[发明专利]一种基于多尺度遥感影像的耕地变化检测方法及装置

说明书

本申请提供了一种基于多尺度遥感影像的耕地变化检测方法及装置，应用于测绘遥感领域，包括：获取待测耕地遥感影像，所述遥感影像不限于中高分辨率影像和高分辨率影像；对所述待测耕地遥感影像进行预处理，得到处理影像，并根据目视解译法对所述处理影像进行解译并标记，得到影像样本，通过卷积神经网络对所述影像样本进行训练，得到耕地监测模型，将所述处理影像输入所述耕地监测模型，并进行后处理，得到耕地矢量；根据叠加分析方法对所述耕地矢量进行分析计算，得到耕地变化矢量范围。本申请通过采用中高分辨率遥感影像和高分辨率遥感影像，结合二者优点，提高了检测结果的准确度，也使得检测结果更加全面，代表性更高。

技术领域

本发明涉及测绘遥感领域，尤其涉及一种基于多尺度遥感影像的耕地变化检测方法及装置。

背景技术

耕地是民生之本，保护并合理利用耕地资源具有重要的意义。随着某些地区经济建设的飞跃发展，占用耕地的现象屡禁不止，而若仅仅靠人工去定期核查大范围区域，则费时、费力、效率低，难以获得实时耕地信息。因此，需要利用现代的技术实现耕地的数量质量实时监测监管。

近年来随着遥感技术的发展，遥感数据具备一定现势性，在耕地监测中有广泛的应用，传统高分辨率耕地变化监测方法，一种是通过人工目视判别方式，手动勾绘变化区域，另一种是应用机器学习、深度学习等模型提取变化范围，以三调数据中的耕地作为掩模，提取耕地变化监测范围，人工目视解译需要耗费大量时间，人力成本较高，很难满足批量业务化需求，而另一种方式中的三调数据，获取较为困难，也存在一定的保密性，所以导致检测结果获得的难易程度较高。

《遥感耕地提取》一文中，基于野外调查数据、谷歌地球影像和GF1-WFV影像，通过目视解译确定耕地解译标志，构建NDVI时间序列模型，采用监督分类SVM和专家决策树相结合，完成耕地提取。

在现有技术中，通常采用高分辨率的遥感影像作为基础，进行耕地变化的检测，同时耕地情况复杂，需要采用多时相方式进行耕地提取，但是高分辨率的遥感影像在时间上效率不高，例如高分2号2019年影像只能全覆盖南京一次，因此不具备提取耕地条件，导致基于该影像进行特征提取或是采取样本训练模型，都存在着一定的误差，从而影响检测结果的准确性。

发明内容

本申请提供了一种基于多尺度遥感影像的耕地变化检测方法及装置，旨在解决上述现有技术中存在的人工操作的误差，数据获取困难以及获取的遥感影像不够具有全面性，代表性，不具备耕地提取条件的问题。

为了实现上述目的，本申请采用以下技术方案：

获取待测耕地遥感影像，所述遥感影像不限于中高分辨率影像和高分辨率影像；

对所述待测耕地遥感影像进行预处理，得到处理影像，并根据目视解译法对所述处理影像进行解译并标记，得到影像样本，通过卷积神经网络对所述影像样本进行训练，得到耕地监测模型，将所述处理影像输入所述耕地监测模型，并进行后处理，得到耕地矢量；

根据叠加分析方法对所述耕地矢量进行分析计算，得到耕地变化矢量范围。

作为优选，所述对所述待测耕地遥感影像进行预处理，得到处理影像，并根据目视解译法对所述处理影像进行解译并标记，得到影像样本，通过卷积神经网络对所述影像样本进行训练，得到耕地监测模型，将所述处理影像输入所述耕地监测模型，并进行后处理，得到耕地矢量，包括：

对所述中高分辨率影像进行解压、正射校正、裁剪、拼接，并按照不同时序进行叠加，得到第一影像，根据所述目视解译法对所述第一影像进行标志和特征解译，并标记得到第一样本，根据所述卷积神经网络对所述第一样本进行训练，得到耕地分类提取模型，将所述第一影像输入所述耕地分类提取模型，得到第一预测影像，对所述第一预测影像进行栅格转矢量、去除碎斑点、平滑边缘操作，得到耕地范围矢量；