土地资源管理系统的制作方法

本技术涉及土地资源管理领域，且更为具体地，涉及一种土地资源管理系统。

背景技术：

1、土地资源管理系统可以整合和分析大量的土地相关数据，包括土壤质地、土地地形地貌等数据。通过对这些数据进行分析，系统可以评估土地的适宜程度，帮助农业决策者做出科学的决策。

2、在现有技术中，农业决策者基于个人主观判断和经验来决定土地种植的作物，而这种决策可能受到主观偏见和限制，缺乏科学依据和系统分析的决策可能导致选择不合适的作物，从而影响农业生产效益。同时，农业决策者在做出决策时，往往只考虑单一因素，如土壤肥沃条件或气候条件，而忽视了其他关键因素的综合影响，这种片面的决策可能无法充分考虑到土地的整体潜力和限制，导致不够科学和有效的决策。

3、因此，期望一种更为优化的土地资源管理系统。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种土地资源管理系统，其首先获取由相机采集的土地地形地貌图像和从土壤数据库调取的土壤类型文本数据，然后将所述由相机采集的土地地形地貌图像分别通过第一卷积神经网络和使用空间注意力机制的第二卷积神经网络后进行融合以得到地形地貌特征图，接着，将所述从土壤数据库调取的土壤类型文本数据进行分块后通过包含嵌入层的上下文编码器和第三卷积神经网络以得到土壤类型特征图，最后，将所述地形地貌特征图和所述土壤类型特征图进行基于秩序性的位移过渡并通过分类器以判断土地各个区域的资源是否适合种植水果，从而为水果种植决策提供科学依据，进而提高土地资源管理的效率。

2、根据本技术的一个方面，提供了一种土地资源管理系统，其包括：

3、数据获取模块，用于获取由相机采集的土地地形地貌图像和从土壤数据库调取的土壤类型文本数据；

4、第一卷积模块，用于将所述由相机采集的土地地形地貌图像通过第一卷积神经网络以得到第一特征图，其中，所述第一卷积神经网络包括深-浅特征融合模块；

5、第二空间注意力模块，用于将所述由相机采集的土地地形地貌图像通过使用空间注意力机制的第二卷积神经网络以获得第二特征图；

6、特征融合模块，用于融合所述第一特征图和所述第二特征图以生成地形地貌特征图；

7、上下文编码模块，用于将所述从土壤数据库调取的土壤类型文本数据进行分块后通过包含嵌入层的上下文编码器以得到多个第三特征向量；

8、第三卷积模块，用于将所述多个第三特征向量进行二维排列后通过第三卷积神经网络以得到土壤类型特征图；

9、融合模块，用于对所述地形地貌特征图和所述土壤类型特征图进行基于秩序性的位移过渡以得到分类特征图；

10、分类模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示土地各个区域的资源是否适合种植水果。

11、在上述土地资源管理系统中，所述第一卷积模块，包括:浅层特征提取单元，用于从所述第一卷积神经网络的第m层得到浅层特征图，所述m大于等于1且小于等于6；深层特征图提取单元，用于从所述第一卷积神经网络的最后一层得到深层特征图；关联单元，用于通过所述第一卷积神经网络的深-浅特征融合模块来关联所述浅层特征图和所述深层特征图以得到所述第一特征图。

12、在上述土地资源管理系统中，所述关联单元，包括：使用所述深-浅特征融合模块以如下关联公式来关联所述浅层特征图和所述深层特征图以获得所述第一特征图，其中，所述关联公式为：其中，为所述第一特征图，为所述浅层特征图，为所述深层特征图，“”表示所述浅层特征图和所述深层特征图相对应位置处的元素相加，为用于控制所述第一特征图中所述浅层特征图和所述深层特征图之间的平衡的加权参数。

13、在上述土地资源管理系统中，所述第二空间注意力模块，包括：所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：卷积单元，用于对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；池化单元，用于对所述卷积特征图进行池化处理以生成池化特征图；激活单元，用于对所述池化特征图进行激活处理以生成激活特征图；全局平均池化单元，用于对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；权重单元，用于对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；加权单元，用于以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二特征图。

14、在上述土地资源管理系统中，所述上下文编码模块，包括：分块单元，用于对所述从土壤数据库调取的土壤类型文本数据进行分块处理以得到对应于各个所述土壤类型的词序列；转化单元，用于使用所述上下文编码器的嵌入层将各个所述土壤类型的词序列中的各个词分别转化为词嵌入向量以得到对应于各个所述土壤类型的词嵌入向量的序列；上下文语义编码单元，用于将所述上下文编码器的基于转换器的bert模型对各个所述土壤类型的词嵌入向量的序列进行上下文语义编码以得到对应于各个所述土壤类型的多个词特征向量；词特征级联单元，用于将各个所述土壤类型的多个词特征向量进行级联以得到对应于各个所述土壤类型的第三特征向量。

15、在上述土地资源管理系统中，所述第三卷积模块，包括：将所述多个第三特征向量进行二维排列以得到第三特征矩阵；使用所述第三卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述第三卷积神经网络的最后一层输出所述土壤类型特征图，其中，所述第三卷积神经网络的输入为所述第三特征矩阵。

16、在上述土地资源管理系统中，所述融合模块，包括：基于所述地形地貌特征图的沿通道维度的各个特征矩阵的全局均值，对所述地形地貌特征图进行特征矩阵序列化重排以得到序列化地形地貌特征图；基于所述土壤类型特征图的沿通道维度的各个特征矩阵的全局均值，对所述土壤类型特征图进行特征矩阵序列化重排以得到序列化土壤类型特征图；计算所述序列化地形地貌特征图和所述序列化土壤类型特征图中任意两个通道维度的特征矩阵之间的欧式距离以得到位移过渡拓扑矩阵；计算所述序列化地形地貌特征图和所述序列化土壤类型特征图的每组对应通道维度的特征矩阵之间的按位置均值矩阵以得到融合特征矩阵的序列；将所述融合特征矩阵的序列和所述位移过渡拓扑矩阵通过图神经网络模型以得到所述分类特征图。

17、在上述土地资源管理系统中，所述分类模块，包括：使用所述分类器以如下分类公式对所述分类特征图进行处理以获得所述分类结果；

18、其中，所述分类公式为：，其中表示将所述分类特征图投影为向量，为权重矩阵，表示偏置向量，表示归一化指数函数，表示所述分类结果。

19、根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的土地资源管理系统。

20、根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的土地资源管理系统。

21、与现有技术相比，本技术提供的一种土地资源管理系统，其首先获取由相机采集的土地地形地貌图像和从土壤数据库调取的土壤类型文本数据，然后将所述由相机采集的土地地形地貌图像分别通过第一卷积神经网络和使用空间注意力机制的第二卷积神经网络后进行融合以得到地形地貌特征图，接着，将所述从土壤数据库调取的土壤类型文本数据进行分块后通过包含嵌入层的上下文编码器和第三卷积神经网络以得到土壤类型特征图，最后，将所述地形地貌特征图和所述土壤类型特征图进行基于秩序性的位移过渡并通过分类器以判断土地各个区域的资源是否适合种植水果，从而为水果种植决策提供科学依据，进而提高土地资源管理的效率。