对所述卫星影像进行时空节点匹配，将同一区域内的卫星影像视作互为正样本，将不

　　以所述正样本和负样本构建初始数据集；将所述初始数据集划分为训练集、验证集和

　　构建对比学习模型，利用所述训练集和验证集对所述对比学习模型进行训练和调参；

　　构建语义分割网络，将完成训练的对比学习模型中的编码器的权重初始化到所述语义

　　分割网络中，利用所述语义分割网络对测试集进行监督学习，得到目标撂荒地区域的二值

　　2.根据权利要求1所述的撂荒地监测方法，其特征在于，所述对比学习模型中的编码器

　　分批次将所述训练集分别输入所述第一编码器和所述第二编码器，第一编码器和第二

　　优化所述第一图像特征和所述第二图像特征之间的对比损失，直至对比学习模型的损

　　构建队列结构的记忆库；所述记忆库的更新方式设置为当最新批次的图像特征存储进

　　在对所述对比学习模型进行训练的过程中引入所述记忆库中的负样本参与对比学习，

　　4.根据权利要求2所述的撂荒地监测方法，其特征在于，所述对比学习模型的损失函数

　　其中，q为第一编码器输出的第一图像特征，k为第二编码器输出的第二图像特征，q·k

　　为通过点积计算两个编码器分支输出特征的相似度，τ为超参数，c为训练集中一个批次的

　　5.根据权利要求4所述的撂荒地监测方法，其特征在于，在优化所述第一图像特征和所

　　述第二图像特征之间的对比损失时，包括：利用参与损失函数梯度回传的第一编码器对不

　　参与损失函数梯度回传的第二编码器进行网络参数动量更新，其表达式如下所示：

　　6.根据权利要求1所述的撂荒地监测方法，其特征在于，所述语义分割网络的损失函数

　　7.根据权利要求1所述的撂荒地监测方法，其特征在于，根据所述目标撂荒地区域的二

　　值图，绘制撂荒地监测图，具体为：对所述目标撂荒地区域的二值图分别进行矢量化和去噪

　　8.根据权利要求1所述的撂荒地监测方法，其特征在于，在利用训练集和验证集对对比

　　对训练集进行数据增强，具体包括：对影像数据进行平移翻转、随机裁剪、随机色彩映

　　9.根据权利要求1所述的撂荒地监测方法，其特征在于，所述卫星影像为高分辨率遥感

　　10.一种撂荒地监测系统，应用于如权利要求1～9任一项所述的撂荒地监测方法，其特

　　匹配模块，用于对所述卫星影像进行时空节点匹配，将同一区域内的卫星影像视作互

　　第一构建模块，用于以所述正样本和负样本构建初始数据集；将所述初始数据集划分

　　第二构建模块，用于构建对比学习模型，并利用所述训练集和验证集对所述对比学习

　　第三构建模块，用于构建语义分割网络，并将完成训练的对比学习模型中的编码器的

　　监督学习模块，用于利用所述语义分割网络对测试集进行监督学习，得到目标撂荒地

　　和有效的撂荒空间分布制图。通过提取耕地撂荒区域的时空分布特征，绘制撂荒地监测图，

　　长时间序列遥感图像常常使难以获得，且不能对同一地区不同时相的撂荒地区进行识别，

　　语义分割网络中，利用所述语义分割网络对测试集进行监督学习，得到目标撂荒地区域的

　　行时空节点匹配，将同一区域内的卫星影像视作互为正样本，将不同区域间的卫星影像视

　　作互为负样本，并引入对比学习模型，利用所述正样本和负样本进行初步的自监督训练，提

　　取和整合了同一区域不同时相的撂荒特征，绘制撂荒地监测图，能够有效提高撂荒地监测

　　图5(b)为本申请实施例中ResNet‑PSPNet‑CA的耕地撂荒提取实验结果图。

　　取两个时相影像均为撂荒的区域，因此本实施例使用的对比学习中的代理任务设置为同一

　　个区域上半年和下半年的影像作为相似影像，视作互为正样本，数据集中的所有不同区域

　　语义分割网络中，利用所述语义分割网络对测试集进行监督学习，得到目标撂荒地区域的

　　同一区域内的卫星影像视作互为正样本，将不同区域间的卫星影像视作互为负样本，并引

　　入对比学习模型，利用所述正样本和负样本进行初步的自监督训练，能够提取和整合了同

　　一区域不同时相的撂荒特征，绘制撂荒地监测图，能够有效提高撂荒地监测的实时性和精

　　本实施例中，如图2所示，其为对比学习模型的结构示意图，所述对比学习模型中

　　的编码器包括第一编码器和第二编码器。分批次将所述训练集分别输入所述第一编码器和

　　所述第二编码器，第一编码器和第二编码器分别输出第一图像特征和第二图像特征。优化

　　所述第一图像特征和所述第二图像特征之间的对比损失，直至对比学习模型的损失函数收

　　数据增强后的图像输入，分支内部对应两个特征提取器即本实施例中的第一编码器和第二

　　编码器，用于提取特征，最后获得两张输入图像的两组特征，这两组特征会计算相互的对比

　　损失，通过优化该损失使得相似图像的特征在特征空间中的距离相近，不同图像对应的特

　　征在特征空间中相互远离。特征提取器经过对比学习后，网络模型能够在没有图像标注的

　　情况下学习到特定的特征编码能力，能够对不同的数据做出判别，从而令网络在后续的训

　　其中，q为第一编码器输出的第一图像特征，k为第二编码器输出的第二图像特征，

　　q·k为通过点积计算两个编码器分支输出特征的相似度，τ为超参数；c为训练集中一个批

　　次的大小，即训练集一个批次内部的其他样本数量，通过近似计算图像与其他所有图像的

　　本实施例中，对比学习模型的初始学习率设置为0.0001，对比学习中损失函数超

　　参数τ设置为0.1，用于计算相似度的特征维度设置为128，特征队列长度设置为1024。

　　批次的图像特征存储进记忆库时，移除上一批次的图像特征。将第二编码器当前批次输出

　　的图像特征设置为负样本并存储至所述记忆库中。在对所述对比学习模型进行训练的过程

　　中引入所述记忆库中的负样本参与对比学习，对所述记忆库进行迭代更新，直至所述对比

　　的后进后出的特性，在每次更新记忆库时，最新的特征进入的同时将早期的特征移除，从而

　　保证了当次训练中特征的一致性，同时在模型训练的初始化阶段，通过调整队列结构的容

　　量参数，扩大该队列结构的容量实现了足够数量的负样本参与训练。另外，该方法保留了两

　　个特征提取分支，与端到端方法不同的是，其中一个分支在训练过程中不直接参与损失函

　　数的梯度回传，而是通过动量更新(Momentum  Update)机制对该分支下的网络参数进行更

　　新。在动量更新过程中，该分支的大部分参数与原网络一致，只引入另一个参与正常梯度回

　　传的分支中少部分的网络参数，从而保证队列中特征内部的一致性。将所有训练数据进行

　　对比学习，完成训练后将对比学习模型中的编码器部分中的权重初始化到语义分割网络中

　　包括：利用参与损失函数梯度回传的第一编码器对不参与损失函数梯度回传的第二编码器

　　如图3所示，其为对比学习模型和语义分割网络进行自监督学习的原理图，中，所

　　本实施例中，根据所述目标撂荒地区域的二值图，绘制撂荒地监测图，具体为：对

　　所述目标撂荒地区域的二值图分别进行矢量化和去噪后处理，得到撂荒地监测图。

　　包括：对训练集进行数据增强，具体包括：对影像数据进行平移翻转、随机裁剪、随机色彩映

　　高、地物几何结构明显、j9.com官网纹理信息清晰和数据量大等特征。模拟撂荒产品标注过程中对两个

　　时相高分辨率影像的判别过程，将同一地区不同时相的影像通过不同的随机数据增强方法

　　输入到不同分支的编码器网络中，通过计算两个分支输出特征的对比损失，让网络学习到

　　两个时相影像之间所共有的撂荒特征，强化了网络对于不同时相高分影像撂荒的特征提取

　　监测方法的基础上，引入ImageNet数据集进行有监督的预训练作为权重初始化参数进行对

　　本实施例中，根据广东省2020年大于15亩耕地撂荒数据，结合广东省2020年下半

　　年高分二号卫星采集部分区域的影像，制作耕地撂荒数据集展示图如图4所示，共116张分

　　辨率为1米的遥感影像，范围在4平方公里左右，涵盖广东粤东、粤西、粤北和珠三角等区域；

　　根据广东省2021年大于3亩耕地撂荒数据，结合广东省2021年上半年和下半年高分二号卫

　　本实施例中，j9.com官网根据撂荒标注数据，将撂荒标注的区域裁剪出512×512大小的样本，

　　并补充少量没有撂荒标注区域的样本，其中2020年大于15亩撂荒数据得到共3000组样本，

　　2021年揭西县、兴宁市和雷州市三个研究区大于3亩撂荒数据得到共2000组样本，将其随机

　　分成训练集、验证集、测试集。通过在训练集上进行训练，通过验证集监测训练过程，挑出验

　　证最优的对比学习模型在测试集上进行测试。完成训练后将对比学习模型中的编码器部分

　　中的权重初始化到语义分割网络中并进行监督学习。对比学习部分中，数据增强部分针对

　　本任务进行了调整，包括增大随机裁剪的范围以及去除高斯模糊。两个时相的影像经过数

　　据增强后会随机输入到两个实验。所使用的数据增强方式有一定区别，除了常见的平移、翻

　　转、随机裁剪外，还增加了随机色彩映射和增加高斯噪声。初始学习率设置为0.0001，对比

　　学习中损失函数超参数τ设置为0.1，用于计算相似度的特征维度设置为128，特征队列长度

　　同时选择出最适用于撂荒提取任务中的模型，本实施例对不同的模型编码器、解码器结构

　　均加入对比实验中。其中编码器部分包括ResNet和EfficientNet结构，解码器部分使用了

　　度评价均基于像素级别。其中使用了Moco对比学习策略作为预训练权重参数的模型均有一

　　定程度的精度提升，其中使用EfficientNet和PSPNet‑CA结构的模型使用了对比学习策略

　　后精度提升幅度最大，同时也在本项实验中整体精度OA和交并比IoU和召回率Recall达到

　　模型在准确率Precision和F1指标中达到了最高，分别为71.31％和72.12％，证明了使用双

　　时相对比学习策略在不引入额外标注工作量的情况下具有一定的性能提升作用。使用同样

　　结构的编码器PSPNet‑CA的情况下，使用EfficientNet作为特征提取器的模型性能精度显

　　著高于使用ResNet作为特征提取器的模型，说明EfficientNet在撂荒数据中拥有更强的特

　　征提取能力。因此，在后续的应用中，模型将使用EfficientNet‑PSPNet‑CA作为应用模型，

　　如图5所示，其为本实施例中的撂荒提取结果图，其中图5(c)和图5(e)结果对应的

　　模型相较于图5(b)和图5(d)列对应的模型增加了双时相对比学习策略，可以看到对于撂荒

　　痕迹明显的区域对比学习策略没有明显的优势，但对于撂荒痕迹不明显、撂荒特征与周围

　　相似的区域，对比学习策略的引入能够很好的进行补充，原模型出现了较多整个撂荒斑块

　　的漏提，对比学习在充分提取双时相的撂荒特征后，能够进行补充识别，并且能够有效提高

　　斑块尺度上的识别率。对于不规则、细长型的撂荒区域，引入对比学习后虽然没有能够对形

　　状做出很好的提取，但不会出现整个撂荒区域大面积的漏提，能够有效辅助人工作业的进

　　综上，基于对比学习的方法，有效的使用了高分辨率遥感影像数据，将同一地区不

　　同时相的影像通过不同的随机数据增强方法输入到不同分支的编码器网络中，通过计算两

　　个分支输出特征的对比损失，让网络学习到两个时相影像之间所共有的撂荒特征，强化了

　　同一区域内的卫星影像视作互为正样本，将不同区域间的卫星影像视作互为负样本，并引

　　入对比学习模型，利用所述正样本和负样本进行初步的自监督训练，提取和整合了同一区

　　域不同时相的撂荒特征，绘制撂荒地监测图，能够有效提高撂荒地监测的实时性和精度。

　　本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可

　　以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本

　　发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求