生态参量地面无线联网观测中的不确定性综合测度方法技术

本发明专利技术涉及无线传感网观测技术领域，尤其是生态参量地面无线联网观测中的不确定性综合测度方法。该测度方法包括以下步骤：1)数据收集；2)数据预处理；3)基于高斯过程回归的转换模型构建；4)观测不确定性、升尺度不确定性的综合测度。本发明专利技术通过贝叶斯范式，提出一种地面观测和升尺度的不确定性综合测度模型，通过严谨的数学模型，清晰地描述了不确定性的传递过程，具备业务化运行能力，并且可以对无线联网自动观测的布设和优化提供反馈信息，从而满足遥感定量产品验证、区域生态模型驱动对生态参量参考图不确定性测度的现实需求。

【技术实现步骤摘要】
生态参量地面无线联网观测中的不确定性综合测度方法
本专利技术涉及无线传感网观测
，尤其是生态参量地面无线联网观测中的不确定性综合测度方法。
技术介绍
受益于物联网技术的蓬勃发展，生态参量的地面无线联网观测已经成为现实。相比于传统人工测量方式，地面无线联网观测具有空间分布、时间连续的优势，可以详细刻画生态参量的空间异质性和时间变化规律。基于地面无线联网观测数据，借助一定转换模型升尺度得到的高分辨率生态参量参考图，已经在遥感定量产品验证、区域生态模型驱动等领域取得广泛应用。地面观测和升尺度过程是决定生态参量参考图精度的两个最为重要的环节，而生态参量参考图的不确定性直接影响其应用效果。目前，对测量精度的测度大多由仪器生产商完成，且只能对所有传感器给出一个统一的置信区间，而无法定量刻画单个传感器的精度，并且无法分析各传感器精度的时变特征；对升尺度过程的不确定性度量大多采用升尺度结果与测量结果比对的方式，整个生态参量参考图只能给出总体精度(常用指标如均方根误差和相关系数等)，无法得到逐像元的不确定性度量。此外，目前对观测和升尺度不确定的度量大多分开进行，无法借助统一的数学框架来描述不确定性的传递过程。
技术实现思路
本专利技术要解决的技术问题是：为了解决现有的观测方法无法通过统一数学框架来描述不确定性传递过程的不足，本专利技术提供了一种生态参量地面无线联网观测中的不确定性综合测度方法。通过贝叶斯范式，提出一种观测和升尺度不确定性综合测度模型，通过严谨的数学模型，清晰描述不确定性传递过程。本方法具备业务化运行能力，并且可以对无线联网自动观测的布设和优化提供反馈信息，从而满足遥感定量产品验证、区域生态模型驱动对生态参量参考图不确定性测度的现实需求。本专利技术解决其技术问题所采用的技术方案是：一种生态参量地面无线联网观测中的不确定性综合测度方法，包括以下步骤：1)数据收集：收集地面无线联网观测数据和相对应时相的高空间分辨率遥感观测数据；2)数据预处理：地面无线联网观测数据的质量控制，计算植被指数，完成地面观测数据和遥感观测数据的时空匹配，构造高斯过程回归分析所需的训练数据集；3)基于高斯过程回归的转换模型构建：运行高斯过程回归模型，计算各节点归一化权重和升尺度结果的变异系数，并作为观测和升尺度各自的不确定性度量指标；4)观测不确定性、升尺度不确定性的综合测度：根据高斯过程回归获得的观测节点归一化权重，分析各节点观测不确定性，并分析其时间变化规律；根据获得的生态参量参考图的逐像元变异系数，分析生态参量参考图不确定性时空分布规律,根据观测和升尺度不确定性分析结果，为无线传感网的布设和优化、转换模型的构建和提升提供反馈。具体地，所述运行高斯过程回归模型，各节点归一化权重的计算公式为：式中，x为遥感观测，y为生态参量，N为训练数据集中关系对的数量，αi为各关系对的权重，K为用来度量测试数据与训练数据之间相似性的核函数。具体地，所述升尺度结果的变异系数的计算公式为：本专利技术的有益效果是：本专利技术提供了一种生态参量地面无线联网观测中的不确定性综合测度方法，通过贝叶斯范式，提出一种观测和升尺度不确定性综合测度模型。通过严谨的数学模型，清晰描述不确定性传递过程，具备业务化运行能力，并且可以对无线联网自动观测的布设和优化提供反馈信息，从而满足遥感定量产品验证、区域生态模型驱动对生态参量参考图不确定性测度的现实需求。附图说明下面结合附图和实施例对本专利技术进一步说明。图1是本专利技术的技术流程图；图2是研究区LAINet节点布设示意图；图3是本专利技术所得节点观测不确定性矩阵；图4是LAI测量值与遥感观测NDVI之间的散点图；图5是本专利技术所得LAI图与不确定性图；具体实施方式现在结合附图对本专利技术作进一步详细的说明。图1是本专利技术的技术流程图，图2是研究区LAINet节点布设示意图，图3是本专利技术所得节点观测不确定性矩阵，图4是LAI测量值与遥感观测NDVI之间的散点图，图5是本专利技术所得LAI图与不确定性图。一种生态参量地面无线联网观测中的不确定性综合测度方法，包括以下步骤：1)数据收集：收集地面无线联网观测数据和相对应时相的高空间分辨率遥感观测数据；2)数据预处理：地面无线联网观测数据的质量控制，计算植被指数，完成地面观测数据和遥感观测数据的时空匹配，构造高斯过程回归分析所需的训练数据集；3)基于高斯过程回归的转换模型构建：运行高斯过程回归模型，计算各节点归一化权重和升尺度结果的变异系数，并作为观测和升尺度各自的不确定性度量指标；4)观测不确定性、升尺度不确定性的综合测度：根据高斯过程回归获得的观测节点归一化权重，分析各节点观测不确定性，并分析其时间变化规律；根据获得的生态参量参考图的逐像元变异系数，分析生态参量参考图不确定性时空分布规律,根据观测和升尺度不确定性分析结果，为无线传感网的布设和优化、转换模型的构建和提升提供反馈。所述运行高斯过程回归模型，各节点归一化权重的计算公式为：式中，x为遥感观测，y为生态参量，N为训练数据集中关系对的数量，αi为各关系对的权重，K为用来度量测试数据与训练数据之间相似性的核函数。所述升尺度结果的变异系数的计算公式为：使用遥感观测与地面观测之间的转换模型可以将地面无线联网观测升尺度为生态参量参考图，本专利技术基于遥感观测与地面观测之间的统计学习过程，将两者之间的统计一致性作为不确定性的度量。本不确定性综合测度模型以高斯过程回归(GaussianProcessRegression,GPR)为理论原型。高斯过程回归基于贝叶斯框架，建立了输入与输出之间的统计回归关系，即：式中，x为遥感观测，y为生态参量，N为训练数据集中关系对的数量，αi为各关系对的权重，K为用来度量测试数据与训练数据之间相似性的核函数。本不确定性测度模型使用高斯核函数，即：式中，v为尺度因子，B为输入向量的维度，σb用来控制各维输入变量的尺度，σn为噪音对应的方差，δij为克罗内克符号。模型的超参θ＝{v,σb,σn}和模型权重αi可通过对地面无线联网观测的最大边际似然估计获得。假设地面观测与遥感观测间的转换模型为y＝f(x)+ε。且噪声为加性的独立同高斯分布，且均值为0，方差为σn。假设输出向量为y＝(y1,y2,…,yn)T，各测试数据的协方差为K*＝(K(x*,x1),K(x*,x2),…,K(x*,xn))，且K**＝K(x*,x*)。则输出变量的概率分布为：高斯过程回归的预测值y*可以通过计算后验概率p(y*|x*,D)获得，其中D＝{xn,yn|n＝1,2…N}为训练数据。该后验概率服从高斯分布，且p(y*|x*,D),＝N(μ*,σ*)。于是，生态参量的升尺度结果的均值和方差可表示为：可见，预测期望为训练数据y的线性组合，预测方差为测试数据自身方差与训练数据所能提供信息的差值。高斯过程回归模型可以方便地用于地面无线联网观测的测量不确定性以及升尺度过程的不确定性的综合测度。具体如下：可以将式(1)中各训练数据的权重作为其不确定性度量指标。权重越高的节点在预测过程中的可靠性越强，则其不确定性越低；反之权重越低的节点，对应较高的不确定性。本专利技术将权重归一化到[0,100]。可以将式(5)所得的预测方差作为升尺度过程的不确定性度量。相比于已有方法，式(5)本文档来自技高网...

【技术保护点】
一种生态参量地面无线联网观测中的不确定性综合测度方法，其特征是，包括以下步骤：1)数据收集：收集地面无线联网观测数据和相对应时相的高空间分辨率遥感观测数据；2)数据预处理：地面无线联网观测数据的质量控制，计算植被指数，完成地面观测数据和遥感观测数据的时空匹配，构造高斯过程回归分析所需的训练数据集；3)基于高斯过程回归的转换模型构建：运行高斯过程回归模型，计算各节点归一化权重和升尺度结果的变异系数，并作为观测和升尺度各自的不确定性度量指标；4)观测不确定性、升尺度不确定性的综合测度：根据高斯过程回归获得的观测节点归一化权重，分析各节点观测不确定性，并分析其时间变化规律；根据获得的生态参量参考图的逐像元变异系数，分析生态参量参考图不确定性时空分布规律,根据观测和升尺度不确定性分析结果，为无线传感网的布设和优化、转换模型的构建和提升提供反馈。

【技术特征摘要】
1.一种生态参量地面无线联网观测中的不确定性综合测度方法，其特征是，包括以下步骤：1)数据收集：收集地面无线联网观测数据和相对应时相的高空间分辨率遥感观测数据；2)数据预处理：地面无线联网观测数据的质量控制，计算植被指数，完成地面观测数据和遥感观测数据的时空匹配，构造高斯过程回归分析所需的训练数据集；3)基于高斯过程回归的转换模型构建：运行高斯过程回归模型，计算各节点归一化权重和升尺度结果的变异系数，并作为观测和升尺度各自的不确定性度量指标；4)观测不确定性、升尺度不确定性的综合测度：根据高斯过程回归获得的观测节点归一化权重，分析各节点观测不确定性，并分析其时间变化规律...

【专利技术属性】
技术研发人员：尹高飞，李爱农，
申请(专利权)人：中国科学院，水利部成都山地灾害与环境研究所，
类型：发明
国别省市：四川,51