[发明专利]一种面向生态保护红线的人类活动识别融合方法及系统

权利要求书

1.一种面向生态保护红线的人类活动识别融合方法，其特征在于，包括以下步骤：

获取目标生态保护红线区域的前期遥感影像和后期遥感影像，进行数据预处理；

将经预处理后的前期遥感影像和后期遥感影像输入提前训练后的人类活动识别模型；所述人类活动识别模型采用多组数据训练，多组数据包括：红线区前期影像和后期影像；所述后期影像带有人类活动标注；

识别出所述目标生态保护红线区域的人类活动图斑，作为第一检测结果；

基于地理国情数据对所述目标生态保护红线区域对应的最新影像数据进行分割、计算、分析，得出变化图斑，作为第二检测结果， 包括：基于地理国情数据对所述目标生态保护红线区域对应的最新影像数据进行引导分割；计算各分割斑块的光谱与几何特征，通过聚类分析和四分位间距法得出变化图斑，作为第二检测结果；

将所述第一检测结果与第二检测结果进行融合，获得所述目标生态保护红线区域的变化检测图斑；

其中，上述计算各分割斑块的光谱与几何特征，通过聚类分析和四分位间距法得出变化图斑，作为第二检测结果， 具体包括：

聚类算法选择k-means算法，采用相似性分析，分析若干特征参量的因子，从多个特征中挑出异质性最大的X个，表征变化；计算X个特征参量的中位数M，沿着所述中位数M，向前找25％处的位数Xa，向后找75％的位数Xb，四分位差Mk＝Xb–Xa；将数值小于M-3*Mk和大于M+3*Mk作为偏离区域，得到全样本的变化图斑。

2.根据权利要求1所述的一种面向生态保护红线的人类活动识别融合方法，其特征在于，所述人类活动识别模型的构建过程，包括：

获取生态保护红线区域前时相遥感影像和后时相遥感影像；所述前时相遥感影像上为自然地表覆盖；所述后时相遥感影像上为人类活动痕迹地表，且带有勾画人类活动标注；

对所述生态保护红线区域前时相遥感影像和后时相遥感影像进行数据预处理；

将人类活动标注矢量数据栅格化，结合所述前时相遥感影像和后时相遥感影像的数据进行裁切处理，获得配对的瓦片样本数据集；

将所述瓦片样本数据集按照预设比例分为训练集和验证集；

构建深度卷积神经网络模型，对前、后时相遥感影像输入分别进行特征提取，再进行多尺度拼接；

采用所述训练集和验证集，对深度卷积神经网络模型进行迭代训练和验证；

当训练后的所述深度卷积神经网络模型的评估预测结果满足预设条件后，得到人类活动识别模型。

3.根据权利要求1或2所述的一种面向生态保护红线的人类活动识别融合方法，其特征在于，所述数据预处理包括：对遥感影像降位处理和波段重组；

其中，所述降位处理包括：将其位深拉伸至8位；所述波段重组包括：若影像为4波段数据，选择3、2、1波段为红、绿、蓝的真彩色影像数据。

4.根据权利要求1或2所述的一种面向生态保护红线的人类活动识别融合方法，其特征在于，所述人类活动标注，包括：对居民点、采矿用地、交通运输用地、水利水电设施、能源设施用地类的解译标识。

5.根据权利要求2所述的一种面向生态保护红线的人类活动识别融合方法，其特征在于，所述深度卷积神经网络模型采用UNet++结构，选择ResNet50-D 骨干网络；训练过程中损失函数选择Focalloss损失函数。

6.根据权利要求1所述的一种面向生态保护红线的人类活动识别融合方法，其特征在于，将所述第一检测结果与第二检测结果进行融合，获得所述目标生态保护红线区域的变化检测图斑，包括：

对第一检测结果与第二检测结果进行分析，若二者处于同一个数量级，则表示检测结果相近，取并集作为最终的变化检测成果；

若二者不在同个数量级，取交集作为最终的变化检测成果。

7.一种面向生态保护红线的人类活动识别融合系统，其特征在于，包括：

获取预处理模块，用于获取目标生态保护红线区域的前期遥感影像和后期遥感影像，进行数据预处理；

输入模块，用于将经预处理后的前期遥感影像和后期遥感影像输入提前训练后的人类活动识别模型；所述人类活动识别模型采用多组数据训练，多组数据包括：红线区前期影像和后期影像；所述后期影像带有人类活动标注；

识别模块，用于识别出所述目标生态保护红线区域的人类活动图斑，作为第一检测结果；

分析处理模块，基于地理国情数据对所述目标生态保护红线区域对应的最新影像数据进行分割、计算、分析，得出变化图斑，作为第二检测结果， 包括：基于地理国情数据对所述目标生态保护红线区域对应的最新影像数据进行引导分割；计算各分割斑块的光谱与几何特征，通过聚类分析和四分位间距法得出变化图斑，作为第二检测结果；

融合模块，用于将所述第一检测结果与第二检测结果进行融合，获得所述目标生态保护红线区域的变化检测图斑；

其中，上述计算各分割斑块的光谱与几何特征，通过聚类分析和四分位间距法得出变化图斑，作为第二检测结果， 具体包括：

聚类算法选择k-means算法，采用相似性分析，分析若干特征参量的因子，从多个特征中挑出异质性最大的X个，表征变化；计算X个特征参量的中位数M，沿着所述中位数M，向前找25％处的位数Xa，向后找75％的位数Xb，四分位差Mk＝Xb–Xa；将数值小于M-3*Mk和大于M+3*Mk作为偏离区域，得到全样本的变化图斑。