[發明專利]一種基于面向對象和深度學習的敏感用地識別方法

在審

• 申請號: 202010982867.7
• 申請日: 2020-09-17
• 公開（公告）號: CN112070056A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 楊典華;周睿;展明旭;王彩云;朱云翔
• 申請（專利權）人: 京師天啟（北京）科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/34;G06K9/62;G06F16/29;G06N3/04;G06N3/08
• 代理公司: 北京天江律師事務所 11537
• 代理人: 任崇

1.一種基于面向對象和深度學習的敏感用地識別方法，其特征在于：包括如下步驟：

步驟一、選取遙感影像：結合衛星傳感器的覆蓋范圍，以及植被、積雪、降雨、云層對敏感用地的影響，進行遙感影像的選取；

步驟二、建立樣本庫：根據遙感影像的色調、色彩、形狀、陰影、紋理、大小、空間位置、圖形，建立各種地物與衛星影像的對應關系；

首先，采用現場調查的方式獲得每類地物照片；然后，在影像上對應位置獲得地物在影像上的圖片，經人工現場調查獲得各類敏感用地現場圖片，經人工現場調查和POI數據通過目視解譯的方法獲取敏感用地的空間位置，在影像數據上進行標注，獲取遙感影像上的敏感用地的樣本，并通過提取各類樣本的特征信息，建立敏感用地的遙感解譯樣本特征庫；

步驟三、面向對象的敏感用地識別：1)確定不同類型敏感用地所需要使用的特征類型；

2)輸入遙感影像，將整幅輸入的遙感影像分割為多個對象，分割時針對不同類型的敏感用地對應著各自不同的分割尺度，設定分割參數值，確定最優尺度；

3)確定不同敏感用地的特征值區間，對遙感圖像上的不同對象進行分類，確定各個對象對應的類別，得到識別結果；

步驟四、基于深度學習技術識別敏感用地：1)構建神經網絡層模型：借鑒經典卷積網絡結構特點和優勢，構建適用于敏感用地識別的網絡模型；

2)構建編譯運行模型：構建損失函數，使模型朝好的方向發展；構建優化器函數，模型根據得到的結果和損失函數對模型進行優化；構建評價方式，用于監督訓練和測試過程的準去程度；

3)利用樣本中的訓練集數據訓練深度神經網絡模型；

4)利用樣本中的測試集數據對深度神經網絡模型進行精度評估；

5)將研究區域的遙感影像輸入到深度學習模型中，得到敏感用地。

2.根據權利要求1所述的基于面向對象和深度學習的敏感用地識別方法，其特征在于：它還包括敏感用地信息入庫：分類出各類敏感用地后，在地理信息分析軟件中計算敏感用地的相關屬性，通過數據導入的方式作為疑似污染場地屬性信息導入疑似污染場地信息數據庫中。

3.根據權利要求2所述的基于面向對象和深度學習的敏感用地識別方法，其特征在于：遙感影像選取的具體過程為：1)確定研究區域范圍和遙感影像類型；2)在地理空間數據云平臺上，輸入包括條帶號、日期、云量、經緯度的條件信息，下載對應的遙感影像。

4.根據權利要求3所述的基于面向對象和深度學習的敏感用地識別方法，其特征在于：對于敏感用地的遙感解譯樣本特征庫，需隨機抽取樣本庫中70％樣本作為訓練集，深度學習技術開展疑似污染場地周邊敏感用地的研究，并利用剩余30％樣本作為測試集，進行模型的有效性評估。

5.根據權利要求4所述的基于面向對象和深度學習的敏感用地識別方法，其特征在于：通過eCognition或ENVI軟件自帶的分割算法或手工編寫的SLIC算法將整幅輸入的遙感影像分割為多個對象。

6.根據權利要求5所述的基于面向對象和深度學習的敏感用地識別方法，其特征在于：利用機器學習方法基于模糊規則分類器和基于樣本面向對象分類器方法確定不同敏感用地的特征值區間。