[发明专利]多特征和模型耦合的牧畜遥感监测方法、系统及存储介质

说明书

本发明公开了一种多特征和模型耦合的牧畜遥感监测方法、系统及存储介质，涉及对地监测领域。具体步骤如下：采集监测数据，监测数据为监测区域内当期高分遥感影像和背景高分遥感影像；建立基于深度学习的牧畜群检测模型；通过牧畜群检测模型对监测数据进行检测，得到牧畜群分布数据；利用基于高斯拉普拉斯梯度差和面向对象的方法提取监测数据的牧畜斑点，形成牧畜斑点分布数据；用牧畜斑点分布数据对牧畜群分布数据进行校验和增强，形成增强的牧畜群监测结果，再通过人工辅助修边，形成精准的牧畜群数据及其内部所包含的牧畜斑点数据。本发明可以精准、高效掌握牧畜群的分布信息，有效监测评估了区域牧畜的资源量和区域载畜压力。

技术领域

本发明涉及对地监测技术领域，更具体的说是涉及一种多特征和模型耦合的牧畜遥感监测方法、系统及存储介质。

背景技术

目前对牧畜数量和放牧活动的监管多依托逐级填报统计、入户调查、无人机抽查、在线视频或穿戴式设备监控等方式。其中逐级填报方式存在一定漏报、虚报、瞒报的可能，数据质量难以有保障；入户调查统计方式成本高，只能采取抽样估算，难以全面实施；在线视频或穿戴式设备方式通常只能安装在出入口、羊圈等区域，可操作性差，且投入和运维成本高。

随着遥感技术的发展，基于卫星遥感的牧畜监测评估成为了一个新的方向。但是大部分都集中在理论载畜量的监测(基于卫星遥感监测评估草地的生物量，从而间接估算理论载畜量)，鲜有实际载畜方面的研究和应用。随着亚米级高分卫星技术、无人机技术等探测技术的发展以及人工智能等识别技术的发展，出现了基于无人机的大型哺乳动物、牛羊等家畜的监测识别。但是这种基于无人机的方法，一方面从技术上来说，由于无人机拍摄的分辨率很高(可达到亚分米级别)，图像上牧畜的尺寸足够大、信息也丰富，因此技术难度比较小；从经济可行性来说，无人机航拍代价大，依然只能通过抽样的方式开展，难以全面开展。因此发展一种基于高分卫星的牧畜遥感监测方法非常必要，无论是从经济上，还是从拓展微小目标的遥感监测识别技术来说都非常有意义。

规则集、面向对象等传统方法可综合各种知识和规则，机理性强，但对成像条件、经验知识、特征参数等非常敏感，普适性、可迁移性要差。深度学习等机器学习方法是基于样本的自学习训练，可以弥补传统方法的不足，但是由于深度学习方法对“小目标”的识别精度不高，仅约30％的水平。而牛羊等牧畜更小，在亚米级的卫星遥感影像上，表现为典型的“微小目标”，相对来说属于一种“微弱信号”，识别监测难度非常大，因此基于深度学习的方法对其的识别精度必然更低。由此可见，单纯依靠深度学习方法或传统方法中的一种难以实现牧畜的精准监测，对本领域技术人员来说，如何将深度学习和面向对象两者的优势相结合进行牧畜遥感监测，是亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种多特征和模型耦合的牧畜遥感监测方法、系统及存储介质，以解决背景技术中存在的问题，精准、高效掌握草原牧区牛、羊等牧畜群的类型、分布、数量、大体规模等信息。

为了实现上述目的，本发明采用如下技术方案：一方面，提供一种基于深度学习与面向对象相结合的牧畜高分遥感监测方法，具体步骤包括如下：

采集监测数据，所述监测数据为监测区域内当期高分遥感影像和背景高分遥感影像；

建立基于深度学习的牧畜群检测模型；

通过所述牧畜群检测模型对所述监测数据进行检测，得到牧畜群分布数据；

利用基于高斯拉普拉斯梯度差和面向对象的方法提取所述监测数据的牧畜斑点，形成牧畜斑点分布数据；

通过所述牧畜斑点分布数据对所述牧畜群分布数据进行校验和增强，形成增强的牧畜群监测结果，针对增强的牧畜群监测结果通过人工辅助修边，形成最终牧畜群数据和牧畜群内部的牧畜斑点数据。

可选的，还包括对所述监测数据进行预处理，预处理方法为几何精纠正和图像增强，其中图像增强通过双边滤波算法实现图像增强。