[0001] 本发明涉及土地资源规划技术领域，更具体的说是涉及一种检测土地利用类型变化的方法。

[0002] 土地利用类型指的是土地利用方式相同的土地资源单元，是根据土地利用的地域差异划分的，是反映土地用途、性质及其分布规律的基本地域单位。通过研究和划分土地利用类型，一可查清各类用地的数量及其地区分布，评价土地的质量和发展潜力；二可阐明土地利用结构的合理性，揭示土地利用存在问题，为合理利用土地资源，调整土地利用结构和确定土地利用方向提供依据。而检测土地利用类型在时间上的变化，对合理规划土地资源，保护生态环境有着重要意义。现有的土地利用类型检测方法采用遥感图像变化检测，在获取了土地的遥感影像数据后对齐进行处理，之后先检测两个时间对应的遥感影像发生的变化情况，之后在对遥感图像进行利用类型的分类，将变化情况和分类结果结合得到土地利用类型的变化情况，这种方法需要对原始遥感影像进行两次检测并集合两种检测结果，步骤较为复杂并且准确率较低，因此，如何提供一种检测土地利用类型变化是本领域技术人员亟需解决的问题。

[0023] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。

[0024] 本发明实施例公开了一种检测土地利用类型变化的方法，如图1所示，包括以下步骤：

[0025] S1、获取多个土地区域的遥感影像数据，对于同一土地区域，获取的数据包括不同时间的遥感影像数据；

[0026] S2、通过人工标注的方式对遥感影像数据集内的土地利用类型进行标注，得到训练数据集；

[0027] S3、构建利用类型识别网络和类型变化识别网络，基于训练数据集训练利用类型识别网络和类型变化识别网络；

[0028] S4、获取待检测土地在不同时间的遥感影像数据；

[0029] S5、将不同时间的遥感影像数据输入土地利用类型识别网络，输出不同时间的土地利用类型特征以及对应的土地利用类型识别结果；

[0030] S6、将不同时间的土地利用类型特征输入类型变化识别网络，输出土地利用类型变化识别结果。

[0031] 进一步的，S2进行人工标注前、S4获取待检测土地在不同时间的遥感影像数据后均对遥感影像数据进行预处理，包括辐射定标和大气校正处理。

[0032] 遥感图像在获取过程中，会受到一些因素的影响，包括大气吸收与散射、传感器定标、地形因素，且会随时间的不同而有所差异。因此，在多个时间的遥感图像中，除了地物的变化会引起图像中辐射值的变化外，不变的地物在不同时间的遥感图像中的辐射值也会有差异，因此，需要通过辐射定标和大气校正处理去除上述影响；在本发明的一个实施例中，预处理还包括重剪裁处理，将所有遥感图像剪裁为512×512的大小。

[0033] 进一步的，S2中通过人工标注将土地利用类型分为居民建筑用地、耕地、林地、草地、水域和山体6个类型。

[0034] 进一步的，S2得到训练数据集后，通过数据增强对训练数据集进行扩充，包括平移、旋转、改变亮度、缩放和剪切，将扩充后的数据集用于利用类型识别网络和类型变化识别网络的训练；

[0035] 进一步的，利用类型识别网络包括下采样模块、特征融合模块、上采样模块和特征提取模块，其中，下采样模块、上采样模块和特征提取模块依次连接，下采样模块和上采样模块之间还设置有特征融合模块。

[0036] 进一步的，如图2所示，下采样模块包括1个卷积单元和4个依次连接的下采样单元，上采样模块包括4个依次连接的上采样单元，特征融合模块包括4个特征融合连接层，卷积单元通过1个特征融合连接层与第4个上采样单元连接，第1个下采样单元通过1个特征融合连接层与第3个上采样单元连接，第2个下采样单元通过1个特征融合连接层与第2个上采样单元连接，第3个下采样单元通过1个特征融合连接层与第1个上采样单元连接，第4个下采样单元直接与第1个上采样单元连接，一个下采样单元由2个3×3的卷积层、1个RELU层和1个最大池化层组成，每个上采样单元由1个2×2的上采样卷积层、2个3×3的卷积层和1个RELU层组成；在本发明实施例中，输入512×512的遥感图像分别在4个下采样单元提取尺寸为256×256、128×128、64×64、32×32的特征图像，4个上采样单元基于32×32的特征图像进行上采样卷积和差值得到尺寸为512×512的特征图像，在上采样过程中，特征融合模块分别将4个下采样单元依次与第2个上采样单元、第3个上采样单元、第4个上采样单元和特征提取模块连接；

[0037] 更进一步的，在本发明实施例中，采用梯度下降算法训练利用类型识别网络，迭代次数为500次，使用Adam优化器，学习率设置为0.01，损失函数采用交叉熵损失函数。

[0038] 进一步的，如图3所示，类型变化识别网络包括特征校准模块和变化检测模块，特征校准模块对两个不同时间的土地利用类型特征进行偏移校准，变化检测模块输出土地利用类型变化识别结果。

[0039] 更进一步的，在本发明实施例中，特征校准模块通过FlowNet提取两个不同时间的土地利用类型特征的偏移量后对齐进行校准:

[0040] a＝Concat(a0(b+Δb0)‑a1,a1(b+Δb0)‑a0)

[0041] 式中，a为校准后的特征图，a0、a1分别为校准前的两张特征图，b为利用类型识别网络中第一张特征图的特征位置，Δb0为FlowNet提取的偏移量。

[0042] 在本发明实施例中，采用梯度下降算法训练类型变化识别网络，迭代次数为1000次，使用AdamW优化器，学习率设置为0.01，损失函数采用交叉熵损失函数。

[0043] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

[0044] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。