法律状态公告日
法律状态信息
法律状态
2018-12-14
授权
授权
2016-04-20
实质审查的生效 IPC(主分类):G06K9/00 申请日:20151120
实质审查的生效
2016-03-23
公开
公开
技术领域
本发明涉及遥感影像处理技术及信息提取方法技术领域,更具体 地说,涉及一种基于Landsat时间序列影像的不透水面监测方法和装 置,本发明可适用于城市土地规划、城市环境分析等城市遥感技术应 用领域。
背景技术
不透水面是城市化进程和环境生态系统的重要评价指标,不透水 面变化是引起生物地球化学循环、城市气候、景观动态、城市热岛效 应等变化的主要因素,是城市化进程发展方式和强度的最直接体现。 不透水面监测方法对城市规划和环境管理具有极强的指导作用。因此, 不透水面监测研究已经成为当前城市土地覆盖变化检测研究的热点 问题以及城市热岛效应监测研究的核心问题。
目前多时相影像的不透水面监测方法可分为基于像素、基于亚像 元、面向对象方法三类。基于像素的方法包括:不透水面指数、像素 层的分类方法、阈值技术、多源影像融合等,该类方法受限于混合像 元问题,由于同物异谱、同谱异物现象易导致“椒盐”效应。基于亚像 元的方法包括:光谱混合分析、回归分析、机器学习算法、模糊集合 理论等,该类方法虽然能有效监测不透水面的丰度信息,但是存在不 确定性,不适用于高分辨率影像。而面向对象方法亦面临着分割尺度 的选择问题。
已有多时相影像的不透水面监测方法往往需要基于单幅影像提 取不透水面,再比较各时相的不透水面空间特征从而监测不透水面的 动态变化规律。该类不透水面监测方法多从不透水面的光谱特征及空 间几何特征角度定义不透水面与透水面的差异性,较少利用时间维度 探索不透水面的时空变化规律,根据不透水面的时空特征监测不透水 面变化。因此基于时间序列影像的不透水面监测理论基础研究仍显薄 弱。
发明内容
本发明要解决的技术问题在于,提出一种可行的基于Landsat时 间序列影像的不透水面监测方法和装置,本发明能够挖掘不透水面的 时空特征,基于时空相似性距离提高不透水面的监测精度。
本发明解决其技术问题所采用的技术方案是:
一种基于Landsat时间序列影像的不透水面监测方法,包括以下 步骤:
步骤1:针对配准后的Landsat时间序列影像,建立时间序列LST (LandSurfaceTemperature,地表温度)、时间序列BCI(Biophysical CompositionIndex,生物物理成分指数)和时间序列NDVI(Normalized DifferenceVegetationIndex,归一化植被指数);
步骤2:插补时间序列LST、时间序列BCI和时间序列NDVI中 的缺失数据,消除各时间序列的噪声和年际异常变化点,得到光滑的 时间序列LST、时间序列BCI和时间序列NDVI;
步骤3:从步骤2所得的光滑时间序列LST、时间序列BCI和时 间序列NDVI中分别选择代表不透水面的稳定时间序列作为类标签 时间序列样本,度量非类标签时间序列样本与类标签时间序列样本的 相似性距离,分别得到时间序列LST、时间序列BCI和时间序列NDVI 对应的相似性距离图;
步骤4:采用C4.5算法对不同时间间隔的相似性距离图进行决 策树分类,利用不透水面的时空分布特性,监测不透水面时空变化规 律。
作为优选,所述步骤1,具体包括以下步骤:
步骤1.1:针对每幅Landsat影像的热红外波段,利用辐射传输 方程,计算该幅Landsat影像的LST影像,得到Landsat时间序列影 像的时间序列LST;
步骤1.2:针对每幅Landsat影像的所有波段,进行缨帽变换, 计算该幅Landsat影像的BCI影像,得到Landsat时间序列影像的时 间序列BCI;
步骤1.3:针对每幅Landsat影像的近红外波段和可见光红色波 段,计算该幅Landsat影像的NDVI影像,得到Landsat时间序列影 像的时间序列NDVI。
作为优选,所述步骤2,具体包括以下步骤:
步骤2.1:利用三次样条插值函数估计时间序列LST、时间序列 BCI和时间序列NDVI的缺失数据值;
步骤2.2:利用Fourier拟合,消除步骤2.1所得时间序列LST、 时间序列BCI和时间序列NDVI的异常点和噪声,得到光滑的时间 序列LST、时间序列BCI和时间序列NDVI。
作为优选,所述步骤3,具体包括以下步骤:
步骤3.1:利用时间序列分解加法模型,分别提取步骤2所得的 光滑时间序列LST、时间序列BCI和时间序列NDVI的长期趋势分 量、季节分量和不规则分量,根据各时间序列的分量特征选择稳定的 时间序列LST、时间序列BCI和时间序列NDVI,并从中选择代表不 透水面的时间序列像元作为类标签样本像元,该像元的时间序列LST、 时间序列BCI和时间序列NDVI为类标签时间序列样本,剩余所有 时间序列像元作为非类标签样本像元,该类像元的时间序列LST、时 间序列BCI和时间序列NDVI为非类标签时间序列样本;
步骤3.2:利用等权重的欧式距离和马氏距离分别度量时间序列 LST、时间序列BCI和时间序列NDVI中非类标签时间序列样本与类 标签时间序列样本的相似性距离,得到时间序列LST、时间序列BCI 和时间序列NDVI分别对应的相似性距离图。
作为优选,所述步骤4,具体为:
合成步骤3所得的时间序列LST、时间序列BCI和时间序列 NDVI分别对应的相似性距离图为多波段影像,利用C4.5决策树算 法对该多波段影像进行分类。
一种基于Landsat时间序列影像的不透水面监测装置,包括:
时间序列建立单元,用于针对配准后的Landsat时间序列影像, 建立时间序列LST、时间序列BCI和时间序列NDVI;
时间序列优化单元,用于插补时间序列LST、时间序列BCI和 时间序列NDVI中的缺失数据,消除各时间序列的噪声和年际异常变 化点,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI;
相似性距离计算单元,用于从时间序列优化单元所得的光滑时间 序列LST、时间序列BCI和时间序列NDVI中分别选择代表不透水 面的稳定时间序列作为类标签时间序列样本,度量非类标签时间序列 样本与类标签时间序列样本的相似性距离,分别得到时间序列LST、 时间序列BCI和时间序列NDVI对应的相似性距离图;
决策树分类单元,用于采用C4.5算法对不同时间间隔的相似性 距离图进行决策树分类,利用不透水面的时空分布特性,监测不透水 面时空变化规律。
作为优选,所述时间序列建立单元,具体用于针对每幅Landsat 影像的热红外波段,利用辐射传输方程,计算该幅Landsat影像的LST 影像,得到Landsat时间序列影像的时间序列LST;针对每幅Landsat 影像的所有波段,进行缨帽变换,计算该幅Landsat影像的BCI影像, 得到Landsat时间序列影像的时间序列BCI;针对每幅Landsat影像 的近红外波段和可见光红色波段,计算该幅Landsat影像的NDVI影 像,得到Landsat时间序列影像的时间序列NDVI。
作为优选,所述时间序列优化单元,具体用于利用三次样条插值 函数估计时间序列LST、时间序列BCI和时间序列NDVI的缺失数 据值;利用Fourier拟合,消除时间序列LST、时间序列BCI和时间 序列NDVI的异常点和噪声,得到光滑的时间序列LST、时间序列 BCI和时间序列NDVI。
作为优选,所述相似性距离计算单元,具体用于利用时间序列分 解加法模型,分别提取时间序列优化单元所得的光滑时间序列LST、 时间序列BCI和时间序列NDVI的长期趋势分量、季节分量和不规 则分量,根据各时间序列的分量特征选择稳定的时间序列LST、时间 序列BCI和时间序列NDVI,并从中选择代表不透水面的时间序列像 元作为类标签样本像元,该像元的时间序列LST、时间序列BCI和 时间序列NDVI为类标签时间序列样本,剩余所有时间序列像元作为 非类标签样本像元,该类像元的时间序列LST、时间序列BCI和时 间序列NDVI为非类标签时间序列样本;利用等权重的欧式距离和马 氏距离分别度量时间序列LST、时间序列BCI和时间序列NDVI的 非类标签时间序列样本与类标签时间序列样本的相似性距离,得到时 间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距 离图。
作为优选,所述决策树分类单元,具体用于合成相似性距离计算 单元所得的时间序列LST、时间序列BCI和时间序列NDVI分别对 应的相似性距离图为多波段影像,利用C4.5决策树算法对该多波段 影像进行分类。
有益效果:
本发明的一种基于Landsat时间序列影像的不透水面监测方法, 与现有不透水面监测方法相比,具有如下特点:挖掘不透水面在时间 序列LST、时间序列BCI和时间序列NDVI的时空变化规律,利用 时间序列的相似性距离定义不透水面和透水面的时空差异性,根据决 策树对相似性距离图分类,实现不透水面动态变化信息的快速和准确 提取。本发明由于采用不透水面的时空特征定义不透水面与透水面的 时空差异性,避免了单幅影像估算不透水面依据光谱特征或空间特征 提取不透水面所面临的同物异谱、异物同谱、分割尺度设定等问题, 该监测方法保证了不透水面动态变化信息的时空一致性。
附图说明
图1:为本发明具体实施例提供的一种基于Landsat时间序列影 像的不透水面监测方法的流程图。
图2:为本发明地表温度LST反演流程图。
图3:为本发明具体实施例提供的一种基于Landsat时间序列影 像的不透水面监测装置的结构示意图。
名词解释:
LSTLandSurfaceTemperature地表温度;
BCIBiophysicalCompositionIndex生物物理成分指数;
NDVINormalizedDifferenceVegetationIndex归一化植被指数。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合 附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描 述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1:
请见图1,图1是本发明具体实施例提供的一种基于Landsat时 间序列影像的不透水面监测方法的流程图,本发明的方法包括以下步 骤:
步骤1:针对配准后的Landsat时间序列影像,建立时间序列LST (LandSurfaceTemperature,地表温度)、时间序列BCI(Biophysical CompositionIndex,生物物理成分指数)和时间序列NDVI(Normalized DifferenceVegetationIndex,归一化植被指数),该步骤包括以下子步 骤:
步骤1.1:针对每幅Landsat影像的热红外波段,利用辐射传输 方程,计算该幅Landsat影像的LST影像,请见图2,得到Landsat 时间序列影像的时间序列LST;
首先利用定标系数将每幅Landsat影像的热红外波段DN值转化 为相应的热辐射强度值:
Lλ=gain×DN+bias(1)
Lλ为热辐射强度值,gain和bias分别表示增益系数和偏移系数。
计算热红外波段的辐射亮度如下:
BT=[Lλ-L↑-τ(1-ε)L↓]/(τε)(2)
其中,ε为地表比辐射率,T为地表真实温度,BT为普朗克定律 推导的黑体在T的热辐射亮度,L↑为大气向上辐射亮度,L↓为大气 向下辐射亮度,τ为大气在热红外波段的透过率。而大气参数L↑、L↓和 τ可以由AtmosphericCorrectionParameterCalculator计算得到 (http://atmcorr.gsfc.nasa.gov/)。地表比辐射率ε由可见光和近红外波 段光谱信息估算:
其中,FV为植被覆盖度,由NDVI推导得到:
FV=(NDVI-NDVIS)/(NDVIV-NDVIS)(4)
取NDVIV=0.70,NDVIS=0.00。当像元NDVI大于0.70时,FV取 值为1;当像元NDVI小于0时,FV取值为0。
根据普朗克公式的反函数可以得到地表真实温度:
T=K2/ln(K1/BT+1)(5)
对于Landsat时间序列影像,不同传感器影像对应的K1和K2的值 见表1:
表1不同Landsat传感器的校准常数
由Landsat时间序列影像的热红外波段得到时间序列LST,获得 每一像元的时间序列LST特征PLST={LSTt1,LSTt2,…,LSTtn},其中 {t1,t2,…,tn}为时间序列。
步骤1.2:针对每幅Landsat影像的所有波段,进行缨帽变换, 计算该幅Landsat影像的BCI影像,得到Landsat时间序列影像的时 间序列BCI;
根据不同波段的缨帽变换系数对每幅Landsat影像进行缨帽变换 (TC,TasseledCapTransformation)得到亮度(TC1)、绿度(TC2) 和湿度(TC3)的图层。每个TC成分归一化到[0,1],BCI影像由归 一化TC成分计算得到:
由Landsat时间序列影像的所有波段得到时间序列BCI,获得每 一像元的时间序列BCI特征PBCI={BCIt1,BCIt2,…,BCItn},其中 {t1,t2,…,tn}为时间序列。
步骤1.3:针对每幅Landsat影像的近红外波段和可见光红色波 段,计算该幅Landsat影像的NDVI影像,得到Landsat时间序列影 像的时间序列NDVI;
NDVI计算公式如下:
其中,NIR为近红外波段亮度值,VIS为可见光红色波段亮度值。 由Landsat时间序列影像的近红外波段和可见光红色波段得到时间序 列NDVI,获得每一像元的时间序列NDVI特征 PNDVI={NDVIt1,NDVIt2,…,NDVItn},其中{t1,t2,…,tn}为时间序列。
步骤2:插补时间序列LST、时间序列BCI和时间序列NDVI中 的缺失数据,消除各时间序列的噪声和年际异常变化点,得到光滑的 时间序列LST、时间序列BCI和时间序列NDVI,该步骤包括以下子 步骤:
步骤2.1:对云雪、云阴影覆盖区域造成的缺失数据,利用三次 样条插值函数估计时间序列LST、时间序列BCI和时间序列NDVI 的缺失值,得到完整的时间序列数据;
步骤2.2:利用Fourier拟合,消除步骤2.1所得时间序列LST、 时间序列BCI和时间序列NDVI的异常点和噪声,得到光滑的时间 序列LST、时间序列BCI和时间序列NDVI;假设时间序列Index, Index={LST,BCI,NDVI},某像元点在时间t上取值为Indext,拟合 后曲线中该像元取值为Indext′,如果有Indext′-Indext>δ,δ为阈 值,则定义该点为噪声点,并被拟合后的新值取代,从而产生新的时 间序列Index数据。
步骤3:从步骤2所得的光滑时间序列LST、时间序列BCI和时 间序列NDVI中分别选择代表不透水面的稳定时间序列作为类标签 时间序列样本,度量非类标签时间序列样本与类标签时间序列样本的 相似性距离,分别得到时间序列LST、时间序列BCI和时间序列NDVI 对应的相似性距离图,该步骤包括以下子步骤;
步骤3.1:利用时间序列分解加法模型,分别提取步骤2所得的 光滑时间序列LST、时间序列BCI和时间序列NDVI的长期趋势分 量TIndex、季节分量SIndex和不规则分量IIndex, Index={LST,BCI,NDVI},根据各时间序列的分量特征选择稳定的 时间序列LST、时间序列BCI和时间序列NDVI,并从中选择代表不 透水面的时间序列像元作为类标签样本像元,该像元的时间序列LST、 时间序列BCI和时间序列NDVI为类标签时间序列样本,剩余所有 时间序列像元作为非类标签样本像元,该类像元的时间序列LST、时 间序列BCI和时间序列NDVI为非类标签时间序列样本;
利用移动平均法求出时间序列Index的趋势循环分量TCIndex,通 过TCIndex对时间t进行回归,得到线性拟合值即求出长期趋 势TIndex:
和为线性拟合系数,为误差。
利用趋势循环分量TCIndex计算季节不规则分量SIIndex:
YIndex为时间序列Index的序列值,用同一季节的SIIndex分量全部 值的平均数作为季节分量因子SIndex,则不规则分量IIndex为:
通过TIndex、SIndex和IIndex因子,选择无季节变动的长期趋势近 似常量的时间序列作为稳定时间序列,从具有稳定时间序列的像元中 选择代表不透水面的时间序列像元作为类标签样本像元,该像元的时 间序列为类标签时间序列样本,剩余所有时间序列像元作为非类标签 样本像元,该类像元的时间序列LST、时间序列BCI和时间序列NDVI 为非类标签时间序列样本;
步骤3.2:利用等权重的欧式距离和马氏距离分别度量时间序列 LST、时间序列BCI和时间序列NDVI中非类标签时间序列样本与类 标签时间序列样本的相似性距离,得到时间序列LST、时间序列BCI 和时间序列NDVI分别对应的相似性距离图;
在各时间序列Index,Index={LST,BCI,NDVI}中,非类标签样 本的时间序列Pi与类标签样本的时间序列Pj的距离Dij,可由欧式距离 和马氏距离协同计算得到:
其中,Pit和Pjt分别为像元Pi和Pj在时间t刻的相应指数值Indext, n为时间序列长度,∑为时间序列Index的协方差矩阵。在各相似性距 离图中,类标签样本值标记为1,非类标签样本值由归一化Dij值确定, Dij∈[-1,1]。
步骤4:采用C4.5算法对不同时间间隔的相似性距离图进行决 策树分类,利用不透水面的时空分布特性,监测不透水面时空变化规 律。
在步骤4中,合成步骤3所得的时间序列LST、时间序列BCI 和时间序列NDVI分别对应的相似性距离图为多波段影像,利用C4.5 决策树算法对该多波段影像进行分类,计算类标签样本各波段的信息 增益率,选择信息增益率最大的距离属性作为当前决策树的根;将与 该属性值相同的样本作为同一子集,若每一子集中,既包括正例又包 括反例,则递归调用该算法,否则表明该子集为叶节点。
综上所述,本发明的基于Landsat时间序列影像的不透水面监测 方法,利用Landsat时间序列影像提取不透水面的时空特征,根据时 间序列的相似性距离定义不透水面和透水面的时空差异性,提高了不 透水面和透水面的类间异质性,保证了不透水面动态变化信息的时空 一致性,能有效地避免利用光谱特征或空间特征提取不透水面变化信 息面临的同物异谱和异物同谱现象,从而实现不透水面动态变化信息 的快速和准确提取。
实施例2:
实施例2为装置实施例,本发明所述的装置实施例2与方法实施 例1属于统一技术构思,在装置实施例2中未详尽描述的内容,请参 见方法实施例1。
图3:为本发明具体实施例提供的一种基于Landsat时间序列影 像的不透水面监测装置的结构示意图。如图3所示,本发明所述的一 种基于Landsat时间序列影像的不透水面监测装置,包括:
时间序列建立单元,用于针对配准后的Landsat时间序列影像, 建立时间序列LST、时间序列BCI和时间序列NDVI;
在本方案中,所述时间序列建立单元,具体用于针对每幅Landsat 影像的热红外波段,利用辐射传输方程,计算该幅Landsat影像的LST 影像,请见图2,得到Landsat时间序列影像的时间序列LST;
首先利用定标系数将每幅Landsat影像的热红外波段DN值转化 为相应的热辐射强度值:
Lλ=gain×DN+bias(21)
Lλ为热辐射强度值,gain和bias分别表示增益系数和偏移系数。
计算热红外波段的辐射亮度如下:
BT=[Lλ-L↑-τ(1-ε)L↓]/(τε)(22)
其中,ε为地表比辐射率,T为地表真实温度,BT为普朗克定律 推导的黑体在T的热辐射亮度,L↑为大气向上辐射亮度,L↓为大气 向下辐射亮度,τ为大气在热红外波段的透过率。而大气参数L↑、L↓和 τ可以由AtmosphericCorrectionParameterCalculator计算得到 (http://atmcorr.gsfc.nasa.gov/)。地表比辐射率ε由可见光和近红外波 段光谱信息估算:
其中,FV为植被覆盖度,由NDVI推导得到:
FV=(NDVI-NDVIS)/(NDVIV-NDVIS)(24)
取NDVIV=0.70,NDVIS=0.00。当像元NDVI大于0.70时,FV取 值为1;当像元NDVI小于0时,FV取值为0。
根据普朗克公式的反函数可以得到地表真实温度:
T=K2/ln(K1/BT+1)(25)
对于Landsat时间序列影像,不同传感器影像对应的K1和K2的值 见表2:
表2不同Landsat传感器的校准常数
由Landsat时间序列影像的热红外波段得到时间序列LST,获得 每一像元的时间序列LST特征PLST={LSTt1,LSTt2,…,LSTtn},其中 {t1,t2,…,tn}为时间序列。
针对每幅Landsat影像的所有波段,进行缨帽变换,计算该幅 Landsat影像的BCI影像,得到Landsat时间序列影像的时间序列BCI;
根据不同波段的缨帽变换系数对每幅Landsat影像进行缨帽变换 (TC,TasseledCapTransformation)得到亮度(TC1)、绿度(TC2) 和湿度(TC3)的图层。每个TC成分归一化到[0,1],BCI影像由归 一化TC成分计算得到:
由Landsat时间序列影像的所有波段得到时间序列BCI,获得每 一像元的时间序列BCI特征PBCI={BCIt1,BCIt2,…,BCItn},其中 {t1,t2,…,tn}为时间序列。
针对每幅Landsat影像的近红外波段和可见光红色波段,计算该 幅Landsat影像的NDVI影像,得到Landsat时间序列影像的时间序 列NDVI。
NDVI计算公式如下:
其中,NIR为近红外波段亮度值,VIS为可见光红色波段亮度值。 由Landsat时间序列影像的近红外波段和可见光红色波段得到时间序 列NDVI,获得每一像元的时间序列NDVI特征 PNDVI={NDVIt1,NDVIt2,…,NDVItn},其中{t1,t2,…,tn}为时间序列。
时间序列优化单元,用于插补时间序列LST、时间序列BCI和 时间序列NDVI中的缺失数据,消除各时间序列的噪声和年际异常变 化点,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI;
在本方案中,所述时间序列优化单元,具体用于对云雪、云阴影 覆盖区域造成的缺失数据,利用三次样条插值函数估计时间序列LST、 时间序列BCI和时间序列NDVI的缺失数据值,得到完整的时间序 列数据;
利用Fourier拟合,消除时间序列LST、时间序列BCI和时间序 列NDVI的异常点和噪声,得到光滑的时间序列LST、时间序列BCI 和时间序列NDVI。假设时间序列Index,Index={LST,BCI,NDVI}, 某像元点在时间t上取值为Indext,拟合后曲线中该像元取值为 Indext′,如果有Indext′-Indext>δ,δ为阈值,则定义该点为噪声 点,并被拟合后的新值取代,从而产生新的时间序列Index数据。
相似性距离计算单元,用于从时间序列优化单元所得的光滑时间 序列LST、时间序列BCI和时间序列NDVI中分别选择代表不透水 面的稳定时间序列作为类标签时间序列样本,度量非类标签时间序列 样本与类标签时间序列样本的相似性距离,分别得到时间序列LST、 时间序列BCI和时间序列NDVI对应的相似性距离图;
在本方案中,所述相似性距离计算单元,具体用于利用时间序列 分解加法模型,分别提取时间序列优化单元所得的光滑时间序列LST、 时间序列BCI和时间序列NDVI的长期趋势分量TIndex、季节分量 SIndex和不规则分量IIndex,Index={LST,BCI,NDVI},根据各时间序 列的分量特征选择稳定的时间序列LST、时间序列BCI和时间序列 NDVI,并从中选择代表不透水面的时间序列像元作为类标签样本像 元,该像元的时间序列LST、时间序列BCI和时间序列NDVI为类 标签时间序列样本,剩余所有时间序列像元作为非类标签样本像元, 该类像元的时间序列LST、时间序列BCI和时间序列NDVI为非类 标签时间序列样本;
具体为:利用移动平均法求出时间序列Index的趋势循环分量 TCIndex,通过TCIndex对时间t进行回归,得到线性拟合值即 求出长期趋势TIndex:
和为线性拟合系数,为误差。
利用趋势循环分量TCIndex计算季节不规则分量SIIndex:
YIndex为时间序列Index的序列值,用同一季节的SIIndex分量全部 值的平均数作为季节分量因子SIndex,则不规则分量IIndex为:
通过TIndex、SIndex和IIndex因子,选择无季节变动的长期趋势近 似常量的时间序列作为稳定时间序列,从具有稳定时间序列的像元中 选择代表不透水面的时间序列像元作为类标签样本像元,该像元的时 间序列为类标签时间序列样本,剩余所有时间序列像元作为非类标签 样本像元,该类像元的时间序列LST、时间序列BCI和时间序列NDVI 为非类标签时间序列样本;
利用等权重的欧式距离和马氏距离分别度量时间序列LST、时间 序列BCI和时间序列NDVI的非类标签时间序列样本与类标签时间 序列样本的相似性距离,得到时间序列LST、时间序列BCI和时间 序列NDVI分别对应的相似性距离图。
在各时间序列Index,Index={LST,BCI,NDVI}中,非类标签样 本的时间序列Pi与类标签样本的时间序列Pj的距离Dij,可由欧式距离 和马氏距离协同计算得到:
其中,Pit和Pjt分别为像元Pi和Pj在时间t刻的相应指数值Indext, n为时间序列长度,∑为时间序列Index的协方差矩阵。在各相似性距 离图中,类标签样本值标记为1,非类标签样本值由归一化Dij值确定, Dij∈[-1,1]。
决策树分类单元,用于采用C4.5算法对不同时间间隔的相似性 距离图进行决策树分类,利用不透水面的时空分布特性,监测不透水 面时空变化规律。
在本方案中,所述决策树分类单元,具体用于合成相似性距离计 算单元所得的时间序列LST、时间序列BCI和时间序列NDVI分别 对应的相似性距离图为多波段影像,利用C4.5决策树算法对该多波 段影像进行分类,计算类标签样本各波段的信息增益率,选择信息增 益率最大的距离属性作为当前决策树的根;将与该属性值相同的样本 作为同一子集,若每一子集中,既包括正例又包括反例,则递归调用 该算法,否则表明该子集为叶节点。
综上所述,本发明的基于Landsat时间序列影像的不透水面监测 装置,利用Landsat时间序列影像提取不透水面的时空特征,根据时 间序列的相似性距离定义不透水面和透水面的时空差异性,提高了不 透水面和透水面的类间异质性,保证了不透水面动态变化信息的时空 一致性,能有效地避免利用光谱特征或空间特征提取不透水面变化信 息面临的同物异谱和异物同谱现象,从而实现不透水面动态变化信息 的快速和准确提取。
以上内容是结合最佳实施方案对本发明所做的进一步详细说明, 不能认定本发明的具体实施只限于这些说明。本领域的技术人员应该 理解,在不脱离由所附权利要求书限定的情况下,可以在细节上进行 各种修改,都应当视为属于本发明的保护范围。
机译: 一种基于虚拟数据的低可变性时间序列数据的双学习的装置和方法
机译: 一种基于材料实际浓度分布的电站燃烧过程监测方法及装置
机译: 一种基于材料实际浓度分布的电站燃烧过程监测方法及装置