基于yolov8改进的土地用途流转遥感影像监测方法与流程

本发明涉及土地遥感监测，特别是一种基于yolov8改进的土地用途流转遥感影像监测方法。

背景技术：

1、土地资源是国家自然资源管理中的重点领域之一，土地用途的规划是国家自然资源空间规划的重要内容之一，城市建设、社会经济活动必须遵守的约束性依据，在城市发展、社会和经济活动中，要准确掌握土地用途的变化和不同用途之间的转变历史，进而发掘土地用途变化与经济发展的关系和规律，现有技术主要依赖人工解译和传统图像处理技术进行土地用途监测，存在效率低、精度不足、无法实时更新等问题，也是政府决策时面临的难题，如何通过卫星遥感监测的手段来解决这个难题极为迫切。因此，研究一种基于yolov8改进的土地用途流转遥感影像监测方法在土地遥感监测技术领域具有重要的实际应用价值。

技术实现思路

1、为解决现有技术中存在的问题，本发明的目的是提供一种基于yolov8改进的土地用途流转遥感影像监测方法，本发明通过自动标注和生命周期遗传链机制，实现了对土地用途变化的快速准确监测。

2、为实现上述目的，本发明采用的技术方案是：一种基于yolov8改进的土地用途流转遥感影像监测方法，包括以下步骤：

3、步骤1、基础准备：加载yolov8的基于公开数据集预训练好的模型库，做为基础模型；获取需要监测区域的历史的土地利用现状矢量数据及对应年度的遥感影像数据，并对土地利用现状数据和遥感影像数据进行时空基准处理，统一到相同的时相和空间坐标系；

4、t＝{t1，t1，…，tn}

5、(xi，yi)＝ti·(xi，yi)

6、其中，t是不同时相数据集的空间基准变换矩阵集合，ti空间基准变换矩阵，(xi，yi)是原始坐标，(xi，yi)是转换后的坐标；

7、步骤2、土地用途数据集：利用预训练的基础模型对每个时相的遥感影像数据进行分割，提取出分割对象的空间参数形成分割对象数据集；

8、步骤3、土地用途模型训练：按一定策略把构建的土地用途数据集分成训练集和测试集，以所述基础模型为基础进行迭代训练、超参调优、评估精度直到精度达到要求后输出新的模型；

9、步骤4、土地用途遥感监测与流转跟踪，以训练的新的模型对需土地用途跟踪的多个时相的卫星遥感影像进行土地图斑分割、用途识别、属性提取，基于统一空间基准下，利用空间叠加分析两个时相下图斑的属性变化并建立生命周期遗传链。

10、作为本发明的进一步改进，所述步骤2具体包括以下步骤：

11、步骤2.1、土地图斑分割：使用基础模型进行图像分割，得到土地用途的候选区域：

12、b＝m(i，θ)

13、其中m是分割模型，i是输入的卫星影像，θ是模型参数，b是分割出的候选区域；

14、步骤2.2、数据集自动标注：将分割出的区域与土地利用现状数据与同时相的土地利用现状数据进行空间几何配准：

15、

16、其中x，y是原始坐标，x′，y′是配准后的坐标，aij是配准矩阵的元素；

17、对匹配成功的土地利用现状图斑提取其土地用途属性，自动标注到分割对象数据集，形成土地用途的自定义数据集：

18、l＝f(b，g)

19、其中，l是标注后的数据集，g是土地利用现状数据。

20、作为本发明的进一步改进，所述步骤3具体包括以下步骤：

21、步骤3.1、特征提取：f是卷积层的输出特征映射，包含了图像的特征信息：

22、f＝cnn(i)

23、其中f是卷积层的输出特征映射，i是输入的遥感影像；

24、步骤3.2、边界框预测：对于每个特征映射单元格c，预测box个边界框，每个边界框由(x，y，w，h)表示，分别是边界框的中心坐标、宽度和高度：

25、b＝{(x1，y1，w1，h1)，(x2，y2，w2，h2)，…，(xn，yn，wn，hn)}

26、bi＝(xi，yi，wi，hi)

27、其中，b是预测的所有边界框集合，(x，y，w，h)是边界框中心坐标，宽度和高度。

28、步骤3.3、置信度预测：对于每个边界框，预测其包含目标的置信度c：

29、c＝{c1，c2，...，cn}

30、其中，c是置信度集合，ci表示第i个边界框中含有目标的置信度；

31、步骤3.4、类别预测：对于每个边界框，预测它属于c个类别中的每一个的概率：

32、pc＝σ(p)

33、其中，pc是边界框属于类别c的概率；

34、步骤3.5、损失函数：定义损失函数以训练模型，包括边界框位置、置信度和类别预测的损失：

35、

36、其中，lloss是损失函数，n是训练样本数量，l是单个样本的损失，f是模型，xi是输入，yi是真实标签；

37、步骤3.6、参数优化：使用梯度下降等方法优化模型参数：

38、

39、其中，θnew是新参数，θold是旧参数，α是学习率，是损失函数的梯度。

40、作为本发明的进一步改进，所述步骤4具体包括以下步骤：

41、步骤4.1、用途识别：使用训练的新的模型对新影像进行用途识别和属性提取：

42、c＝m(i，θtrain)

43、其中，c是识别结果，i是新影像，θtrain是训练好的模型参数；

44、步骤4.2、流转跟踪：分析不同时间点的土地用途变化：

45、f＝ttr(c1，c1，…，cn)

46、其中，f是流转跟踪结果，ttr是空间属性遗传模型，(c1，c1，...，cn)是不同时间点的识别结果。

47、作为本发明的进一步改进，还包括以下步骤：

48、步骤5、监测结果输出，遍历不同时相下的土地图班用途遗传链，输出土地用途图斑矢量数据、土地用途流转台账和土地用途流转统计表：

49、report＝g(c，t)

50、其中report是监测报告，c是监测结果，t是报告模板。

51、本发明的有益效果是：

52、1、本发明利用不同时相卫星影像实现土地用途变化的图斑提取和用途流转的跟踪，通过利用已有土地利用现状和同期卫星影像建立自动标注数据集，解决机器学习在具体业务应用领域中样本数据集建立困难导致通用模型在具体业务中精度不高，难以达到业务要求的问题，在影像分割、对象提取和用途识别的同时引入图斑生命周期土地用途遗传链机制，实现一次影像处理完成影像空间属性与业务属性多层逻辑处理，具有快速高效、节省计算资源和时间的优点，在土地遥感监测技术领域具有极高的应用价值。

53、2、本发明利用深度学习技术，提高了土地用途监测的精度和效率，同时降低了计算资源的消耗。通过自动标注和生命周期遗传链机制，实现了对土地用途变化的快速准确监测。

技术特征：

1.一种基于yolov8改进的土地用途流转遥感影像监测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于yolov8改进的土地用途流转遥感影像监测方法，其特征在于，所述步骤2具体包括以下步骤：

3.根据权利要求2所述的基于yolov8改进的土地用途流转遥感影像监测方法，其特征在于，所述步骤3具体包括以下步骤：

4.根据权利要求3所述的基于yolov8改进的土地用途流转遥感影像监测方法，其特征在于，所述步骤4具体包括以下步骤：

5.根据权利要求1-4任一项所述的基于yolov8改进的土地用途流转遥感影像监测方法，其特征在于，还包括以下步骤：

技术总结本发明公开了一种基于yolov8改进的土地用途流转遥感影像监测方法包括：加载yolov8的基于公开数据集预训练好的模型库，做为基础模型；获取需要监测区域的历史的土地利用现状矢量数据及对应年度的遥感影像数据；利用预训练的基础模型对每个时相的遥感影像数据进行分割，提取出分割对象的空间参数形成分割对象数据集；把土地用途数据集分成训练集和测试集，以所述基础模型为基础进行迭代训练、超参调优、评估精度直到精度达到要求后输出新的模型；以模型对需土地用途跟踪的多个时相的卫星遥感影像进行土地图斑分割、用途识别、属性提取，利用空间叠加分析两个时相下图斑的属性变化并建立生命周期遗传链；本发明实现了对土地用途变化的快速准确监测。技术研发人员：周志学,申柏希,郭凌云,张剑锋受保护的技术使用者：广东正图信息科技有限公司技术研发日：技术公布日：2024/9/2