应用中心 | 地表环境变化监测方法、装置、可读存储介质和设备 |
Non-Patent Citations (2)
| Title |
|---|
| YUKUN LIN ETC: ""A New Time Series Change Detection Method for Landsat Land use and Land Cover Change"", 《2019 10TH INTERNATIONAL WORKSHOP ON THE ANALYSIS OF MULTITEMPORAL REMOTE SENSING IMAGES》 * |
| 杨旭超 等: ""呈贡区近30年植被覆盖度时空变化特征与土地利用驱动"", 《水土保持研究》, vol. 26, no. 4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116912698B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vega et al. | Protocol for automating error removal from yield maps | |
| US10565699B2 (en) | Apparatus and method for detecting anomaly in plant pipe using multiple meta-learning | |
| US20150347673A1 (en) | Wetland modeling and prediction | |
| Tsarouchi et al. | Historical and future land-cover changes in the Upper Ganges basin of India | |
| CN108830828B (zh) | 一种遥感图像变化检测方法及装置 | |
| CN110909306B (zh) | 业务异常检测方法、装置、电子设备和存储设备 | |
| CN113160183A (zh) | 一种高光谱数据处理方法、设备及介质 | |
| CN115424143A (zh) | 水源污染溯源方法、装置、存储介质和计算机设备 | |
| CN110852149B (zh) | 基于分类和回归树算法的植被指数预测方法、系统及设备 | |
| CN114324336A (zh) | 一种大豆全生育期生物量无损测量方法 | |
| CN116912698B (zh) | 土地覆盖变化监测方法、装置、电子设备及存储介质 | |
| CN115082803B (zh) | 基于植被季相变化的耕地撂荒监测方法、装置和存储介质 | |
| CN110852475A (zh) | 基于极端梯度提升算法的植被指数预测方法、系统及设备 | |
| CN112395924A (zh) | 一种遥感监测方法及装置 | |
| CN114062656B (zh) | 一种地质灾害预测方法和系统 | |
| CN116127273B (zh) | 积雪指数获取方法、装置、存储介质和设备 | |
| CN111539361B (zh) | 噪点的识别方法、装置、存储介质、处理器和运载工具 | |
| CN115995289B (zh) | 基于神经网络模型对医学图像的勾画方法和装置 | |
| CN111753949B (zh) | 一种数据块处理方法、装置及电子设备 | |
| CN114722645A (zh) | 影响径流变化的因素贡献率获取方法、系统、介质和设备 | |
| CN114219917B (zh) | 一种激光雷达点云数据的漏洞修复方法 | |
| CN117934855A (zh) | 医学图像分割方法和装置、存储介质及电子设备 | |
| CN117370728A (zh) | 矿区地下水的水位的确定方法、装置和电子设备 | |
| CN118155090A (zh) | 地物信息的确定方法和装置、存储介质及电子设备 | |
| CN118135416A (zh) | 河湖水域变化的遥感时空溯源方法、装置及存储介质 |
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 |