(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211296692.X (22)申请日 2022.10.21 (71)申请人 河北省科 学院地理科 学研究所 地址 050000 河北省石家庄市长安区西大 街94号 (72)发明人 郝庆涛　孙雷刚　鲁军景　左璐　 刘剑锋　尚月敏　马晓倩　黄亚云　 (74)专利代理 机构 北京德崇智捷知识产权代理 有限公司 1 1467 专利代理师 郜彦茹 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于多源特征融合的土地覆被遥感监 测方法 (57)摘要 本发明公开了一种基于多源特征融合的土 地覆被遥感监测方法， 包括： 多源遥感数据的处 理、 配准及融合； 多源特征融合土地覆被遥感分 类样本集构建； 基于多源特征融合的土地覆被遥 感分类模型MSFFNet的构建； 利用构建的样本集 对MSFFNet模型进行训练； 利用MSFFNet最终模型 对待分类多源遥感数据进行分类； 对分类结果进 行后处理， 包括矢量化、 边缘平滑和细碎图斑处 理等， 得到矢量化的土地覆被类型分类结果。 该 方法通过利用多源特征融合的方法， 提高了土地 覆被遥感分类的精度， 能够快速、 准确地从大批 量、 大范围的遥感数据中提取矢量化的土地覆被 分类结果， 为快速、 准确和智 能化的土地覆被监 测提供了手段， 操作简单， 易于在大尺度范围推 广应用。 权利要求书4页 说明书11页 附图5页 CN 115527123 A 2022.12.27 CN 115527123 A 1.一种基于多源特 征融合的土地覆被遥感监测方法， 其特 征在于， 包括以下步骤： S1， 多源遥感数据处 理； S1‑1， 获取原始遥感影像并进行预处理， 得到像元值为地物真实反射率的多光谱遥感 影像结果图； S1‑2， 针对步骤S1 ‑1中的多光谱遥感影像结果图， 计算归一化植被指数NDVI、 归一化水 体指数NDWI和归一化建筑指数NDBI， 分别得到NDVI空间分布图、 NDWI空间分布图和NDBI空 间分布图； S1‑3， 获取遥感影像覆盖区域的原始数字表面模型DSM， 依次进行归一化处理和重采样 处理， 得到数字表面模型 结果图； S1‑4， 获取遥感影像覆盖区域的原始地表温度ST， 并进行重采样， 得到地表温度结果 图； S2， 多源遥感数据配准与融合； S2‑1， 基于步骤S1 ‑3中得到的数字表面模型结果图和步骤S1 ‑4得到的地表温度结果图 分别与步骤S1 ‑1得到的多光谱遥感影像结果图进 行配准， 得到配准数字表 面模型结果图和 配准地表温度结果图； S2‑2， 基于步骤S1 ‑1、 步骤S1 ‑2、 步骤S2 ‑1分别得到的多光谱遥感影像结果图、 NDVI空 间分布图、 NDWI空间分布图、 NDBI空间分布图、 配准数字表面模型结果图、 配准地表温度结 果图进行融合， 得到多源特征融合栅格结果图， 其中， 多源特征融合栅格结果图包括多光谱 通道、 NDVI通道、 NDWI通道、 NDBI通道、 DSM通道和ST通道， 多光谱通道包括真彩色红绿蓝通 道及除红绿蓝 外的其他光谱通道； S3， 针对步骤S2 ‑2得到的多源特征融合栅格结果图按照预定尺寸进行规则化切片得到 规则化的多源特 征融合栅格切片集 合； S4， 针对步骤S3 中得到的规则化的多源特征融合栅格切片集合中的每个栅格切片进行 以下操作： S4‑1， 基于每个栅格切片分别进行旋转数据增强处理与镜像数据增强处理中的一种或 两种， 并将处理后的栅格切片加入到多源特征融合栅格切片集合中， 得到增强后的增强样 本集合； S4‑2， 针对增 强样本集合中的每个栅格切片进行样本标注， 将栅格切片按照不同的土 地覆被类型划分成不同的区域， 并分别赋予对应的标记值， 以得到栅格切片对应的样本标 注集合； S5， 针对步骤S4得到的样本标注集合， 根据随机原则， 按照预先设定的比例， 划分成训 练集、 验证集和 测试集三部分， 得到多源特 征融合土地覆被遥感分类样本集； S6， 构建基于多源特征融合的土地覆被遥感分类模型MSFFNet， 首先通过两个 并行的分 支骨干网络DBBN分别对多源特征融合的栅格数据的真彩色红绿蓝三个通道以及除红绿蓝 外的其他光谱通道、 NDVI指数通道、 NDWI指数通道、 NDBI指数通道、 DSM通道、 ST通道两部分 进行特征提取； 接着通过轻量化的特征融合模块将两分支网络提取 的特征进行融合， 得到 融合特征结果图； 然后将 融合特征结果图输入至一个改进的双重注意力模块MDAM中， 双重 注意力模块MDAM对融合特征结果图的空间维和通道维的语义相关性进 行建模； 再通过跳跃 结构将融合特征结果图的深层特征与真彩色分支网络提取的浅层特征进 行融合， 得到包含权　利　要　求　书 1/4 页 2 CN 115527123 A 2细节信息的新的深层融合特征图； 最后通过双线性内插将深层融合特征图进 行上采样恢复 到输入栅格的原 始尺寸， 并经Softmax分类 器进行分类， 得到 土地覆被分类结果图； S7， 分别针对步骤S5得到的多源特征融合土地覆被遥感分类样本集和步骤S6构 建的土 地覆被遥感分类模型MSF FNet进行训练， 训练过程包括以下操作： S7‑1， 对土地覆被遥感分类模型MSFFNet的参数进行初始化， 其 中DBBM模块的真彩色特 征提取分支加载在大规模自然场景图像数据集上迁移学习的参数， 另一分支 参数进行随机 初始化， 双重注意力模块MDAM的参数初始化为零； 接着用步骤S5得到的多源特征融合土地 覆被遥感分类样本集中的训练集和验证集对土地覆被遥感分类模型MSFFNet进行训练， 得 到训练后的MSF FNet训练模型； S7‑2， 利用步骤S5得到的多源特征融合土地覆被遥感分类样本集中的测试集对训练后 的MSFFNet训练模 型进行精度验证， 采用总体精度OA对MSFFNet训练模 型的分类精度进行评 价， 当MSFFNet训练模型精度满足实际应用需求时， MSFFNet训练模型训练完成； 否则， 采取 包括增加样本数量、 提高样本集的多样性以及增加训练迭代次数中的一种或多种措施进 行 继续训练， 直到 MSFFNet训练模型精度满足要求， 得到训练完成的MSF FNet最终模型； S8， 重复步骤S1至步骤S3， 得到待分类的规则化的待测多源特 征融合栅格切片集 合； S9， 将步骤S8得到的待分类多源特征融合栅格切片集合中的栅格切片依次输入到步骤 S7中的MSF FNet最终模型中， 得到每 个栅格切片对应的土地覆被分类结果 栅格图； S10， 基于步骤S9得到的每个栅格切片对应的土地覆被分类结果栅格图进行合并， 得到 土地覆被分类结果 栅格图； S11， 针对步骤S10得到的土地覆被分类结果栅格图， 将土地覆被分类结果栅格图矢量 化， 得到土地覆被分类结果矢量图； S12， 针对步骤S11得到的土地覆被分类结果矢量 图进行边缘平滑以及细碎图斑处理， 得到土地覆被分类结果图。 2.如权利要求1所述的一种基于多源特征融合的土地覆被遥感监测方法， 其特征在于， 所述步骤S1‑1中的预处 理包括辐射定标、 大气校正、 正 射校正和波段融合。 3.如权利要求1所述的一种基于多源特征融合的土地覆被遥感监测方法， 其特征在于， 所述步骤S1‑2中NDVI指数、 NDW I指数和NDBI指数的计算公式分别为： 其中， NIR、 Red、 Green和SWIR分别为遥感影像的近红外波段的值、 红波段的值、 绿波段 的值和短波红外波段的值。 4.如权利要求1所述的一种基于多源特征融合的土地覆被遥感监测方法， 其特征在于， 所述步骤S4 ‑1中的数据增强处理是指通过对图像进 行翻转、 裁剪、 变换、 加噪声处理中的一 种或多种。 5.如权利要求1所述的一种基于多源特征融合的土地覆被遥感监测方法， 其特征在于， 所述步骤S6中的用于对DBBM模块的两个分支分别提取的特征进行融合的轻量化特征融合权　利　要　求　书 2/4 页 3 CN 115527123 A 3