【技术实现步骤摘要】
本专利技术遥感影像
,具体而言,涉及一种用于森林生物量的遥感影像特征选择方法和装置。
技术介绍
遥感影像特征是影像所独特拥有的、用于区别于其它图像的最本质的属性。而影像特征种类繁多复杂,既包括地形、植被、水文这样的自然特征,又包括房屋和道路这样的人上地物,而且这些特征之间的彼此关系也是错综复杂的,因而在对遥感影像的分析中,遥感影像特征选取技术在其中扮演了重要角色。森林生物量约占全球陆地植被生物量90%,不仅是森林固碳能力的重要标志,也是评估森林碳收支的重要参数。因而研究森林生物量对于森林生态系统的了解有着重要意义。现如今人们通过采用遥感影像技术来获取森林生物量相关特征,以进行相关研究。然而,森林生物量的遥感影像特征种类繁杂,如单波段特征、植被指数、纹理特征、地形因子等,每类特征又细分为多种特征,多达上百种;科研人员在对选择森林生物量优化模型所需的遥感影像特征时最希望能够满足下述效果:(1)所选择的遥感影像特征可以使模型结果与真实森林生物量相比,误差较小;(2)选择遥感影像特征的过程所用时间较短;(3)选取出的遥感影像特征数量较少但与森林生物量相关性较高。然而目前通常采用的方法会花费较长的时间选取出较多的特征,且推导出的森林生物量优化模型的结果误差较大,导致综合效果不佳。针对上述方法中选取的遥感影像特征效果不佳的问题,目前尚未提出有效的解决方案。
技术实现思路
有鉴于此,本专利技术实施例的目的在于提供一种用于森林生物量的遥感影像特征选择方法和装置,以优化遥感影像特征选取的效果。第一方面,本专利技术实施例提供了一种用于森林生物量的遥感影像特征选择方法,包括 ...
【技术保护点】
一种用于森林生物量的遥感影像特征选择方法,其特征在于,包括:从森林遥感影像中提取特征值;通过逐步回归分析SR算法对所述特征值进行预处理,从预处理后的所述特征值中剔除多重共线性对应的特征值,生成特征集;其中,所述特征集的初始集为所述特征值的满集;按照下述步骤重复更新所述特征集:根据所述初始化特征集训练支持向量机SVM算法,确定所述初始化特征集中各个特征值的权重;采用支持向量机‑递归特征消除SVM-REF算法和所述权重构造所述特征集中各个特征值的特征排序系数,按照所述特征排序系数对所述特征集中的特征值进行排序;根据所述特征集的排序更新所述特征集;直到当前的特征集中特征值的个数等于预设的特征值个数,将所述当前的特征集确定为用于所述森林生物量的最优特征集。
【技术特征摘要】
1.一种用于森林生物量的遥感影像特征选择方法,其特征在于,包括:从森林遥感影像中提取特征值;通过逐步回归分析SR算法对所述特征值进行预处理,从预处理后的所述特征值中剔除多重共线性对应的特征值,生成特征集;其中,所述特征集的初始集为所述特征值的满集;按照下述步骤重复更新所述特征集:根据所述初始化特征集训练支持向量机SVM算法,确定所述初始化特征集中各个特征值的权重;采用支持向量机-递归特征消除SVM-REF算法和所述权重构造所述特征集中各个特征值的特征排序系数,按照所述特征排序系数对所述特征集中的特征值进行排序;根据所述特征集的排序更新所述特征集;直到当前的特征集中特征值的个数等于预设的特征值个数,将所述当前的特征集确定为用于所述森林生物量的最优特征集。2.根据权利要求1所述的方法,其特征在于,采用支持向量机-递归特征消除SVM-REF算法和所述权重构造当前的所述特征集中各个特征值的特征排序系数,按照所述特征排序系数对所述特征集中的特征值进行排序包括:构造特征排序规则;根据SVM-REF算法和所述权重建立打分函数;通过所述打分函数计算所述特征集中各个特征值与权重相关的特征排序系数;按照所述特征排序规则和所述特征排序系数对所述特征集中的特征值进行排序。3.根据权利要求2所述的方法,其特征在于,所述打分函数为: J = 1 2 | | ω | | 2 ]]>其中,J为特征排序系数,ω为权重。4.根据权利要求1所述的方法,其特征在于,根据所述特征集的排序更新所述特征集包括:根据所述特征集的排序,确定最小排序系数对应的特征值;在所述特征集中去掉所述最小排序系数对应的特征值,作为更新后的所述特征集。5.根据权利要求1所述的方法,其特征在于,所述方法还包括:利用所述最优特征集构建森林生物量优化模型;应用所述森林生物量优化模型对森林遥感影像进行预测,得到预测的森林生物量;通过比较所述预测的森林生物量与所述森林遥感影像对应的实际森林生物量验证所述最优特征集。6.一种用于森林生物量的遥感影像特征选择装置,其特征在于,包括:特征值提取模块,...
【专利技术属性】
技术研发人员:张雷雨,杨毅,马庆华,
申请(专利权)人:连云港职业技术学院,杨毅,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。