[发明专利]一种基于面向对象和深度学习的敏感用地识别方法

权利要求书

1.一种基于面向对象和深度学习的敏感用地识别方法，其特征在于：包括如下步骤：

步骤一、选取遥感影像：结合卫星传感器的覆盖范围，以及植被、积雪、降雨、云层对敏感用地的影响，进行遥感影像的选取；

步骤二、建立样本库：根据遥感影像的色调、色彩、形状、阴影、纹理、大小、空间位置、图形，建立各种地物与卫星影像的对应关系；

首先，采用现场调查的方式获得每类地物照片；然后，在影像上对应位置获得地物在影像上的图片，经人工现场调查获得各类敏感用地现场图片，经人工现场调查和POI数据通过目视解译的方法获取敏感用地的空间位置，在影像数据上进行标注，获取遥感影像上的敏感用地的样本，并通过提取各类样本的特征信息，建立敏感用地的遥感解译样本特征库；

步骤三、面向对象的敏感用地识别：1)确定不同类型敏感用地所需要使用的特征类型；

2)输入遥感影像，将整幅输入的遥感影像分割为多个对象，分割时针对不同类型的敏感用地对应着各自不同的分割尺度，设定分割参数值，确定最优尺度；

3)确定不同敏感用地的特征值区间，对遥感图像上的不同对象进行分类，确定各个对象对应的类别，得到识别结果；

步骤四、基于深度学习技术识别敏感用地：1)构建神经网络层模型：借鉴经典卷积网络结构特点和优势，构建适用于敏感用地识别的网络模型；

2)构建编译运行模型：构建损失函数，使模型朝好的方向发展；构建优化器函数，模型根据得到的结果和损失函数对模型进行优化；构建评价方式，用于监督训练和测试过程的准去程度；

3)利用样本中的训练集数据训练深度神经网络模型；

4)利用样本中的测试集数据对深度神经网络模型进行精度评估；

5)将研究区域的遥感影像输入到深度学习模型中，得到敏感用地。

2.根据权利要求1所述的基于面向对象和深度学习的敏感用地识别方法，其特征在于：它还包括敏感用地信息入库：分类出各类敏感用地后，在地理信息分析软件中计算敏感用地的相关属性，通过数据导入的方式作为疑似污染场地属性信息导入疑似污染场地信息数据库中。

3.根据权利要求2所述的基于面向对象和深度学习的敏感用地识别方法，其特征在于：遥感影像选取的具体过程为：1)确定研究区域范围和遥感影像类型；2)在地理空间数据云平台上，输入包括条带号、日期、云量、经纬度的条件信息，下载对应的遥感影像。

4.根据权利要求3所述的基于面向对象和深度学习的敏感用地识别方法，其特征在于：对于敏感用地的遥感解译样本特征库，需随机抽取样本库中70％样本作为训练集，深度学习技术开展疑似污染场地周边敏感用地的研究，并利用剩余30％样本作为测试集，进行模型的有效性评估。

5.根据权利要求4所述的基于面向对象和深度学习的敏感用地识别方法，其特征在于：通过eCognition或ENVI软件自带的分割算法或手工编写的SLIC算法将整幅输入的遥感影像分割为多个对象。

6.根据权利要求5所述的基于面向对象和深度学习的敏感用地识别方法，其特征在于：利用机器学习方法基于模糊规则分类器和基于样本面向对象分类器方法确定不同敏感用地的特征值区间。