本發(fā)明涉及林區(qū)動態(tài)變化檢測領(lǐng)域，尤其涉及一種林區(qū)跨季變化檢測方法。

背景技術(shù)：

1、對林區(qū)進(jìn)行動態(tài)變化檢測，可以及時(shí)了解森林資源的數(shù)量和質(zhì)量，掌握森林資源的消長變化規(guī)律和趨勢，分析影響與制約森林生長的自然、經(jīng)濟(jì)、社會客觀條件，建立或更新森林資源檔案，對揭示生態(tài)系統(tǒng)環(huán)境變化、植被恢復(fù)和重建布局等具有重要意義。

2、遙感技術(shù)為林區(qū)動態(tài)變化檢測提供了新的手段，與傳統(tǒng)的森林資源清查相比，通過遙感技術(shù)能獲得大量不同空間分辨率、多時(shí)相的林區(qū)影像數(shù)據(jù)，為森林變化檢測提供了豐富的數(shù)據(jù)源。

3、通過中分辨率成像光譜設(shè)備，可以獲得低空間分辨率的林區(qū)遙感時(shí)間序列數(shù)據(jù)。林區(qū)遙感時(shí)間序列數(shù)據(jù)具有高時(shí)間分辨率的特性，可以應(yīng)用在大尺度的林區(qū)變化監(jiān)測中，獲得更多時(shí)間點(diǎn)的地表覆蓋信息。但是這些數(shù)據(jù)空間分辨率較低，只能監(jiān)測大面積的土地利用類型的變化，對變化相對較小的區(qū)域很難監(jiān)測。

4、通過高分辨率成像光譜設(shè)備，可以獲得林區(qū)多時(shí)相高空間分辨率遙感影像數(shù)據(jù)。這些數(shù)據(jù)具有更高的空間分辨率，能夠檢測到林區(qū)更精細(xì)的變化，但不能很好地檢測林區(qū)的跨季變化。

技術(shù)實(shí)現(xiàn)思路

1、鑒于目前技術(shù)存在的上述不足，本發(fā)明提供一種林區(qū)跨季變化檢測方法，基于林區(qū)植被類型變化檢測，整合林區(qū)物候及環(huán)境擾動變化信息，提取植被覆蓋精細(xì)尺度詳細(xì)變化信息，實(shí)現(xiàn)年內(nèi)多期植被覆蓋精細(xì)變化信息準(zhǔn)確提取。

2、為達(dá)到上述目的，本發(fā)明的實(shí)施例采用如下技術(shù)方案：

3、一種林區(qū)跨季變化檢測方法，包括以下步驟：

4、獲取林區(qū)遙感時(shí)間序列數(shù)據(jù)和多時(shí)相高空間分辨率遙感影像數(shù)據(jù)；

5、根據(jù)遙感時(shí)間序列數(shù)據(jù)構(gòu)建樣本數(shù)據(jù)集，基于卷積神經(jīng)網(wǎng)絡(luò)和時(shí)間注意力機(jī)制構(gòu)建時(shí)間序列全卷積神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練，獲得林區(qū)物候及環(huán)境擾動檢測模型；

6、根據(jù)多時(shí)相高空間分辨率遙感影像數(shù)據(jù)構(gòu)建樣本數(shù)據(jù)集，基于卷積神經(jīng)網(wǎng)絡(luò)模型和多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)全卷積神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練，獲得林區(qū)植被類型變化檢測模型；

7、將遙感時(shí)間序列數(shù)據(jù)輸入林區(qū)物候及環(huán)境擾動檢測模型，獲得林區(qū)物候及環(huán)境擾動檢測結(jié)果；

8、根據(jù)林區(qū)物候及環(huán)境擾動檢測結(jié)果，對林區(qū)植被類型變化檢測模型進(jìn)行微調(diào)和再訓(xùn)練，獲得林區(qū)跨季變化檢測模型；

9、將多時(shí)相高空間分辨率遙感影像數(shù)據(jù)輸入林區(qū)跨季變化檢測模型，獲得林區(qū)跨季變化檢測結(jié)果。

10、依照本發(fā)明的一個(gè)方面，所述林區(qū)跨季變化檢測方法還包括：對林區(qū)遙感時(shí)間序列數(shù)據(jù)和多時(shí)相高空間分辨率遙感影像數(shù)據(jù)進(jìn)行預(yù)處理。

11、依照本發(fā)明的一個(gè)方面，所述對林區(qū)遙感時(shí)間序列數(shù)據(jù)和多時(shí)相高空間分辨率遙感影像數(shù)據(jù)進(jìn)行預(yù)處理包括：輻射定標(biāo)、大氣校正、云和陰影去除、幾何校正、影像配準(zhǔn)。

12、依照本發(fā)明的一個(gè)方面，構(gòu)建樣本數(shù)據(jù)集時(shí)，對圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)，基于時(shí)間窗口滑動技術(shù)構(gòu)建樣本數(shù)據(jù)集。

13、依照本發(fā)明的一個(gè)方面，所述基于卷積神經(jīng)網(wǎng)絡(luò)和時(shí)間注意力機(jī)制構(gòu)建時(shí)間序列全卷積神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練包括：

14、利用分層深度卷積網(wǎng)絡(luò)架構(gòu)作為空間編碼器，通過逐級設(shè)置卷積層、relu激活函數(shù)和批量規(guī)范化層，結(jié)合步進(jìn)卷積模塊，逐層深化特征提取，提取圖像的空間特征，獲得沿時(shí)間軸堆疊、經(jīng)空間編碼處理的特征圖；

15、集成時(shí)間注意力編碼器并應(yīng)用時(shí)間注意力機(jī)制，為序列內(nèi)各時(shí)間點(diǎn)的特征圖分配不同的權(quán)重，實(shí)現(xiàn)數(shù)據(jù)集在時(shí)間維度上的高效編碼，識別林區(qū)的時(shí)序動態(tài)特征；

16、基于u-net構(gòu)建模型，利用分層步進(jìn)轉(zhuǎn)置卷積技術(shù)逐步提升特征圖的空間分辨率，引入跳躍連接技術(shù)和注意力機(jī)制，融合特征圖與時(shí)序動態(tài)特征，重構(gòu)原始遙感時(shí)間序列數(shù)據(jù)的空間細(xì)節(jié)。

17、依照本發(fā)明的一個(gè)方面，所述基于卷積神經(jīng)網(wǎng)絡(luò)和時(shí)間注意力機(jī)制構(gòu)建時(shí)間序列全卷積神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練還包括：

18、選擇交叉熵?fù)p失函數(shù)處理像素級分類任務(wù)，并引入dice損失以提升對細(xì)小目標(biāo)的識別能力及平衡類別不均問題；

19、選用adam優(yōu)化器，提高訓(xùn)練效率和模型收斂速度；

20、實(shí)施學(xué)習(xí)率衰減策略，在訓(xùn)練初期實(shí)現(xiàn)快速學(xué)習(xí)，在后期保持穩(wěn)定收斂；

21、采用早停機(jī)制防止過擬合。

22、依照本發(fā)明的一個(gè)方面，所述基于卷積神經(jīng)網(wǎng)絡(luò)和時(shí)間注意力機(jī)制構(gòu)建時(shí)間序列全卷積神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練還包括：

23、在驗(yàn)證集上基于多項(xiàng)指標(biāo)，至少包括精度、召回率和f1分?jǐn)?shù)，對模型進(jìn)行綜合評估；

24、根據(jù)綜合評估結(jié)果，對網(wǎng)絡(luò)模型進(jìn)行微調(diào)。

25、依照本發(fā)明的一個(gè)方面，所述基于卷積神經(jīng)網(wǎng)絡(luò)模型和多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)全卷積神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練包括：

26、構(gòu)建層次化的特征提取網(wǎng)絡(luò)作為編碼器，對高空間分辨率遙感圖像數(shù)據(jù)中包含的復(fù)雜空間信息進(jìn)行深度分析，融合時(shí)空注意力機(jī)制，整合時(shí)間維度的變化信息，從多時(shí)相高空間分辨率遙感影像數(shù)據(jù)中提取出綜合的多尺度時(shí)空特征；

27、基于transformer架構(gòu)構(gòu)建轉(zhuǎn)換器，設(shè)計(jì)時(shí)空特征整合模塊，利用自注意力機(jī)制，采用針對變化檢測和語義分割的多任務(wù)學(xué)習(xí)策略，細(xì)化和強(qiáng)化編碼器輸出的多尺度空間特征，識別植被覆蓋隨時(shí)間的變化；

28、基于多任務(wù)處理構(gòu)建解碼器，對植被覆蓋進(jìn)行變化檢測及語義分割，內(nèi)嵌自注意力機(jī)制，對時(shí)空特征進(jìn)行深化分析，優(yōu)化特征融合過程，對基于細(xì)節(jié)豐富的特征映射進(jìn)行準(zhǔn)確分析，融合編碼器輸出的多尺度時(shí)空特征和轉(zhuǎn)換器輸出的植被覆蓋隨時(shí)間的變化的復(fù)合特征，對植被覆蓋變化進(jìn)行準(zhǔn)確檢測。

29、依照本發(fā)明的一個(gè)方面，所述基于卷積神經(jīng)網(wǎng)絡(luò)模型和多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)全卷積神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練還包括：

30、采用融合式損失函數(shù)，融合語義分割的交叉熵?fù)p失與變化檢測的二值交叉熵?fù)p失，引入可調(diào)節(jié)的權(quán)重系數(shù)，根據(jù)任務(wù)特性和復(fù)雜度動態(tài)調(diào)整權(quán)重，從而實(shí)現(xiàn)任務(wù)間的平衡并優(yōu)化模型性能；

31、選用具備自適應(yīng)學(xué)習(xí)率特點(diǎn)的adam優(yōu)化器，提高訓(xùn)練效率和模型收斂速度；

32、整合動態(tài)損失權(quán)重調(diào)整與學(xué)習(xí)率調(diào)度策略，協(xié)助模型在各訓(xùn)練階段之間保持任務(wù)學(xué)習(xí)的均衡，優(yōu)化模型整體性能；

33、采用早停機(jī)制及模型正則化措施，預(yù)防過擬合，增強(qiáng)模型的泛化能力，確保訓(xùn)練過程的穩(wěn)定。

34、依照本發(fā)明的一個(gè)方面，所述基于卷積神經(jīng)網(wǎng)絡(luò)模型和多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)全卷積神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練還包括：

35、采用多項(xiàng)指標(biāo)，至少包括精確度、召回率、f1分?jǐn)?shù)以及總體準(zhǔn)確率，對模型性能進(jìn)行綜合評估；

36、根據(jù)綜合評估結(jié)果，對網(wǎng)絡(luò)模型進(jìn)行微調(diào)。

37、依照本發(fā)明的一個(gè)方面，所述林區(qū)跨季變化檢測方法還包括以下步驟：

38、根據(jù)林區(qū)跨季變化檢測結(jié)果，構(gòu)建林區(qū)跨季變化時(shí)空分布圖。

39、一種林區(qū)跨季變化檢測系統(tǒng)，基于如上所述的林區(qū)跨季變化檢測方法，包括：

40、數(shù)據(jù)獲取模塊，用于獲取林區(qū)遙感時(shí)間序列數(shù)據(jù)和多時(shí)相高空間分辨率遙感影像數(shù)據(jù)；

41、物候擾動模型構(gòu)建模塊，用于根據(jù)遙感時(shí)間序列數(shù)據(jù)構(gòu)建樣本數(shù)據(jù)集，基于卷積神經(jīng)網(wǎng)絡(luò)和時(shí)間注意力機(jī)制構(gòu)建時(shí)間序列全卷積神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練，獲得林區(qū)物候及環(huán)境擾動檢測模型；

42、植被變化模型構(gòu)建模塊，用于根據(jù)多時(shí)相高空間分辨率遙感影像數(shù)據(jù)構(gòu)建樣本數(shù)據(jù)集，基于卷積神經(jīng)網(wǎng)絡(luò)模型和多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)全卷積神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練，獲得林區(qū)植被類型變化檢測模型；

43、物候擾動獲取模塊，用于將遙感時(shí)間序列數(shù)據(jù)輸入林區(qū)物候及環(huán)境擾動檢測模型，獲得林區(qū)物候及環(huán)境擾動檢測結(jié)果；

44、模型調(diào)整模塊，用于根據(jù)林區(qū)物候及環(huán)境擾動檢測結(jié)果，對林區(qū)植被類型變化檢測模型進(jìn)行微調(diào)和再訓(xùn)練，獲得林區(qū)跨季變化檢測模型；

45、檢測模塊，用于將多時(shí)相高空間分辨率遙感影像數(shù)據(jù)輸入林區(qū)跨季變化檢測模型，獲得林區(qū)跨季變化檢測結(jié)果。

46、一種計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被執(zhí)行時(shí)實(shí)現(xiàn)如上所述的林區(qū)跨季變化檢測方法的步驟。

47、本發(fā)明實(shí)施的優(yōu)點(diǎn)：

48、本發(fā)明提供一種林區(qū)跨季變化檢測方法，利用基于林區(qū)植被類型變化檢測，整合林區(qū)物候及環(huán)境擾動變化信息，提取植被覆蓋精細(xì)尺度詳細(xì)變化信息，解決高空間分辨率遙感物候和擾動區(qū)分難的問題，彌補(bǔ)中空間分辨率遙感精細(xì)尺度變化檢測效果差的問題，實(shí)現(xiàn)年內(nèi)多期植被覆蓋精細(xì)變化信息準(zhǔn)確提取。

49、本方法還能基于多項(xiàng)指標(biāo)對網(wǎng)絡(luò)模型進(jìn)行綜合評估，根據(jù)評估結(jié)果對網(wǎng)絡(luò)模型進(jìn)行微調(diào)完善；根據(jù)林區(qū)跨季變化檢測結(jié)果，整合數(shù)據(jù)，構(gòu)建林區(qū)植被類型跨季變化時(shí)空分布圖，為環(huán)境監(jiān)控和決策分析提供了重要信息。