本发明涉及数据挖掘，尤其涉及一种土地利用数据集处理方法及系统。
背景技术：
1、土地利用的科学管理是促进可持续发展的关键，然而，土地利用数据的高效处理、精确分析与决策支持依赖于大量地理空间数据的获取与整合。因此，土地利用数据集的处理方法对提升土地管理水平、优化资源配置、制定合理管理策略具有重要意义。土地利用数据集的处理方法，旨在通过对土地利用类型、空间分布、利用强度等信息的收集、分析与处理，支持相关决策的制定。在过去几十年中，随着遥感技术、地理信息系统（gis）以及大数据处理技术的发展，土地利用数据集的采集和处理逐步成为可能。传统方法依赖遥感影像和地面调查，获取土地利用数据的频率和时效性较低。遥感影像的更新周期往往较长，难以提供实时的土地利用变化情况，这对于需要快速响应的土地管理带来了很大挑战。传统的数据处理方法往往需要大量人工干预，并且处理过程繁琐、效率较低。在面对大规模数据集时，传统方法的计算能力和处理速度难以满足需求。此外，数据处理的复杂性使得对不同时间、不同来源的数据集进行整合与对比变得困难。
技术实现思路
1、基于此，本发明有必要提供一种土地利用数据集处理方法及系统，以解决至少一个上述技术问题。
2、为实现上述目的，一种土地利用数据集处理方法，包括以下步骤：
3、步骤s1：获取监测区域地面传感数据，并根据监测区域地面传感数据进行监测区域坐标系构建，从而获得监测区域坐标系数据；基于监测区域坐标系数据对监测区域地面传感数据进行传感数据融合，从而获得监测区域传感网络；
4、步骤s2：获取监测区域遥感数据，并基于监测区域遥感数据进行监测区域土地网格划分，从而获得监测区域土地网格数据；根据监测区域土地网格数据进行监测区域土地植被覆盖率计算，从而获得监测区域土地植被覆盖率数据；
5、步骤s3：基于监测区域传感网络进行监测区域实时传感数据采集，从而获得监测区域实时传感数据，并根据监测区域实时传感数据以及监测区域土地植被覆盖率数据进行植被覆盖率误差计算，从而获得监测区域土地植被覆盖率误差数据；
6、步骤s4：根据监测区域土地植被覆盖率数据以及监测区域土地植被覆盖率误差数据进行分辨率影响因子估算，从而获得分辨率影响因子；
7、步骤s5：根据分辨率影响因子以及监测区域坐标系数据对监测区域土地植被覆盖率数据进行区域土地植被覆盖率校正，从而获得标准化区域土地植被覆盖率数据，并根据标准化区域土地植被覆盖率数据进行植被覆盖率趋势分析，从而获得区域土地植被覆盖率趋势数据。
8、本发明的监测区域地面传感数据的获取和坐标系构建，为后续数据的精准定位和融合提供了基础，使得监测数据的时空信息更加精确，进而为土地利用的实时监控奠定了基础。地面传感数据融合成监测区域传感网络，能够提供全面且高频的数据采集能力，确保不同区域、不同时间的土地利用信息得以快速更新。这种传感网络不仅优化了数据获取的效率，还提升了数据的时效性，为土地管理者提供了更及时的反馈，帮助他们迅速应对土地变化和管理需求。通过遥感数据的获取和土地网格划分，有助于将监测区域空间划分为规则的单元，便于对不同地块进行独立分析，从而提高了数据处理的精度和灵活性。通过计算土地植被覆盖率，能够反映土地的生态环境变化，为土地资源的可持续利用提供重要的生态参考依据。与传统方法相比，遥感数据能提供更大范围的监测能力，且具备较强的时效性，能及时捕捉土地利用的动态变化情况。实时传感数据的采集以及与土地植被覆盖率数据的结合，有助于进行更为精确的误差计算。植被覆盖率误差数据的生成，使得监测结果更加可靠，避免了因为传感器误差或数据采集不完整带来的偏差。这为后续的数据校正和分析提供了更高质量的输入数据，进一步提高了分析结果的可信度。分辨率影响因子的估算能够量化数据处理过程中的空间分辨率对结果的影响，这为土地利用分析提供了更为精细的调节手段。通过这一因子，能够针对不同分辨率的数据进行优化处理，减少分辨率过高或过低所可能带来的误差，从而提升结果的准确性。结合分辨率影响因子的校正，可以进一步优化土地植被覆盖率数据，使其在不同分辨率下都具备较高的可靠性和一致性。标准化后的土地植被覆盖率数据经过校正和趋势分析，可以帮助决策者更清晰地理解区域土地的变化趋势。这种趋势分析不仅反映了当前的土地利用状况，还能够揭示潜在的变化趋势，为未来的土地管理决策提供科学依据。通过长期的数据积累和趋势预测，管理者可以制定出更加精准的土地利用策略，优化资源配置，减少生态风险，推动土地资源的可持续发展。整体而言，这一系列步骤的有效实施，能够显著提升土地利用数据的处理精度和时效性，减少传统方法中由于数据处理滞后、精度不足或人工干预过多带来的问题，同时通过自动化的数据采集、融合、校正和分析过程，大大提高了土地管理决策的科学性和效率。
9、可选地，步骤s1具体为：
10、步骤s11：获取监测区域地面传感数据，并对监测区域地面传感数据进行地面传感器空间位置特征提取，从而获得地面传感器空间位置数据；
11、步骤s12：根据地面传感器空间位置数据进行监测区域坐标系构建，从而获得监测区域坐标系数据；
12、步骤s13：基于监测区域坐标系数据进行监测区域传感器分辨率选择，从而获得监测区域传感器分辨率数据；
13、步骤s14：基于监测区域传感器分辨率数据对监测区域地面传感数据进行分辨率重采样，从而获得监测区域传感数据；
14、步骤s15：根据监测区域坐标系数据对监测区域传感数据进行传感数据融合，从而获得监测区域传感网络。
15、本发明获取监测区域地面传感数据并进行空间位置特征提取，能够准确识别和获取传感器的空间分布信息，这为后续的坐标系构建打下了基础。通过对地面传感器空间位置的提取，进一步为监测区域坐标系的构建提供了关键数据，确保了后续操作的数据一致性和空间准确性。此外，构建监测区域坐标系能够将监测区域中的各传感器位置准确地统一到一个共同的坐标框架内，使得各个传感器数据能够在同一参考系统下进行比对与融合，从而提升数据处理的一致性。选择适当的传感器分辨率则有助于根据具体的监测需求对监测区域进行精细化处理。通过合理选择分辨率，可以优化数据的精度和处理效率，避免过高或过低分辨率带来的信息丢失或冗余。在传感器分辨率确定之后，对传感数据进行重采样能够有效调整数据的粒度，使得数据在所需的分辨率下更加符合实际应用的需求，确保传感数据的质量和可靠性。通过传感数据融合，能够将来自不同传感器的数据进行综合处理，进一步提高数据的准确性和全面性。数据融合能够消除单一传感器可能存在的误差，增强监测区域内传感网络的稳定性和数据的可信度，使得整个传感网络更加智能化、协同化。综合来看，整个过程能够为监测区域提供更为精准和可靠的传感数据，提升监测系统的整体性能，为后续的数据分析、决策支持等应用提供有力的数据保障。
16、可选地，步骤s13具体为：
17、步骤s131：基于监测区域坐标系数据对地面传感器空间位置数据进行传感器空间分布统计，从而获得传感器密集区域数据以及传感器稀疏区域数据；
18、步骤s132：对监测区域地面传感数据进行传感分辨率特征提取，从而获得地面传感器分辨率数据；
19、步骤s133：对监测区域地面传感数据进行区域传感数据波动统计，从而获得高传感数据波动区域数据以及低传感数据波动区域数据；
20、步骤s134：对传感器密集区域数据以及低传感数据波动区域数据进行区域交集运算，从而获得密集传感区域数据；对传感器稀疏区域数据以及高传感数据波动区域数据进行区域交集运算，从而获得稀疏传感区域数据；
21、步骤s135：根据地面传感器分辨率数据对密集传感区域数据进行区域传感器分辨率选择，从而获得传感器低分辨率区域数据；根据地面传感器分辨率数据对稀疏传感区域数据进行区域传感器分辨率选择，从而获得传感器高分辨率区域数据；
22、步骤s136：对传感器低分辨率区域数据以及传感器高分辨率区域数据进行区域空间合并，从而获得监测区域传感器分辨率数据。
23、本发明通过对地面传感器的空间位置数据进行统计，能够识别出监测区域内的传感器密集区与稀疏区，为后续的传感器分布优化提供数据支持。通过对地面传感器的分辨率特征提取，能够准确获取传感器的分辨率信息，这有助于对不同区域内传感器性能的精准评估。对监测区域内的传感数据波动进行统计分析，有助于识别出高波动区域与低波动区域，从而为后续区域优化与数据分析提供依据。基于这些数据，采用交集运算可以精确地确定密集传感区域与稀疏传感区域的位置，并分别针对这两类区域实施分辨率优化，避免资源浪费，确保监测区域内数据采集的精准性和高效性。通过对低分辨率和高分辨率区域的数据进行合并，能够实现区域内数据的整体优化，提升整个传感器网络的监测能力和准确性。这些步骤的实施不仅有助于提升监测区域的传感器性能，还能够提高数据质量，从而增强系统的应用价值和实际效能。
24、可选地，步骤s2具体为：
25、步骤s21：获取监测区域遥感数据，并对监测区域遥感数据进行监测区域遥感光谱特征提取，从而获得监测区域光谱数据；
26、步骤s22：对监测区域光谱数据进行光谱波段组合，从而获得区域植被指数数据、区域水体指数数据以及区域建筑指数数据；
27、步骤s23：根据区域植被指数数据对监测区域光谱数据进行植被区域网格划分，从而获得植被区域网格数据；根据区域水体指数数据对监测区域光谱数据进行水体区域网格划分，从而获得水体区域网格数据；根据区域建筑指数数据对监测区域光谱数据进行建筑区域网格划分，从而获得建筑区域网格数据；
28、步骤s24：对植被区域网格数据、水体区域网格数据以及建筑区域网格数据进行区域网格空间整合，从而获得监测区域土地网格数据；
29、步骤s25：根据监测区域土地网格数据进行监测区域土地植被覆盖率计算，从而获得监测区域土地植被覆盖率数据。
30、本发明通过获取监测区域的遥感数据并提取光谱特征，能够为后续的分析提供丰富的原始数据，这些数据反映了区域内各类地表物质的光谱信息，为精确分类提供了基础。通过对光谱波段的组合，进一步提取区域植被、水体和建筑等重要指数数据，可以有效区分不同地表类型，为区域环境和资源管理提供精确的基础数据支持。通过对植被、水体和建筑等不同区域的光谱数据进行网格划分，可以精准地划定每种地物的空间分布，确保监测区域内各类地物的细粒度空间信息得以提取，这对于后续分析和监控至关重要。这种精细化的网格化数据为后续的土地覆盖率评估提供了科学依据，且通过空间整合过程，不仅使得不同类型的区域数据能够统一处理，还能优化监测区域的整体分析框架，增强数据的一致性和可比性。基于这些空间整合后的土地网格数据，能够高效计算出监测区域的植被覆盖率，为区域生态环境的变化趋势、植被恢复情况以及土地利用的可持续性评估提供准确的数据支撑，从而为环境监测、城市规划、资源管理和自然灾害评估等应用提供有力的决策依据。
31、可选地，步骤s25具体为：
32、步骤s251：对监测区域土地网格数据进行网格植被指数特征提取，从而获得土地网格植被指数数据；
33、步骤s252：根据预设的植被指数阈值对土地网格植被指数数据进行网格分类，从而获得植被覆盖网格数据以及非植被覆盖网格数据；
34、步骤s253：基于植被覆盖网格数据以及非植被覆盖网格数据进行植被覆盖网格比值计算，从而获得监测区域土地植被覆盖率数据。
35、本发明基于植被指数的特征提取方法，可以系统地反映土地表面植被的分布状态，进而为植被变化、环境监测等提供更为可靠的数据支持。通过植被指数阈值的分类处理，能够进一步精确地将监测区域划分为植被覆盖和非植被覆盖区域。这种分类不仅简化了植被数据的分析过程，而且有助于识别不同类型的土地覆盖情况，提供了更细致的区域划分信息，便于后续的土地利用变化研究、生态环境保护等工作。这一分类步骤能有效地剔除非植被区域的数据干扰，确保数据分析的专一性和准确性。植被覆盖网格比值的计算步骤进一步量化了植被覆盖情况，能够准确地反映监测区域的土地植被覆盖率。这一计算不仅简化了数据的处理过程，还能提供更为直观和易于理解的指标，使得区域植被的变化趋势得以清晰展现。通过这一比值的量化，可以为土地资源管理提供更加科学的依据，推动生态环境改善和土地利用的可持续发展。
36、可选地，步骤s3具体为：
37、步骤s31：基于监测区域传感网络进行监测区域实时传感数据采集，从而获得监测区域实时传感数据；
38、步骤s32：根据监测区域土地网格数据对监测区域实时传感数据进行监测区域网格传感数据划分，从而获得监测区域网格传感数据；
39、步骤s33：对监测区域网格传感数据进行网格光照强度特征提取以及网格土壤湿度特征提取，从而获得网格光照强度数据以及网格土壤湿度数据；
40、步骤s34：根据网格光照强度数据以及网格土壤湿度进行网格土地植被覆盖率估算，从而获得监测区域土地植被覆盖率估算数据；
41、步骤s35：对监测区域土地植被覆盖率估算数据以及监测区域土地植被覆盖率数据进行植被覆盖率误差计算，从而获得监测区域土地植被覆盖率误差数据。
42、本发明通过基于监测区域传感网络的实时传感数据采集，能够获得精准、实时的环境监测数据，为进一步的分析和决策提供了有效的基础数据。对这些数据进行网格化处理，使得数据能够按特定的地理区域进行细分，有助于实现更加精确的空间分析和区域特征提取。通过提取光照强度和土壤湿度特征，能够深入了解各个网格区域的环境变化，光照强度数据反映了区域的日照情况，而土壤湿度数据则直接关系到土壤的水分状况。这些数据为后续的土地植被覆盖率估算提供了关键指标。土地植被覆盖率的估算有助于评估区域生态健康状况、土壤保持能力以及农业生产条件，从而支持环境保护、土地利用规划以及农业管理等多个领域的决策。在估算结果的基础上，通过与实际土地植被覆盖率数据进行误差计算，可以进一步优化模型的准确性，提供更可靠的监测结果。这种误差分析不仅能提升数据的可靠性，还为后续监测工作的精确度提升提供了有力的依据，促进了监测技术和方法的不断改进与完善。
43、可选地，步骤s34具体为：
44、步骤s341：获取植物生长特征数据；
45、步骤s342：根据植物生长特征数据对网格光照强度数据以及网格土壤湿度进行网格适宜植物识别，从而获得网格适宜植物特征数据；
46、步骤s343：对监测区域网格传感数据进行网格监测视频提取，从而获得网格实时监测视频，并对网格实时监测视频进行视频帧划分，从而获得网格监测视频帧；
47、步骤s344：根据网格监测视频帧进行边缘检测，从而获得网格监测视频帧边缘特征数据，并根据网格适宜植物特征数据以及网格监测视频帧边缘特征数据进行特征相似度计算，从而获得网格植物特征相似度数据；
48、步骤s345：根据网格植物特征相似度数据对网格监测视频帧进行植被像素识别，从而获得网格植被像素标记帧；
49、步骤s346：对网格植被像素标记帧以及网格监测视频帧进行网格植被覆盖像素比值估算，从而获得监测区域土地植被覆盖率估算数据。
50、本发明通过获取植物生长特征数据，可以为后续的适宜植物识别提供准确的依据，确保每一网格内所推荐的植物种类与其生长环境相匹配，优化植物生长的生态环境。这不仅帮助识别不同区域内适宜种植的植物种类，还能有效规避因气候或土壤不适宜而导致的植物生长不良问题。网格光照强度和土壤湿度数据的综合分析，使得监测系统能够智能判断每个网格区域的环境条件，并为各个网格内的植物推荐最佳生长条件，这对于精准农业、生态恢复及土地利用等领域具有重要的应用价值。通过监测区域的实时视频数据和图像处理技术，能够实时获取植物生长状态及土壤水分变化趋势，确保系统对环境变化做出快速响应，提升了监测系统的实时性和动态适应性。通过对监测视频帧的边缘检测与特征相似度计算，系统能够在视频中高效提取植物和非植物区域的特征，为进一步的植被像素识别提供了高质量的数据基础。这使得植被覆盖区域的识别更加精准，减少了人为干预和误差，极大提高了植被监测的自动化程度。随着植被像素的标记和覆盖像素比值的估算，能够对土地植被覆盖率进行更加细致的分析，不仅能够揭示不同区域的植被覆盖情况，还能为土地管理、环境保护及农业发展规划提供科学依据。
51、可选地，步骤s4具体为：
52、步骤s41：对监测区域土地植被覆盖率误差数据进行误差网格提取，从而获得植被覆盖率误差网格数据；
53、步骤s42：对植被覆盖率误差网格数据进行网格植被指数误差量提取，从而获得网格植被指数误差量数据；
54、步骤s43：对监测区域实时传感数据以及监测区域遥感数据分别进行分辨率特征提取，从而获得监测区域传感分辨率数据以及监测区域遥感分辨率数据；
55、步骤s44：根据植被覆盖率误差网格数据对监测区域传感分辨率数据以及监测区域遥感分辨率数据进行误差网格分辨率差值计算，从而获得误差网格分辨率差值数据；
56、步骤s45：基于误差网格分辨率差值数据以及网格植被指数误差量数据进行分辨率影响因子估算，从而获得分辨率影响因子。
57、本发明通过对监测区域的土地植被覆盖率误差数据、网格植被指数误差量数据以及传感和遥感分辨率数据的提取与处理，能够更精确地分析和估算分辨率对监测结果的影响，进而提高监测的准确性和可靠性。通过误差网格提取植被覆盖率的误差数据，可以深入分析和量化监测数据的误差分布情况，为后续的误差修正与优化提供基础。提取网格植被指数误差量数据，可以进一步剖析植被覆盖率的误差源，并准确量化植被指数误差，增强对植被分布和变化趋势的理解。通过对实时传感数据和遥感数据进行分辨率特征提取，能够识别出不同分辨率下数据的特性，从而为差异化处理和分析提供理论依据。而误差网格分辨率差值计算，则有助于揭示不同分辨率条件下误差对植被监测结果的影响，进而为精准的误差修正提供支持。最后，基于误差网格分辨率差值数据和网格植被指数误差量数据估算的分辨率影响因子，能够量化分辨率对监测精度的具体影响，从而为后续监测工作的优化提供量化依据，帮助在不同分辨率数据源之间选择最优的数据融合策略，最终提升遥感与传感监测技术的精度和应用效果。
58、可选地，步骤s5具体为：
59、步骤s51：根据监测区域坐标系数据对监测区域土地植被覆盖率数据进行地理坐标系空间误差校正，从而获得空间校正土地植被覆盖率数据；
60、步骤s52：根据分辨率影响因子对空间校正土地植被覆盖率数据进行植被覆盖率标准化，从而获得标准化区域土地植被覆盖率数据；
61、步骤s53：根据标准化区域土地植被覆盖率数据进行时间序列分析，从而获得区域土地植被覆盖率时序数据；
62、步骤s54：基于区域土地植被覆盖率时序数据进行植被覆盖率趋势分析，从而获得区域土地植被覆盖率趋势数据。
63、本发明通过对监测区域坐标系数据进行地理坐标系空间误差校正，消除了因坐标系转换带来的误差，使得最终的土地植被覆盖率数据更具空间准确性，为后续分析提供了可靠的基础数据。对空间校正后的土地植被覆盖率数据进行植被覆盖率标准化，考虑了不同地区或区域的分辨率影响，从而消除了因分辨率差异所带来的偏差，使得不同区域的数据在标准化后具备了可比性，避免了因数据质量不一致而可能引发的分析误差。通过对标准化区域土地植被覆盖率数据进行时间序列分析，揭示了植被覆盖率随时间变化的趋势，使得研究人员能够清晰地识别出土地植被覆盖变化的周期性和长期趋势，为生态环境变化、农业生产等领域的决策提供了科学依据。根据植被覆盖率趋势分析，帮助研究人员进一步提取出植被覆盖率变化的关键特征，获得区域土地植被覆盖率的长期发展趋势和预测，能够为相关部门在生态保护、土地利用规划等方面提供理论支撑，推动可持续发展目标的实现。整体来看，该方法通过数据精确校正、标准化和时间序列分析，提升了数据的空间和时间一致性，确保了植被覆盖率分析结果的准确性与应用的广泛性。
64、可选地，本说明书还提供一种土地利用数据集处理系统，用于执行如上所述的土地利用数据集处理方法，该土地利用数据集处理系统包括：
65、传感数据融合模块，用于获取监测区域地面传感数据，并根据监测区域地面传感数据进行监测区域坐标系构建，从而获得监测区域坐标系数据；基于监测区域坐标系数据对监测区域地面传感数据进行传感数据融合，从而获得监测区域传感网络；
66、植被覆盖率计算模块，用于获取监测区域遥感数据，并基于监测区域遥感数据进行监测区域土地网格划分，从而获得监测区域土地网格数据；根据监测区域土地网格数据进行监测区域土地植被覆盖率计算，从而获得监测区域土地植被覆盖率数据；
67、植被覆盖率误差计算模块，用于基于监测区域传感网络进行监测区域实时传感数据采集，从而获得监测区域实时传感数据，并根据监测区域实时传感数据以及监测区域土地植被覆盖率数据进行植被覆盖率误差计算，从而获得监测区域土地植被覆盖率误差数据；
68、分辨率影响因子估算模块，用于根据监测区域土地植被覆盖率数据以及监测区域土地植被覆盖率误差数据进行分辨率影响因子估算，从而获得分辨率影响因子；
69、区域土地植被覆盖率校正模块，用于根据分辨率影响因子以及监测区域坐标系数据对监测区域土地植被覆盖率数据进行区域土地植被覆盖率校正，从而获得标准化区域土地植被覆盖率数据，并根据标准化区域土地植被覆盖率数据进行植被覆盖率趋势分析，从而获得区域土地植被覆盖率趋势数据。
70、本发明的土地利用数据集处理系统，该系统能够实现本发明任意一种土地利用数据集处理方法，用于联合各个模块之间的操作与信号传输的媒介，以完成土地利用数据集处理方法，系统内部模块互相协作，从而提升土地利用数据的处理精度。
1.一种土地利用数据集处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的土地利用数据集处理方法，其特征在于，步骤s1具体为：
3.根据权利要求2所述的土地利用数据集处理方法，其特征在于，步骤s13具体为：
4.根据权利要求1所述的土地利用数据集处理方法，其特征在于，步骤s2具体为：
5.根据权利要求4所述的土地利用数据集处理方法，其特征在于，步骤s25具体为：
6.根据权利要求1所述的土地利用数据集处理方法，其特征在于，步骤s3具体为：
7.根据权利要求6所述的土地利用数据集处理方法，其特征在于，步骤s34具体为：
8.根据权利要求1所述的土地利用数据集处理方法，其特征在于，步骤s4具体为：
9.根据权利要求1所述的土地利用数据集处理方法，其特征在于，步骤s5具体为：
10.一种土地利用数据集处理系统，其特征在于，用于执行如权利要求1所述的土地利用数据集处理方法，该土地利用数据集处理系统包括：
