本发明涉及图像处理领域，尤其涉及一种土地占用预警方法、装置、设备和存储介质。
背景技术：
随着我国工业化和城镇化进程不断加速，粗放型土地资源利用模式占据主导位置，造成重要生产生态土地面积锐减，例如农田、森林等重要土地资源。避免重要土地资源被违规建筑占用是保护土地资源的一个重要问题。而目前对土地资源被违规乱建的建筑占用并没有一个很好的方法去监督，只能通过当地政府定时定点排查是否有重要土地资源被占用的情况，即人为的去现场核实状况，或者根据当地的一些人员举报违法占用来进行相应处理，耗时耗力且效率低下，无法实时的对土地占用情况进行监测。
因此，目前存在难以监管土地资源被占用情况的问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
技术实现要素：
本发明的主要目的在于提供一种土地占用预警方法、装置、设备和存储介质，旨在解决目前的土地资源被占用情况难以监管的技术问题。
为实现上述目的，本发明提供一种土地占用预警方法，包括：获取目标经纬度范围内的的土地遥感图像；其中，所述目标经纬度范围由目标边界经纬度信息构成；将所述遥感图像输入图像分类模型中，得到所述遥感图像对应的当前用地类型；将所述目标边界经纬度信息作为索引查找基础用地数据库，获得所述目标边界经纬度信息在所述基础用地数据库中对应的基础用地类型；其中，所述基础用地数据库包括经纬度信息与基础用地类型之间的映射关系；将所述当前用地类型与基础用地类型进行比较；若所述当前用地类型与基础用地类型不一致，则生成土地占用预警信息。
所述获取目标经纬度范围内的遥感图像的步骤，具体包括：将目标监测范围划分为多个目标经纬度范围；依次获取各目标经纬度范围内的遥感图像，以依次执行所述将所述遥感图像输入图像分类模型中，得到所述遥感图像对应的当前用地类型的步骤。
所述获取目标经纬度范围内的遥感图像步骤之前，所述土地占用预警方法还包括：获取包含多种用地类型的已分类遥感图像构成的数据集；利用所述数据集构建图像分类模型和基础用地数据库。
所述获取包含多种用地类型的已分类遥感图像构成的数据集，具体包括：从目标网页中爬取包含多种用地类型的已分类遥感图像，构成数据集。
所述利用所述数据集构建图像分类模型的步骤，具体包括：将所述数据集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到图像分类模型。
所述将所述数据集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到图像分类模型的步骤，具体包括：将所述数据集按照预设比例划分为两个集合，分别作为训练集和验证集；将所述训练集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到中间模型；将所述验证集输入所述中间模型中，得到所述中间模型输出的对所述验证集的分类结果；根据所述分类结果对所述中间模型的模型参数进行调整，得到图像分类模型。
所述利用所述数据集构建基础用地数据库的步骤，具体包括：获取所述数据集内的各已分类遥感图像的经纬度信息和基础用地类型；根据各已分类遥感图像的经纬度信息和基础用地类型，生成基础用地数据库。
此外，为实现上述目的，本发明还提供一种土地占用预警装置，所述土地占用预警装置包括：获取模块，用于获取目标经纬度范围内的的土地遥感图像；其中，所述目标经纬度范围由目标边界经纬度信息构成；分类模块，用于将所述遥感图像输入图像分类模型中，得到所述遥感图像对应的当前用地类型；查找模块，用于将所述目标边界经纬度信息作为索引查找基础用地数据库，获得所述目标边界经纬度信息在所述基础用地数据库中对应的基础用地类型；其中，所述基础用地数据库包括经纬度信息与基础用地类型之间的映射关系；比较模块，用于将所述当前用地类型与基础用地类型进行比较；预警模块，用于若所述当前用地类型与基础用地类型不一致，则生成土地占用预警信息。
此外，为实现上述目的，本发明还提供一种土地占用预警设备，所述土地占用预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的土地占用预警程序，所述土地占用预警程序被所述处理器执行时实现如上述的土地占用预警方法的步骤。
此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有土地占用预警程序，所述土地占用预警程序被处理器执行时实现如上述的土地占用预警方法的步骤。
本发明实施例提出的一种土地占用预警方法、装置、设备和存储介质，通过获取目标经纬度范围内的的土地遥感图像，将所述遥感图像输入图像分类模型中，得到所述遥感图像对应的当前用地类型，将所述目标边界经纬度信息作为索引查找基础用地数据库，获得所述目标边界经纬度信息在所述基础用地数据库中对应的基础用地类型，将所述当前用地类型与基础用地类型进行比较，若所述当前用地类型与基础用地类型不一致，则生成土地占用预警信息，能够及时发现土地被私自占用开发的情况，实现了方便的对土地资源占用情况的监管。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明土地占用预警方法实施例的流程示意图；
图3为图2中本发明土地占用预警方法实施例的步骤s202之前的步骤流程示意图；
图4为本发明土地占用预警方法实施例的步骤“利用所述数据集构建图像分类模型”的细化流程示意图；
图5为本发明土地占用预警方法实施例的步骤“利用所述数据集构建基础用地数据库”的细化流程示意图；
图6为本发明土地占用预警装置实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是pc，也可以是智能手机、平板电脑、电子书阅读器、mp3(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)播放器、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、rf(radiofrequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及土地占用预警程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的土地占用预警程序，并执行以下操作：获取目标经纬度范围内的的土地遥感图像；其中，所述目标经纬度范围由目标边界经纬度信息构成；将所述遥感图像输入图像分类模型中，得到所述遥感图像对应的当前用地类型；将所述目标边界经纬度信息作为索引查找基础用地数据库，获得所述目标边界经纬度信息在所述基础用地数据库中对应的基础用地类型；其中，所述基础用地数据库包括经纬度信息与基础用地类型之间的映射关系；将所述当前用地类型与基础用地类型进行比较；若所述当前用地类型与基础用地类型不一致，则生成土地占用预警信息。
可选地，处理器1001可以调用存储器1005中存储的土地占用预警程序，还执行以下操作：所述获取目标经纬度范围内的遥感图像的步骤，具体包括：将目标监测范围划分为多个目标经纬度范围；依次获取各目标经纬度范围内的遥感图像，以依次执行所述将所述遥感图像输入图像分类模型中，得到所述遥感图像对应的当前用地类型的步骤。
可选地，处理器1001可以调用存储器1005中存储的土地占用预警程序，还执行以下操作：所述获取目标经纬度范围内的遥感图像步骤之前，所述土地占用预警方法还包括：获取包含多种用地类型的已分类遥感图像构成的数据集；利用所述数据集构建图像分类模型和基础用地数据库。
可选地，处理器1001可以调用存储器1005中存储的土地占用预警程序，还执行以下操作：所述获取包含多种用地类型的已分类遥感图像构成的数据集，具体包括：从目标网页中爬取包含多种用地类型的已分类遥感图像，构成数据集。
可选地，处理器1001可以调用存储器1005中存储的土地占用预警程序，还执行以下操作：所述利用所述数据集构建图像分类模型的步骤，具体包括：将所述数据集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到图像分类模型。
可选地，处理器1001可以调用存储器1005中存储的土地占用预警程序，还执行以下操作：所述将所述数据集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到图像分类模型的步骤，具体包括：将所述数据集按照预设比例划分为两个集合，分别作为训练集和验证集；将所述训练集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到中间模型；将所述验证集输入所述中间模型中，得到所述中间模型输出的对所述验证集的分类结果；根据所述分类结果对所述中间模型的模型参数进行调整，得到图像分类模型。
可选地，处理器1001可以调用存储器1005中存储的土地占用预警程序，还执行以下操作：所述利用所述数据集构建基础用地数据库的步骤，具体包括：获取所述数据集内的各已分类遥感图像的经纬度信息和基础用地类型；根据各已分类遥感图像的经纬度信息和基础用地类型，生成基础用地数据库。
参照图2，一种土地占用预警方法实施例，所述土地占用预警方法包括：
步骤s202，获取目标经纬度范围内的土地的遥感图像；其中，所述目标经纬度范围由目标边界经纬度信息构成；
需要说明的是，本实施例采用北斗定位和遥感技术来获取目标经纬度范围内的土地的遥感图像。具体地，终端可以建立一个三维坐标系，将经纬度在转化为三维坐标系的三维坐标，终端在需要采集目标经纬度范围内的遥感图像时，首先获取目标经纬度范围在三维坐标系内的三维坐标，然后将该三维坐标转换为目标边界经纬度信息，根据目标边界经纬度信息去获取目标经纬度范围的遥感图像。还需要说明的是，本实施例的三维坐标系包含有经度、维度和海拔等信息。此外，本实施例输入图像分类模型中的遥感图像中只包含一种的用地类型。还需要说明的是，本实施例可以设置一个监测周期，以定期采集获取样图像，以对土地进行占用监测预警。
在其中一个实施例中，所述步骤s202，具体包括：将目标监测范围划分为多个目标经纬度范围；依次获取各目标经纬度范围内的遥感图像，以依次执行所述步骤s204。
其中，目标监测范围为可以在地理空间上连续，还可以是多个分散的地理范围构成。本实施例的目标监测范围可以由用户根据实际需要进行选择设置。可以理解，目标监测范围内的用地类型有多种，例如可以包括农田、建筑物、森林、河流和灌木丛等。具体地，终端查询基础用地数据库，根据基础用地数据库内存储的各个连续的基础遥感图像对应的经纬度信息，根据该经纬度信息将目标监测范围划分为多个目标经纬度范围。然后终端依次通过北斗卫星采集各目标经纬度范围内的遥感图像，并依次根据各遥感图像执行步骤s204。需要说明的是，基础用地数据库内各遥感图像对应的经纬度信息为遥感图像的边界经纬度信息。
步骤s204，将所述遥感图像输入图像分类模型中，得到所述遥感图像对应的当前用地类型；
需要说明的是，图像分类模型为机器模型，其具有分类功能，能够识别遥感图像和遥感图像对应的用地类型。其中，图像分类模型可以是神经网络模型、马氏距离模型以及贝叶斯模型等。其中，神经网络模型可以但不限于是vgg(visualgeometrygroup，超分辨率测试序列)16模型、resnet(residualnetwork，残差网络)模型、densenet(denselyconnectedconvolutionalnetworks)模型等。
具体地，终端将遥感图像输入图像分类模型中，图像分类模型自动对遥感图像进行分类，输出该遥感图像对应的当前用地类型。
步骤s206，将所述目标边界经纬度信息作为索引查找基础用地数据库，获得所述目标边界经纬度信息在所述基础用地数据库中对应的基础用地类型；其中，所述基础用地数据库包括经纬度信息与基础用地类型之间的映射关系；
需要说明的是，终端在利用北斗卫星采集到遥感图像时，同时还获取到了该遥感图像对应的目标边界经纬度信息。在其中一个实施例中，终端还获取到了该遥感图像的海拔信息。进一步地，终端将该遥感图像的目标边界经纬度信息作为索引，查找基础用地数据库。其中，基础用地数据库中的一条记录包含有基础遥感图像、基础遥感图像对应的基础用地类型以及经纬度信息。终端根据北斗卫星采集到的遥感图像的目标边界经纬度信息，查询基础用地数据库，当查找到与该目标边界经纬度信息一致的经纬度信息时，获取该经纬度信息对应的基础用地类型。该基础用地类型则为该目标边界经纬度信息对应的符合用地标准的用地类型。
步骤s208，将所述当前用地类型与基础用地类型进行比较；
步骤s210，若所述当前用地类型与基础用地类型不一致，则生成土地占用预警信息。
进一步地，终端将当前用地类型与基础用地类型进行比较。若当前用地类型与基础用地类型一致，则表明在该目标经纬度范围内的用地未被动用改变。若当前用地类型与基础用地类型不一致，则表明在该目标经纬度范围内的用地未被占用，终端则生成土地占用预警信息。具体地，终端在输出的预警信息中包含有被占用土地的经纬度信息，可以理解，被占用土地即为当前输入图像分类模型中的遥感图像对应的土地，被占用土地的经纬度信息即为目标边界经纬度信息。预警信息可以是以文本的形式输出，以提示用户该处土地被占用。在其中一个实施例中，所述步骤s210还包括：若所述当前用地类型与基础用地类型不一致，且基础用地类型为目标类型时，则生成土地占用预警信息。其中，目标类型可以由用户自定义，例如可以是农田、森林和河流等。以此来及时供管理员监测农田、森林和河流等重要的生产生态土地的用地情况，从而能够及时发现农田、森林和河流等重要的生产生态土地被私自占用开发的情况而作出及时的应对，从而保护农田、森林和河流等重要的生产生态土地不被私自占用。
本实施例中，通过获取目标经纬度范围内的的土地遥感图像，将所述遥感图像输入图像分类模型中，得到所述遥感图像对应的当前用地类型，将所述目标边界经纬度信息作为索引查找基础用地数据库，获得所述目标边界经纬度信息在所述基础用地数据库中对应的基础用地类型，将所述当前用地类型与基础用地类型进行比较，若所述当前用地类型与基础用地类型不一致，则生成土地占用预警信息，能够及时发现土地被私自占用开发的情况，实现了方便的对土地资源占用情况的监管。
在其中一个实施例中，参照图3，所述步骤s202之前，所述土地占用预警方法还包括：
步骤s302，获取包含多种用地类型的已分类遥感图像构成的数据集；
需要说明的是，本实施例的数据集包括但不限于ucmercedland-usedataset(加州大学默塞德分校土地利用数据集)、whu-rs19dataset(武大rs19遥感数据集)、siri-whudataset(武大iri遥感影像数据集)以及rsscn7dataset中的至少一种。其中，ucmercedland-usedataset的总图片数量为2100张，每种用地类型的图片数量为100张，用地类型的类别数量为21类，图片的大小为256*256。whu-rs19dataset的总图片数量为1005张，每种用地类型的图片数量为50张，用地类型的类别数量为19类，图片的大小为600*600。siri-whudataset的总图片数量为2400张，每种用地类型的图片数量为200张，用地类型的类别数量为12类，图片的大小为200*200。rsscn7dataset的总图片数量为2800张，每种用地类型的图片数量为400张，用地类型的类别数量为7类，图片的大小为400*400。
在其中一个实施例中，所述步骤s302，具体包括：从目标网页中爬取包含多种用地类型的已分类遥感图像，构成数据集。需要说明的是，数据集除了上述几种类型之外，还可以包括从网页中爬取下来的已分类遥感图像。具体地，终端利用爬虫技术，从相关的专业网站中爬取出对应的已分类摇杆图像。
步骤s304，利用所述数据集构建图像分类模型和基础用地数据库。
本实施例中，终端利用上述数据集分别构建图像分类模型以及基础用地数据库。具体地，终端利用机器模型学习上述数据集，以学习该数据集的分类规则，从而得到具有对摇杆图像进行用地类型的分类功能的图像分类模型。此外，终端还利用上述数据集，构建基础用地数据库。具体地，终端获取目标监测范围内的目标数据集，根据目标数据集构建基础用地数据库。其中，本实施例的基础用地数据库包括但不限于有遥感图像、经纬度信息、海拔信息等。其中，经纬度信息以经度和维度分开的形式呈现，即基础用地数据库包括但不限于有遥感图像、经度、维度、海拔信息等。此外，基础用地数据库中还可以包括一条遥感图像记录获得的时间戳。管理员在建立基础用地数据库后，还可以根据官方的用地更改计划，来对基础用地数据库进行更新，时间戳则包括有对更新的遥感图像对应的时间戳。本实施例中，还可以对基础用地数据库中的每一条记录均分配id，以方便对各条记录进行管理。应当理解的是，基础用地数据库内的一条记录则包含有id、遥感图像、经度、维度、海拔信息、时间戳等信息。
本实施例中，通过获取包含多种用地类型的已分类遥感图像构成的数据集，利用所述数据集构建图像分类模型和基础用地数据库，能够获得准确性较高的图像分类模型以及覆盖范围广阔覆盖信息大的基础用地数据库，以供对实时的土地监测，得到更精准的监测结果。
在其中一个实施例中，所述利用所述数据集构建图像分类模型的步骤，具体包括：将所述数据集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到图像分类模型。
需要说明的是，预设机器模型包括但不限于是神经网络模型、马氏距离模型以及贝叶斯模型等。其中，神经网络模型可以但不限于是vgg(visualgeometrygroup，超分辨率测试序列)16模型、resnet(residualnetwork，残差网络)模型、densenet(denselyconnectedconvolutionalnetworks)模型等。终端将数据集输入预设机器模型中，预设机器模型则能够自动学习数据集的分类规则，从而得到具有对摇杆图像进行用地类型的分类功能的图像分类模型。在对预设机器模型的训练过程中，还需要人工干涉的对预设机器模型的模型参数进行修改，以得到更为准确的图像分类模型。
在其中一个实施例中，参照图4，所述利用所述数据集构建图像分类模型的步骤，具体包括：
步骤s402，将所述数据集按照预设比例划分为两个集合，分别作为训练集和验证集；
需要说明的是，终端在获取到数据集后，将数据集按照预设比例分为两个集合。例如可以是按照8:2的比例将数据集划分为训练集和验证集。
步骤s404，将所述训练集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到中间模型；
需要说明的是，终端将训练集输入预设机器模型中以对预设机器模型进行训练，在对预设机器模型进行多次训练后，得到一个初步的中间模型，该中间模型已经具备一定的图像分类功能。
步骤s406，将所述验证集输入所述中间模型中，得到所述中间模型输出的对所述验证集的分类结果；
进一步地，终端将验证集输入该中间模型中，中间模型则对验证集中的已分类遥感图像进行分类，输出该中间模型的分类结果。
步骤s408，根据所述分类结果对所述中间模型的模型参数进行调整，得到图像分类模型。
进一步地，终端将中间模型输出的分类结果与已分类遥感图像的已分类类型进行比较，判断分类结果的误判率，若误判率高于标准误判率，则需要对该中间模型的模型参数进行调整，以提高中间模型的分类准确率，具体地，终端接收用户输入的对模型参数的修改参数以对模型参数进行修改，进一步利用验证集重复步骤s406，直至输出的分类结果的误判率低于标准误判率，则结束验证过程，得到图像分类模型。
在其中一个实施例中，还进一步利用由已分类的遥感图像构成的测试集对图像分类模型进行测试，以保证图像分类模型的准确性。
本实施例中，通过将所述数据集按照预设比例划分为两个集合，分别作为训练集和验证集，将所述训练集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到中间模型，将所述验证集输入所述中间模型中，得到所述中间模型输出的对所述验证集的分类结果，根据所述分类结果对所述中间模型的模型参数进行调整，得到图像分类模型，提高了图像分类模型的分类准确率。
在其中一个实施例中，参照图5，所述利用所述数据集构建基础用地数据库的步骤，具体包括：
步骤s502，获取所述数据集内的各已分类遥感图像的经纬度信息和基础用地类型；
步骤s504，根据各已分类遥感图像的经纬度信息和基础用地类型，生成基础用地数据库。
需要说明的是，终端获取的数据集内的各已分类遥感图像包含有经纬度信息和基础用地类型等信息，终端获取各已分类遥感图像的经纬度信息和基础用地类型，然后根据各已分类遥感图像的经纬度信息和基础用地类型的映射关系，生成基础用地数据库。本实施例中，基础用地数据库内的一条记录包含有id、遥感图像、经度、维度、海拔信息、时间戳等信息。
参照图6，一种土地占用预警装置实施例，所述土地占用预警装置包括：
获取模块610，用于获取目标经纬度范围内的的土地遥感图像；其中，所述目标经纬度范围由目标边界经纬度信息构成；
分类模块620，用于将所述遥感图像输入图像分类模型中，得到所述遥感图像对应的当前用地类型；
查找模块630，用于将所述目标边界经纬度信息作为索引查找基础用地数据库，获得所述目标边界经纬度信息在所述基础用地数据库中对应的基础用地类型；其中，所述基础用地数据库包括经纬度信息与基础用地类型之间的映射关系；
比较模块640，用于将所述当前用地类型与基础用地类型进行比较；
预警模块650，用于若所述当前用地类型与基础用地类型不一致，则生成土地占用预警信息。
本实施例中，通过获取目标经纬度范围内的的土地遥感图像，将所述遥感图像输入图像分类模型中，得到所述遥感图像对应的当前用地类型，将所述目标边界经纬度信息作为索引查找基础用地数据库，获得所述目标边界经纬度信息在所述基础用地数据库中对应的基础用地类型，将所述当前用地类型与基础用地类型进行比较，若所述当前用地类型与基础用地类型不一致，则生成土地占用预警信息，能够及时发现土地被私自占用开发的情况，实现了方便的对土地资源占用情况的监管。
可选地，获取模块610，还用于将目标监测范围划分为多个目标经纬度范围；依次获取各目标经纬度范围内的遥感图像。
可选地，构建模块600，用于获取包含多种用地类型的已分类遥感图像构成的数据集；利用所述数据集构建图像分类模型和基础用地数据库。
可选地，所述构建模块600，还用于从目标网页中爬取包含多种用地类型的已分类遥感图像，构成数据集。
可选地，所述构建模块600，还用于将所述数据集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到图像分类模型。
可选地，所述构建模块600，还用于将所述数据集按照预设比例划分为两个集合，分别作为训练集和验证集；将所述训练集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到中间模型；将所述验证集输入所述中间模型中，得到所述中间模型输出的对所述验证集的分类结果；根据所述分类结果对所述中间模型的模型参数进行调整，得到图像分类模型。
可选地，所述构建模块600，还用于获取所述数据集内的各已分类遥感图像的经纬度信息和基础用地类型；根据各已分类遥感图像的经纬度信息和基础用地类型，生成基础用地数据库。
此外，本发明实施例还提出一种土地占用预警设备，所述土地占用预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的土地占用预警程序，所述土地占用预警程序被所述处理器执行时实现如上述的土地占用预警方法的步骤。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有土地占用预警程序，所述土地占用预警程序被处理器执行时实现如上述的土地占用预警方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
1.一种土地占用预警方法，其特征在于，所述土地占用预警方法包括以下步骤：
获取目标经纬度范围内的遥感图像；
将所述遥感图像输入图像分类模型中，得到所述遥感图像对应的当前用地类型；
将所述遥感图像的经纬度信息作为索引查找基础用地数据库，获得所述经纬度信息在所述基础用地数据库中对应的基础用地类型；其中，所述基础用地数据库包括经纬度信息与基础用地类型之间的映射关系；
将所述当前用地类型与基础用地类型进行比较；
若所述当前用地类型与基础用地类型不一致，则生成土地占用预警信息。
2.如权利要求1所述的土地占用预警方法，其特征在于，将获取监测范围内的遥感图像的步骤，具体包括：
将目标监测范围划分为多个目标经纬度范围；
依次获取各目标经纬度范围内的遥感图像，以依次执行所述将所述遥感图像输入图像分类模型中，得到所述遥感图像对应的当前用地类型的步骤。
3.如权利要求1所述的土地占用预警方法，其特征在于，所述获取目标经纬度范围内的遥感图像步骤之前，所述土地占用预警方法还包括：
获取包含多种用地类型的已分类遥感图像构成的数据集；
利用所述数据集构建图像分类模型和基础用地数据库。
4.如权利要求3所述的土地占用预警方法，其特征在于，所述获取包含多种用地类型的已分类遥感图像构成的数据集，具体包括：
从目标网页中爬取包含多种用地类型的已分类遥感图像，构成数据集。
5.如权利要求3所述的土地占用预警方法，其特征在于，所述利用所述数据集构建图像分类模型的步骤，具体包括：
将所述数据集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到图像分类模型。
6.如权利要求5所述的土地占用预警方法，其特征在于，所述将所述数据集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到图像分类模型的步骤，具体包括：
将所述数据集按照预设比例划分为两个集合，分别作为训练集和验证集；
将所述训练集输入预设机器模型中，以使所述预设机器模型学习所述数据集，得到中间模型；
将所述验证集输入所述中间模型中，得到所述中间模型输出的对所述验证集的分类结果；
根据所述分类结果对所述中间模型的模型参数进行调整，得到图像分类模型。
7.如权利要求3所述的土地占用预警方法，其特征在于，所述利用所述数据集构建基础用地数据库的步骤，具体包括：
获取所述数据集内的各已分类遥感图像的经纬度信息和基础用地类型；
根据各已分类遥感图像的经纬度信息和基础用地类型，生成基础用地数据库。
8.一种土地占用预警装置，其特征在于，所述土地占用预警装置包括：
获取模块，用于获取目标经纬度范围内的遥感图像；
分类模块，用于将所述遥感图像输入图像分类模型中，得到所述遥感图像对应的当前用地类型；
查找模块，用于将所述遥感图像的经纬度信息作为索引查找基础用地数据库，获得所述经纬度信息在所述基础用地数据库中对应的基础用地类型；其中，所述基础用地数据库包括经纬度信息与基础用地类型之间的映射关系；
比较模块，用于将所述当前用地类型与基础用地类型进行比较；
预警模块，用于若所述当前用地类型与基础用地类型不一致，则生成土地占用预警信息。
9.一种土地占用预警设备，其特征在于，所述土地占用预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的土地占用预警程序，所述土地占用预警程序被所述处理器执行时实现如权利要求1至7中任一项所述的土地占用预警方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有土地占用预警程序，所述土地占用预警程序被处理器执行时实现如权利要求1至7中任一项所述的土地占用预警方法的步骤。
技术总结