地类变化判读方法、装置、设备、介质及产品与流程

本技术涉及地类检测，特别是涉及一种地类变化判读方法、装置、设备、介质及产品。

背景技术：

1、

2、当前基于遥感影像的地类信息提取技术主要分为三类：传统目视解译与人机交互修正方法，该方法虽精度可控，但存在劳动强度大、作业效率低、主观因素影响大、更新周期长的问题，无法满足大区域常态化监测的时效性需求；基于传统机器学习的像素级/对象级分类方法，如随机森林、支持向量机、面向对象分割等，此类方法依赖人工设计的光谱、纹理特征，对复杂地形、破碎地块的适配性差，易出现“椒盐噪声”，且难以区分同谱异物、同物异谱的地类，提取的图斑边界与真实地物吻合度低；基于深度学习的语义分割方法，此类方法虽实现了端到端的特征学习，但现有方案多采用单一模型对全区域所有地类进行统一分割，忽略了不同地类在遥感影像上的视觉特征、边界强弱差异，导致强边界地类与弱边界地类的提取精度严重不均衡，同时未结合路网、地形等地理先验信息进行区域解构，大区域处理时计算效率低，无法适配我国西南多云多雨、地形破碎区域的精细化提取需求。

3、综上所述，现有地类提取技术分别存在人工成本高、特征泛化能力差、单模型全域分割精度失衡且大区域运算效率低下的缺陷。

技术实现思路

1、本技术的目的是提供一种地类变化判读方法、装置、设备、介质及产品，可以解决现有地类提取技术分别存在人工成本高、特征泛化能力差、单模型全域分割精度失衡且大区域运算效率低的技术问题。

2、为实现上述目的，本技术提供了如下方案：

3、第一方面，本技术提供了一种地类变化判读方法，包括：

4、获取目标区域的遥感影像数据、孔径雷达影像数据、耕地保护红线矢量数据、基准期国土空间地类矢量数据、路网矢量数据、水网矢量数据、国土空间规划矢量数据和地形高程数据；

5、根据耕地保护红线矢量数据、路网矢量数据、水网矢量数据、地形高程数据，对遥感影像数据进行影像分割，得到多个地类影像图块；

6、利用预构建的耕地边缘增强级联深度神经网络模型，对多个地类影像图块进行分类图斑提取，得到多个地类矢量图斑；

7、根据多个地类矢量图斑、遥感影像数据、基准期国土空间地类矢量数据、国土空间规划矢量数据、地形高程数据和预设耕地保护红线管控规则，确定地类变化判读结果。

8、可选地，遥感影像数据包括多时相辅助遥感影像数据和融合遥感影像数据，其中，融合遥感影像的获取包括：获取全色遥感影像和多光谱遥感影像；采用预设融合算法，将全色遥感影像和多光谱遥感影像进行融合，得到多光谱融合影像；构建一元二次校正模型对多光谱融合影像的像元亮度值进行饱和校正，得到校正后遥感影像。

9、可选地，根据耕地保护红线矢量数据、路网矢量数据、水网矢量数据、地形高程数据，对遥感影像数据进行影像分割，得到多个地类影像图块，具体包括：根据耕地保护红线矢量数据，对遥感影像数据进行裁剪，确定待分割影像数据；根据路网矢量数据、水网矢量数据、地形高程数据，对待分割影像数据进行影像分割，得到初始分割结果，其中，初始分割结果中包括多种地类对应的多类地块；针对多类地块中的每一类地块，通过预设分割算法，确定出多类地块中的每一类地块的地类边界；根据地类边界，确定多个地类影像图块。

10、可选地，利用预构建的耕地边缘增强级联深度神经网络模型，对多个地类影像图块进行分类图斑提取，得到多个地类矢量图斑，具体包括：利用耕地边缘增强级联深度神经网络模型中的语义分割模块，提取多个地类影像图块的语义特征并根据语义特征确定初始栅格划分结果；利用耕地边缘增强级联深度神经网络模型中的边缘检测模块，提取多个地类影像图块的边界特征并根据边界特征确定地类栅格划分结果；将地类栅格划分结果转化为矢量图斑并赋予地类类别属性，得到多个地类矢量图斑。

11、可选地，根据多个地类矢量图斑、遥感影像数据、基准期国土空间地类矢量数据、国土空间规划矢量数据、地形高程数据和预设耕地保护红线管控规则，确定地类变化判读结果，具体包括：将多个地类矢量图斑与基准期国土空间地类矢量数据进行空间叠加分析，得到叠加矢量数据；根据叠加矢量数据和预设耕地保护红线管控规则，确定地类变化初判结果；根据遥感影像数据、国土空间规划矢量数据、地形高程数据和预设耕地保护红线管控规则，对地类变化初判结果进行校验，确定地类变化判读结果。

12、可选地，根据遥感影像数据、国土空间规划矢量数据、地形高程数据和预设耕地保护红线管控规则，对地类变化初判结果进行校验，确定地类变化判读结果，具体包括：根据预设耕地保护红线管控规则，构建多维度伪变化剔除模型；将遥感影像数据、国土空间规划矢量数据、地形高程数据和地类变化初判结果输入至多维度伪变化剔除模型，剔除伪变化图斑，输出地类变化判读结果。

13、第二方面，本技术提供了一种地类变化判读装置，包括：

14、获取模块，用于获取目标区域的遥感影像数据、孔径雷达影像数据、耕地保护红线矢量数据、基准期国土空间地类矢量数据、路网矢量数据、水网矢量数据、国土空间规划矢量数据和地形高程数据；分割模块，用于根据耕地保护红线矢量数据、路网矢量数据、水网矢量数据、地形高程数据，对遥感影像数据进行影像分割，得到多个地类影像图块；提取模块，用于利用预构建的耕地边缘增强级联深度神经网络模型，对多个地类影像图块进行分类图斑提取，得到多个地类矢量图斑；确定模块，用于根据多个地类矢量图斑、遥感影像数据、基准期国土空间地类矢量数据、国土空间规划矢量数据、地形高程数据和预设耕地保护红线管控规则，确定地类变化判读结果。

15、第三方面，本技术提供了一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的地类变化判读方法的步骤。

16、第四方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的地类变化判读方法的步骤。

17、第五方面，本技术提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的地类变化判读方法的步骤。

18、根据本技术提供的具体实施例，本技术公开了以下技术效果：

19、本技术提供了一种地类变化判读方法、装置、设备、介质及产品，方法通过整合遥感影像、孔径雷达影像、红线、路网、水网、规划、地形、基准地类等多源空间数据，依托耕地红线、路网、水网与地形高程完成影像分区分割，将全域影像拆解为独立地类影像图块实现分块并行计算，解决传统单模型全域统一分割带来的精度失衡、大区域运算效率低下问题；采用耕地边缘增强级联深度神经网络开展图斑分类提取，摆脱传统机器学习依赖人工设计特征、同谱异物难以区分、图斑边界贴合度差的局限，同时规避目视解译人工工作量大、主观误差强、效率不足的短板；最后结合基准地类矢量、规划、地形数据及耕地管控规则交叉核验完成地类变化判读，兼顾大范围监测的时效性与地类提取、变化识别的高精度，适配地形破碎多云多雨区域耕地红线常态化监管需求。进而解决了现有地类提取技术分别存在人工成本高、特征泛化能力差、单模型全域分割精度失衡且大区域运算效率低的技术问题。