[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

说明书

本发明提供了一种基于深度学习的耕地质量自然等级评价方法，步骤包括：获取待评价区域的遥感影像信息；计算待评价区域的植被归一化指数；通过卷积层、池化层等级构建深度学习模型；根据模型特征将待研究区域植被归一化指数切割为固定大小并建立训练集和验证集；通过已知的耕地质量自然等级数据和训练集对深度学习模型进行训练；以待评价区域的植被归一化指数输入训练完成的模型，得到评价区域的自然质量等级结果。本发明可为耕地自然质量评价提供科学依据，客观、准确地对耕地自然质量进行评价。

技术领域

本发明涉及土地利用规划领域，具体涉及一种基于深度学习的耕地质量自然等级评价方法。

背景技术

耕地是粮食生产的基础，是珍贵的生产资料，是农业可持续发展与国家粮食安全的重要保障。目前，国家自然资源部门对耕地的管理正在从仅管理数量逐步转变为兼顾数量、质量和生态环境效应三位一体的综合化管理。相关部门及科研工作者开展了大量的土地资源调查工作，积累了众多耕地质量数据。如何有效利用此海量数据，从而对耕地质量变化进行精细化评价，成为亟待解决的问题。传统耕地质量自然等级评价方法常采用指标加权法，存在计算量大，速度慢，准确性不够高等问题。

发明内容

针对现有方法中的问题，本发明提供一种基于深度学习的耕地质量评价方法。

本发明提供的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。

本发明有益效果如下：本发明提供的基于深度学习的耕地自然质量评价方法，可以快速、准确地对耕地质量自然等进行评价，并不受评价范围的限制。通过历史评价数据对模型进行训练，避免了预先设定评价参数，能够有效避免人为参数无法有效体现特征的问题。减少了大量外业工作，可以更快速地获取耕地自然质量等的情况。

附图说明

为了更清楚地说明本发明实例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍，显而易见的，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明基于深度学习的耕地自然质量等级评价方法的流程图。

具体实施方式