[发明专利]一种基于深度学习的耕地质量自然等级评价方法

权利要求书

1.一种基于深度学习的耕地质量自然等级评价方法，其特征在于，包括：

S1、获取研究区域待评价时段的Landsat遥感影像信息及评价区域历史耕地质量自然等级信息；

S2、根据研究区的历史耕地质量自然等级年份获取对应时段的Landsat遥感影像，并分别计算待评价时段和历史时段的双月均植被归一化指数；

S3、通过卷积层和池化层结构构建适用于耕地质量评价的全卷积神经网络；其中，卷积层的卷积核为N*N，N为大于1的奇数，卷积核个数为M，M为大于1的整数；池化层选用函数为最大值池化或平均值池化，激活函数选择修正线性单元函数：

其中，f(x)为激活函数，x为输入变量，λ为线性整流参数；

S4、依据所建立的深度学习网络，将研究区域历史时段植被归一化指数结果进行切割，并从中随机选取切割结果，构建训练集与验证集，利用训练集，将双月均植被归一化指数作为自变量，耕地质量自然等级作为因变量输入深度学习模型，并对模型进行训练；并通过验证及对模型评价精度进行测试，根据测试结果调整模型参数，直到模型评价精度达到预设要求，得到能够实现耕地质量自然等级评价的深度学习模型；

S5、将评价区域待评价时段的双月均植被归一化指数输入模型，得到相应的耕地质量自然等级结果。

2.根据权利要求1所述的基于KNN的村庄用地复垦规划模拟方法，其特征在于：所述S2包括：

对获取的研究区遥感影像，利用如下公式计算植被归一化指数，

其中，NDVI为计算后得到的植被归一化指数，NIR为遥感影像的近红外波段数据，Red为遥感影像的红光波段数据。

3.根据权利要求1所述的基于KNN的村庄用地复垦规划模拟方法，其特征在于：步骤S3中，卷积层的卷积核大小为3*3，卷积核个数为64个。

4.根据权利要求1所述的基于KNN的村庄用地复垦规划模拟方法，其特征在于：所述步骤S4包括如下步骤：

S41、将研究区域数据随机切割成224*224像素大小图像，每幅图像中包含一层因变量层和6层自变量层；

S42、从获取的图像集中，随机选取90％作为训练集，剩余的10％作为验证集；

S43、利用训练集数据，以因变量作为输入，自然质量等级作为输出对步骤S3建立的模型进行模型训练；并用验证集对训练后的模型精度进行测试，根据测试精度调整模型参数，直至模型精度达到预设要求，完成模型的训练。

5.根据权利要求1所述的基于KNN的村庄用地复垦规划模拟方法，其特征在于：步骤S43中，采用随机梯度下降方法对模型参数进行调整优化；将研究区域的数据随机切割成224*224像素大小图像，每次随机从训练集中选取40％图像作为一批影像输入模型处理，学习率设定为1*10-⁶。

6.根据权利要求1所述的基于KNN的村庄用地复垦规划模拟方法，其特征在于：在本步骤中，构建模型的精度评价函数Loss，

其中，M表示耕地等级数量；y_c标识指示变量，若预测结果与实际情况相同则为1，否则为0；p_c为模型预测对于类别c的预测概率；采用随机梯度下降方法对模型参数进行调整优化，当Loss取最小值时的模型参数为最终参数。