耕地遥感图像分析方法、装置、设备、存储介质及产品

1.本发明涉及图像处理技术领域，尤其涉及一种耕地遥感图像分析方法、装置、设备、存储介质及产品。


背景技术：

2.维护耕地的数量和质量对于粮食生产来说十分重要，而许多地方出现了不同程度的耕地撂荒现象，其会导致土地资源浪费、耕地质量下降的问题。
3.相关技术中，通常需要人为对耕种区域的图像进行判断分析，才能确定撂荒的耕地，通常效率较慢且存在一定的误判率。
4.因此，如何有效检测撂荒的耕地已经成为业界亟待解决的问题。


技术实现要素：

5.本发明提供一种耕地遥感图像分析方法、装置、设备、存储介质及产品，用以解决现有技术中如何有效检测撂荒的耕地的缺陷。
6.本发明提供一种耕地遥感图像分析方法，包括：
7.获取目标耕地区域的历史遥感影像集和当前遥感影像；
8.基于所述当前遥感影像与所述历史遥感影像集的数据分布差异分析结果，确定所述历史遥感影像集中的n个目标历史遥感影像，其中，所述目标历史遥感影像中的每个像元均对应一个耕地类型标签，n为正整数；
9.将所述目标历史遥感影像中的耕地类型标签通过多源迁移学习的方式，迁移到所述当前遥感影像中，得到当前遥感目标影像；
10.基于n个所述目标历史遥感影像和所述当前遥感目标影像对预设深度森林模型进行训练，得到训练好的耕地遥感图像分类模型；
11.其中，所述耕地遥感图像分类模型用于对所述目标耕地区域的遥感影像中各个像元的耕地类型进行分类。
12.根据本发明提供的一种耕地遥感图像分析方法，在所述得到训练好的耕地遥感图像分类模型之后，还包括：
13.将所述当前遥感影像输入所述训练好的耕地遥感图像分类模型，输出所述当前遥感影像中各个像元的耕地类型；
14.获取各个像元中耕地类型为裸地类型的目标像元，基于所述当前遥感影像的成像时间和所述目标像元对应地块的作物轮作信息，确定所述目标像元对应地块中的撂荒地块。
15.根据本发明提供的一种耕地遥感图像分析方法，基于所述当前遥感影像与所述历史遥感影像集的数据分布差异分析结果，确定所述历史遥感影像集中的n个目标历史遥感影像，包括：
16.计算所述当前遥感影像与所述历史遥感影像集中各个历史遥感影像的最大均值
差异值信息；
17.确定所述历史遥感影像集中最大均值差异值信息的权重之和大于第一预设阈值，且影像数量之和小于第二预设阈值的历史遥感影像子集，其中，所述历史遥感影像子集中包括n个目标历史遥感影像。
18.根据本发明提供的一种耕地遥感图像分析方法，基于n个所述目标历史遥感影像和所述当前遥感目标影像对预设深度森林模型进行训练，得到训练好的耕地遥感图像分类模型，包括：
19.将一个所述目标历史遥感影像或者当前遥感目标影像作为一个训练样本，获取多个训练样本；
20.利用多个所述训练样本对所述预设深度森林模型进行训练，在满足预设训练条件的情况下，停止训练，得到训练好的耕地遥感图像分类模型。
21.根据本发明提供的一种耕地遥感图像分析方法，所述耕地类型标签包括：水体类型标签、人工地物类型标签、林地类型标签、作物类型标签和裸地类型标签。
22.本发明还提供一种耕地遥感图像分析装置，包括：
23.获取模块，用于获取目标耕地区域的历史遥感影像集和当前遥感影像；
24.确定模块，用于基于所述当前遥感影像与所述历史遥感影像集的数据分布差异分析结果，确定所述历史遥感影像集中的n个目标历史遥感影像，其中，所述目标历史遥感影像中的每个像元均对应一个耕地类型标签，n为正整数；
25.迁移模块，用于将所述目标历史遥感影像中的耕地类型标签通过多源迁移学习的方式，迁移到所述当前遥感影像中，得到当前遥感目标影像；
26.训练模块，用于基于n个所述目标历史遥感影像和所述当前遥感目标影像对预设深度森林模型进行训练，得到训练好的耕地遥感图像分类模型；
27.其中，所述耕地遥感图像分类模型用于对所述目标耕地区域的遥感影像中各个像元的耕地类型进行分类。
28.根据本发明提供的一种耕地遥感图像分析装置，所述装置还用于：
29.将所述当前遥感影像输入所述训练好的耕地遥感图像分类模型，输出所述当前遥感影像中各个像元的耕地类型；
30.获取各个像元中耕地类型为裸地类型的目标像元，基于所述当前遥感影像的成像时间和所述目标像元对应地块的作物轮作信息，确定所述目标像元对应地块中的撂荒地块。
31.根据本发明提供的一种耕地遥感图像分析装置，所述装置还用于：
32.计算所述当前遥感影像与所述历史遥感影像集中各个历史遥感影像的最大均值差异值信息；
33.确定所述历史遥感影像集中最大均值差异值信息的权重之和大于第一预设阈值，且影像数量之和小于第二预设阈值的历史遥感影像子集，其中，所述历史遥感影像子集中包括n个目标历史遥感影像。
34.根据本发明提供的一种耕地遥感图像分析装置，所述装置还用于：
35.将一个所述目标历史遥感影像或者当前遥感目标影像作为一个训练样本，获取多个训练样本；
36.利用多个所述训练样本对所述预设深度森林模型进行训练，在满足预设训练条件的情况下，停止训练，得到训练好的耕地遥感图像分类模型。
37.根据本发明提供的一种耕地遥感图像分析装置，所述耕地类型标签包括：水体类型标签、人工地物类型标签、林地类型标签、作物类型标签和裸地类型标签。
38.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述耕地遥感图像分析方法。
39.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述耕地遥感图像分析方法。
40.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述耕地遥感图像分析方法。
41.本发明提供的耕地遥感图像分析方法、装置、设备、存储介质及产品，通过当前遥感影像从历史遥感影像集中筛选出特征分布差异较小的目标历史遥感影像进行后续模型训练，进一步通过多源迁移学习的方式，将目标历史遥感影像中的耕地类型标签迁移到当前遥感影像中，为新影像赋予标注样本，从而无需在新影像上人工采集训练样本，实现模型训练和地物分类的自动化，最终根据n个所述目标历史遥感影像和当前遥感目标影像对预设深度森林模型进行训练，得到用于对所述目标耕地区域的遥感影像中各个像元的耕地类型进行分类的耕地遥感图像分类模型，从而自动高效的识别撂荒的耕地。
附图说明
42.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
43.图1为本技术实施例提供的耕地遥感图像分析方法流程示意图；
44.图2为本技术实施例提供的耕地遥感图像分析主要流程图；
45.图3为本技术实施例中撂荒识别流程示意图；
46.图4为本技术实施例中所描述的耕地遥感图像分析装置结构示意图；
47.图5是本发明提供的电子设备的结构示意图。
具体实施方式
48.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
49.图1为本技术实施例提供的耕地遥感图像分析方法流程示意图，如图1所示，包括：
50.步骤110，获取目标耕地区域的历史遥感影像集和当前遥感影像；
51.具体地，本技术实施例中所描述的目标耕地区域具体可以是指需要进行撂荒情况分析的耕地，该目标耕地区域可以根据用户需求自行设定。
52.本技术实施例中所描述的历史遥感影像集中可以包含多张目标耕地区域的历史遥感影像，历史遥感影像可以是从已经存储的历史数据中获取的。
53.本技术实施例中的当前遥感影像是指最近获取的目标耕地区域的遥感影像。
54.更具体地，由于不同传感器获取的影像的分辨率会存在差异，因此在获取初始的历史遥感影像集和当前遥感影像后，对其进行空间一致性处理，将数据的空间分辨率与历史影像库中的进行统一，降低分辨率不一致引起的地物判别误差，最终实现历史遥感影像集和当前遥感影像的获取。
55.步骤120，基于所述当前遥感影像与所述历史遥感影像集的数据分布差异分析结果，确定所述历史遥感影像集中的n个目标历史遥感影像，其中，所述目标历史遥感影像中的每个像元均对应一个耕地类型标签，n为正整数；
56.更具体地，由于同一个耕地区域积累了不同时期、不同传感器类型的遥感影像，形成了该地区的历史遥感影像库，而在同一类地物在不同影像上的特征分布会存在一定的差异，因此本技术实施例中可以进一步在历史传感影像集中选取与当前遥感影像贴合的目标历史遥感影像作为训练样本。
57.更具体地，本技术实施例中当前遥感影像与所述历史遥感影像集的数据分布差异分析结果具体可以是当前遥感影像与每个历史遥感影像进行最大均值差异分析的结果。
58.通过数据分布差异分析结果，可以确定历史遥感影像集中与当前遥感影像分布差异较低的目标历史遥感影像。
59.更具体地，本技术实施例中的目标历史遥感影像中包括多个地块的遥感影像，每个地块的遥感影像由至少一个像元组成，且本技术实施例中可以是为每个地块的遥感影像均标记有耕地类型标签，即对应的每个像元也会携带有耕地类型标签。
60.本技术实施例中所描述的耕地类型标签用于标记各个地块的实际耕地类型。
61.步骤130，将所述目标历史遥感影像中的耕地类型标签通过多源迁移学习的方式，迁移到所述当前遥感影像中，得到当前遥感目标影像；
62.具体地，多源迁移学习方法提取的迁移知识已不再局限于单个的源领域数据集，而是自于两个或多个源领域数据集，能够充分利用已有的多源数据中的信息。迁移学习技术可以有效将经过处理的目标历史遥感影像中的耕地类型标签一定程度上迁移至当前遥感影像中，实现对当前遥感影像一定程度上的自动标注。
63.在本技术实施例中，当前遥感影像中信息量较为丰富的部分像元能够通过迁移学习获取耕地类型标签，即经过迁移学习后，当前遥感目标影像中的部分像元已经携带了耕地类型标签，然而当前遥感目标影像仍然存在许多的像元未携带耕地类型标签，无法确定其对应的耕地类型，需要进一步通过后续模型进行进一步分析。
64.采用迁移学习方法中的迁移成分分析(tca)算法，分别根据每一幅历史遥感影像对当前遥感影像进行迁移学习。
65.步骤140，基于n个所述目标历史遥感影像和所述当前遥感目标影像对预设深度森林模型进行训练，得到训练好的耕地遥感图像分类模型；
66.其中，所述耕地遥感图像分类模型用于对所述目标耕地区域的遥感影像中各个像元的耕地类型进行分类。
67.具体地，本技术实施例中，深度森林模型具有表征学习能力强、超参数较少、模型
结构可解释性强和计算开销小等特点。
68.在进行多源迁移学习后，基于n个所述目标历史遥感影像和当前遥感目标影像分别对预设深度森林模型进行训练，在满足预设训练条件后，会停止训练，得到训练好的耕地遥感图像分类模型，该模型可以对所述目标耕地区域的遥感影像中各个像元的耕地类型进行分类，进而有效识别目标耕地区域中的撂荒地块。
69.在本技术实施例中，通过当前遥感影像从历史遥感影像集中筛选出特征分布差异较小的目标历史遥感影像进行后续模型训练，进一步通过多源迁移学习的方式，将目标历史遥感影像中的耕地类型标签迁移到当前遥感影像中，为新影像赋予标注样本，从而无需在新影像上人工采集训练样本，实现模型训练和地物分类的自动化，最终根据n个所述目标历史遥感影像和当前遥感目标影像对预设深度森林模型进行训练，得到用于对所述目标耕地区域的遥感影像中各个像元的耕地类型进行分类的耕地遥感图像分类模型，从而自动高效的识别撂荒的耕地。
70.可选地，在所述得到训练好的耕地遥感图像分类模型之后，还包括：
71.将所述当前遥感影像输入所述训练好的耕地遥感图像分类模型，输出所述当前遥感影像中各个像元的耕地类型；
72.获取各个像元中耕地类型为裸地类型的目标像元，基于所述当前遥感影像的成像时间和所述目标像元对应地块的作物轮作信息，确定所述目标像元对应地块中的撂荒地块。
73.具体地，本技术实施例中在获取当前遥感影像中各个像元的耕地类型后，然后对每一个像元进行多分类结果加权投票，赋予该像元权重最高的类别，从而得到每个地块的耕地类别。
74.但是，由于耕种受气候和耕作周期影响很大，有些地块种植的作物只有在种植期才会种植，而其它时期在遥感影像中反馈的其可能属于裸地类型，但是这并不代表该地块真的是裸地。
75.因此，在本技术实施例中，需要进一步结合当前遥感影像的成像时间和所述目标像元对应地块的作物轮作信息进行判断。
76.首先，基于地块作物轮作信息和当前遥感影像的成像时间，确定该地块的作物是否属于种植期内。该地块作物轮作信息具体可以是根据该地块预先应当种植的作物类型确定的。
77.进一步的，若像元的耕地类型为裸地类型，则需要进一步分析该像元对应的地块是否处于种植期内，若该像元的地块处于种植期内，则说明该地块可能是撂荒地块，而该像元的地块处于非种植期内，则说明其很可能不是撂荒地块。
78.更具体地，若识别到撂荒地块则将信息上报，进一步人工确认该地块是否为撂荒地块。
79.在本技术实施例中，可以通过当前遥感影像的成像时间和目标像元对应地块的作物轮作信息，进一步对模型输出的裸地类型的地块进行二次判断，有效保证撂荒地块的识别准确性。
80.可选地，基于所述当前遥感影像与所述历史遥感影像集的数据分布差异分析结果，确定所述历史遥感影像集中的n个目标历史遥感影像，包括：
81.计算所述当前遥感影像与所述历史遥感影像集中各个历史遥感影像的最大均值差异值信息；
82.确定所述历史遥感影像集中最大均值差异值信息的权重之和大于第一预设阈值，且影像数量之和小于第二预设阈值的历史遥感影像子集，其中，所述历史遥感影像子集中包括n个目标历史遥感影像。
83.具体地，本发明中采用最大均值差异(maximum mean discrepancy,mmd)来衡量不同影像间的分布差异，mmd是迁移学习研究中最常用的差异性衡量指标之一，它先将源域数据和目标域数据映射到再生核希尔伯特空间(reproducing kernel hilbert space，rkhs)中，再计算两组数据的均值的距离。mmd的计算公式为：
[0084][0085]
式中，vmmd代表mmd的值，xs和xt分别代表源域数据和目标域数据；ns和nt分别代表源域数据和目标域数据的数量；ψ(
·
)代表核函数。mmd的值越大说明两组数据的分布差异越大，当两组数据的分布完全一致时，mmd的值等于0。
[0086]
首先分别计算历史遥感影像集中所有影像与当前遥感影像的mmd，然后对所有的mmd进行归一化，通过自适应动态选取的方式取出一组mmd的权重值之和足够大且影像数量尽量少的历史影像，作为目标历史遥感影像，进而得到历史遥感影像子集。
[0087]
在本技术实施例中，通过计算所述当前遥感影像与历史遥感影像集中各个历史遥感影像的最大均值差异值信息，从而有效从历史遥感影像集中筛选出于当前遥感影像差异尽可能小的历史遥感影像作为训练样本，能够有效保证后续训练的模型能够更好的识别目标耕地区域当前的耕地类型。
[0088]
可选地，基于n个所述目标历史遥感影像和所述当前遥感目标影像对预设深度森林模型进行训练，得到训练好的耕地遥感图像分类模型，包括：
[0089]
将一个所述目标历史遥感影像或者当前遥感目标影像作为一个训练样本，获取多个训练样本；
[0090]
利用多个所述训练样本对所述预设深度森林模型进行训练，在满足预设训练条件的情况下，停止训练，得到训练好的耕地遥感图像分类模型。
[0091]
具体地，在进行多源迁移学习之后，基于迁移后的目标历史遥感影像，分别训练模型，得到训练好的耕地遥感图像分类模型。
[0092]
本发明使用深度森林来作为耕地遥感图像分类模型。
[0093]
深度森林具有表征学习能力强、超参数较少、模型结构可解释性强和计算开销小等特点，虽然深度神经网络具有强大的性能，但是它存在依赖大量训练样本、模型复杂且可解释性差、超参数较多且调参难度高等缺点。若在合适的学习模型中引入深度神经网络强大的表征学习能力，可能会使该模型的性能足以比拟深度神经网络，同时又能规避上述缺点，因此提出了深度森林(deep forest，df)。df是一种决策树集成的模型，主要包括多粒度扫描和级联森林两个部分，下面将对此进行简单介绍。
[0094]
多粒度扫描用于增强模型的表征学习能力。序列数据的多粒度扫描过程如上图所
示，设输入的样本的原始特征维度等于400，类别数等于3。当采样窗口的大小为100维、滑动距离为1时，对该样本进行滑动采样可以得到301个子样本，每个子样本的特征维度等于100。将一个子样本输入随机森林中，得到3个类别的预测概率，因此301个子样本输入2个随机森林中，总共可以得到301
×3×
2＝1806个类预测概率，将这些类预测概率拼接在一起作为样本的多粒度特征。此外，使用多个不同大小的采样窗口来进行多粒度扫描，可以进一步增加多粒度特征的维度。由于每个子样本代表了原样本的局部特征，因此多粒度扫描相当于对原始特征进行了结构化上采样，它增强模型的表征学习能力，有助于提高模型的性能。
[0095]
深度神经网络的表征学习能力主要源自其对原始特征的逐层处理，受此启发，级联森林也由逐层递进的级联层组成，如上图所示。为了增强差异性，每个级联层使用了两个完全随机森林和两个随机森林(下文中统称为随机森林)。将随机森林输出的类预测概率作为样本的增强特征，对于一个样本，当类别数为3时，4个随机森林可以输出12个类预测概率作为该样本的增强特征，将增强特征与多粒度特征拼接在一起作为下一层级联层的输入特征。
[0096]
在级联森林的每一层级联层中，训练样本被划分为了生长集和验证集，生长集用于训练模型，验证集用于验证模型性能，当模型对验证集的预测精度不再明显提升时，停止生成新的级联层。这种方法不仅能够避免模型过拟合，还可以自适应调整模型的复杂度，使模型可以适应不同尺度的训练数据。当级联森林停止生长，将最后一层级联层中的4个随机森林对样本的类预测概率取均值，再将预测概率最高的类别作为样本的最终预测结果。
[0097]
本技术实施例中所描述的预设训练条件，具体可以是满足预设训练次数，例如训练满150次，该预设训练条件也可以是满足预设训练事件，例如训练满30分钟。
[0098]
在本技术实施例中可以通过多个所述训练样本对所述预设深度森林模型进行训练，最终得到对所述目标耕地区域的遥感影像中各个像元的耕地类型进行分类的模型，能够有效帮助识别撂荒地块。
[0099]
下面对本发明提供的耕地遥感图像分析装置进行描述，下文描述的耕地遥感图像分析装置与上文描述的耕地遥感图像分析方法可相互对应参照。
[0100]
可选地，图2为本技术实施例提供的耕地遥感图像分析主要流程图，如图2所示，包括：
[0101]
由于不同传感器获取的影像的分辨率会存在差异，因此首先对输入影像进行空间一致性处理，将数据的空间分辨率与历史遥感影像数据集中数据的进行统一，降低分辨率不一致引起的地物判别误差。
[0102]
同一类地物在不同影像上的特征分布会存在一定的差异，在迁移学习中将这些差异称为领域间的分布差异。领域间分布的差异会影响迁移学习的效果，当两个领域的差异越小时，两个领域之间越容易进行知识的迁移。
[0103]
由于同一个区域积累了不同时期、不同传感器类型的遥感影像，形成了该地区的历史源域遥感影像库，需要根据数据分布差异从历史源域遥感影像库中选取一组最适合的源域影像集，得到低差异历史遥感影像集。
[0104]
根据低差异历史遥感影像集和输入遥感影像进行多源迁移学习，然后根据迁移后当前遥感目标影像和低差异历史遥感影像集进行模型训练，在模型训练过程中使用的是深度深林模型，在完成模型训练后，得到训练好的耕地遥感图像分类模型，可以进一步根据该
分类模型对输入遥感影像中的各个像元进行分析，结合耕地图斑，提取耕地范围内未种植区域，然后结合该地区作物物候信息，提取撂荒耕地。
[0105]
图3为本技术实施例中撂荒识别流程示意图，如图3所示，根据当前遥感影像的影像成像时间和地块作物轮作信息确定当前地块是否种植期，若该地块处于种植期，则结合地块类别信息确定是否有作物种植，若无作物种植，则判断其疑似撂荒。
[0106]
图4为本技术实施例中所描述的耕地遥感图像分析装置结构示意图，如图4所示，包括：获取模块410、确定模块420、迁移模块430和训练模块440；
[0107]
其中，获取模块410用于获取目标耕地区域的历史遥感影像集和当前遥感影像；
[0108]
其中，确定模块420用于基于所述当前遥感影像与所述历史遥感影像集的数据分布差异分析结果，确定所述历史遥感影像集中的n个目标历史遥感影像，其中，所述目标历史遥感影像中的每个像元均对应一个耕地类型标签，n为正整数；
[0109]
其中，迁移模块430用于将所述目标历史遥感影像中的耕地类型标签通过多源迁移学习的方式，迁移到所述当前遥感影像中，得到当前遥感目标影像；
[0110]
其中，训练模块440用于基于n个所述目标历史遥感影像和所述当前遥感目标影像对预设深度森林模型进行训练，得到训练好的耕地遥感图像分类模型；
[0111]
其中，所述耕地遥感图像分类模型用于对所述目标耕地区域的遥感影像中各个像元的耕地类型进行分类。
[0112]
可选地，所述装置还用于：
[0113]
将所述当前遥感影像输入所述训练好的耕地遥感图像分类模型，输出所述当前遥感影像中各个像元的耕地类型；
[0114]
获取各个像元中耕地类型为裸地类型的目标像元，基于所述当前遥感影像的成像时间和所述目标像元对应地块的作物轮作信息，确定所述目标像元对应地块中的撂荒地块。
[0115]
可选地，所述装置还用于：
[0116]
计算所述当前遥感影像与所述历史遥感影像集中各个历史遥感影像的最大均值差异值信息；
[0117]
确定所述历史遥感影像集中最大均值差异值信息的权重之和大于第一预设阈值，且影像数量之和小于第二预设阈值的历史遥感影像子集，其中，所述历史遥感影像子集中包括n个目标历史遥感影像。
[0118]
可选地，所述装置还用于：
[0119]
将一个所述目标历史遥感影像或者当前遥感目标影像作为一个训练样本，获取多个训练样本；
[0120]
利用多个所述训练样本对所述预设深度森林模型进行训练，在满足预设训练条件的情况下，停止训练，得到训练好的耕地遥感图像分类模型。
[0121]
可选地，所述耕地类型标签包括：水体类型标签、人工地物类型标签、林地类型标签、作物类型标签和裸地类型标签。
[0122]
在本技术实施例中，通过当前遥感影像从历史遥感影像集中筛选出特征分布差异较小的目标历史遥感影像进行后续模型训练，进一步通过多源迁移学习的方式，将目标历史遥感影像中的耕地类型标签迁移到当前遥感影像中，为新影像赋予标注样本，从而无需
在新影像上人工采集训练样本，实现模型训练和地物分类的自动化，最终根据n个所述目标历史遥感影像和当前遥感目标影像对预设深度森林模型进行训练，得到用于对所述目标耕地区域的遥感影像中各个像元的耕地类型进行分类的耕地遥感图像分类模型，从而自动高效的识别撂荒的耕地。
[0123]
图5是本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行耕地遥感图像分析方法，该方法包括：获取目标耕地区域的历史遥感影像集和当前遥感影像；
[0124]
基于所述当前遥感影像与所述历史遥感影像集的数据分布差异分析结果，确定所述历史遥感影像集中的n个目标历史遥感影像，其中，所述目标历史遥感影像中的每个像元均对应一个耕地类型标签，n为正整数；
[0125]
将所述目标历史遥感影像中的耕地类型标签通过多源迁移学习的方式，迁移到所述当前遥感影像中，得到当前遥感目标影像；
[0126]
基于n个所述目标历史遥感影像和所述当前遥感目标影像对预设深度森林模型进行训练，得到训练好的耕地遥感图像分类模型；
[0127]
其中，所述耕地遥感图像分类模型用于对所述目标耕地区域的遥感影像中各个像元的耕地类型进行分类。
[0128]
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0129]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的耕地遥感图像分析方法，该方法包括：获取目标耕地区域的历史遥感影像集和当前遥感影像；
[0130]
基于所述当前遥感影像与所述历史遥感影像集的数据分布差异分析结果，确定所述历史遥感影像集中的n个目标历史遥感影像，其中，所述目标历史遥感影像中的每个像元均对应一个耕地类型标签，n为正整数；
[0131]
将所述目标历史遥感影像中的耕地类型标签通过多源迁移学习的方式，迁移到所述当前遥感影像中，得到当前遥感目标影像；
[0132]
基于n个所述目标历史遥感影像和所述当前遥感目标影像对预设深度森林模型进行训练，得到训练好的耕地遥感图像分类模型；
[0133]
其中，所述耕地遥感图像分类模型用于对所述目标耕地区域的遥感影像中各个像元的耕地类型进行分类。
[0134]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的耕地遥感图像分析方法，该方法包括：获取目标耕地区域的历史遥感影像集和当前遥感影像；
[0135]
基于所述当前遥感影像与所述历史遥感影像集的数据分布差异分析结果，确定所述历史遥感影像集中的n个目标历史遥感影像，其中，所述目标历史遥感影像中的每个像元均对应一个耕地类型标签，n为正整数；
[0136]
将所述目标历史遥感影像中的耕地类型标签通过多源迁移学习的方式，迁移到所述当前遥感影像中，得到当前遥感目标影像；
[0137]
基于n个所述目标历史遥感影像和所述当前遥感目标影像对预设深度森林模型进行训练，得到训练好的耕地遥感图像分类模型；
[0138]
其中，所述耕地遥感图像分类模型用于对所述目标耕地区域的遥感影像中各个像元的耕地类型进行分类。
[0139]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0140]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0141]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。