一种基于遥感分析的设施农业用地演变分析方法及装置与流程
本发明涉及设施农业用地监测分析,尤其涉及一种基于遥感分析的设施农业用地演变分析方法及装置。
背景技术:
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
2、随着设施农业发展,温室大棚、连栋温室和农业产业园等设施在空间上呈现集群化、规模化和季节性变化等特征。设施农业用地一方面承担农业生产功能,另一方面又可能涉及耕地占用、规模扩张、用途转变以及规划审批等监管问题。因此,监管对象并非单纯的静态地物类别,而是与时间、空间、土地属性及审批状态关联的演变事件。
3、传统监测方法主要依靠人工外业调查、年度遥感核查或者单时相遥感提取。人工方法具有解释能力,但需要较高的人力投入,并且对于大范围、多时相监测难以持续保持高频更新;单时相遥感方法可以快速获得空间分布,但无法区分稳定设施与新建、拆除等演变状态;年度对比则容易受到农业物候、影像质量、云量和太阳高度角变化等非土地因素影响。
4、在多源遥感方面,光学影像具有丰富的光谱信息,便于区分植被、裸地和设施覆盖材料,但塑料薄膜、玻璃以及部分建筑材料与裸地或干旱植被可能出现光谱混淆;sar影像不依赖太阳照明并具有较强的全天候观测能力,可以提供结构、纹理以及后向散射信息,但其物理含义与光学反射率不同,简单通道拼接难以充分学习二者之间的互补关系。因此,有必要建立针对设施农业场景的跨模态特征融合方式。
5、在变化检测方面,现有方法中相当一部分以二值变化图为主要输出,即判断像元或者图斑是否变化。这种输出无法直接描述变化原因和演变类型。对于设施农业监管而言,“设施扩张”、“设施缩减”、“非农化转用”和“季节性波动”具有不同的监管意义。例如季节性拆建可能是正常农业生产行为,而非农化转用可能涉及明显的合规风险,如果两者都被统一标识为变化,则会造成大量无效告警。
6、在云层及云层投射阴影处理方面,传统方法往往采用二值掩膜,即将疑似云和阴影区域直接剔除。该方式虽然能够在一定程度上减少误检,但同时会丢失边缘、薄云、半影和混合像元中的有效变化证据。对于设施农业用地来说,新建棚体边缘可能恰好位于阴影区域,简单剔除可能导致漏检。因此需要从“是否为阴影”的二值判定转向“阴影扰动置信度”的连续估计,并将该置信度用于演变概率的软抑制。
7、因此,亟需一种融合多源遥感融合分类、云层阴影软门控筛选、时序变化检测、知识图谱合规推理的端到端设施农业用地演变分析方法及系统。
技术实现思路
1、为了解决上述技术问题或者至少部分地解决上述技术问题,针对上述缺点,本发明提供一种基于遥感分析的设施农业用地演变分析方法及装置。
2、第一方面,本发明提供一种基于遥感分析的设施农业用地演变分析方法,包括:
3、获取目标区域多个时相的多源遥感数据,所述多源遥感数据至少包括光学多光谱影像和合成孔径雷达sar影像,并获取与所述多个时相对应的气象数据及农业统计数据;
4、对所述多源遥感数据进行时空预处理并通过多源特征融合分类网络进行多源融合分类,得到多时相设施农业用地分类图;
5、时序变化检测网络对多时相的所述设施农业用地分类图进行时序变化检测,得到变化概率图与变化类型图;所述变化类型图至少包括设施扩张、设施缩减、非农化转用与季节性波动四类演变类型;
6、基于云层先验概率以及由所述云层先验概率根据太阳几何关系映射得到的阴影先验概率,对所述变化概率图进行阴影不确定性评估,利用对象识别子网络与阴影识别子网络在预测重叠区域进行协同约束,得到阴影置信度,并基于所述阴影置信度对所述变化概率图进行软门控和事件筛选,获得非阴影演变事件;
7、将所述非阴影演变事件按照地块进行事件化,并与地块标识、用地类型、行政区划、耕地质量属性以及规划审批状态建立关联,形成演变事件知识图谱;基于所述演变事件知识图谱中的空间关系、时序关系和属性关系和规则进行合规推理,获得合规事件、疑似违规事件和违规事件。
8、更进一步地,对所述多源遥感数据进行时空预处理包括:
9、对双极化合成孔径雷达sar影像进行几何精校正和lee滤波,所述几何精校正以配准控制点为基准,校正后的均方根误差小于设定像素;对12波段多光谱影像进行大气校正与云阴影掩膜;对全色影像与3波段多光谱影像进行gram-schmidt影像融合,得到全色-多光谱融合影像;将12波段多光谱影像、全色-多光谱融合影像与双极化合成孔径雷达sar影像重采样至设定尺寸空间分辨率与设定时长的时间分辨率的在时间维堆叠的多源时空特征立方体张量。
10、更进一步地,所述多源特征融合分类网络包括光学编码器、sar编码器、跨模态注意力融合模块与金字塔解码器;
11、所述多源特征融合包括分别利用光学编码器和sar编码器提取光学特征图和sar特征图,所述跨模态注意力融合模块以所述光学特征图作为查询、所述sar特征图作为键和值进行跨模态注意力计算,并根据可学习融合权重对光学特征图和跨模态注意力特征进行加权融合;融合特征图再经点卷积升维后送入金字塔解码器,所述金字塔解码器对融合后的特征图进行多尺度上采样解码,输出所述设施农业用地分类图;
12、其中,所述光学编码器输入12波段多光谱影像与全色-多光谱融合影像的多光谱特征,所述光学编码器由若干卷积块级联组成,每个卷积块包含两组卷积、批归一化bn和relu激活以及一个降采样最大池化层,最终输出光学特征图;
13、所述sar编码器输入双极化合成孔径雷达sar影像的vv极化与vh极化与两者比值特征,sar编码器由若干卷积块级联组成,卷积块的结构与光学编码器的卷积块相同,输出通道数依次倍增,输出经双线性插值重采样得到sar特征图;
14、所述金字塔解码器由若干解码级组成;每个解码级将上一级特征双线性上采样2倍,与光学编码器同尺度层级的特征经跳跃连接拼接后,再经卷积、批归一化和relu融合;最末级经点卷积与softmax输出各类的设施农业用地分类图。
15、更进一步地,根据可学习融合权重对光学特征图和跨模态注意力特征进行加权融合包括:通过sigmoid层将所述光学特征图的全局平均池化输出映射至区间[0,1]得到融合权重;光学特征图经点卷积降维得到;利用可学习的融合权重加权光学特征图的降维特征图与一减去可学习的融合权重加权跨模态注意力特征的和作为融合特征图,表示为:,式中,为融合特征图,为跨模态注意力特征。
16、更进一步地,所述时序变化检测网络包括双时相三维对齐单元、时序注意力单元、空间注意力单元、季节性自适应模块与变化类型解码头;
17、所述双时相三维对齐单元对不同时相的所述设施农业用地分类图进行空间对齐、时间对齐与语义对齐;
18、所述时序注意力单元对三维对齐后的分类图序列中的时相特征进行时序注意力聚合,通过空间注意力单元提取变化区域的空间上下文,并通过变化类型解码头同时输出变化概率图和变化类型图;
19、所述季节性自适应模块内部预存作物日历知识库,所述作物日历知识库以作物类型,日期为索引,存储作物的物候期基线特征,所述季节性自适应模块根据像素所属地类对应的作物类型与影像日期查询基线特征,并在触发执行偏差校正时,对所述空间注意力单元的输出进行校正,借助对应物候期的基线特征将作物物候变化分量从所述时序特征中解耦,经校正后的残差特征作为所述变化类型解码头判别真实演变事件与季节性波动的判别依据。
20、所述季节性自适应模块的输出作为具有两个分支的所述变化类型解码头的输入;变化概率分支由卷积、点卷积和sigmoid函数组成,输出变化概率图;变化类型分支由卷积、点卷积和softmax层组成,输出变化类型图。
21、更进一步地,所述双时相三维对齐单元对不同时相的所述设施农业用地分类图进行空间对齐、时间对齐与语义对齐包括:所述空间对齐采用仿射配准算法将不同时相的所述设施农业用地分类图配准到同一地理坐标系;所述时间相位对齐以目标作物生长周期或预设作物日历为基准,将不同获取日期映射至统一物候相位;当两个时相的物候相位差超过预设阈值时,对相应时序特征启动季节性偏差校正;所述语义对齐对相同地类在不同时相的时序特征进行一致性建模,使得同一地类在不同时相的特征分布偏差小于预设阈值。
22、更进一步地,云层阴影先验建模包括:针对像元对应的可见光、近红外和短波红外反射率之间的差异计算云层概率得分,并结合云量、降水量和风速中的至少一种气象数据对所述云层概率得分进行修正,得到云层先验概率图;其中,气象修正前的云层先验概率图每个像元的云层概率得分:
23、;
24、式中,为sigmoid函数,与为可学习权重和偏置参数,、与分别为像元(x,y)处可见光、近红外与短波红外波段的反射率;
25、基于所述云层先验概率图,按太阳高度、方位角计算阴影偏移量,并考虑太阳高度角与地形遮蔽,得到阴影概率分布:
26、;
27、式中,与为根据太阳高度和方位角计算的阴影偏移量,为太阳高度角,为地形遮蔽指示函数;
28、所述阴影概率分布作为所述阴影不确定性控制门训练阶段的先验标注辅助输入,并在所述阴影不确定性控制门收敛后作为门控先验输入。
29、更进一步地,所述阴影不确定性控制门的构建通过对象识别子网络与阴影识别子网络对抗性协同训练构建,过程包括:
30、构建对象识别子网络与阴影识别子网络,组成双识别器架构;
31、在训练阶段检测两子识别网络预测结果的预测重叠区域,若所述对象识别子网络在阴影区域的演变目标响应高于预设阈值,则触发相互检测机制,仅在预测重叠区域计算交叉一致性损失,用于约束预测重叠区域内的对象响应与阴影响应形成互补关系;其中,所述预测重叠区域为所述对象识别子网络输出的演变目标响应与所述阴影识别子网络输出的阴影区域共同覆盖的像元集合;
32、对象识别子网络的对象识别损失、阴影识别子网络的阴影识别损失和触发形成的所述交叉一致性损失共同构成训练总损失:
33、,
34、式中,为对象识别损失,为阴影识别损失,为交叉一致性损失,与为预设的损失权重;
35、所述阴影识别子网络训练收敛后蜕变为阴影不确定性控制门,输出阴影置信度分数。
36、更进一步地,合规推理包括:将时序变化检测网络输出的变化概率图p与阴影不确定性控制门输出的阴影置信度分数进行像素级融合,得到阴影加权变化概率图:
37、;
38、式中,为阴影加权变化概率图,为变化概率图,为阴影置信度分数;
39、保留加权后变化概率高于筛选阈值的像元作为非阴影演变事件;
40、经过非阴影演变事件筛选后,将筛选出的连续的变化像元聚合为变化图斑,并按照地块边界、空间邻接和变化类型进行事件化,构建演变事件知识图谱,演变事件知识图谱中的节点至少包括地块、用地类型、行政区划、耕地质量等级、演变事件和规划审批状态;边包括空间邻接、同一地块的时序父子、事件因果以及规划审批关联;
41、基于所述演变事件知识图谱合规推理时的推理规则链包括:规则一,设施扩张事件对应的节点中,占用耕地的耕地质量等级设定等级阈值时,判定为违规占用;规则二,设施扩张事件对应的扩张速度大于历史同月均值的设定倍数时,触发疑似违规预警;规则三,连续设定年份同向演变的事件节点构成同向演变链,确认为非偶发性事件;规则四,非农化转用事件对应的节点同时具备无规划审批记录的边属性时,判定为违法占地;
42、判定结果携带判定依据链,所述判定依据链记录命中的规则标识以及触发规则的节点属性与边属性。
43、第二方面,本发明提供一种基于遥感分析的设施农业用地演变分析装置,包括:至少一处理单元,所述处理单元通过总线单元连接存储单元,所述存储单元用于计算机可执行程序,所述处理单元通过运行存储在存储单元中计算机可执行程序,从而实现所述一种基于遥感分析的设施农业用地演变分析方法。
44、本发明实施例提供的上述技术方案与现有技术相比具有如下优点:
45、本发明通过云层阴影先验建模与对抗性协同训练构建阴影不确定性控制门,以软置信度门控替代现有技术的二值掩膜丢弃:云层先验概率图按太阳方位角与太阳高度角几何投影得到阴影概率分布,作为阴影识别子网络训练阶段的先验标注辅助输入;对象识别子网络与阴影识别子网络通过仅在重叠区域计算的交叉一致性损失协同训练,训练收敛后蜕变为阴影不确定性控制门,输出阴影置信度分数,并对变化概率图加权、按筛选阈值筛选非阴影演变事件,在保留薄云、半影区域弱演变信息的同时避免将云层阴影误识别为演变对象,降低阴影相关误检率。
46、本发明通过多源特征融合分类网络的跨模态注意力融合模块将光学特征与sar特征自适应融合,融合权重由sigmoid层对光学特征图的全局平均池化输出端到端学习得到,在云雨频繁时段自动提升sar分支权重、在光照良好时段自动提升光学分支权重,克服薄膜温室与裸地、植被光谱混淆以及光学影像云雨遮挡的双重问题,提升设施农业用地分类总体精度。
47、本发明通过时序变化检测网络的双时相三维对齐单元对空间、时间与语义进行联合对齐,结合时序注意力单元与空间注意力单元输出变化概率图与变化类型图,并通过季节性自适应模块的季节性偏差校正将作物物候分量从时序特征中解耦,使校正残差成为判别真实演变与季节性波动的依据,降低季节性变化检测的误检率,提升演变分割精度和演变类型分类准确率。
48、本发明通过演变事件知识图谱将地块标识、用地类型、所属行政区划、耕地质量等级与演变事件类型构建为知识图谱节点,以空间邻接、时序父子与因果关系为边,经transe或rotate算法学习嵌入后按规则链执行合规推理,自动输出携带判定依据链的合规判定结果,替代人工事后对照审批记录核查,提升违法占地预警准确率和召回率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com