用户驱动的粮食遥感地面参照信息收集方法

摘要

本发明涉及网络服务与遥感监测领域，特别涉及一种遥感地面参照信息的收集方法。该方法利用现有的商业智能移动终端，通过对普通用户的指导，从而以低成本，高效率收集粮食遥感地面参照数据。具体流程如下：首先根据以往的遥感影像数据以及未来卫星飞行轨道，确定所需的地面参照信息收集时间与地点。然后将该数据集在通过移动平台应用程序(apps)进行发布，并对所需数据进行标价。用户下载相应移动应用程序，并根据其中的指示，在特定时间特定地点进行地面参考信息收集，并将信息上传至服务器。最后，服务器通过对用户上传数据的分析选出最佳参考信息，并支付所承诺费用给相关用户。本发明提出了一种全新的粮食遥感地面参照信息收集方法，具有成本低，反应快，收集面广等优势。

说明书

技术领域

本发明涉及遥感监测、数据挖掘和网络服务领域，特别涉及一种遥感地面参照信息的收集方法。 

技术背景

用户驱动的粮食遥感地面参照信息收集方法的应用是一项系统工程，涉及了遥感技术、数据挖掘、基于Web2.0移动服务技术，完成整个粮食信息收集的工作流程。将户驱动的粮食遥感地面参照信息收集方法应用于粮食信息的管理，使用户驱动和合作得以实现，能在高效地对粮食信息进行管理同时减少使用成本。 

遥感技术对粮食地面信息采集具有全覆盖、及时、客观等特点，在农业部门政策制定和规划中得到了越来越广泛的应用，创造了良好的社会和经济效益。我国近年来，大量研究建立了各种遥感农作物单位面积产量估算的模型，这些模型考虑了气象因素、农作物生长过程等，遥感数据则作为作物估产模型的直接或间接输入参数之一。利用遥感在农业上的进行农作物识别和面积提取、农作物生长状况监测、土壤湿度提取和产量估算等方面。而随着航天技术和遥感技术的发展，越来越多的多角度、多波段、多极化的数据被获取。然而，目前的粮食作物遥感测量存没有一套流畅的业务流能够满足业务测量的需要，对测量人员的专业素质要求高，因此难以被非专业工作人员掌握；针对粮食作物测量中采用的海量空间数据，缺乏有效管理和分析。 

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式微波成像雷达，具有全天时、全天候、作用距离远、分辨率高、多极化、视角可变等特点，被广泛地应用在经济、军事和科学研究领域、聚束式合成孔径雷达是合成孔径雷达的一种常用成像模式，与条带成像模式、扫描成像模式相比，具有对目标进行超高分辨率成像的能力，能够对地面目标、海面目标等进行精密定位、瞄准，对目标的特征提取。 

激光雷达(Light Detection And Ranging，简称LiDAR)是一种集激光、全球定位系统(GPS)和惯性导航系统技术于一身的用于快速获取地面及地面目标三维空间信息的主动式光学遥感器，在近十年内，激光雷达测图在地形测绘、环境监测、三维城市建模等诸多领域得到了广泛应用。由于激光雷达能够穿透森林冠层获取森林三维结构特征信息，弥补被动光学遥感数据的不足，因而在植被垂直结构参数获取方面得到了广泛应用。 

支持向量机回归推荐算法不仅考虑了活动用户的信息，还利用了其他用户的信息，从而大大增加了被有效利用的信息总量，提高了推荐的效率与表现。支持向量机推荐算法即考虑的是用户对项的评价、又考虑相关项的本身属性，从而准确的反应了用户的个性，提高了推荐算法的准确度。 

Web 2.0指的是一个利用Web的平台，由用户主导来创造、协同合作、分享各种信息与内容的一个分散式的网络系统。Web2.0技术是以人为中心的，而用户总是根据自己的心理定向选择网络活动，使得服务网络变得更加社交化使得网络服务环境下的用户群体性更加明显，更容易形成社会化的群体聚合效应。用户群体中的频繁的互动，将产生的良好的效果，通过有效地启发和维持网络用户参与的积极性，使用户在交互过程中获得服务需求的满足和知识以及认知和情感的认同。而信息服务机构应结合自身的服务优势把用户群体联结起来，将交互的主动权交给用户，并将用户的群体交互特性运用到网络信息服务中，构建基于用户群体交互的新型服务模式。使用Web2.0技术，用户驱动的粮食遥感地面参照信息收集方法将有效地运用群体智慧，让用户参与到服务中解决其他用户的服务问题，达到自服务的效果。这样，信息服务机构就会从个人服务的繁重工作中解脱出来，专注于整体服务水平的提高和优化，进而提高服务机构的整体效益，用户也会因为互动的加强而获得更多的知识。 

发明内容

本发明遥感数据采集方式，是一种3S(GIS、GPS\INS、RS)、数据挖掘和信息管理系统的集成方法，参照信息收集方式使用用户驱动方式，其意义在于用户参与信息收集以提供一种面向用户需求的采集方法。 

1.采用3S平台的参考信息采集 

基于如图2所示的GIS(地理空间系统)、GPS\INS(全球定位系统\惯性导航系统)和RS(遥感)三者协同工作；飞机前置LiDAR和多光谱扫描仪遥感系统，GPS\INS联合使用以补偿运动中可能的失锁和其它系统误差；GIS系统安装在飞机内部，GPS\INS为两个遥感仪器提了运动参数，通过软件对遥感数据的处理后与GIS中数据比较，以达到可粮田实时的监测变化、数据更新和信息发布功能，而用户通过GIS提供的信息发布接口访问所需的信息； 

采用图3中的机载多光谱扫描仪(1)和机载LiDAR遥感器(2)同时对粮田同步遥感，以达到多遥感器融合制图、提高制图精确度的目的：对得1m全色影像数据、4m多光谱像数据和1m空间分辨率的LiDAR数据，采用GLCM算法(1.1)对1m全色影像数据进行处理得到粮田冠层的纹理特征，利用SFIM算法(1.2)对1m全色影像数据和4m多光谱像数据合成得到增强的光谱图像，对LiDAR遥感器(2)得到的1m空间分辨率的LiDAR数据进行预处理(2.1)分离出第一回波层和地面回波层，对两者进行LiDAR强度影像处理(2.2)得到LiDAR高程影像，根据经验得到的阈值对此做数字阈值分割(2.3)产生LiDAR专题层；采用MRS算法(3)依据经验分割参数对纹理特征数据层影像、增强的多光谱影像和LiDAR数据专题层合成，得到高精度高信息量的待筛选农图，采用基于知识规则的模糊逻辑分类器进行分方法(4)对粮田POI进行筛选，知识规则有基于NDVI的叶片氮含量筛选、土壤有机物含量筛选和土壤湿度筛选，绘制不同POI类型的遥感图像，最终采用多边形综合(5)修正农图中的建筑物和道路等地面信息得到粮田的作物生长信息实时监测农图； 

2.本发明用户评价方法，首先要确定粮食地面参考信息收集过程中用户评价指标参数，包括正确率、时效性、完整度等。综合考虑粮食信息的各个方面，我们选取对遥感测量结果影响毕业明显的两个指标：信息的正确率和信息的时效性。 

设综合评价指数为k，k＝α*正确率+β*时效性(α、β为加权系数)。我们假设完全正确时，正确率为1；完全错误时，正确率为0。即正确率的变化范围为：0～1，即把抽象的正确性量化为具体的数字表示，范围为0到1。时效性也采取同样的量化方法.设时效性非常好，即完全能够反映实时的状况时，时效性定为1；时效性非常差，完全不能反映实时的状况时，时效性定义为0。即把时效性量化，变化范围为：0到1。设正确率用大写字母E表示，时效性用大写字母T表示，则综合评价指数k＝α*E+β*T，即 

k＝αE+βT    (1) 

关于综合评价指数k＝αE+βT中的加权系数α、β设定是根据具体情况，在实际应用中综合调整。首先α和β的变化有个范围，为0到1。实际应用中可以适量选取α、β的值。本应用中由于正确率对结果的影 响很大，而时效性又制约着正确率。比如即使某个粮农采集的信息时正确的，但他没有及时的反映信息，而是一段时间之后才反映信息，那么此信息不一定还能反映现在粮田的实际状况，所以结果就不可取。而某粮农即使及时的反映了他采集的信息，但他采集的信息本身是不可靠的，则此结果也是不可取的。不过一般情况下，粮农采集完信息后，都会及时的反映的信息。如果粮田不是遇到认为破坏，或是破坏性的自然气候，从粮食作物的生长周期来考虑，即使粮农推迟一到两天反映信息，信息也是有效的。所以在这种情况下，β可以适当的取个比较小的值，如0.1。而正确率体现的尤为重要，可适量的取比较大的值，如0.7～0.9。某些情况下，对正确率要求比较高的，β取1也不为过。 

评价系统有用户收集信息的自动评价，建立用户信用度。对用户收集信息自动评价分为两个阶段： 

第一阶段用户可信度数据库的建立与自动评价； 

第二阶段基于历史信息的用户可信度匹配查询自动评价； 

第一阶段主要是用户可信度数据库的建立与自动评价，第二阶段主要是根据已有的用户信用度数据库，采用匹配查询直接给出用户的评价指数。第一阶段，用户可信度数据库的建立与自动评价。此阶段采用基于冗余度与用户可信度的自动评价算法，对用户采集的信息进行评价，从而建立用户可信度数据库，同时对用户进行评价。假设用户A，采集了n次信息，分别为a_i，其中i为1到n。设A用户每次任务的偏差cost，其中m为平均值，б²为偏差均方值，cost为均方值乘以n。 

$m=\frac{1}{2}\times \left(\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{a}_i\right)---\left(2\right)$

cost＝б²×n    (4) 

式中：a_i为用户第i次采集的数据，n为采集的次数，m为平均值，б²为偏差均方值，cost为偏差。 

式(2)计算出A用户给出n次信息的平均值，式(3)计算出偏差均方值。根据平均值和均方值算出偏差cost。假设有m个用户提供了信息，则根据是(2)、(3)、(4)计算出每个用户的cost。根据cost，选出cost最小的值作为参照值，并以此判读某个用户是否任务完成的合理，累计用户的积分，从而为用户建立历史档案。 

关于用户积分，设起初每个用户的积分固定等值，均为某个值Q。综合用户信息评价参数指标，给每个用户的积分增加或减少。拟定积分高到一定值为五星级用户，表明次用户信息真实可靠；积分低于某一值是，表明次用户信息极度不可靠，可以适时考虑跟换用户。由上面cost选出参照用户，由k＝αE+βT的出参照用户的综合评价指数k₀。然后算出每个用户的综合评价指数k_i，计算差值k_cost＝|k_i-k₀|，根据k_cost 给出每个用户该增加或减少的信用额度k_cost越小表示此用户提供信息的可靠度越高，则相应的给此用户加的积分越多。当k_cost大于某一值时，表示此用户提供的信息可靠度非常差，则相应的给此用户减去相应的 积分。 

待实际信息出来后，再把实际信息反馈回来，通过反馈完善法完善用户可信度数据库。通过反馈回来的实际信息完善用户可信度数据库。用户提供的信息与实际信息越接近，则此用户的信息越可靠，则给次用户增加相应的积分；用户提供的信息与实际信息差距越大，则此用户提供的信息可靠性越差，则给次用户减去相依的积分。 

通过上述用户可信度数据库的建立和反馈完善法，若干年后，将建立一个比较完善的用户可信度数据库，直接可反映用户的可信度。 

第二阶段基于历史信息的用户可信度匹配查询自动评价。 

对于某一实际产粮区，经过若干年的第一阶段用户可信度信息的积累的，建立起非常完善的用户可信度数据库。完善的用户可信度数据库建立起来后，通过基于匹配与历史信息查询的自动评价算法即可快速可靠的完成对用户提供信息的评价，也为遥感测量通过真实可靠的粮食地面参照信息。 

基于匹配与历史信息查询的自动评价算法是建立在第一阶段实施的基础之上。通过第一阶段的实施，建立比较完善的用户可信度数据库。有了比较完善的用户可信度数据库之后，某一用户采集的参照信息反映来后，直接通过用户名匹配查询法查询到此用户在用户可信度数据库的数据，根据次用户的可信度积分，直接选择信任或不信任次用户提供的粮食地面参照信息。省去了第一阶段的比较选择工程。 

第一阶段基于历史信息的用户可信度匹配查询自动评价也要通过反馈完善法不断的完善用户可信度数据库。其原理与第一阶段的反馈完善方法一样。待实际信息出来后，再把实际信息反馈回来，通过反馈完善法完善用户可信度数据库。用户提供的信息与实际信息越接近，则此用户的信息越可靠，则给次用户增加相应的积分；用户提供的信息与实际信息差距越大，则此用户提供的信息可靠性越差，则给次用户减去相依的积分。 

第一阶段与第二阶段交织进行。在整个评价体系中，第一阶段与第二阶段并不是完全独立进行的，而是有相互交叉。当一个用户可信度数据库已经比较完善了，某个用户的积分抵于规定值，则把此用户划为不可信任用户，届时我们要重新选择新用户添加；进来或者认为以前的用户量比较少，需要增加用户。此时就会有第一阶段与第二阶段的交叉。 

第三步，基于评价系统的奖励/报酬自动调节方法。有第一步和第二步建立比较完善的用户可信度数据库和用户积分，第三步就是根据前面建立的用户积分自动调节和发放给予用户的奖励。对于奖励的发放，可以采用基数+浮动数的办法。 

3.在对用户进行推荐时，采用基于支持向量机回归的用户任务推荐算法： 

当前主流的用户任务推荐算法为协同过滤算法，但协同过滤算法不考虑内容的特性，导致其很难精确反映用户的独特个性；而且评分矩阵的稀疏性问题也会严重影响该算法的时间效率，因此难以有效用于遥感地面参照信息实时收集系统。为此，本发明采用支持向量机回归方法进行推荐。回归问题可以描述为，给定m个样本，输入为{x_i…x_m}，对应的输出为{y₁…y_m}，从中学习输入与输出的关系f(x)。假设 其中 为高维空间的一个非线性变换，回归操作是要找出w和b使得回归风险函数最小化。回归风险函数为： 

$R_{\mathrm{reg}}\left(f\right)=C\underset{i=1}{\overset{m}{\Sigma }}\Gamma (f\left(x_i\right)-y_i)+\frac{1}{2}{\left|\right|w\left|\right|}^2$

其中常数C＞0，ΓO是损失函数，本专利采用Vapnik提出的ε敏感度函数： 

$\Gamma (f\left(x\right)-y)=\left(\begin{array}{cc}|f\left(x\right)-y|-ϵ,& \mathrm{for}|f\left(x\right)-y|>ϵ\\ 0,& \mathrm{otherwise}\end{array}\right)$

该公式表明，需要找到一个f(x)，使得其在目前已有数据中与实际目标y具有最小偏离，其中ε为容忍值，如果预测小于该值则说明没有损失。本专利中，该容忍值由用户信息收集的准确度以及收集过程中所需耗费的资源相关，比如用户与收集点之间的距离，交通状况，以及用户的工作时间偏好等。 

在以上基础之上通过SVM方法最小化损失函数R_reg(f)。实验表明，本专利所提出的算法能够快速高效实现任务推荐，并且最小化总体损失，节约成本。 

附图说明

图1用户驱动的粮食遥感地面参照信息收集方法框图 

图2RS、GIS和GPS\INS的协同工作示意图 

图3农图遥感流程图 。