基于遥感数据的土地利用分类方法及系统.pdf

《基于遥感数据的土地利用分类方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于遥感数据的土地利用分类方法及系统.pdf（26页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410033181.1(22)申请日 2024.01.10(71)申请人 日照市自然资源和规划局地址 276800 山东省日照市东港区泰安路59号(72)发明人 齐涛高洪军葛文海丁明婧梁玉才杜臣昌(74)专利代理机构 青岛晓航专利代理事务所(普通合伙)37370专利代理师 王倩倩(51)Int.Cl.G06V 20/13(2022.01)G06V 10/764(2022.01)G06V 10/774(2022.01)(54)发明名称基于遥感数据的土地利用分类方法及系统(57)摘要本发明涉及土。

2、地分类技术领域，尤其涉及基于遥感数据的土地利用分类方法及系统。所述方法包括以下步骤：获取土地分析区域；对土地分析区域进行遥感土地图像数据采集，生成遥感土地图像数据；对遥感土地图像数据进行地表高程分析，生成地表高程数据；根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理，生成一级分类土地图像数据；对一级分类土地图像数据进行土地图像特征参数分析，生成土地图像特征参数；根据土地图像特征参数对一级分类土地图像数据进行一级分类土地图像内部的土地利用二级分类处理，生成二级分类土地图像数据。本发明实现基于遥感数据更加细致化地土地利用多级分类。权利要求书3页 说明书19页 附图3页CN 1175419。

3、40 A2024.02.09CN 117541940 A1.一种基于遥感数据的土地利用分类方法，其特征在于，包括以下步骤：步骤S1：获取土地分析区域；利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集，生成遥感土地图像数据；对遥感土地图像数据进行滤波处理，生成滤波土地图像数据；步骤S2：利用数字高程模型对滤波土地图像数据进行地表高程分析，生成地表高程数据；根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理，生成一级分类土地图像数据；步骤S3：对一级分类土地图像数据进行土地图像特征参数分析，生成土地图像特征参数；获取土地分类训练样本；基于随机森林算法以及土地分类训练样本进行土地图像特。

4、征分类的关系模型建立，生成土地分类预测模型；将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测，生成土地利用类型预测数据；根据土地利用类型预测数据对一级分类土地图像数据进行一级分类土地图像内部的土地利用二级分类处理，生成二级分类土地图像数据；步骤S4：基于一级分类土地图像数据以及二级分类土地图像数据对土地分析区域进行多级划分的仿真土地地图建立，以获得仿真分类土地地图，并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。2.根据权利要求1所述的基于遥感数据的土地利用分类方法，其特征在于，步骤S1包括以下步骤：步骤S11：获取土地分析区域；步骤S12：利用卫星遥感技术对土地分析区。

5、域进行遥感土地图像数据采集，生成遥感土地图像数据；步骤S13：设计遥感土地图像的滤波参数；步骤S14：利用滤波参数对遥感土地图像数据进行滤波处理，生成滤波土地图像数据。3.根据权利要求2所述的基于遥感数据的土地利用分类方法，其特征在于，步骤S13包括以下步骤：步骤S131：获取时间序列上与遥感土地图像数据对应的气象数据；步骤S132：将气象数据传输至预构建的辐射传输模型中进行光谱分析，生成气象光谱参数；步骤S133：利用光谱滤波转换算法对气象光谱参数进行遥感土地图像的滤波参数计算，生成遥感土地图像的滤波参数。4.根据权利要求3所述的基于遥感数据的土地利用分类方法，其特征在于，步骤S133中的光。

6、谱滤波转换算法如下所示：；式中，表示为光谱波长为 时的滤波参数，表示为气象光谱参数的光谱波长，表示为光谱波长为 时设定的基准滤波参数，表示为设定的基准光谱波长，表示为光谱波长为 时的基准光谱强度数据，表示为光谱波长为 的光谱强度，表示为权利要求书1/3 页2CN 117541940 A2气象光谱参数的光谱平均强度，表示为相邻光谱波长间的间隔长度，表示为光谱波长 的前一个光谱波长节点的光谱强度，表示为光谱波长 的后一个光谱波长节点的光谱强度。5.根据权利要求1所述的基于遥感数据的土地利用分类方法，其特征在于，步骤S2包括以下步骤：步骤S21：利用数字高程模型对滤波土地图像数据进行地表高程分析，生。

7、成地表高程数据；步骤S22：基于预设的地表高程利用类型对地表高程数据进行数据划分，生成划分地表高程数据；步骤S23：根据划分地表高程数据对滤波土地图像数据进行土地图像的一级分割处理，生成一级分割土地图像数据；步骤S24：根据预设的地表高程利用类型对一级分类土地图像数据进行土地利用一级分类处理，生成一级分类土地图像数据。6.根据权利要求1所述的基于遥感数据的土地利用分类方法，其特征在于，步骤S3包括以下步骤：步骤S31：对一级分类土地图像数据进行一级分类土地图像内部的图像二级分割处理，生成二级分割土地图像数据；步骤S32：对二级分割土地图像数据进行土地图像特征参数分析，生成土地图像特征参数；步骤。

8、S33：基于随机森林算法建立土地图像特征分类的映射关系，以生成初始土地分类预测模型；步骤S34：获取土地分类训练样本，其中所述土地分类训练样本包括历史土地图像特征参数以及历史图像特征参数对应的历史土地利用类型标签数据；步骤S35：将土地分类训练样本传输至初始土地分类预测模型进行模型训练，并基于遗传算法对模型训练中的初始土地分类预测模型进行模型超参数优化调节，生成土地分类预测模型；步骤S36：将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测，生成土地利用类型预测数据；步骤S37：根据土地利用类型预测数据对二级分割土地图像数据进行土地利用二级分类，生成二级分类土地图像数据。7.根据权利。

9、要求6所述的基于遥感数据的土地利用分类方法，其特征在于，步骤S31包括以下步骤：步骤S311：对一级分类土地图像数据进行图像灰度值参数计算，生成图像灰度值参数；步骤S312：根据图像灰度值参数对一级分类土地图像数据进行一级分类土地图像内部的图像二级分割处理，生成二级分割土地图像数据。8.根据权利要求7所述的基于遥感数据的土地利用分类方法，其特征在于，步骤S32包括以下步骤：步骤S321：利用离散小波变换技术对二级分割土地图像数据据进行土地图像纹理参数权利要求书2/3 页3CN 117541940 A3提取，生成土地图像纹理参数；步骤S322：根据图像灰度值参数以及土地图像纹理参数进行土地图像特。

10、征参数整合，以获得二级分割土地图像数据的土地图像特征参数。9.根据权利要求1所述的基于遥感数据的土地利用分类方法，其特征在于，步骤S4包括以下步骤：步骤S41：根据GIS技术对土地分析区域进行仿真土地地图建立，以获得仿真土地地图；步骤S42：根据一级分类土地图像数据以及二级分类土地图像数据对仿真土地地图进行土地利用的多级分类处理，生成仿真分类土地地图，并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。10.一种基于遥感数据的土地利用分类系统，其特征在于，用于执行如权利要求1所述的基于遥感数据的土地利用分类方法，该基于遥感数据的土地利用分类系统包括：遥感图像滤波处理模块，用于获取土地分。

11、析区域；利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集，生成遥感土地图像数据；对遥感土地图像数据进行滤波处理，生成滤波土地图像数据；土地利用一级分类模块，利用数字高程模型对滤波土地图像数据进行地表高程分析，生成地表高程数据；根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理，生成一级分类土地图像数据；土地利用二级分类模块，用于对一级分类土地图像数据进行土地图像特征参数分析，生成土地图像特征参数；获取土地分类训练样本；基于随机森林算法以及土地分类训练样本进行土地图像特征分类的关系模型建立，生成土地分类预测模型；将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测，生成土地。

12、利用类型预测数据；根据土地利用类型预测数据对一级分类土地图像数据进行土地利用二级分类，生成二级分类土地图像数据；仿真分类土地地图展示模块，基于一级分类土地图像数据以及二级分类土地图像数据对土地分析区域进行多级划分的仿真土地地图建立，以获得仿真分类土地地图，并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。权利要求书3/3 页4CN 117541940 A4基于遥感数据的土地利用分类方法及系统技术领域0001本发明涉及土地分类技术领域，尤其涉及基于遥感数据的土地利用分类方法及系统。背景技术0002通过遥感技术获取的关于地球表面特征的信息。这种数据主要来自于卫星或飞机搭载的传感器，以此采。

13、集遥感土地图像数据。遥感土地图像数据可以用于多种应用，包括环境监测、农业管理、城市规划等，由于能提供广阔区域的连续观测，对于管理土地信息的动态变化尤为重要。通过遥感技术可以获得关于土地变化、资源分配的宝贵信息，区分土地上不同的利用类型，如城市、农田、森林、水体等。然而，传统的基于遥感数据的土地利用分类方法未通过土地地表高程以及土地图像特征进行土地利用类型的多级分类，使得土地利用分类不够细致化，以此造成一些土地利用类型的分类不够精准。发明内容0003基于此，本发明提供一种基于遥感数据的土地利用分类方法及系统，以解决至少一个上述技术问题。0004为实现上述目的，一种基于遥感数据的土地利用分类方法，。

14、包括以下步骤：步骤S1：获取土地分析区域；利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集，生成遥感土地图像数据；对遥感土地图像数据进行滤波处理，生成滤波土地图像数据；步骤S2：利用数字高程模型对滤波土地图像数据进行地表高程分析，生成地表高程数据；根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理，生成一级分类土地图像数据；步骤S3：对一级分类土地图像数据进行土地图像特征参数分析，生成土地图像特征参数；获取土地分类训练样本；基于随机森林算法以及土地分类训练样本进行土地图像特征分类的关系模型建立，生成土地分类预测模型；将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测，生。

15、成土地利用类型预测数据；根据土地利用类型预测数据对一级分类土地图像数据进行一级分类土地图像内部的土地利用二级分类处理，生成二级分类土地图像数据；步骤S4：基于一级分类土地图像数据以及二级分类土地图像数据对土地分析区域进行多级划分的仿真土地地图建立，以获得仿真分类土地地图，并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。0005本发明通过明确定义土地分析区域，确保了数据采集的精确性和相关性，卫星遥感技术可以覆盖大范围的地区，提供广泛的视角和高分辨率的图像，对于准确判断土地利用类型至关重要。遥感土地图像数据在采集过程中可能受到各种噪声和干扰的影响，例如云层、大气条件等。通过滤波处理，可。

16、以去除或减少这些干扰，提高图像数据的清晰度和可说明书1/19 页5CN 117541940 A5用性，是土地利用分类的重要前提，因为高质量的图像数据可以提供更准确的分析基础，从而提高了整个分类过程的效率和可靠性。通过数字高程模型的应用，可以准确地获得地表高程信息，对于理解地形变化、坡度、海拔等地理特征至关重要，因为这些特征对于土地利用类型的判定有着直接的影响，例如不同的海拔和坡度条件可能适合于不同类型的农业活动或城市发展，过结合地表高程数据，引入了一个额外的地形维度，多维度分析可以显著提高土地利用分类的准确性和细致性。基于地表高程数据进行土地利用的分类提高分类过程的全面性以及分类的细致性。对一。

17、级分类土地图像数据进行详细的特征参数分析，这一步骤提高了土地分类的精度，土地图像特征参数如纹理、颜色和形状等，为随后的分类提供了关键信息。应用随机森林算法进一步提高了土地利用分类的准确性和可靠性。通过获取土地分类训练样本以及随机森林算法建立土地图像特征分类的关系模型，能够适应实际的土地利用情况，这种基于实际数据的训练使模型更贴近实际应用场景，提高了其普遍适用性。通过将土地图像特征参数传输至预测模型并进行土地利用类型预测，实现了一级分类土地图像数据内部的土地利用的二级分类，这种多级分类方法能够更详细地划分土地类型，如在农业用地类别中进一步区分不同种植作物。通过建立仿真土地地图，提供了一种直观的方。

18、式来展示土地利用分类结果。这种图形化展示使得分类结果更易于理解和解释，多级划分的仿真土地地图融合了一级和二级分类的详细信息，提供了一个更全面的视角来观察和分析土地利用情况。将仿真分类土地地图传输至终端，便于数据的共享和协作。因此，本发明的基于遥感数据的土地利用分类方法通过土地地表高程以及土地图像特征进行土地利用类型的多级分类，使得土地利用分类更加细致化，从而对于土地利用类型的分类更为精准。0006优选地，步骤S1包括以下步骤：步骤S11：获取土地分析区域；步骤S12：利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集，生成遥感土地图像数据；步骤S13：设计遥感土地图像的滤波参数；步骤S14。

19、：利用滤波参数对遥感土地图像数据进行滤波处理，生成滤波土地图像数据。0007本发明通过精确定义土地分析区域确保了研究的专注性和效率，明确的区域范围帮助集中资源和分析工作。卫星遥感技术能覆盖广泛区域，提供高分辨率的图像，使得对大范围地区的综合分析提供后续步骤的数据流，帮助监测和分析土地利用的时间变化，对于理解长期趋势和做出及时响应至关重要。设计滤波参数允许对图像数据进行定制化的处理，这样可以针对特定的数据特性和分析需求调整滤波方法，合适的滤波参数可以显著提高图像数据的质量，减少噪声和干扰，提供更清晰、更准确的数据用于后续分析。通过滤波处理，可以去除或减少图像数据中的噪声和误差，增加数据的可靠性，。

20、为后续的土地利用分类提供了坚实的基础，清晰、高质量的滤波图像数据使得后续的土地利用分类更为精确和高效。这种优化可以节约时间和资源，同时提高整体分析的效率。0008优选地，步骤S13包括以下步骤：步骤S131：获取时间序列上与遥感土地图像数据对应的气象数据；步骤S132：将气象数据传输至预构建的辐射传输模型中进行光谱分析，生成气象说明书2/19 页6CN 117541940 A6光谱参数；步骤S133：利用光谱滤波转换算法对气象光谱参数进行遥感土地图像的滤波参数计算，生成遥感土地图像的滤波参数。0009本发明结合气象数据提供了关于图像获取时气候和天气状况的关键信息，有助于更好地理解图像数据。将气。

21、象数据传输至辐射传输模型进行光谱分析，可以生成与特定气候条件相关的光谱参数，有助于更精确地调整和优化图像数据处理。气象光谱参数的获取为遥感图像的滤波处理提供了定制化的基础，确保滤波方法能够针对特定的环境条件进行优化。利用光谱滤波转换算法根据气象光谱参数计算遥感土地图像的滤波参数，可以极大地提高滤波处理的准确性和效果，计算出的滤波参数使得能够针对特定的气象条件进行有效的图像处理，提高了图像质量。0010优选地，步骤S133中的光谱滤波转换算法如下所示：；式中，表示为光谱波长为 时的滤波参数，表示为气象光谱参数的光谱波长，表示为光谱波长为时设定的基准滤波参数，表示为设定的基准光谱波长，表示为光谱波。

22、长为 时的基准光谱强度数据，表示为光谱波长为 的光谱强度，表示为气象光谱参数的光谱平均强度，表示为相邻光谱波长间的间隔长度，表示为光谱波长 的前一个光谱波长节点的光谱强度，表示为光谱波长 的后一个光谱波长节点的光谱强度。0011本发明利用一种光谱滤波转换算法，该算法充分考虑了气象光谱参数的光谱波长、光谱波长为 时设定的基准滤波参数、设定的基准光谱波长、光谱波长为 时的基准光谱强度数据、光谱波长为 的光谱强度、气象光谱参数的光谱平均强度、相邻光谱波长间的间隔长度、光谱波长的前一个光谱波长节点的光谱强度、光谱波长 的后一个光谱波长节点的光谱强度以及函数之间的相互作用关系，以形成函数关系式：即，该函。

23、数关系式通过对特定光谱波长的滤波参数进行计算，实现了对遥感图像数据中各个波长的定制化滤波处理，这种针对性的参数调整对于消除或减少特定波长下的噪声和干扰尤为有效，通过考虑气象光谱参数中的变化，能够更准确地反映大气条件对遥感数据的影响，这样的滤波优化可以显著提高图像数据的质量，尤其是在不同气象条件下。该函数关系式中为降噪信号与光谱强度的比值，通过设定基准滤波参数可以调节滤波强度的大小，从而达到在保留图像特征中起到降噪效果，反映了当前波长相对于整体光谱强度的变化，这有助于理解特定波长下光谱数据的特殊性。以及提供了对 波长说明书3/19 页7CN 117541940 A7点附近光谱连续性的评估，有助于。

24、理解光谱数据在该波长点的稳定性或变化性。该函数关系式随着气象光谱参数的变化动态计算滤波参数，使得滤波处理能够适应于图像数据中的光谱强度变化，使得采集到的遥感土地图像更接近于真实的土地图像，降低外界条件的误差干扰。0012优选地，步骤S2包括以下步骤：步骤S21：利用数字高程模型对滤波土地图像数据进行地表高程分析，生成地表高程数据；步骤S22：基于预设的地表高程利用类型对地表高程数据进行数据划分，生成划分地表高程数据；步骤S23：根据划分地表高程数据对滤波土地图像数据进行土地图像的一级分割处理，生成一级分割土地图像数据；步骤S24：根据预设的地表高程利用类型对一级分类土地图像数据进行土地利用一级。

25、分类处理，生成一级分类土地图像数据。0013本发明数字高程模型（DEM）能够提供关于地表高程的详细信息，有助于理解地形的变化、坡度、海拔等关键地理特征，地表高程信息是理解某些土地覆盖类型（如山地森林、湿地等）的重要因素，提高土地分类的准确性和可靠性。通过基于预设的地表高程利用类型进行数据划分，可以将地表高程数据与特定的土地利用类型相关联，为更精细的土地分类提供依据，有助于优化土地分类的流程，通过预先筛选相关的地表高程数据，可以减少不必要的处理，提高整体的分类效率，对滤波土地图像数据进行基于地表高程的一级分割，为进一步的详细分类打下基础，一级分割处理有助于明确区分不同地理特征的区域，为每个区域的。

26、特定土地利用类型提供初步判断。结合预设的地表高程利用类型，进一步提高了土地利用分类的精确度，为每个区域提供了更加明确的土地利用类型标签。0014优选地，步骤S3包括以下步骤：步骤S31：对一级分类土地图像数据进行一级分类土地图像内部的图像二级分割处理，生成二级分割土地图像数据；步骤S32：对二级分割土地图像数据进行土地图像特征参数分析，生成土地图像特征参数；步骤S33：基于随机森林算法建立土地图像特征分类的映射关系，以生成初始土地分类预测模型；步骤S34：获取土地分类训练样本，其中所述土地分类训练样本包括历史土地图像特征参数以及历史图像特征参数对应的历史土地利用类型标签数据；步骤S35：将土地。

27、分类训练样本传输至初始土地分类预测模型进行模型训练，并基于遗传算法对模型训练中的初始土地分类预测模型进行模型超参数优化调节，生成土地分类预测模型；步骤S36：将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测，生成土地利用类型预测数据；步骤S37：根据土地利用类型预测数据对二级分割土地图像数据进行土地利用二级分类，生成二级分类土地图像数据。0015本发明对一级分类土地图像数据进行更细致的图像二级分割，进一步细化了土地说明书4/19 页8CN 117541940 A8特征的识别，有助于揭示一级分类内部的更复杂和细微的土地利用模式和变化，图像二级分割处理为土地利用类型识别提供了基础，使得。

28、能够区分出更具体的土地利用子类别，如特定类型的农田、不同种类的林地等。对二级分割土地图像数据进行特征参数分析，可以更精确地把握土地特征，如纹理、颜色、形状等，这种分析提供了详细的数据特征，为后续的分类提供了重要依据，生成详尽的土地图像特征参数，为使用机器学习算法（如随机森林算法）进行更精确的土地分类提供了关键输入。准确的特征参数有助于提高分类算法的性能和预测准确率。随机森林算法是一种强大的机器学习技术，能有效处理复杂的数据模式，通过此算法建立的模型能够高效地识别土地图像特征和土地利用类型之间的复杂关系，随机森林算法因其决策树的集成方法而在分类任务中表现出高准确度，并且不同的决策树中可以应对不同。

29、的图像特征，这种算法能够处理大量的特征变量，从而生成更准确、可靠的土地分类预测模型。通过使用包含历史土地图像特征参数和对应的土地利用类型标签数据的训练样本，确保了模型训练基于实际、历史的土地利用情况，提高了模型对的泛化能力。使用历史数据训练模型能够使其适应不同的土地覆盖和环境条件，从而提高模型在各种情境下的适用性和预测准确性。通过将土地分类训练样本传输至初始土地分类预测模型进行训练，模型能够更好地适应特定数据集的特性，提高预测的准确性，利用遗传算法对模型训练中的初始土地分类预测模型进行超参数优化调节，可以自动发现最优的模型参数配置。这种优化方法提高了模型的效率和性能，使其更适合于处理复杂的土地。

30、利用分类任务。将土地图像特征参数传输至优化后的土地分类预测模型，可以实现更精确的土地利用类型预测，确保了土地分类的准确性和可靠性，优化后的模型能够快速处理新的数据，为实时或近实时的土地利用分析提供支持。根据土地利用类型预测数据对二级分割土地图像数据进行分类，能够生成更细致、更具体的土地利用分类信息，如不同类型的农田、森林和建筑区域，生成的二级分类土地图像数据为土地管理和规划提供了更详尽的信息。0016优选地，步骤S31包括以下步骤：步骤S311：对一级分类土地图像数据进行图像灰度值参数计算，生成图像灰度值参数；步骤S312：根据图像灰度值参数对一级分类土地图像数据进行一级分类土地图像内部的图像。

31、二级分割处理，生成二级分割土地图像数据。0017本发明通过计算一级分类土地图像数据的图像灰度值参数，这一步骤可以增强对图像数据的解析度。图像灰度值的分析能揭示图像中不同特征的细节和对比度，对于识别不同土地覆盖类型和条件至关重要，图像灰度值参数为土地利用分类提供了一个重要的特征维度，帮助识别和区分土地图像中的不同区域。基于图像灰度值参数对一级分类土地图像数据进行图像二级分割处理，能够实现更精细的土地类型区分，这种精细化处理有助于区分一级分类中的细微差异，例如在林地和草地之间的区分。通过在一级分类基础上进行图像二级分割，这一步骤保证了土地分类流程的逻辑性和连续性。这样的分割处理为后续更复杂的分类工。

32、作提供了坚实的基础。0018优选地，步骤S32包括以下步骤：步骤S321：利用离散小波变换技术对二级分割土地图像数据据进行土地图像纹理参数提取，生成土地图像纹理参数；步骤S322：根据图像灰度值参数以及土地图像纹理参数进行土地图像特征参数整说明书5/19 页9CN 117541940 A9合，以获得二级分割土地图像数据的土地图像特征参数。0019本发明利用离散小波变换技术在土地图像的纹理参数提取中尤其重要，因为不同的土地类型（如森林、农田、城市区域）会显示出不同的纹理特征，离散小波变换是一种强大的图像分析工具，能够有效地捕捉和提取图像中的纹理信息，通过详细分析土地图像的纹理，可以更准确地区分细。

33、微的土地利用差异，这对于精确的土地分类至关重要。结合图像灰度值参数和土地图像纹理参数进行特征整合，提供了一个更全面的视角来分析土地图像，这种综合方法使得能够同时考虑图像的亮度、对比度和纹理等多个方面，从而提高分类的准确性和可靠性。通过整合这些关键特征参数，为后续使用的分类模型（如基于机器学习的模型）提供了更丰富、更准确的输入数据，这种优化输入有助于提高模型在土地利用分类中的表现。0020优选地，步骤S4包括以下步骤：步骤S41：根据GIS技术对土地分析区域进行仿真土地地图建立，以获得仿真土地地图；步骤S42：根据一级分类土地图像数据以及二级分类土地图像数据对仿真土地地图进行土地利用的多级分类处。

34、理，生成仿真分类土地地图，并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。0021本发明通过GIS技术建立的仿真土地地图能够准确地反映土地分析区域的空间特征和地理上下文，这种空间上下文对于理解和解释土地利用数据至关重要。GIS提供了强大的数据可视化和空间分析功能，通过建立仿真土地地图，提供了一种直观的方式来查看和分析土地覆盖和利用情况。结合一级和二级分类土地图像数据对仿真土地地图进行多级分类处理，可以生成更详细和细分的土地利用分类图，提高了分类信息的细致程度。仿真分类土地地图的生成和传输至终端设备，使得这些详细的分类信息可以被广泛应用于土地管理、城市规划、环境保护等决策过程中，提供。

35、了有力的数据支持。0022本说明书中提供一种基于遥感数据的土地利用分类系统，用于执行如上述所述的基于遥感数据的土地利用分类方法，该基于遥感数据的土地利用分类系统包括：遥感图像滤波处理模块，用于获取土地分析区域；利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集，生成遥感土地图像数据；对遥感土地图像数据进行滤波处理，生成滤波土地图像数据；土地利用一级分类模块，利用数字高程模型对滤波土地图像数据进行地表高程分析，生成地表高程数据；根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理，生成一级分类土地图像数据；土地利用二级分类模块，用于对一级分类土地图像数据进行土地图像特征参数分析，生成土。

36、地图像特征参数；获取土地分类训练样本；基于随机森林算法以及土地分类训练样本进行土地图像特征分类的关系模型建立，生成土地分类预测模型；将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测，生成土地利用类型预测数据；根据土地利用类型预测数据对一级分类土地图像数据进行土地利用二级分类，生成二级分类土地图像数据；仿真分类土地地图展示模块，基于一级分类土地图像数据以及二级分类土地图像数据对土地分析区域进行多级划分的仿真土地地图建立，以获得仿真分类土地地图，并将说明书6/19 页10CN 117541940 A10仿真分类土地地图传输至终端以进行土地利用分类的展示任务。0023本申请有益效果在于，。

37、本发明实现了土地利用类型的多级精确分类。通过分析气象造成的光谱噪声设计滤波参数，并滤波技术处理遥感图像，去除噪声和干扰，提高了图像数据的质量，高质量的图像数据为后续的土地利用分类提供了准确的分析基础，从而提高整个分类过程的效率和可靠性。结合地表高程数据引入了一个额外的地形维度，提供了更全面的土地利用分类方法，多维度分析显著提高了土地利用分类的准确性和细致性，尤其是在复杂地形的区域，配合地表高程信息，能够更准确地判断土地利用类型，如平原、高地等。应用随机森林算法进一步提高了土地利用分类的精度和可靠性，这种机器学习方法能够有效处理大量数据，并提供高准确率的预测。实施一级和二级的土地分类，使得土地利。

38、用分类更加细致和具体。通过建立仿真土地地图，提供了一种直观的方式来展示土地利用分类结果。多级划分的仿真土地地图融合了一级和二级分类的详细信息，提供了更全面的视角来观察和分析土地利用情况。将仿真分类土地地图传输至终端设备，便于数据的共享和协作，对于土地管理、城市规划、环境保护等领域的决策制定提供了有力的数据支持。附图说明0024图1为本发明一种基于遥感数据的土地利用分类方法的步骤流程示意图；图2为图1中步骤S2的详细实施步骤流程示意图；图3为图1中步骤S3的详细实施步骤流程示意图；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0025下面结合附图对本发明专利的技。

39、术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做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。0026此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。0027应当理解的是，虽然在这里可。

40、能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。0028为实现上述目的，请参阅图1至图3，本发明提供一种基于遥感数据的土地利用分类方法，包括以下步骤：步骤S1：获取土地分析区域；利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集，生成遥感土地图像数据；对遥感土地图像数据进行滤波处理，生成滤波土地图说明书7/19 。

41、页11CN 117541940 A11像数据；步骤S2：利用数字高程模型对滤波土地图像数据进行地表高程分析，生成地表高程数据；根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理，生成一级分类土地图像数据；步骤S3：对一级分类土地图像数据进行土地图像特征参数分析，生成土地图像特征参数；获取土地分类训练样本；基于随机森林算法以及土地分类训练样本进行土地图像特征分类的关系模型建立，生成土地分类预测模型；将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测，生成土地利用类型预测数据；根据土地利用类型预测数据对一级分类土地图像数据进行一级分类土地图像内部的土地利用二级分类处理，生成二级分。

42、类土地图像数据；步骤S4：基于一级分类土地图像数据以及二级分类土地图像数据对土地分析区域进行多级划分的仿真土地地图建立，以获得仿真分类土地地图，并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。0029本发明通过明确定义土地分析区域，确保了数据采集的精确性和相关性，卫星遥感技术可以覆盖大范围的地区，提供广泛的视角和高分辨率的图像，对于准确判断土地利用类型至关重要。遥感土地图像数据在采集过程中可能受到各种噪声和干扰的影响，例如云层、大气条件等。通过滤波处理，可以去除或减少这些干扰，提高图像数据的清晰度和可用性，是土地利用分类的重要前提，因为高质量的图像数据可以提供更准确的分析基础，从而。

43、提高了整个分类过程的效率和可靠性。通过数字高程模型的应用，可以准确地获得地表高程信息，对于理解地形变化、坡度、海拔等地理特征至关重要，因为这些特征对于土地利用类型的判定有着直接的影响，例如不同的海拔和坡度条件可能适合于不同类型的农业活动或城市发展，过结合地表高程数据，引入了一个额外的地形维度，多维度分析可以显著提高土地利用分类的准确性和细致性。基于地表高程数据进行土地利用的分类提高分类过程的全面性以及分类的细致性。对一级分类土地图像数据进行详细的特征参数分析，这一步骤提高了土地分类的精度，土地图像特征参数如纹理、颜色和形状等，为随后的分类提供了关键信息。应用随机森林算法进一步提高了土地利用分类。

44、的准确性和可靠性。通过获取土地分类训练样本以及随机森林算法建立土地图像特征分类的关系模型，能够适应实际的土地利用情况，这种基于实际数据的训练使模型更贴近实际应用场景，提高了其普遍适用性。通过将土地图像特征参数传输至预测模型并进行土地利用类型预测，实现了一级分类土地图像数据内部的土地利用的二级分类，这种多级分类方法能够更详细地划分土地类型，如在农业用地类别中进一步区分不同种植作物。通过建立仿真土地地图，提供了一种直观的方式来展示土地利用分类结果。这种图形化展示使得分类结果更易于理解和解释，多级划分的仿真土地地图融合了一级和二级分类的详细信息，提供了一个更全面的视角来观察和分析土地利用情况。将仿真。

45、分类土地地图传输至终端，便于数据的共享和协作。因此，本发明的基于遥感数据的土地利用分类方法通过土地地表高程以及土地图像特征进行土地利用类型的多级分类，使得土地利用分类更加细致化，从而对于土地利用类型的分类更为精准。0030本发明实施例中，参考图1所述，为本发明一种基于遥感数据的土地利用分类方法的步骤流程示意图，在本实施例中，所述基于遥感数据的土地利用分类方法包括以下步骤：说明书8/19 页12CN 117541940 A12步骤S1：获取土地分析区域；利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集，生成遥感土地图像数据；对遥感土地图像数据进行滤波处理，生成滤波土地图像数据；本发明实施例。

46、中，选定一个特定的区域作为土地分析的目标。例如，可以选择一个正在经历快速城市化的地区，或者一个由于环境变化而土地利用类型发生变化的农业区域，使用地图和其他地理信息系统（GIS）工具来准确地界定这个区域的边界，以获取土地分析区域。利用卫星遥感技术，如利用LANDSAT、Sentinel2或其他遥感卫星，对选定的土地分析区域进行图像数据采集，确保采集的图像数据覆盖了整个区域，并且具有足够的分辨率来识别土地特征。采集数据时，考虑到云层遮挡等因素，可能需要在不同的时间点进行多次采集，以确保获得高质量的图像数据。采集到的遥感图像数据可能包含由于大气散射、传感器噪声等因素造成的干扰。因此，使用图像处理软件。

47、（如ERDAS IMAGINE、ENVI或QGIS）进行滤波处理，应用如高斯滤波器、中值滤波器等图像滤波技术，来去除噪声和其他干扰，同时保持土地覆盖特征的清晰度，经过滤波处理后，生成的滤波土地图像数据将更适用于后续的土地利用分类和分析。0031步骤S2：利用数字高程模型对滤波土地图像数据进行地表高程分析，生成地表高程数据；根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理，生成一级分类土地图像数据；本发明实施例中，将滤波处理的遥感土地图像数据传输至数字高程模型（DEM），以提供数字高程模型输出的DEM数据。例如，可以利用SRTM（穿越雷达地形测绘任务）或ASTER（高级空间辐射热发射和。

48、反射辐射计）提供的DEM数据。从DEM中提取土地分析区域的地表高程数据，包括识别最高点和最低点、计算平均海拔、分析地势变化等。结合地表高程数据和滤波后的遥感图像数据，进行土地利用的一级分类。例如，可以设计土地地表高度的主要类别，如高山区域、丘陵区、平原区等，并对每个类别设定对应的地表高程区间，根据地表高程数据对应的地表高程区间进行滤波土地图像数据区域分类，完成分类后，生成的一级分类土地图像数据将在地图上展示不同类别的土地，这些数据可以用于进一步的为后续土地利用二级分类的分析提供数据基础，如土地覆盖的变化、城市扩张、农业用地的分布等。0032步骤S3：对一级分类土地图像数据进行土地图像特征参数分。

49、析，生成土地图像特征参数；获取土地分类训练样本；基于随机森林算法以及土地分类训练样本进行土地图像特征分类的关系模型建立，生成土地分类预测模型；将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测，生成土地利用类型预测数据；根据土地利用类型预测数据对一级分类土地图像数据进行一级分类土地图像内部的土地利用二级分类处理，生成二级分类土地图像数据；本发明实施例中，利用一级分类土地图像数据进行图像特征参数分析，包括分析图像的光谱特征、纹理特征、颜色特征等。使用图像处理和分析软件（如ENVI或QGIS）来提取这些特征。例如，对于农田区域，分析可能集中在植被指数和土壤湿度指标上；对于城市区域，可能更。

50、关注建筑物的几何特征和反射特性。收集与分析区域相对应的历史土地利用数据作为训练样本，包括以前的遥感图像、地面调查数据、或者其他来源的土地利用记录。确保这些训练样本覆盖不同的土地利用类型，并且与当前分析区域的条件相匹配。使用随机森林算法，结合收集的土地分类训练样本，来建立土地图像特征分类的关系模型，优化模型说明书9/19 页13CN 117541940 A13参数，确保其在处理土地图像特征方面的有效性和准确性。将一级分类土地图像数据的特征参数输入到建立好的土地分类预测模型中，模型将基于这些输入特征对土地利用类型进行预测，生成的土地利用类型预测数据会提供关于各区域可能的土地利用情况的信息。根据土地。