基于遥感大数据的土地利用判别方法、装置及电子设备

本发明涉及大数据信息处理，尤其涉及一种基于遥感大数据的土地利用判别方法、装置及电子设备。

背景技术：

1、随着卫星和无人机等平台和监测设备的进步，遥感技术得到了快速地发展。遥感技术作为一种非接触式的数据采集手段，在自然资源管理、环境监测、农业生产、城市规划等领域中发挥着越来越重要的作用。遥感雷达作为遥感技术的主要数据来源之一，具有丰富的信息量和广泛的应用前景。然而，随着遥感数据的不断增加和获取的遥感信号的复杂性增加，传统的数据处理和分析方法已经难以满足对信号内容的高效准确判别和解释的需求。因此，借助深度学习技术在遥感大数据的土地利用判别中的应用成为了当前研究的热点之一。然而，尽管深度学习技术在数据处理中表现出了巨大的潜力，但以往的一些方法在遥感雷达信号数据的土地利用判别任务中的表现并不理想。遥感雷达信号数据具有较大的类内差异和较高的类间相似性，这使得传统的深度学习网络在学习信号特征时往往难以充分挖掘遥感雷达信号数据之间的细微差异，导致判别性能下降。同时，遥感雷达信号数据通常受到地形、地磁场、云层、遮挡等复杂环境因素的影响，这也增加了遥感数据的土地利用判别难度。因此，针对遥感雷达信号数据的特点和挑战，需要进一步研究和探索新的深度学习方法，以提高遥感雷达信号数据的土地利用判别的准确性和鲁棒性。

2、因此，本发明提出了一种基于遥感大数据的土地利用判别方法、装置及电子设备来解决上述问题。

技术实现思路

1、本发明针对现有技术的不足，研制一种基于遥感大数据的土地利用判别方法、装置及电子设备来提高遥感雷达信号数据的土地利用判别的准确性和鲁棒性。

2、本发明解决技术问题的技术方案为：一种基于遥感大数据的土地利用判别方法，包括如下步骤：

3、a)对高分辨率遥感大数据中的遥感雷达信号数据集进行数据预处理，得到预处理后的数据集；

4、b)将预处理后的遥感雷达信号数据切分成数据块，并通过嵌入层获得每个数据块的高维向量表示，并添加判别令牌与位置编码，以获得令牌序列

5、c)将令牌序列输入至网络骨干部分，获得骨干部分每一transformer层的输出令牌序列，并将第十二transformer层所输出的令牌序列中的判别令牌分离出来并输入到第一判别头以获得判别预测概率；

6、d)将第十一transformer层所输出的令牌序列中的数据块令牌分离出来，并与判别预测概率同时输入至区域选择模块，得到区域选择列表；

7、e)分别从第九transformer层所输出的令牌序列和从第十一transformer层所输出的令牌序列中选取与区域选择列表中的索引值所对应的数据块令牌，并保留判别令牌，得到新的令牌序列和；将新的令牌序列分别输入到第十三transformer层和第十四transformer层，分别得到令牌序列和，并从中分离出判别令牌和，分别输入到第二判别头和第三判别头以获得判别预测概率和；

8、f)将预处理后的遥感雷达信号数据集按照3:1的比例划分为训练集和验证集，并将训练集按照b)～e)所述依次输入到本发明所提出网络，并对判别预测、、进行监督；训练完毕后，将验证集按照b)～e)依次输入到本发明所提出网络，以验证预测结果。

9、上述的基于遥感大数据的土地利用判别方法基础上，步骤a)包括如下步骤：

10、a-1)高分辨率遥感大数据中的遥感雷达信号数据集表达式如下：

11、，，为数据集中遥感雷达信号数据样本的数量，指数据集中第个样本；

12、a-2)将数据集中所包含样本雷达信号数据的空间轴统一缩放到，然后进行数据增强操作，得到预处理后的数据集，，指预处理后的数据集中第个样本。

13、上述的基于遥感大数据的土地利用判别方法基础上，步骤b)包括如下步骤：

14、b-1)使用滑动窗口策略将预处理后的遥感雷达信号数据切分成数据块，具体表达式如下：，指中第个数据块，其中，滑动窗口的尺寸为，滑动步长为，所切分出的数据块的数量为，将输入到嵌入层，获得每个数据块的高维向量表示，称为数据块令牌，向量维度为，其中嵌入层的计算方式可以表示为：

15、，

16、表示展平操作，用以将输入数据块展平为一个一维向量，而表示线性变换操作；

17、b-2)初始化一个值为全0的向量，称为判别令牌，向量维度为，将判别令牌与数据块令牌进行拼接，得到令牌序列，向量维度为768；

18、b-3) 使用正态分布初始化一个长度为的可学习向量序列，作为可学习位置编码，向量维度为768，将与进行对应元素相加操作，得到令牌序列，向量维度为768。

19、上述的基于遥感大数据的土地利用判别方法基础上，步骤c)包括如下步骤：

20、c-1)将令牌序列输入至网络骨干部分，网络骨干部分包括第一transformer层、第二transformer层、第三transformer层、第四transformer层、第五transformer层、第六transformer层、第七transformer层、第八transformer层、第九transformer层、第十transformer层、第十一transformer层和第十二transformer层，将令牌序列输入至第一transformer层得到令牌序列，向量维度为768；将第一transformer层得到令牌序列输入至第二transformer层得到令牌序列，向量维度为768；将第二transformer层得到令牌序列输入至第三transformer层得到令牌序列，向量维度为768；将第三transformer层得到令牌序列输入至第四transformer层得到令牌序列，向量维度为768；将第四transformer层得到令牌序列输入至第五transformer层得到令牌序列，向量维度为768；将第五transformer层得到令牌序列输入至第六transformer层得到令牌序列，向量维度为768；将第六transformer层得到令牌序列输入至第七transformer层得到令牌序列，向量维度为768；将第七transformer层得到令牌序列输入至第八transformer层得到令牌序列，向量维度为768；将第八transformer层得到令牌序列输入至第九transformer层得到令牌序列，向量维度为768；将第九transformer层得到令牌序列输入至第十transformer层得到令牌序列，向量维度为768；将第十transformer层得到令牌序列输入至第十一transformer层得到令牌序列，向量维度为768；将第十一transformer层得到令牌序列输入至第十二transformer层得到令牌序列，向量维度为768；

21、c-2)将第十二transformer层得到令牌序列的判别令牌分离出来，将输入到第一判别头，第一判别头由全连接层和softmax激活函数组成，将判别令牌输入到全连接层，得到输出向量，向量维度同需要进行判别的类别数相同；将向量输入到softmax激活函数，得到判别预测概率。

22、上述的基于遥感大数据的土地利用判别方法基础上，步骤d)包括如下步骤：

23、d-1)将令牌序列中的数据块令牌分离出来，并将数据块令牌进行折叠和维度转换操作，得到特征张量，形状为；

24、d-2)对判别预测概率进行取最大值索引操作，得到所预测的类别标签；

25、d-3)将特征张量和预测的类别标签输入到类激活映射模块，得到类激活映射表，形状为；

26、将类激活映射表进行展平操作，得到区域得分列表，长度为，对进行降序排序，得到排序后区域得分列表，以及排序后的顺序中，原始列表每个得分的索引位置，从中取排序后区域得分列表中前个区域的索引，得到区域选择列表：

27、，

28、，

29、，

30、其中表示展平操作，表示排序操作，表示从中选取前12个索引。

31、上述的基于遥感大数据的土地利用判别方法基础上，步骤e)包括如下步骤：

32、e-1)从第九transformer层得到令牌序列中选取与区域选择列表中的索引值所对应的数据块令牌，同时保留判别令牌，得到令牌序列；将令牌序列输入至第十三transformer层得到令牌序列；

33、e-2)将第十三transformer层得到令牌序列中的判别令牌分离出来，将输入到第二判别头；第二判别头由全连接层和softmax激活函数组成；将判别令牌输入到全连接层，得到输出向量，向量维度同需要进行判别的类别数相同；将向量输入到softmax激活函数，得到判别预测概率；

34、e-3)从第十一transformer层得到令牌序列中选取与区域选择列表中的索引值所对应的数据块令牌，同时保留判别令牌，得到令牌序列。将令牌序列输入至第十四transformer层得到令牌序列；

35、e-4)将第十四transformer层得到令牌序列中的判别令牌分离出来，将输入到第三判别头；第三判别头由全连接层和softmax激活函数组成。将判别令牌输入到全连接层，得到输出向量，向量维度同需要进行判别的类别数相同；将向量输入到softmax激活函数，得到判别预测概率。

36、上述的基于遥感大数据的土地利用判别方法基础上，步骤f)包括如下步骤：

37、f-1)将按照3:1的比例划分为训练集与验证集；

38、f-2)将训练集按照b)～e)所述依次输入到本发明所提出网络，并对判别预测概率、、进行监督，其中监督方式为分别对、、使用交叉熵损失函数进行监督，损失记为、、，总损失，训练方式为小批量梯度下降，并使用adam优化器进行优化，对本发明所提出网络进行100轮训练，并保存网络的权重文件；

39、f-3)将权重文件加载到本发明所提出网络，将验证集按照b)～e)所述依次输入到本发明所提出网络，并对判别预测、、取平均以获得最终预测。

40、第二方面，本发明提供了一种基于遥感大数据的土地利用判别装置，包括：

41、数据预处理模块，对高分辨率遥感大数据中的遥感雷达信号数据集进行数据预处理；

42、信号分割模块，数据预处理后的雷达信号数据分成数据块并通过嵌入层获得每个数据块的高维向量表示，并添加判别令牌与位置编码，以获得令牌序列；

43、第一处理模块，令牌序列输入网络骨干部分，获得骨干部分每一transformer层的输出令牌序列，并将transformer层的输出令牌序列分离输入第一判别头以获得判别预测概率；

44、区域选择模块，分离第十一transformer层所输出的令牌序列，并接收判别预测概率，得到区域选择列表；

45、第二处理模块，第九transformer层所输出的令牌序列和第十一transformer层所输出的令牌序列与区域选择列表对应的中的索引值所对应的数据块令牌，并保留判别令牌，得到新的令牌序列，并将新的令牌序列分别输入第十三和第十四transformer层，分离并分别输入第二判别头和第三以获得判别预测概率；

46、判别模块，用于预处理后的遥感雷达信号数据集分为训练集和验证集，将训练集输入到网络进行训练，将验证集输入网络进行验证。

47、第三方面，本发明提供了一种电子设备，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行所述的基于遥感大数据的土地利用判别方法。

48、
技术实现要素：
中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案具有如下优点或有益效果：

49、本发明将区域选择模块所选择的区域的数据块令牌与包含信号全局信息的判别令牌一起输入到transformer层中，可以进一步提高网络对遥感雷达信号数据的理解和解释能力。通过这种方式，网络可以更好地捕捉到遥感雷达信号数据中不同区域的语义信息和空间关系，从而提高了判别任务的准确性和鲁棒性。本发明在多个遥感雷达信号数据土地利用判别任务中展现了明显优势，结果表明本发明在遥感大数据土地利用判别技术领域有着广泛的应用价值和商业价值，为自然资源管理、农业生产、城市规划等领域提供了更为准确的空间信息支持。