一种退耕还湿的变化检测方法以及检测系统与流程

1.本发明涉及退耕还湿领域，具体而言，涉及一种退耕还湿的变化检测方法以及检测系统。


背景技术：

2.自然资源就是自然界赋予或前人留下的，可直接或间接用于满足人类需要的所有有形之物与无形之物。自然资源为人类提供生存、发展和享受的物质与空间。如何更好的使用和保护自然资源，实现可持续发展至关重要。湿地是自然界生物多样性较高、生态功能禀赋较大的生态系统，与人类社会的发展息息相关，湿地有“地球之肾”、“生命的摇篮”及“生物超市”的称号，与森林、海洋共同称为地球的三大生态系统。近年来，随着社会发展和经济活动竞争的日益激烈，湿地面积减少严重，湿地面积的快速流失问题同样棘手，极大影响了依赖湿地生存的动植物生活。在减少的湿地面积中，湿地向非湿地的转变较为显著，其最主要的驱动因子为人类农业经济活动，主要为湿地减少变更为耕地。
3.湿地保护不仅是生态建设的需求，更是自身功能恢复的急切保障。退耕还湿既是生态文明建设的要求，又是人们对美好环境向往的时代需求。实施“大专项+任务清单”管理方式，资金切块下达到省，由各地自主确定湿地保护修复对象。退耕还湿属于约束性任务，在国际重要湿地、国家级湿地自然保护区、国家重要湿地范围内的省级自然保护区，对没有权属争议、不属于基本农田、不在第二轮土地承包范围内，且具有还湿水源保障条件的耕地或目前围垦程度大、功能持续退化、生态状况恶化、土壤重金属污染严重的湿地，实施退耕还湿。如何更好的判断和分析退耕还湿的成果和过程，仅凭人力资源难以支撑精细化管理和全面控管。
4.有鉴于此，特提出本发明。


技术实现要素：

5.有鉴于此，本发明公开了一种退耕还湿的变化检测方法以及检测系统，该检测方法利用分类获得的前时像耕地和耕地变化的区域得到耕地消失的区域，再将耕地消失的区域和后时像湿地叠加，可获得耕地变成湿地的区域。本发明这种基于sta-net改进算法的退耕还湿变化检测方法，自动利用高分遥感影像分析耕地变化为湿地的地表变化面积，为后续的退耕还湿工作提供了技术支撑。
6.具体地，本发明是通过以下技术方案实现的：
7.第一方面，本发明公开了一种退耕还湿的变化检测方法，具体包括如下步骤：
8.选取时间点不同地理界线相同的两期不同的遥感影像作为影像样本数据；
9.对所述影像样本数据进行影像切割，按照8：1：1的比例将所有切割样本分成训练集、验证集和测试集以进行样本重组，进行整体的模型训练；
10.采用训练后的最佳模型对实际遥感影像进行变化检测，对变化检测结果进行精度验证。
11.第二方面，本发明公开了一种退耕还湿的检测系统，包括：
12.选取模块：用于选取时间点不同地理界线相同的两期不同的遥感影像作为影像样本数据；
13.训练模块：用于对所述影像样本数据进行影像切割，按照8：1：1的比例将所有切割样本分成训练集、验证集和测试集以进行样本重组，进行整体的模型训练；
14.检测模块：用于采用训练后的最佳模型对实际遥感影像进行变化检测，对变化检测结果进行精度验证。
15.第三方面，本发明公开了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述退耕还湿的变化检测方法的步骤。
16.第四方面，本发明公开了一种计算机设备，包括存储器、处理器及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程序时实现如第一方面所述退耕还湿的变化检测方法的步骤。
17.本发明提出的基于sta-net改进算法的退耕还湿变化检测方法，将深度学习中的变化检测以及sta-net改进算法应用于退耕还湿检测领域。通过在选取的影像上依次标注变化地块，构建变化检测数据集，选择sta-net为基础目标检测模型，并通过数据集处置、模型改进、模型训练、变化检测和精度计算，实现了退耕还湿地块变化的快速准确检测。
附图说明
18.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
19.图1为本发明实施例的变化检测方法执行的操作流程图；
20.图2为本发明实施例的变化检测系统的结构示意图；
21.图3为本发明实施例提供的一种计算机设备的流程示意图。
具体实施方式
22.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
23.在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
24.应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
25.本发明公开了一种退耕还湿的变化检测方法，如图1所示，包括如下步骤：
26.选取时间点不同地理界线相同的两期不同的遥感影像作为影像样本数据；
27.对所述影像样本数据进行影像切割，按照8：1：1的比例将所有切割样本分成训练集、验证集和测试集以进行样本重组，进行整体的模型训练；
28.采用训练后的最佳模型对实际遥感影像进行变化检测，对变化检测结果进行精度验证。
29.实际操作时，具体退耕还湿的操作步骤按照如下步骤进行：
30.(1)影像切割
31.影像切割是为了后续的信息提取，进行影像的裁切，形成小的网格块，便于后续的人工智能信息识别提取。根据影像的大小，进行整体的切割设定，设定对应的切割大小因子，通过因子进行整体的切割，切割结果，形成不同的数据集合。
32.(a)选取两期不同的影像图像，进行基础预处理，所谓两期不同的影像图像是指时间点不同地理界线相同的两期不同的遥感影像，如需要进行模型训练，那这里就选标准图像以提高模型训练的精度。然后读取影像的仿射变换参数和投影信息，保存样本函数。
33.(b)根据影像的大小，进行整体的切割设定，即确定切割的大小因子。这个因子通常是一个正整数，它用于分割图像的行和列。
34.(c)接下来，使用切割大小因子对整个图像进行切割。这个过程将原始图像分成多个小块，每个小块的大小都是相同的，而且在整个图像中的位置也是相对固定的。
35.(d)完成整体切割后，获取当前文件个数，并以新的名称命名即将裁剪得到的图像，依次按照设定的切割因子进行影像裁剪，并按照采集结果进行整体的保存，形成不同的数据集合。
36.(2)样本重组
37.将上述步骤切割后的影像进行样本的重组，形成具备训练的基础。样本重组是按照8：1：1的比例将所有分割样本分成训练集(train)、验证集(val)和测试集(test)，其中每一个集合里面都包含三个文件夹，分别是前时像(a)、后时像(b)和样本标签(label)，a、b、label里面文件的名称和数量要一一对应。
38.(a)设定重组中比例8:1:1，其中train_percent为0.8，剩余部分val_percent为0.5，test_percent为0.5，即最终形成8:1:1的比例；样本设定比例8:1:1指的是将数据集按照8:1:1的比例划分为训练集、验证集和测试集。具体来说，假设有1000个样本，那么按照8:1:1的比例划分，训练集包含800个样本，验证集包含100个样本，测试集包含100个样本。这种划分方式的目的是结合退耕还湿变化检测目的为了在训练过程中充分利用数据，同时又能够保证模型在未见过的数据上的泛化能力，提升训练模型的精准度。训练集用于训练模型，验证集用于调参和选择模型，测试集用于评估模型的性能。
39.(b)按照前时像(a)、后时像(b)和样本标签(label)建立3个不同的文件夹，将(1)裁切后的影像，按照(a)设定的比例进行train部分随机选择，剩余部分再进行val和test部分划分。最终分组后形成train、val和test下对应的重组后的a、b和label文件。
40.(3)模型训练
41.对重组后的样本，进行整体的模型训练。按照训练集、验证集进行样本训练，得出对应的最佳算法集合。通过设定算法训练次数和批量大小，根据设定的模型训练次数，循环
训练，训练模型得分高则保存模型。执行模型训练，训练结果是最佳模型，存储到设定文件路径中。
42.(a)首先加载训练集(train)、验证集(val)和测试集(test)，设定执行训练回滚次数、训练速度、执行大小，训练过程进行整体的迭代，基于pytorch库进行整体的训练；其中训练过程有bam和pam两种模式。
43.(b)bam执行是自注意机制在模拟长时间的时空依赖中是有效的。设计了一个变化检测自注意机制，该机制捕获了整个时空中单个像素之间丰富的全局时空关系，从而获得更有区别性的特征一个基础的时空注意力模块(bam)，bam学习捕捉任意两个位置之间的时空相关性(注意力权重)，并通过时空中所有位置特征的加权和计算每个位置的响应。将数据源中的构成元素想象成是由一系列的《key,value》数据对构成，此时给定target中的某个元素query，通过计算query和各个key的相似性或者相关性，得到每个key对应value的权重系数，然后对value进行加权求和，即得到了最终的attention数值。bam模式是query张量、key张量和value张量分别由输入特征张量通过三个不同的卷积层得到(输入特征张量是双时相图像特征图在时间维度上的拼接)。
44.(c)通过聚合多尺度的时空注意上下文来提高识别细节的能力，即一个金字塔时空注意力模块(pam)。pam将bam嵌入到金字塔结构中，去生成多尺度注意力表示。pam有四个分支；每一个分支都将特征张量等分成一定尺度的若干子区域。在每个分支中，pam对每个子区域的像素应用bam，得到该尺度下的局部注意表示。然后，通过聚合四个分支的输出张量，得到多尺度的注意力表示。将输入特征张量平均分为sxs的子区域，分别对四个分支实施bam。对于每个分支分别对每个子区域实施bam，再拼接。最后将四个分支拼接起来送到1x1卷积层，得到输出张量y。最后原始输入张量x加上最后输出的残差特征张量y，得到pam模块的输出z。
45.(d)并根据形成的模型进行整体的检测率进行排序，出现第一个模型时保存并记录对应的识别率max_score，当执行新的一次后，比较max_score，当分数高于前一次模型时，进行替换保存，按照设定的训练次数num进行训练，最终保存最后识别率最高的模型，形成最终的最佳模型，进行存储。
46.(4)变化检测
47.变化检测是对两期遥感影像进行整体的自动变化提取。设定两期影像数据，并加载训练好的模型文件，设定变化检测结果存储，最终自动根据加载数据和模型形成最终的检测结果，结果以矢量文件形式进行存储。
48.(a)首先加载两期遥感影像，选取不同时间，其中遥感影像要求地理界线相同。加载训练好的变化检测模型，进行整体的变化检测。读取删格图像，计算删格图像的删格矩阵的行列数、波段数，并获取仿射矩阵信息和获取投影信息，并进行保存。
49.(b)加载的图像计算列上图像块数目、行上图像块数目，逐行逐列进行裁剪；加载对应的模型，执行变化检测，获得结果矩阵，返回图像列表；
50.(c)分析返回图像列表，进行小图像拼接，写入仿射变换参数、写入投影，形成整个的图像文件，最终形成完整的识别结果。
51.(5)精度验证
52.对变化检测结果进行精度验证，根据变化检测的结果进行整体的结果验证，最终
得出识别准确率。按照整体的识别结果进行整体的精度计算，分别计算并输出精确度。
53.(a)加载识别结果和标签数据，进行整体的精度计算。通过加载的结果和标签数据，分别获取颜色字典，模型预测值和标签值之间的决定系数(r2)和均方根误差(rmse)来评估估算模型预测的准确性，r2越大，rmse越小，模型估算模型的准确率越高。
54.r2＝1-∑
ni＝1
(y
i-y
^i
)2/∑
ni＝1
(y
i-‑
yi)255.rmse＝√1/n∑
ni＝1
(y
i-y
^i
)256.n是样本数，.yi为标签值为模型预测值。
57.另外，本发明还提供了一种退耕还湿的变化检测系统，如图2所示，具体包括：
58.选取模块：用于选取时间点不同地理界线相同的两期不同的遥感影像作为影像样本数据；
59.训练模块：用于对所述影像样本数据进行影像切割，按照8：1：1的比例将所有切割样本分成训练集、验证集和测试集以进行样本重组，进行整体的模型训练；
60.检测模块：用于采用训练后的最佳模型对实际遥感影像进行变化检测，对变化检测结果进行精度验证。
61.该变化检测系统主要由上述几个模块构成，通过该系统的搭建很好的实现对退耕还湿地块变化的快速准确检测。
62.具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
63.总之本发明的退耕还湿的变化检测方法以及检测系统，通过改进sta-net深度学习算法获得耕地不同年间的变化区域和面积，通过分类获得前时像耕地的区域和后时像湿地的区域，利用分类获得的前时像耕地和耕地变化的区域得到耕地消失的区域，再将耕地消失的区域和后时像湿地叠加，可获得耕地变成湿地的区域。基于sta-net改进算法的退耕还湿变化检测首先根据标定的影像样本数据进行影像切割，切割结果进行样本重组，重组结果进行模型训练，根据设定模型训练次数和参数，得出最优模型。再次将变化检测数据加载最优模型进行整体的变化提取，最终得出变化检测结果，结果以矢量文件形式进行保存。
64.图3为本发明公开的一种计算机设备的结构示意图。参考图3所示，该计算机设备400，至少包括存储器402和处理器401；所述存储器402通过通信总线403和处理器连接，用于存储所述处理器401可执行的计算机指令，所述处理器401用于从所述存储器402读取计算机指令以实现上述任一实施例所述的变化检测方法的步骤。
65.对于上述装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
66.适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如eprom、eeprom和闪存设备)、磁盘(例如内部磁盘或可移动盘)、磁光盘以及cd rom和dvd-rom盘。处理器和存储器可由专
用逻辑电路补充或并入专用逻辑电路中。
67.最后应说明的是：虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
68.类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
69.由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
70.以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

技术特征：
1.一种退耕还湿的变化检测方法，其特征在于，包括如下步骤：选取时间点不同地理界线相同的两期不同的遥感影像作为影像样本数据；对所述影像样本数据进行影像切割，按照8：1：1的比例将所有切割样本分成训练集、验证集和测试集以进行样本重组，进行整体的模型训练；采用训练后的最佳模型对实际遥感影像进行变化检测，对变化检测结果进行精度验证。2.根据权利要求1所述的变化检测方法，其特征在于，所述影像切割的方法包括：根据影像的大小进行切割设定，确定切割大小因子，使用切割大小因子对图像进行切割；切割后获取当前文件个数，并以新的名称命名即将裁剪得到的图像，依次按照设定的切割大小因子进行影像裁剪，形成不同的数据集合。3.根据权利要求2所述的变化检测方法，其特征在于，模型训练的方法包括：加载训练集、验证集和测试集，设定执行训练回滚次数、训练速度、执行大小，基于pytorch库进行整体的训练，训练过程进行整体的迭代。4.根据权利要求3所述的变化检测方法，其特征在于，模型训练的过程基于bam和pam两种模式进行；其中，bam模式是query张量、key张量和value张量分别由输入特征张量通过三个不同的卷积层得到；pam模式是对每个子区域的像素应用bam，得到该尺度下的局部注意表示，然后通过聚合四个分支的输出张量，得到多尺度的注意力表示。5.根据权利要求4所述的变化检测方法，其特征在于，模型训练之后，根据模型的整体检测率进行排序，出现第一个模型时保存并记录对应的识别率max_score，当执行新的一次后，比较max_score，当分数高于前一次模型时，进行替换保存，按照设定的训练次数num进行训练，最终保存最后识别率最高的模型，形成最终的最佳模型进行存储。6.根据权利要求5所述的变化检测方法，其特征在于，变化检测的方法包括：加载训练好的最佳模型进行实际遥感影像的变化检测，读取删格图像，计算删格图像的删格矩阵的行列数、波段数，并获取仿射矩阵信息和获取投影信息进行保存；计算列上图像块数目、行上图像块数目，逐行逐列进行裁剪；加载对应的模型，执行变化检测，获得结果矩阵，返回图像列表，分析返回图像列表，进行小图像拼接，写入仿射变换参数以及投影，形成最终的检测结果。7.根据权利要求6所述的变化检测方法，其特征在于，所述精度验证的公式包括：r2＝1∑
ni＝
1(y
i-y^
i
)2/∑
ni＝
1(y
i
_-y
i
）2rmse＝√1/n∑
ni＝i
(y
i-y^
i
)2n是样本数，y
i
为标签值y^
i
为模型预测值；模型预测值和标签值之间的决定系数r2和均方根误差rmse来评估估算模型预测的准确性。8.采用权利要求1-7任一项所述的退耕还湿的变化检测方法的检测系统，其特征在于，包括：选取模块：用于选取时间点不同地理界线相同的两期不同的遥感影像作为影像样本数
据；训练模块：用于对所述影像样本数据进行影像切割，按照8：1：1的比例将所有切割样本分成训练集、验证集和测试集以进行样本重组，进行整体的模型训练；检测模块：用于采用训练后的最佳模型对实际遥感影像进行变化检测，对变化检测结果进行精度验证。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序执行时实现权利要求1-7任一项所述变化检测方法的步骤。10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述变化检测方法的步骤。

技术总结
本发明提供了一种退耕还湿的变化检测方法以及检测系统，本发明的退耕还湿的方法包括：选取时间点不同地理界线相同的两期不同的遥感影像作为影像样本数据；对所述影像样本数据进行影像切割，按照8：1：1的比例将所有切割样本分成训练集、验证集和测试集以进行样本重组，进行整体的模型训练；采用训练后的最佳模型对实际遥感影像进行变化检测，对变化检测结果进行精度验证。本发明的变化检测方法基于STA-Net改进算法的退耕还湿变化检测方法，自动利用高分遥感影像分析耕地变化为湿地的地表变化面积，为后续的退耕还湿工作提供了技术支撑。支撑。支撑。


技术研发人员：凌成星 刘华 赵峰 陈永富
受保护的技术使用者：中国林业科学研究院资源信息研究所
技术研发日：2023.05.09
技术公布日：2023/8/16