基于遥感解译实现耕地种植用途管控的方法与流程

本技术涉及地理信息，尤其涉及一种基于遥感解译实现耕地种植用途管控的方法。

背景技术：

1、遥感解译是利用遥感技术获取的遥感影像数据进行处理、分析、分类和识别的过程。这些遥感影像数据可以通过高空卫星或低空无人机获得，包括多光谱或高光谱影像数据。如今，国内外高质量的遥感数据越来越丰富，历史数据也非常完整。在农作物光谱识别方面，基于神经网络的深度学习技术已经具备相当高的准确度。因此，建立农作物识别模型库可以大大减少低空遥感数据的采集作业，避免数据的重复采集。

2、在大数据时代，地理信息的多维数据可视化、矢量数据查询和图层空间分析等技术也得到广泛应用。而三调耕地、承包地和二区划定等基础数据也非常完善。

3、在以上政策、技术、数据的推动下，可以逐步完善高标准农田的档案信息、农田建设和全程数字化动态监测，实现耕地“非农化”、“非粮化”精准监管。这将切实提高耕地种植用途管控的精度和效率，加快建立全国耕地时空大数据的进程。

4、然而，遥感影像的空间分辨率与识别的准确程度正相关，但是高分辨率的遥感影像数据的成本相当高，遥感影像数据的分辨率不足又会导致识别的准确程度不佳。存在图像标注难、算力要求高、光谱模型识别准确度低以及管控系统难以管理和维护等问题。

技术实现思路

1、为了解决背景技术中的其中至少一个技术问题，本技术实施例提供一种基于遥感解译实现耕地种植用途管控的方法，包括如下步骤：

2、1)数据采集：采集目标区域的光谱影像数据以及目标区域内所出现的场景类型、地物类型的样本数据；

3、2)影像预处理：对采集的光谱影像数据进行辐射矫正、几何矫正、大气矫正、影像裁剪和影像掩膜处理；

4、通过辐射矫正将光谱影像数据中的数字值转换为反射率或辐射亮度值，以消除不同时间、不同地点的大气扰动的影响；

5、通过几何校正对光谱影像数据进行几何变换，消除因影像获取、传输和处理等过程中产生的几何畸变和误差；

6、通过大气校正会将光谱影像数据中受大气吸收和散射影响的辐射值转换为地表反射率或辐射亮度值；

7、通过影像剪裁将光谱影像数据中不需要的部分进行裁剪，以减小数据量和提高处理效率；

8、通过像掩膜将光谱影像数据中水体、建筑物等非农作物区域排除掉，以减少噪声干扰和提高分类精度；

9、3)影像标注：对光谱影像数据和样本数据进行特征提取，生成数据集和标签集；

10、4)模型训练：基于数据集和标签集通过卷积神经网络进行训练，生成具有分类识别能力的光谱识别模型。

11、5)专题图制作：通过光谱识别模型对目标区域进行作物识别，得到包含识别结果的作物分布图，利用二值化去除作物分布图的噪声，再将栅格数据转换为矢量数据，最终按每种农作物，各自单独输出一个专题图层文件；

12、6)数据融合：将专题图与已有的包括承包地、三调耕地和二区划定在内的矢量数据进行数据融合，形成识别精度更高的专题图；

13、7)生成管控一张图：通过多图层融合，以地块为单元，地图方式显示农作物的种类、种植面积、种植制度、分布区域和归属关系，通过实地核实核查，可以动态更新数据，历史数据可以按时间序列进行查询、对比、分析。

14、在本技术的其中一个实施例中，所述基于遥感解译实现耕地种植用途管控的方法，所述光谱影像数据包括高光谱影像数据、多光谱影像数据，所述光谱影像数据采用空间分辨率为10m的影像。

15、在本技术的其中一个实施例中，所述基于遥感解译实现耕地种植用途管控的方法，所述样本数据包括历史样本数据和实时数据；

16、所述历史样本数据采用空间分辨率为1m的影像，所述实时数据采用无人机定点拍摄采集的光谱影像或真彩色正射影像。

17、在本技术的其中一个实施例中，所述基于遥感解译实现耕地种植用途管控的方法，所述样本数据要估算的数量通过如果公式计算：

18、

19、其中，m为要估算的样本数量，n代表总体数量，e表示误差水平，σ表示标准差。

20、在本技术的其中一个实施例中，所述基于遥感解译实现耕地种植用途管控的方法，所述通过影像剪裁将光谱影像数据中不需要的部分进行裁剪，以减小数据量和提高处理效率包括：

21、通过手动选择区域，利用gis软件将影像中不需要的部分进行裁剪，以减小数据量和提高处理效率；

22、编写程序，将影像分割成多个大小相同的区域，以匹配机器算力与处理时长，避免整体失败重算，节约计算资源。

23、在本技术的其中一个实施例中，所述基于遥感解译实现耕地种植用途管控的方法，所述影像标注：对光谱影像数据和样本数据进行特征提取，生成数据集和标签集包括：

24、在标注软件中打开光谱影像数据，把其中三个通道关联为r、g、b通道，以方便看清地物地貌；

25、选择并创建标注区域，选择包含多个地形，且地形复杂的区域，每个标注范围内尽量包含所有要分类的农作物；

26、在标注区域内，对照样本数据，用点、线、面工具绘出每一种农作物种植范围的形状，并用不同的数字标识其分类；

27、合并类别相同的对象，最终每一个类别只有一个对象，方便后续处理；

28、对光谱影像数据进行裁剪，使其和标注后的图统一为同样的大小，裁剪完成之后，生成两个影像文件，分别用于后续模型训练时的数据集和标签集。

29、在本技术的其中一个实施例中，所述基于遥感解译实现耕地种植用途管控的方法，所述模型训练：基于数据集和标签集通过卷积神经网络进行训练，生成具有分类识别能力的光谱识别模型包括：

30、边缘补丁：给图像中边缘的像素点打补丁，提高图像的分辨率和质量，将图像中的噪声和干扰信号去除或减少，进而提高图像的清晰度和可识别性；

31、图块处理：将光谱影像数据中包含多个波段的每个像素点转换为一个15*15*15的图像块，可以更好地捕捉图像中的空间信息，同时保留了光谱信息，提高了图像分类的准确性，避免了计算量过大或内存使用过高。

32、在本技术的其中一个实施例中，所述基于遥感解译实现耕地种植用途管控的方法，所述数据融合：将专题图与已有的包括承包地、三调耕地和二区划定在内的矢量数据进行数据融合，形成识别精度更高的专题图包括：

33、以基础的承包地矢量库为基础，解析出每个承包地块的空间信息、权属关系、流转信息，大致判断该承包地块的种植情况；

34、以承包地块为基本对象，查询三调耕地矢量库，确定承包地块的分布、空间坐标、面积、土地利用、历史用途变化情况，一步确认承包地块的历史种植状况；

35、以二区划定矢量库为基础，确定该承包地块是粮食生产功能区，还是农产品保护区，可判断承包地块的种植用途；

36、结合专题图的农作物种植现状，以承包地块为对象，最终确认承包地块的农作物；

37、将综合分析后结果重新保存为专题图，与便与样本数据进行比对。

38、本技术的实施能够有效解决传统耕地种植用途管控方法存在的问题，实现精准化、自动化的管控。具体技术效果包括：

39、1.解决了10m空间分辨率情况下可以达到最优的识别结果，提高了遥感数据的利用率，获得了随时调用历史数据的便利性，同时显著的降低了数据的使用成本。

40、2.提出了一种可行的方案来解决图像标注的问题，有效地解决了数据标注的准确性、历史数据中耕地上季节性农作物的种植情况核查等问题。

41、3.利用有限的设备资源解决大数据量分析与识别的问题，提高了算法的学习能力和识别准度，保障农田管理和决策的准确性和可靠性。

42、4.通过地理信息系统技术与系统集成，分析和呈现农作物种植结构，结合耕地类型和区域信息，生成耕地种植用途管控“一张图”。提供可视化的地理信息展示与查询功能，提高了管理者分析和决策的效率。