The invention discloses a regression model of parallel method of eigen function of spatial filter based on remote sensing image, the invention for variable space modeling regression of remote sensing data during self correlation of the model, the characteristic function of spatial filter value method, the image is divided into blocks, the use of parallel computing cluster distributed computing build, finally will block calculation results back to the master node summary, were obtained by comparing serial and parallel regression model fitting parameters MSE, RMSE, evaluation of R2, Adj.R2 and S speedup, eliminate the influence of spatial autocorrelation can verify the parallel method of characteristic function of spatial filtering based on remote sensing image in spatial statistical regression in the model, and effectively improve the calculation efficiency.
【技术实现步骤摘要】
本专利技术属于空间统计分析服务应用
,特别涉及一种基于遥感影像的特征函数空间滤值回归模型并行化方法。
技术介绍
空间统计学是研究地理空间事物和现象分布、相互关系和变化规律的重要科学,作为空间分析的重要分支,空间统计分析研究的发展为空间数据分析提供了强大的数学基础和理论支撑。遥感卫星不仅能够快速便捷获取到最新数据,缩短了地表数据的获取时间,降低了数据获取的成本,同时数据精确性也更高,已经成为空间统计的重要数据来源。传统的空间统计方法通常以区域统计数据或遥感影像采样数据做回归分析,由于采样点分布在一定程度上会破坏自然要素的连续性和完整性,从而对分析结果造成影响。而遥感影像数据量巨大,而现有遥感影像分析和数据处理能力还难以满足应用需求(文献1),成为制约遥感影像应用到空间统计领域重要瓶颈。现实中,统计分析的变量都具有空间依赖和关联的性质,在空间分析过程中表现为空间自相关性(文献2)。变量空间自相关性的存在会影响回归模型的准确度,在构建回归模型过程中,需要消去空间自相关的影响才能构建更准确的回归模型。空间自相关性程度通常用Moran指数来衡量(文献3)。Getis(文献4)和Griffith(文献5)分别提出了空间滤值方法用来解决回归分析中的空间自相关问题。该方法的核心思想是将变量分解成空间影响和非空间影响两部分,滤去空间影响部分就可以用传统的回归方法来分析(文献6)。Griffith的特征函数空间滤值方法与Getis的相比结果相当,可移植性较好(文献6)。但由于特征函数空间滤值方法计算量较大,通常应用到数据量较小的采样点或统计区域,在整幅的遥感影像数据中 ...
【技术保护点】
一种基于遥感影像的特征函数空间滤值回归模型并行化方法,其特征在于,包括以下步骤:步骤1:遥感影像分块,确定最小分割单元N×N并计算空间邻接矩阵W;步骤2:空间邻接矩阵W中心化得到矩阵C,计算矩阵C的特征值和特征向量Eigenvectors;步骤3:创建并行任务,将分块的影像和特征向量Eigenvectors加入任务队列,并分发至各个计算节点;步骤4:各计算节点中,将分块的遥感影像进行中心化处理得到中心化后的自变量Xcent和因变量Ycent,计算自变量模型中每加入Eigenvectors中的一个特征向量后残差e的莫仑指数Moran’s I,得到莫仑指数数组Im,利用前向选择法选取其中最小值所对应的特征向量Ei;步骤5:各计算节点中,对步骤4得到的Im中最小的Moran’s I进行显著性检验;若结果显著,则将最小I值所对应的特征向量Ei从Eigenvectors中提取出来,加入到自变量Xcent中,再利用后向消除法将最小I值所对应的特征向量Ei从Eigenvectors中剔除;并回转执行上述步骤4;结果不显著,则执行下述步骤6;步骤6:则汇总各分块提取出的所有特征向量;步骤7:返回各分块 ...
【技术特征摘要】
1.一种基于遥感影像的特征函数空间滤值回归模型并行化方法,其特征在于,包括以下步骤:步骤1:遥感影像分块,确定最小分割单元N×N并计算空间邻接矩阵W;步骤2:空间邻接矩阵W中心化得到矩阵C,计算矩阵C的特征值和特征向量Eigenvectors;步骤3:创建并行任务,将分块的影像和特征向量Eigenvectors加入任务队列,并分发至各个计算节点;步骤4:各计算节点中,将分块的遥感影像进行中心化处理得到中心化后的自变量Xcent和因变量Ycent,计算自变量模型中每加入Eigenvectors中的一个特征向量后残差e的莫仑指数Moran’sI,得到莫仑指数数组Im,利用前向选择法选取其中最小值所对应的特征向量Ei;步骤5:各计算节点中,对步骤4得到的Im中最小的Moran’sI进行显著性检验;若结果显著,则将最小I值所对应的特征向量Ei从Eigenvectors中提取出来,加入到自变量Xcent中,再利用后向消除法将最小I值所对应的特征向量Ei从Eigenvectors中剔除;并回转执行上述步骤4;结果不显著,则执行下述步骤6;步骤6:则汇总各分块提取出的所有特征向量;步骤7:返回各分块影像特征向量提取结果到主节点,构建基于遥感影像数据的特征函数空间滤值回归模型。2.根据权利要求1所述的基于遥感影像的特征函数空间滤值回归模型并行化方法,其特征在于:...
【专利技术属性】
技术研发人员:陈玉敏,杨家鑫,吴钱娇,陈忠超,巴倩倩,张静祎,张心仪,
申请(专利权)人:武汉大学,
类型:发明
国别省市:湖北;42
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。