[发明专利]一种基于深度学习方法的新增建设用地自动提取方法

说明书

本发明公开了一种基于深度学习方法的新增建设用地自动提取方法，该方法包括以下步骤：勾画新增建设用地标签；将遥感影像的位深拉伸至8位；对前后时期遥感影像数据和新增建设用地标签数据进行裁切处理；合成训练瓦片样本集合和测试瓦片样本集；构建网络模型；生成新增建设用地训练模型，并对其进行封装；得到栅格概率图；对新增建设用地区域进行伪图斑的去除；得到新增建设用地图斑。通过该方法，避免了针对不同新增建设用地场景选择不同的特征组合和设计不同的监测方法；实现了常规遥感信息提取与监测的技术手段与深度学习技术手段的融合，提升了正检率；方便了后续成果的分析与规范化整理。

技术领域

本发明涉及遥感技术领域，具体来说，涉及一种基于深度学习方法的新增建设用地自动提取方法。

背景技术

目前，我国城市化进程的快速推进，人均土地资源占有量少，人口的增长，工业化和城市化的扩张导致城对土地资源的需求依赖日益增加，与其供给不足的矛盾不断加剧，造成针对土地资源开发利用的监督与整治越来越困难。因此，快速发现建设用地、重点关注专题用地等类型的变化，支撑各级自然资源管理部门尽早发现违法用地情况并尽早整改，减少土地违法利用情况的发生，对维护社会的和谐与稳定具有重要意义。

传统的利用高分辨率遥感影像进行新增建设用地提取，主要依靠工作人员对前后两期高分辨率卫星遥感影像进行比对，确定地表覆盖变化发生的空间位置，通过主观经验知识判断其变化类别，勾绘成变化图斑，解译精度取决于解译人员的目视判读经验，且工作量庞大。为了缓解目视解译的压力，国内外研究人员研究形成了多种自动变化检测的相关技术方法，根据监测流程主要可分为两大类：利用波段组合和主成分变换等方法的分类前检测法和对两期影像进行专题分类然后获取变化信息的分类后比较法。卫星传感器技术的迅猛发展，可获得的影像空间分辨率，光谱分辨率和时间分辨渐渐提高，为提高自动化的检测程度，又陆续出现了包括面向对象、专家系统、机器学习等技术方法。但高空间分辨率数据中建设用地的光谱信息相对不充足，且建设用地往往与其他地物存在相互混杂的情况，例如被数据遮挡，内部存在绿化或人工道路等，导致建设用地本身的形状、色调等信息的损失，很难用对齐进行规范化描述，新增建设用地监测业务中前期遥感影像的地物类别更加丰富，给新增建设用地提取带来更大难度。传统的方法很大程度上依赖于工作人员的经验知识，随着卫星载荷与数据量的逐步增加，难以支撑爆发式增长的任务和需求，同时难以实现更大空间、更大尺度及连续动态监测的推广使用。

随着人工智能的不断发展，深度学习已经在语音识别、图像识别、和信息检索及信息提取等领域取得了成功，这一类模拟大脑学习过程的方法相比传统人工提取的方法具有更好的特征抽象性和鲁棒性，逐渐应用于高分辨率遥感影像上要素的快速、精确提取。目前常用于动态监测的是一种基于深度学习语义分割的遥感影像信息提取方法，将应用于语义分割任务的深度学习模型——全卷积深度学习网络，进行遥感影像的信息提取，实现了分割与分类过程的一体化，通过对比多时相影像分类结果实现新增建设用地检测，该方法依赖于单期要素的提取精度，容易存在误差累积传递的情况。另外一种方法是直接将两期影像及变化标签数据加入网络模型进行变化训练。该方法直接针对变化目标提取，效果更加可控，但是面临两期影像来源不同、辐射差异、分辨率差异等挑战，导致精度受限。

发明内容

针对相关技术中的上述技术问题，本发明提出一种基于深度学习方法的新增建设用地自动提取方法，能够克服现有技术的上述不足。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种基于深度学习方法的新增建设用地自动提取方法，该方法包括以下步骤：

S1：采用多源影像数据组合前后时期遥感影像数据，勾画新增建设用地标签，其中，新增建设用地为前时期遥感影像上的非建筑区和后时期遥感影像上的建筑区的区域；