本发明涉及遥感信息技术领域，具体来说，涉及一种基于ai的自动确定采样区的方法。
背景技术：
在现有技术中，传统人工目视解译方法需要对遥感影像比较熟悉的有经验的专业人士对遥感影像上的地物进行判断，确定是否为需要采样的地物，将与采样目标一致的地物所在区域标记为采样区。一般遥感影像区域面积都比较大，一点一点地在遥感影像上找出相符的地物是非常耗时的。传统的人工确定采样区为了提高效率并不会仔细检查遥感影像每一块区域，最后确定的也只是采样区的大概范围，人的主观性也会带来偏差。
技术实现要素：
针对相关技术中的上述技术问题，本发明提出一种基于ai的自动确定采样区的方法，能够克服现有技术的上述不足。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种基于ai的自动确定采样区的方法，该方法包括以下步骤：
s1：建立样本库；
s2：获取正负样本；
s3：以正负样本作为训练数据，自动化调参训练模型并从中选取最优模型；
s4：获取目标区域的遥感影像；
s5：输入目标区域的遥感影像到训练好的最优模型，采用最优模型解译遥感影像得到分类概率图；
s6：依据遥感影像的分类概率图，采用基于网格的聚类算法，自动确定采样区。
进一步的，所述步骤s1中，所述样本库存放的样本分为每次采样获得的样本和在遥感影像上勾画的样本。
进一步的，所述步骤s2包括以下步骤：
s21：获取任务目标信息；
s22：基于目标任务信息，从样本库中检索目标区域的正负样本，其中，正负样本为目标区域最近期的正负样本或往年同时期的正负样本。
进一步的，所述步骤s3包括以下步骤：
s31：输入正负样本到深度神经网络，以lenet-5网络为例；
s32：初始化神经网络参数；
s33：采用自动化调参算法自动训练深度网络；
s34：选择最优模型。
进一步的，所述步骤s4包括以下步骤：
s41：查询任务目标区域遥感影像；
s42：从自然资源影像卫星上，获取任务目标区域遥感影像。
进一步的，所述步骤s41中，查询任务目标区域最近期或往年同期的遥感影像。
进一步的，所述步骤s6中，将分类后的遥感影像分割成有限数目的网格，设定所有样本区质心在同一网格中的网格为一个聚类；所有样本区被分为有限数目的聚类，每一聚类选取一个样本区。
本发明的有益效果：通过该方法，一方面将传统的人工目视解译确定采样区的方法变成基于ai自动化确定采样区的方法，实现了人工方法到自动化的转变，大大减少了人力的使用；另一方面，采用模型解译遥感影像能快速确定采样区，显著提高确定采样区的效率，并且模型会全面解译遥感影像的每一块区域，不会有任何遗漏，更精确全面地确定了采样区的位置，同时避免了人的主观性，实现精准采样。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。
图1是根据本发明实施例所述的一种基于ai的自动确定采样区的方法的流程框图；
图2是根据本发明实施例所述的一种基于ai的自动确定采样区的方法的青岛某区域gf-2遥感影像部分地区截图；
图3是根据本发明实施例所述的一种基于ai的自动确定采样区的方法的正样本（小麦）截图；
图4是根据本发明实施例所述的一种基于ai的自动确定采样区的方法的负样本（非小麦农作物）截图；
图5是根据本发明实施例所述的一种基于ai的自动确定采样区的方法的负样本（大棚）截图；
图6是根据本发明实施例所述的一种基于ai的自动确定采样区的方法的负样本（道路）截图；
图7是根据本发明实施例所述的一种基于ai的自动确定采样区的方法的负样本（房屋）截图；
图8是根据本发明实施例所述的一种基于ai的自动确定采样区的方法的负样本（湖泊）截图；
图9是根据本发明实施例所述的一种基于ai的自动确定采样区的方法的负样本（树木）截图；
图10是根据本发明实施例所述的一种基于ai的自动确定采样区的方法的lenet-5模型结构图；
图11是根据本发明实施例所述的一种基于ai的自动确定采样区的方法的遥感影像解译后的小麦分布图；
图12是根据本发明实施例所述的一种基于ai的自动确定采样区的方法的对解译结果进行基于网格的聚类算法自动确定采样区后的影像部分截图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，根据本发明实施例所述的一种基于ai的自动确定采样区的方法，包括以下步骤：
s1：建立样本库；
s2：获取正负样本；
s3：以正负样本作为训练数据，自动化调参训练模型并从中选取最优模型；
s4：获取目标区域的遥感影像信息；
s5：输入目标区域的遥感影像信息到训练好的最优模型，采用最优模型解译遥感影像得到分类概率图；
s6：依据遥感影像的分类概率图，采用基于网格的聚类算法，自动确定采样区。
在本发明的一个具体实施例中，所述步骤s1中，所述样本库存放的样本分为每次采样获得的样本和在遥感影像上勾画的样本。
步骤s2包括以下步骤：
s21：获取任务目标信息；
s22：基于目标任务信息，从样本库中检索目标区域的正负样本，其中，正负样本为目标区域最近期的正负样本或往年同时期的正负样本。
步骤s3包括以下步骤：
s31：输入正负样本到深度神经网络；
s32：初始化神经网络参数；
s33：采用自动化调参算法自动训练深度网络；
s34：选择最优模型。
步骤s4包括以下步骤：
s41：查询任务目标区域遥感影像；
s42：从自然资源影像卫星上，获取任务目标区域遥感影像。
在本发明的一个具体实施例中，所述步骤s41中，查询任务目标区域最近期或往年同期的遥感影像。
在本发明的一个具体实施例中，所述步骤s6中，将分类后的遥感影像分割成有限数目的网格，设定所有样本区质心在同一网格中的网格为一个聚类；所有样本区被分为有限数目的聚类，每一聚类选取一个样本区。
为了方便理解本发明的上述技术方案，以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
在具体实施例中，假如我们的目标是在青岛市某区域对小麦进行采样，图2为该地区gf-2遥感影像部分地区截图，传统的确定采样区的方法是专业人士进行目视解译，在该遥感影像上一点一点的找出小麦的影像然后把对应的位置确定为采样区，然而该地区的面积是非常广阔的，人工目视解译的方法是很费时费力的，并且存在遗漏。
按照我们自动化确定采样区的方法，如图2-12所示：
（1）我们首先要有一定的样本积累，并建立样本库，样本库中的样本可通过采样获得或者在遥感影像上勾画样本并将样本存入样本库中保存，在样本库中检索正样本，即小麦样本，和负样本，即非小麦样本，如房屋、道路、河流、树木、杂草、其他农作物，各种样本的遥感影像如图3-9所示，样本最好选用该地区最近期或往年同时期的样本；
（2）利用正负样本训练模型，以lenet-5神经网络为例，lenet-5模型如图10所示，其结构为输入、卷积层c1、池化层p1、卷积层c2、池化层p2、卷积层c3、全连接层、输出，共有3层卷积层。其中，c1：28×28×6代表第一个卷积层的输出数据的尺寸为28×28，卷积核数量为6。通过自动化调参算法自动选出最优模型；
（3）将该地区的遥感影像输入到模型中，模型会对其进行解译，得到小麦分类图，图11为模型对图2所截取地区进行解译后的小麦分类图，图中灰色为遥感影像背景，黑色地区为小麦；
（4）对小麦分类图进行基于网格的聚类，得到采样区，图12为图11基于网格的聚类后的采样区分布图。
名词解释：ai为人工智能。
综上所述，借助于本发明的上述技术方案，通过该方法，一方面将传统的人工目视解译确定采样区的方法变成基于ai自动化确定采样区的方法，实现了人工方法到自动化的转变，大大减少了人力的使用；另一方面，采用模型解译遥感影像能快速确定采样区，显著提高确定采样区的效率，并且模型会全面解译遥感影像的每一块区域，不会有任何遗漏，更精确全面地确定了采样区的位置，同时避免了人的主观性，实现精准采样。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于ai的自动确定采样区的方法，其特征在于，包括以下步骤：
s1：建立样本库；
s2：获取正负样本；
s3：以正负样本作为训练数据，自动化调参训练模型并从中选取最优模型；
s4：获取目标区域的遥感影像；
s5：输入目标区域的遥感影像到训练好的最优模型，采用最优模型解译遥感影像得到分类概率图；
s6：依据遥感影像的分类概率图，采用基于网格的聚类算法，自动确定采样区。
2.根据权利要求1所述的一种基于ai的自动确定采样区的方法，其特征在于，所述步骤s1中，所述样本库存放的样本分为每次采样获得的样本和在遥感影像上勾画的样本。
3.根据权利要求1所述的一种基于ai的自动确定采样区的方法，其特征在于，所述步骤s2包括以下步骤：
s21：获取任务目标信息；
s22：基于目标任务信息，从样本库中检索目标区域的正负样本，其中，正负样本为目标区域最近期的正负样本或往年同时期的正负样本。
4.根据权利要求1所述的一种基于ai的自动确定采样区的方法，其特征在于，所述步骤s3包括以下步骤：
s31：输入正负样本到深度神经网络；
s32：初始化神经网络参数；
s33：采用自动化调参算法自动训练深度网络；
s34：选择最优模型。
5.根据权利要求1所述的一种基于ai的自动确定采样区的方法，其特征在于，所述步骤s4包括以下步骤：
s41：查询任务目标区域遥感影像；
s42：从自然资源影像卫星上，获取任务目标区域遥感影像。
6.根据权利要求1所述的一种基于ai的自动确定采样区的方法，其特征在于，所述步骤s41中，查询任务目标区域最近期或往年同期的遥感影像。
7.根据权利要求1所述的一种基于ai的自动确定采样区的方法，其特征在于，所述步骤s6中，将分类后的遥感影像分割成有限数目的网格，设定所有样本区质心在同一网格中的网格为一个聚类；所有样本区被分为有限数目的聚类，每一聚类选取一个样本区。
技术总结