CN115545334B - 土地利用类型预测方法、装置、电子设备及存储介质 - Google Patents

土地利用类型预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115545334B
CN115545334B CN202211313851.2A CN202211313851A CN115545334B CN 115545334 B CN115545334 B CN 115545334B CN 202211313851 A CN202211313851 A CN 202211313851A CN 115545334 B CN115545334 B CN 115545334B
Authority
CN
China
Prior art keywords
land
prediction model
land utilization
data
land use
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211313851.2A
Other languages
English (en)
Other versions
CN115545334A (zh
Inventor
尹小君
王娇娇
王帝盟
刘陕南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shihezi University
Original Assignee
Shihezi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shihezi University filed Critical Shihezi University
Priority to CN202211313851.2A priority Critical patent/CN115545334B/zh
Publication of CN115545334A publication Critical patent/CN115545334A/zh
Priority to ZA2023/09788A priority patent/ZA202309788B/en
Application granted granted Critical
Publication of CN115545334B publication Critical patent/CN115545334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

本发明提供一种土地利用类型预测方法、装置、电子设备及存储介质，涉及遥感影像信息技术领域，该方法包括：获取目标区域在第一时间的土地利用遥感影像数据；对土地利用遥感影像数据进行处理，得到目标区域对应的至少一个像元在第一时间的土地利用数据；将各像元在第一时间的土地利用数据输入至目标土地利用预测模型，得到目标土地利用预测模型输出的各像元在第二时间的土地利用类型；目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对目标区域对应的各像元在第二时间的土地利用类型进行预测。本发明提供的方法，提升了土地利用类型预测的准确度。

Description

土地利用类型预测方法、装置、电子设备及存储介质
技术领域
本发明涉及遥感影像信息技术领域，尤其涉及一种土地利用类型预测方法、装置、电子设备及存储介质。
背景技术
土地资源是人类赖以生存的基本资源，土地资源具有时空特性，合理科学地使用土地和保护土地是实现可持续发展的重要内容。土地利用的改变在一定程度上可以影响人类生存环境和经济发展。随着地理信息***(Geographic Information Systems，GIS)和遥感(Remote Sensing，RS)技术的快速发展，土地利用历史数据已经达到二三十期。因此，土地利用空间分布的预测对未来土地利用规划具有重要意义。
相关技术中，土地利用预测常用的模型主要是元胞自动机马尔科夫(CA-Markov)、FLUS模型、PLUS模型和CLUE-S模型等，首先通过估算算法估算土地利用转换规则，再根据影响因素、土地利用数据和转换规则通过CA-Markov、FLUS模型、PLUS模型和CLUE-S模型等元胞自动机模型进行土地利用预测，其中，这些土地利用预测模型仅在算法估算土地利用转化规则和影响因素的选择有所不同，常用的估算算法主要包括三种，一种是传统的统计学方法，比如逻辑回归；一种是智能优化算法，如遗传算法和粒子群算法等；一种是深度学习算法，比如人工神经网络。
然而，相关技术中所使用的土地利用预测模型仅利用2至3期的土地利用数据和相关的影响因素进行预测，使得土地利用预测模型尚未充分发掘土地利用历史数据信息，以及土地利用改变的影响因素众多且影响程度不一，包括自然条件、经济发展和人为干扰等，使得一些影响因素无法量化且权重难以判断，影响因素的选择存在主观性，导致对土地利用类型预测的准确度低。
发明内容
本发明提供一种土地利用类型预测方法、装置、电子设备及存储介质，用以解决现有技术中对土地利用类型预的测准确度低的缺陷，实现更加准确的预测土地利用类型。
本发明提供一种土地利用类型预测方法，包括：
获取目标区域在第一时间的土地利用遥感影像数据；
对所述土地利用遥感影像数据进行处理，得到所述目标区域对应的至少一个像元在所述第一时间的土地利用数据；
将各所述像元在第一时间的土地利用类型数据至目标土地利用预测模型，得到所述目标土地利用预测模型输出的各所述像元在第二时间的土地利用类型；所述目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对所述目标区域对应的各所述像元在所述第二时间的土地利用类型进行预测。
根据本发明提供的一种土地利用类型预测方法，所述目标土地利用预测模型包括长短期记忆LSTM递归神经网络模块和多层感知器，所述将各所述像元在第一时间的土地利用数据输入至目标土地利用预测模型，得到所述目标土地利用预测模型输出的各所述像元在第二时间的土地利用类型，包括：
将各所述像元在第一时间的土地利用数据输入至所述LSTM递归神经网络模块，得到所述LSTM递归神经网络模块输出的各所述像元分别对应的土地利用特征数据；
将各所述像元分别对应的土地利用特征数据输入至所述多层感知器，得到所述多层感知器输出的各所述像元在第二时间的土地利用类型。
根据本发明提供的一种土地利用类型预测方法，所述目标土地利用预测模型是基于以下步骤训练得到的：
获取土地利用数据集；所述土地利用数据集包括所述目标区域对应的至少一个像元在不同时间的历史土地利用数据；
将所述土地利用数据集划分为训练集和测试集；所述训练集包括各所述像元在不同时间对应的至少一组训练数据和标签数据；所述测试集包括各所述像元在不同时间对应的至少一组测试数据和真实数据；
基于所述训练集和测试集，对初始土地利用预测模型进行训练，得到所述目标土地利用预测模型。
根据本发明提供的一种土地利用类型预测方法，所述基于所述训练集和测试集，对初始土地利用预测模型进行训练，得到所述目标土地利用预测模型，包括：
采用所述训练集对初始土地利用预测模型进行训练，得到第一土地利用预测模型；
采用所述测试集对所述第一土地利用预测模型进行验证；
判断是否满足训练停止条件；所述训练停止条件包括验证精度不小于预设阈值或者迭代次数达到预设次数；
基于所述判断的结果，确定所述目标土地利用预测模型。
根据本发明提供的一种土地利用类型预测方法，所述基于所述判断的结果，确定所述目标土地利用预测模型，包括：
在未满足训练停止条件的情况下，重复执行所述采用所述训练集对初始土地利用预测模型进行训练的步骤；
在满足训练停止条件的情况下，将所述第一土地利用预测模型作为目标土地利用预测模型。
根据本发明提供的一种土地利用类型预测方法，所述土地利用类型包括以下至少一项：耕地、林地、草地、水域、建设用地和未利用地。
本发明还提供一种土地利用类型预测装置，包括：
获取模块，用于获取目标区域在第一时间的土地利用遥感影像数据；
处理模块，用于对所述土地利用遥感影像数据进行处理，得到所述目标区域对应的至少一个像元在所述第一时间的土地利用数据；
预测模块，用于将各所述像元在第一时间的土地利用数据输入至目标土地利用预测模型，得到所述目标土地利用预测模型输出的各所述像元在第二时间的土地利用类型；所述目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对所述目标区域对应的各所述像元在所述第二时间的土地利用类型进行预测。
本发明还提供一种电子设备，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上述任一种所述土地利用类型预测方法。
本发明还提供一种非暂态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如上述任一种所述土地利用类型预测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述土地利用类型预测方法。
本发明提供的土地利用类型预测方法、装置、电子设备及存储介质，通过获取目标区域在第一时间的土地利用遥感影像数据，再对土地利用遥感影像数据进行处理，得到目标区域对应的至少一个像元在第一时间的土地利用数据；将各像元的在第一时间的土地利用数据输入至目标土地利用预测模型，得到目标土地利用预测模型输出的各像元在第二时间的土地利用类型；目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对目标区域对应的各像元在第二时间的土地利用类型进行预测，通过目标土地利用预测模型实现了目标区域对应的多个像元在第二时间的土地利用类型的准确预测，提升了土地利用类型预测的准确度，有助于对土地利用未来的有效规划，提升了土地资源的利用率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的土地利用类型预测方法的流程示意图之一；
图2是本发明提供的土地利用类型预测方法的流程示意图之二；
图3是本发明提供的土地利用类型预测装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图2描述本发明的土地利用类型预测方法。
图1是本发明提供的土地利用类型预测方法的流程示意图之一，如图1所示，该方法包括：步骤101-步骤103；其中，
步骤101，获取目标区域在第一时间的土地利用遥感影像数据。
需要说明的是，本发明提供的土地利用类型预测方法可适用于土地资源规划的场景中。该方法的执行主体可以为土地利用类型预测装置，例如电子设备、或者该土地利用类型预测装置中的用于执行土地利用类型预测方法的控制模块。
具体地，目标区域可以为待预测土地利用类型的地区，第一时间可以是预测时间之前的任意一年。通过卫星拍摄待预测土地利用类型的地区在第一时间的遥感影像，从而可以获取目标区域的土地利用遥感影像数据。
步骤102，对所述土地利用遥感影像数据进行处理，得到所述目标区域对应的至少一个像元在所述第一时间的土地利用数据。
具体地，将目标区域可以划分为多个像元，土地利用数据可以为土地利用类型，也可以为其他土地利用信息。
可选地，土地利用类型包括以下至少一项：耕地、林地、草地、水域、建设用地和未利用地。
实际中，通过对土地利用遥感影像数据进行独热编码(One-Hot Encoding)，可以得到每个像元在第一时间的土地利用数据。例如，当每个像元在第一时间的土地利用类型为耕地时，则该像元在第一时间的土地利用数据可以表示为[1，0，0，0，0，0]。
步骤103，将各所述像元在第一时间的土地利用数据输入至目标土地利用预测模型，得到所述目标土地利用预测模型输出的各所述像元在第二时间的土地利用类型；所述目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对所述目标区域对应的各所述像元在所述第二时间的土地利用类型进行预测。
具体地，第二时间可以是预测时间，即为第一时间之后的任意一年。将每个像元在第一时间的土地利用数据输入至目标土地利用预测模型，可以得到目标土地利用预测模型输出的各像元在第二时间的土地利用类型；其中，目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对目标区域对应的各像元在第二时间的土地利用类型进行预测。
本发明提供的土地利用类型预测方法，通过获取目标区域在第一时间的土地利用遥感影像数据，再对土地利用遥感影像数据进行处理，得到目标区域对应的至少一个像元在第一时间的土地利用数据；将各像元的在第一时间的土地利用数据输入至目标土地利用预测模型，得到目标土地利用预测模型输出的各像元在第二时间的土地利用类型；目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对目标区域对应的各像元在第二时间的土地利用类型进行预测，通过目标土地利用预测模型实现了目标区域对应的多个像元在第二时间的土地利用类型的准确预测，提升了土地利用类型预测的准确度，有助于对土地利用未来的有效规划，提升了土地资源的利用率。
可选地，所述目标土地利用预测模型包括长短期记忆LSTM递归神经网络模块和多层感知器，上述步骤103的具体实现方式包括：
1)将各所述像元在第一时间的土地利用数据输入至所述LSTM递归神经网络模块，得到所述LSTM递归神经网络模块输出的各所述像元分别对应的土地利用特征数据。
具体地，目标土地利用预测模型为MLP_LSTM模型，包括长短期记忆递归(LongShort Term Memory,LSTM)神经网络模块和多层感知器(Multi-layer Perceptron,MLP)，其中，LSTM递归神经网络模块用于提取各像元在第一时间的土地利用数据之间的土地利用特征信息，土地利用特征信息表示每个像元在未来的第二时间的土地利用类型可能为哪一种土地利用类型的权重。将每个像元在第一时间的土地利用数据输入至LSTM递归神经网络模块，LSTM递归神经网络模块将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算，经过所有计算之后得到LSTM网络的最后输出序列，可以得到LSTM递归神经网络模块输出的每个像元分别对应的土地利用特征数据；其中，LSTM神经元的结构包括细胞状态、遗忘门、输入门和输出门，通过遗忘门、输入门和输出门三个结构对细胞状态进行更新。
2)将各所述像元分别对应的土地利用特征数据输入至所述多层感知器，得到所述多层感知器输出的各所述像元在第二时间的土地利用类型。
具体地，多层感知器用于基于LSTM递归神经网络模块输出的每个像元分别对应的土地利用特征数据，确定每个像元在第二时间的土地利用类型。将每个像元分别对应的土地利用特征数据输入至多层感知器，多层感知器对土地利用特征数据进行卷积计算，可以得到多层感知器输出的各像元在第二时间的土地利用类型，从而实现对目标区域对应的每个像元在第二时间的土地利用类型的预测。
本发明提供的土地利用类型预测方法，通过将每个像元在第一时间的土地利用数据输入至LSTM递归神经网络模块，得到LSTM递归神经网络模块输出的每个像元分别对应的土地利用特征数据；再将每个像元分别对应的土地利用特征数据输入至多层感知器，得到多层感知器输出的各所述像元在第二时间的土地利用类型，通过LSTM递归神经网络模块和多层感知器的结合，实现了LSTM递归神经网络模块提取每个像元在第一时间的土地利用数据之间的土地利用特征信息，多层感知器对每个像元在第二时间的土地利用类型的预测，从而实现了目标区域对应的多个像元在第二时间的土地利用类型的准确预测，提升了土地利用类型预测的准确度，有助于对土地利用未来的有效规划，提升了土地资源的利用率。
图2是本发明提供的土地利用类型预测方法的流程示意图之二，如图2所示，该方法包括：步骤201-步骤204；其中，
步骤201，获取目标区域在第一时间的土地利用遥感影像数据；
步骤202，对土地利用遥感影像数据进行处理，得到目标区域对应的至少一个像元在第一时间的土地利用数据；
步骤203，将各像元在第一时间的土地利用数据输入至LSTM递归神经网络模块，LSTM递归神经网络模块将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算，经过所有计算之后得到LSTM网络的最后输出序列，从而得到LSTM递归神经网络模块输出的各像元分别对应的土地利用特征数据；其中，LSTM神经元的结构包括细胞状态、遗忘门、输入门和输出门，通过遗忘门、输入门和输出门三个结构对细胞状态进行更新。
步骤204，将每个像元分别对应的土地利用特征数据输入至多层感知器，多层感知器包括输入层、卷积层和输出层，可以得到多层感知器输出的每个像元在第二时间的土地利用类型。
接下来对目标土地利用预测模型的训练过程进行详细说明。
可选地，所述目标土地利用预测模型是基于以下步骤训练得到的：
步骤a)获取土地利用数据集；所述土地利用数据集包括所述目标区域对应的至少一个像元在不同时间的历史土地利用数据。
具体地，获取目标区域在不同时间的历史土地利用数据，并按照不同时间进行分类整理，从而得到土地利用数据集。
土地利用数据集采用公式(1)表示，其中，
E＝{(X1992,Y1997),(X1993,Y1998),...,(Xyear,Yyear+m)} (1)
其中，Xyear分别是1992年到2015年的历史土地利用数据，Yyear+m分别为1997到2020年的历史土地利用数据，m为大于1的整数。
需要说明的是，采用One-Hot编码可以对土地利用数据集中每个像元在不同时间的历史土地利用数据进行编码。
步骤b)将所述土地利用数据集划分为训练集和测试集；所述训练集包括各所述像元在不同时间对应的至少一组训练数据和标签数据；所述测试集包括各所述像元在不同时间对应的至少一组测试数据和真实数据。
具体地，将土地利用数据集划分为训练集和测试集，则根据上述公式(1)所表示的土地利用数据集，可以得到训练集和测试集，训练集采用公式(2)表示，Xi作为训练数据，Yi+m作为标签数据，其中，
Tr＝{(X1992,Y1997),(X1993,Y1998),...,(Xi,Yi+m)} (2)
其中，Xi和Yi+m采用公式(3)表示：
其中，Xi表示i年的历史土地利用数据，表示第i年的历史土地利用数据中第n个像元所代表的土地利用类型。例如，i的取值范围为1992年到2014年，m为5，则测试集采用公式(4)表示：
Te＝{(X2015,Y2020)} (4)
需要说明的是，在训练集训练的过程中，可以采用测试集预测2020年土地利用空间分布中目标区域的土地利用类型与实际2020年土地利用类型进行对比，从而可以验证MLP_LSTM模型的精度。
步骤c)基于所述训练集和测试集，对初始土地利用预测模型进行训练，得到所述目标土地利用预测模型。
具体地，根据训练集和测试集，可以对构建的初始土地利用预测模型进行训练，从而可以得到目标土地利用预测模型。
本发明提供的土地利用类型预测方法，通过获取土地利用数据集；土地利用数据集包括所述目标区域对应的至少一个像元在不同时间的历史土地利用数据；将土地利用数据集划分为训练集和测试集；训练集包括各像元在不同时间对应的至少一组训练数据和标签数据；测试集包括各像元在不同时间对应的至少一组测试数据和真实数据；在根据训练集和测试集，对初始土地利用预测模型进行训练，可以得到目标土地利用预测模型，进而可以通过目标土地利用预测模型实现了目标区域对应的多个像元在第二时间的土地利用类型的准确预测，提升了土地利用类型预测的准确度，有助于对土地利用未来的有效规划，提升了土地资源的利用率。
可选地，所述基于所述训练集和测试集，对初始土地利用预测模型进行训练，得到所述目标土地利用预测模型，包括：
1)采用所述训练集对初始土地利用预测模型进行训练，得到第一土地利用预测模型。
具体地，将训练集包括的各像元在不同时间对应的至少一组训练数据和标签数据同时输入至初始土地利用预测模型中的LSTM递归神经网络模块，对LSTM递归神经网络模块进行逐层训练，将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算，经过所有计算之后得到LSTM网络的最后输出序列，从而得到LSTM递归神经网络模块输出的各像元分别对应的土地利用特征数据，再将各像元分别对应的土地利用特征数据输入至多层感知器，多层感知器对土地利用特征数据进行卷积计算，得到多层感知器输出的各像元在第二时间的土地利用类型，实现对初始土地利用预测模型进行迭代训练，得到第一土地利用预测模型。
需要说明的是，在模型的训练过程中，将各像元在不同时间对应的至少一组训练数据和标签数据同时输入至初始土地利用预测模型，保留了历史土地利用数据的空间位置关系。
2)采用所述测试集对所述第一土地利用预测模型进行验证。
具体地，在得到第一土地利用预测模型之后，将测试集包括的各像元在不同时间对应的至少一组测试数据和真实数据输入至第一土地利用预测模型，例如，2015年的测试数据和2020年的真实数据，可以得到第一土地利用预测模型输出的各像元在2020年的土地利用类型，将预测的各像元在2020年的土地利用类型与2020年的真实数据进行对比，可以得到第一土地利用预测模型的验证精度。
3)判断是否满足训练停止条件；所述训练停止条件包括验证精度不小于预设阈值或者迭代次数达到预设次数。
具体地，在模型训练的过程中，可以判断是否满足训练停止条件，其中，训练停止条件包括验证精度不小于预设阈值或者迭代次数达到预设次数。
4)基于所述判断的结果，确定所述目标土地利用预测模型。
具体地，根据判断的结果，可以确定目标土地利用预测模型。
可选地，所述基于所述判断的结果，确定所述目标土地利用预测模型，包括：
在未满足训练停止条件的情况下，重复执行所述采用所述训练集对初始土地利用预测模型进行训练的步骤；在满足训练停止条件的情况下，将所述第一土地利用预测模型作为目标土地利用预测模型。
具体地，在判断未满足训练停止条件的情况下，重复执行上述采用所述训练集对初始土地利用预测模型进行训练的步骤，直到满足训练停止条件为止。在满足训练停止条件的情况下，将第一土地利用预测模型可以作为目标土地利用预测模型，从而得到目标土地利用预测模型。
需要说明的是，在模型训练的过程中，能够充分挖掘土地利用在不同时间的历史土地利用数据中的信息，能够客观科学和准确的预测未来土地利用类型，从而为实施生土地利用调整和优化提供科学依据。
本发明提供的土地利用类型预测方法，通过采用训练集对初始土地利用预测模型进行训练，得到第一土地利用预测模型；在模型训练的过程中，采用测试集对第一土地利用预测模型进行验证；判断是否满足训练停止条件；训练停止条件包括验证精度不小于预设阈值或者迭代次数达到预设次数；在未满足训练停止条件的情况下，重复执行采用训练集对初始土地利用预测模型进行训练的步骤；在满足训练停止条件的情况下，将得到的第一土地利用预测模型可以作为目标土地利用预测模型，进而可以通过目标土地利用预测模型实现了目标区域对应的多个像元在第二时间的土地利用类型的准确预测，提升了土地利用类型预测的准确度，有助于对土地利用未来的有效规划，提升了土地资源的利用率。
下面对本发明提供的土地利用类型预测装置进行描述，下文描述的土地利用类型预测装置与上文描述的土地利用类型预测方法可相互对应参照。
图3是本发明提供的土地利用类型预测装置的结构示意图，如图3所示，该土地利用类型预测装置300包括：获取模块301、处理模块302和预测模块303，其中，
获取模块301，用于获取目标区域在第一时间的土地利用遥感影像数据；
处理模块302，用于对所述土地利用遥感影像数据进行处理，得到所述目标区域对应的至少一个像元在所述第一时间的土地利用数据；
预测模块303，用于将各所述像元在第一时间的土地利用数据输入至目标土地利用预测模型，得到所述目标土地利用预测模型输出的各所述像元在第二时间的土地利用类型；所述目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对所述目标区域对应的各所述像元在所述第二时间的土地利用类型进行预测。
本发明提供的土地利用类型预测装置，通过获取目标区域在第一时间的土地利用遥感影像数据，再对土地利用遥感影像数据进行处理，得到目标区域对应的至少一个像元在第一时间的土地利用数据；将各像元的在第一时间的土地利用数据输入至目标土地利用预测模型，得到目标土地利用预测模型输出的各像元在第二时间的土地利用类型；目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对目标区域对应的各像元在第二时间的土地利用类型进行预测，通过目标土地利用预测模型实现了目标区域对应的多个像元在第二时间的土地利用类型的准确预测，提升了土地利用类型预测的准确度，有助于对土地利用未来的有效规划，提升了土地资源的利用率。
可选地，所述目标土地利用预测模型包括长短期记忆LSTM递归神经网络模块和多层感知器，所述预测模块303，具体用于：
将各所述像元在第一时间的土地利用数据输入至所述LSTM递归神经网络模块，得到所述LSTM递归神经网络模块输出的各所述像元分别对应的土地利用特征数据；
将各所述像元分别对应的土地利用特征数据输入至所述多层感知器，得到所述多层感知器输出的各所述像元在第二时间的土地利用类型。
可选地，所述目标土地利用预测模型是基于以下步骤训练得到的：
获取土地利用数据集；所述土地利用数据集包括所述目标区域对应的至少一个像元在不同时间的历史土地利用数据；
将所述土地利用数据集划分为训练集和测试集；所述训练集包括各所述像元在不同时间对应的至少一组训练数据和标签数据；所述测试集包括各所述像元在不同时间对应的至少一组测试数据和真实数据；
基于所述训练集和测试集，对初始土地利用预测模型进行训练，得到所述目标土地利用预测模型。
可选地，所述基于所述训练集和测试集，对初始土地利用预测模型进行训练，得到所述目标土地利用预测模型，包括：
采用所述训练集对初始土地利用预测模型进行训练，得到第一土地利用预测模型；
采用所述测试集对所述第一土地利用预测模型进行验证；
判断是否满足训练停止条件；所述训练停止条件包括验证精度不小于预设阈值或者迭代次数达到预设次数；
基于所述判断的结果，确定所述目标土地利用预测模型。
可选地，所述基于所述判断的结果，确定所述目标土地利用预测模型，包括：
在未满足训练停止条件的情况下，重复执行所述采用所述训练集对初始土地利用预测模型进行训练的步骤；
在满足训练停止条件的情况下，将所述第一土地利用预测模型作为目标土地利用预测模型。
可选地，所述土地利用类型包括以下至少一项：耕地、林地、草地、水域、建设用地和未利用地。
图4是本发明提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行土地利用类型预测方法，该方法包括：
获取目标区域在第一时间的土地利用遥感影像数据；
对所述土地利用遥感影像数据进行处理，得到所述目标区域对应的至少一个像元在所述第一时间的土地利用数据；
将各所述像元在第一时间的土地利用数据输入至目标土地利用预测模型，得到所述目标土地利用预测模型输出的各所述像元在第二时间的土地利用类型；所述目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对所述目标区域对应的各所述像元在所述第二时间的土地利用类型进行预测。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的土地利用类型预测方法，该方法包括：
获取目标区域在第一时间的土地利用遥感影像数据；
对所述土地利用遥感影像数据进行处理，得到所述目标区域对应的至少一个像元在所述第一时间的土地利用数据；
将各所述像元在第一时间的土地利用数据输入至目标土地利用预测模型，得到所述目标土地利用预测模型输出的各所述像元在第二时间的土地利用类型；所述目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对所述目标区域对应的各所述像元在所述第二时间的土地利用类型进行预测。
又一方面，本发明还提供一种非暂态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以执行上述各方法提供的土地利用类型预测方法，该方法包括：
获取目标区域在第一时间的土地利用遥感影像数据；
对所述土地利用遥感影像数据进行处理，得到所述目标区域对应的至少一个像元在所述第一时间的土地利用数据；
将各所述像元在第一时间的土地利用数据输入至目标土地利用预测模型，得到所述目标土地利用预测模型输出的各所述像元在第二时间的土地利用类型；所述目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对所述目标区域对应的各所述像元在所述第二时间的土地利用类型进行预测。
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实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种土地利用类型预测方法，其特征在于，包括：
获取目标区域在第一时间的土地利用遥感影像数据；
对所述土地利用遥感影像数据进行处理，得到所述目标区域对应的至少一个像元在所述第一时间的土地利用数据；
将各所述像元在第一时间的土地利用数据输入至目标土地利用预测模型，得到所述目标土地利用预测模型输出的各所述像元在第二时间的土地利用类型；所述目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对所述目标区域对应的各所述像元在所述第二时间的土地利用类型进行预测；
所述目标土地利用预测模型包括长短期记忆LSTM递归神经网络模块和多层感知器，所述将各所述像元在第一时间的土地利用数据输入至目标土地利用预测模型，得到所述目标土地利用预测模型输出的各所述像元在第二时间的土地利用类型，包括：
将各所述像元在第一时间的土地利用数据输入至所述LSTM递归神经网络模块，得到所述LSTM递归神经网络模块输出的各所述像元分别对应的土地利用特征数据；
将各所述像元分别对应的土地利用特征数据输入至所述多层感知器，得到所述多层感知器输出的各所述像元在第二时间的土地利用类型。
2.根据权利要求1所述的土地利用类型预测方法，其特征在于，所述目标土地利用预测模型是基于以下步骤训练得到的：
获取土地利用数据集；所述土地利用数据集包括所述目标区域对应的至少一个像元在不同时间的历史土地利用数据；
将所述土地利用数据集划分为训练集和测试集；所述训练集包括各所述像元在不同时间对应的至少一组训练数据和标签数据；所述测试集包括各所述像元在不同时间对应的至少一组测试数据和真实数据；
基于所述训练集和测试集，对初始土地利用预测模型进行训练，得到所述目标土地利用预测模型。
3.根据权利要求2所述的土地利用类型预测方法，其特征在于，所述基于所述训练集和测试集，对初始土地利用预测模型进行训练，得到所述目标土地利用预测模型，包括：
采用所述训练集对初始土地利用预测模型进行训练，得到第一土地利用预测模型；
采用所述测试集对所述第一土地利用预测模型进行验证；
判断是否满足训练停止条件；所述训练停止条件包括验证精度不小于预设阈值或者迭代次数达到预设次数；
基于所述判断的结果，确定所述目标土地利用预测模型。
4.根据权利要求3所述的土地利用类型预测方法，其特征在于，所述基于所述判断的结果，确定所述目标土地利用预测模型，包括：
在未满足训练停止条件的情况下，重复执行所述采用所述训练集对初始土地利用预测模型进行训练的步骤；
在满足训练停止条件的情况下，将所述第一土地利用预测模型作为目标土地利用预测模型。
5.根据权利要求1至4任一项所述的土地利用类型预测方法，其特征在于，所述土地利用类型包括以下至少一项：耕地、林地、草地、水域、建设用地和未利用地。
6.一种土地利用类型预测装置，其特征在于，包括：
获取模块，用于获取目标区域在第一时间的土地利用遥感影像数据；
处理模块，用于对所述土地利用遥感影像数据进行处理，得到所述目标区域对应的至少一个像元在所述第一时间的土地利用数据；
预测模块，用于将各所述像元在第一时间的土地利用数据输入至目标土地利用预测模型，得到所述目标土地利用预测模型输出的各所述像元在第二时间的土地利用类型；所述目标土地利用预测模型是基于样本土地利用数据和样本标签数据进行训练得到的，用于对所述目标区域对应的各所述像元在所述第二时间的土地利用类型进行预测；
所述目标土地利用预测模型包括长短期记忆LSTM递归神经网络模块和多层感知器，所述预测模块，具体用于：
将各所述像元在第一时间的土地利用数据输入至所述LSTM递归神经网络模块，得到所述LSTM递归神经网络模块输出的各所述像元分别对应的土地利用特征数据；
将各所述像元分别对应的土地利用特征数据输入至所述多层感知器，得到所述多层感知器输出的各所述像元在第二时间的土地利用类型。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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至5任一项所述土地利用类型预测方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述土地利用类型预测方法。
CN202211313851.2A 2022-10-25 2022-10-25 土地利用类型预测方法、装置、电子设备及存储介质 Active CN115545334B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211313851.2A CN115545334B (zh) 2022-10-25 2022-10-25 土地利用类型预测方法、装置、电子设备及存储介质
ZA2023/09788A ZA202309788B (en) 2022-10-25 2023-10-20 Method, device, electronic equipment and storage medium for predicting land-use types

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211313851.2A CN115545334B (zh) 2022-10-25 2022-10-25 土地利用类型预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115545334A CN115545334A (zh) 2022-12-30
CN115545334B true CN115545334B (zh) 2024-04-02

Family

ID=84719002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211313851.2A Active CN115545334B (zh) 2022-10-25 2022-10-25 土地利用类型预测方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN115545334B (zh)
ZA (1) ZA202309788B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116246175B (zh) * 2023-05-05 2023-07-14 西昌学院 土地利用信息生成方法、电子设备和计算机可读介质
CN117370844A (zh) * 2023-11-02 2024-01-09 重庆数字城市科技有限公司 一种空间大数据治理方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268527A (zh) * 2016-12-30 2018-07-10 航天星图科技（北京）有限公司 一种检测土地利用类型变化的方法
CN111738329A (zh) * 2020-06-19 2020-10-02 中南大学 一种面向时间序列遥感影像的土地利用分类方法
CN111931738A (zh) * 2020-09-28 2020-11-13 南京邮电大学 用于遥感影像的神经网络模型预训练方法、装置
KR20200136535A (ko) * 2019-05-27 2020-12-08 공주대학교 산학협력단 지역적 토지피복 변화 기댓값을 이용한 격자 단위 토지피복 변화 추정 방법
CN113807278A (zh) * 2021-09-23 2021-12-17 华中师范大学 一种基于深度学习的土地利用分类及变化预测方法
CN114821340A (zh) * 2022-06-01 2022-07-29 河南大学 一种土地利用分类方法及***
CN114998361A (zh) * 2022-06-07 2022-09-02 山西云时代智慧城市技术发展有限公司 一种基于Transformers-MulMLA的农业土地覆盖时空语义分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11068737B2 (en) * 2018-03-30 2021-07-20 Regents Of The University Of Minnesota Predicting land covers from satellite images using temporal and spatial contexts

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268527A (zh) * 2016-12-30 2018-07-10 航天星图科技（北京）有限公司 一种检测土地利用类型变化的方法
KR20200136535A (ko) * 2019-05-27 2020-12-08 공주대학교 산학협력단 지역적 토지피복 변화 기댓값을 이용한 격자 단위 토지피복 변화 추정 방법
CN111738329A (zh) * 2020-06-19 2020-10-02 中南大学 一种面向时间序列遥感影像的土地利用分类方法
CN111931738A (zh) * 2020-09-28 2020-11-13 南京邮电大学 用于遥感影像的神经网络模型预训练方法、装置
CN113807278A (zh) * 2021-09-23 2021-12-17 华中师范大学 一种基于深度学习的土地利用分类及变化预测方法
CN114821340A (zh) * 2022-06-01 2022-07-29 河南大学 一种土地利用分类方法及***
CN114998361A (zh) * 2022-06-07 2022-09-02 山西云时代智慧城市技术发展有限公司 一种基于Transformers-MulMLA的农业土地覆盖时空语义分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Machine learning in modelling land-use and land cover-change (LULCC): Current status, challenges and prospects;Junye Wang etal;《Science of the Total Environment》;第1-17页 *
Monitoring Land Use Changes and Their Future Prospects Using GIS and ANN-CA for Perak River Basin, Malaysia;Muhammad Talha Zeshan etal;《WATER》;第1-20页 *
结合 VGGNet 与 Mask R-CNN 的高分辨率 遥感影像建设用地检测;陈敏等;《遥感技术与应用》;第36卷(第2期);第256-264页 *

Also Published As

Publication number Publication date
ZA202309788B (en) 2024-05-30
CN115545334A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
Chen et al. Traffic flow imputation using parallel data and generative adversarial networks
CN115545334B (zh) 土地利用类型预测方法、装置、电子设备及存储介质
US20230325557A1 (en) Estimating physical parameters of a physical system based on a spatial-temporal emulator
CN107153874A (zh) 水质预测方法及***
CN110321603A (zh) 一种用于航空发动机气路故障诊断的深度计算模型
Braakmann-Folgmann et al. Sea level anomaly prediction using recurrent neural networks
CN111767517B (zh) 一种应用于洪水预测的BiGRU多步预测方法、***及存储介质
CN112910711B (zh) 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质
CN112712214B (zh) 海事搜救对象轨迹预测方法、***、装置和存储介质
CN114723188A (zh) 水质预测方法、装置、计算机设备和存储介质
CN110795522A (zh) 一种移动用户轨迹位置的预测方法及装置
CN117494871A (zh) 一种考虑船舶交互影响的船舶轨迹预测方法
CN115859805A (zh) 基于混合加点准则的自适应序贯试验设计方法和装置
KR102489473B1 (ko) 인공 지능 모델을 이용한 기후 지수 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법 및 시스템
CN116976227B (zh) 一种基于lstm机器学习的风暴增水预报方法及***
CN117636183A (zh) 一种基于自监督预训练的小样本遥感图像分类方法
CN110852415B (zh) 基于神经网络算法的植被指数预测方法、***及设备
CN117172355A (zh) 融合时空粒度上下文神经网络的海表温度预测方法
CN115618714B (zh) 一种太阳辐射概率预报方法及相关设备
CN116822722A (zh) 水位预测方法、***、装置、电子设备及介质
CN116484904A (zh) 一种基于人工智能深度学习的监管数据处理实现方法
CN115545159A (zh) 一种深度神经网络的平均海表面温度预报方法
CN114720129A (zh) 一种基于双向gru的滚动轴承剩余寿命预测方法及***
CN113011657A (zh) 进行台风水位预测的方法、装置、电子设备及存储介质
CN114118508A (zh) 一种基于时空卷积网络的od市场航空客流量预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant