本技术涉及人工智能领域,具体而言,涉及一种基于人工智能的生态环境遥感数据分析方法及系统。
背景技术:
1、生态环境遥感数据分析是基于遥感技术和地理信息系统的研究方法,旨在通过获取和分析遥感数据来监测和评估生态环境的状态和变化。遥感数据是通过卫星、飞机等传感器获取的地球表面信息,包括地表覆盖类型、植被指数、土地利用等。通过对这些数据进行处理和分析,我们可以获得关于生态环境的有价值的信息。随着遥感技术的不断发展和遥感卫星的不断更新,我们能够获取更精确、全面的遥感数据,这为生态环境遥感数据分析提供了强大的数据基础。随着计算机科学和人工智能的发展,我们能够更高效地处理和分析大量的遥感数据。机器学习和深度学习等技术使得我们能够从海量数据中提取出有用的信息,并进行准确的分类、识别和预测。生态环境遥感数据分析在许多领域中都有应用,例如自然资源管理、环境保护、城市规划和农业监测等。在基于机器学习和深度学习等技术进行生态环境遥感数据分析时,通常需要对样本量较少的异常生态进行识别,基于这些样本进行调试得到的网络往往泛化能力不足,换言之,对异常识别的准确性得不到保障。
技术实现思路
1、本发明的目的在于提供一种基于人工智能的生态环境遥感数据分析方法及系统。
2、本技术实施例的技术方案是这样实现的:
3、第一方面,本技术实施例提供了一种基于人工智能的生态环境遥感数据分析方法,应用于数据分析设备,所述方法包括:
4、获取目标生态区域的生态环境遥感数据;
5、通过所述生态异常检测网络中的第一描述向量抽取算子对所述目标生态区域的生态环境遥感数据进行描述向量抽取得到拟识别表征向量;
6、通过所述生态异常检测网络中的第一异常决策算子对所述拟识别表征向量进行描述向量共性度量,得到度量结果;
7、通过所述度量结果得到所述目标生态区域的生态环境遥感数据的第一异常识别信息;
8、其中,所述生态异常检测网络通过以下步骤调试得到:
9、获取环境数据学习样例集,所述环境数据学习样例集中每个环境数据学习样例携带检测指示信息,所述环境数据学习样例集中的多个环境数据学习样例包括训练环境数据学习样例和测试环境数据学习样例,所述训练环境数据学习样例组成训练样例集,所述测试环境数据学习样例组成测试样例集;
10、通过所述环境数据学习样例集中每个环境数据学习样例,依据基础神经网络中的第一描述向量抽取算子进行描述向量抽取得到第一学习样例描述向量,以及通过所述环境数据学习样例集中每个环境数据学习样例,通过第二描述向量抽取算子进行描述向量抽取得到第二学习样例描述向量;
11、对于所述每个环境数据学习样例,通过对应的第一学习样例描述向量和第二学习样例描述向量得到目标学习样例描述向量;
12、对于每个测试环境数据学习样例,通过所述基础神经网络中的第一异常决策算子对所述测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量共性度量,并通过度量结果和训练环境数据学习样例的检测指示信息得到所述测试环境数据学习样例的第一推理异常结果;
13、通过所述每个环境数据学习样例的第一学习样例描述向量和第二学习样例描述向量生成描述向量分布差异代价,以及基于所述测试环境数据学习样例的第一推理异常结果和所述测试环境数据学习样例的检测指示信息生成第一异常决策代价;
14、基于所述描述向量分布差异代价和所述第一异常决策代价,对所述基础神经网络进行调试得到所述生态异常检测网络。
15、可选地实施方式,所述获取环境数据学习样例集,包括:
16、获取多个区域样例初始环境数据;
17、对每个区域样例初始环境数据分别进行不同位置的数据合成变换,得到每个区域样例初始环境数据的区域样例扩展环境数据;
18、将所述多个区域样例初始环境数据和每个区域样例初始环境数据的区域样例扩展环境数据作为环境数据学习样例,组成所述环境数据学习样例集,所述环境数据学习样例集中每个环境数据学习样例还携带位置变换指示信息;
19、所述通过度量结果和训练环境数据学习样例的检测指示信息得到所述测试环境数据学习样例的第一推理异常结果,包括:
20、通过所述度量结果、训练环境数据学习样例的检测指示信息和位置变换指示信息得到所述测试环境数据学习样例的第一推理异常结果;
21、所述方法还包括:
22、基于所述第一推理异常结果和对应的位置变换指示信息生成合成变换代价;
23、所述基于所述描述向量分布差异代价和所述第一异常决策代价,对所述基础神经网络进行调试得到所述生态异常检测网络,包括:
24、基于所述描述向量分布差异代价、所述第一异常决策代价和所述合成变换代价,对所述基础神经网络进行调试得到所述生态异常检测网络。
25、可选地实施方式,所述通过所述环境数据学习样例集中每个环境数据学习样例,依据基础神经网络中的第一描述向量抽取算子进行描述向量抽取得到第一学习样例描述向量,包括:
26、将所述环境数据学习样例集中每个环境数据学习样例分别作为第一环境数据学习样例,将所述第一环境数据学习样例与第二环境数据学习样例依据比值关系进行整合得到整合环境数据学习样例,所述第二环境数据学习样例与所述第一环境数据学习样例对应不同的异常分类,所述整合环境数据学习样例的检测指示信息是将所述第一环境数据学习样例的检测指示信息和所述第二环境数据学习样例的检测指示信息依据所述比值关系进行整合得到的;
27、将所述整合环境数据学习样例加载到所述第一描述向量抽取算子得到所述第一学习样例描述向量;
28、用于确定所述第一推理异常结果的调试环境数据学习样例的检测指示信息是其对应的整合环境数据学习样例的检测指示信息,用于生成所述第一异常决策代价的测试环境数据学习样例的检测指示信息是其对应的整合环境数据学习样例的检测指示信息。
29、可选地实施方式,所述方法还包括:
30、基于所述每个环境数据学习样例的第一学习样例描述向量和对应的检测指示信息生成第二异常决策代价,以及基于每个环境数据学习样例的第二学习样例描述向量和对应的检测指示信息生成第三异常决策代价;
31、所述基于所述描述向量分布差异代价和所述第一异常决策代价,对所述基础神经网络进行调试得到所述生态异常检测网络,包括:
32、基于所述描述向量分布差异代价、所述第二异常决策代价和所述第三异常决策代价对所述第一描述向量抽取算子和所述第二描述向量抽取算子进行调试;
33、基于所述第一异常决策代价调试所述第一异常决策算子。
34、可选地实施方式,所述第一描述向量抽取算子为学生网络,所述第二描述向量抽取算子为教师网络,所述基于所述描述向量分布差异代价、所述第二异常决策代价和所述第三异常决策代价对所述第一描述向量抽取算子和所述第二描述向量抽取算子,包括:
35、基于所述第三异常决策代价和所述描述向量分布差异代价调试所述教师网络;
36、通过所述描述向量分布差异代价和所述第二异常决策代价,基于调试完成的教师网络对所述学生网络进行压缩调试。
37、可选地实施方式,所述环境数据学习样例集中包括拟识别异常分类的环境数据学习样例,所述基础神经网络还包括第二异常决策算子,所述方法还包括:
38、通过所述第二异常决策算子对所述目标学习样例描述向量进行推理,得到第二推理异常结果;
39、所述基于所述测试环境数据学习样例的第一推理异常结果和所述测试环境数据学习样例的检测指示信息生成第一异常决策代价,包括:
40、基于所述测试环境数据学习样例的第二推理异常结果和第一推理异常结果得到最终推理异常结果;
41、通过所述最终推理异常结果和所述测试环境数据学习样例的检测指示信息生成所述第一异常决策代价。
42、可选地实施方式,所述基础神经网络中还包括描述向量关联映射算子,所述对于每个测试环境数据学习样例,通过所述基础神经网络中的第一异常决策算子对所述测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量共性度量,包括:
43、对于每个测试环境数据学习样例,通过所述描述向量关联映射算子对所述测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量关联映射;
44、通过描述向量关联映射结果,依据所述第一异常决策算子进行描述向量共性度量。
45、可选地实施方式,所述方法还包括:
46、获取多个未注释生态环境数据;
47、对于每个未注释生态环境数据,确定所述未注释生态环境数据与所述环境数据学习样例集中每个环境数据学习样例的共性度量结果;
48、如果所述多个未注释生态环境数据中目标未注释生态环境数据与所述多个环境数据学习样例中目标环境数据学习样例的共性度量结果大于设定共性系数,将所述目标未注释生态环境数据添加到所述训练样例集,获得扩充后的环境数据学习样例集,所述目标未注释生态环境数据的检测指示信息与所述目标环境数据学习样例的检测指示信息相同;
49、通过所述扩充后的环境数据学习样例集对所述生态异常检测网络进行再次调试。
50、可选地实施方式,所述生态异常检测网络还包括第二异常决策算子,所述方法还包括:
51、通过所述第二异常决策算子对所述拟识别表征向量进行推理,得到第二异常识别信息;
52、基于所述第一异常识别信息和所述第二异常识别信息得到综合异常识别信息。
53、第二方面,本技术提供一种生态环境遥感数据分析系统,包括互相通信连接的遥感设备和数据分析设备,所述遥感设备用于采集目标生态区域的生态环境遥感数据,并发送给所述数据分析设备,所述数据分析设备包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以上所述的方法。
54、本技术至少包含的有益效果:
55、本技术实施例提供的基于人工智能的生态环境遥感数据分析方法,需要通过较小规模样本调试得到生态异常检测网络,那么,可以先获取环境数据学习样例集,环境数据学习样例集中每个环境数据学习样例携带检测指示信息,环境数据学习样例集中的多个环境数据学习样例包括训练环境数据学习样例和测试环境数据学习样例,训练环境数据学习样例组成训练样例集,测试环境数据学习样例组成测试样例集。因为环境数据学习样例集中的环境数据学习样例规模不足,为了强化生态异常检测网络的泛化能力,本技术帮助强化生态异常检测网络的描述向量抽取性能为目标,加入新的第二描述向量抽取算子协同生态异常检测网络中的第一描述向量抽取算子的调试。实际实施时,可以通过环境数据学习样例集中每个环境数据学习样例,依据基础神经网络中的第一描述向量抽取算子进行描述向量抽取得到第一学习样例描述向量,以及通过环境数据学习样例集中每个环境数据学习样例,通过第二描述向量抽取算子进行描述向量抽取得到第二学习样例描述向量。对于每个环境数据学习样例,通过对应的第一学习样例描述向量和第二学习样例描述向量得到目标学习样例描述向量,以对每个测试环境数据学习样例,依据基础神经网络中的第一异常决策算子对测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量共性度量,并通过度量结果和训练环境数据学习样例的检测指示信息得到测试环境数据学习样例的第一推理异常结果。通过每个环境数据学习样例的第一学习样例描述向量和第二学习样例描述向量生成描述向量分布差异代价,描述向量分布差异代价用以表征两个描述向量抽取算子抽取到的描述向量的空间共性结果,即分布匹配度,以确保两个描述向量抽取算子抽取到的空间共性程度高,空间分布差异小,帮助强化第一描述向量抽取算子的描述向量抽取能力,描述向量的泛化能力强。基于测试环境数据学习样例的第一推理异常结果和测试环境数据学习样例的检测指示信息生成第一异常决策代价,第一异常决策代价用于表征第一异常决策算子的异常分类性能,如此,基于描述向量分布差异代价和第一异常决策代价对基础神经网络进行调试,能获得用以进行异常识别,同时具备高泛化能力的生态异常检测网络,增加异常识别信息的精度和可靠性。
56、在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。