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

本发明专利技术公开了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，本发明专利技术针对遥感影像数据回归建模过程中变量空间自相关性对模型的影响，提出采用特征函数空间滤值方法，通过将影像进行分块，利用搭建的并行计算集群进行分布式计算，最后将分块计算的结果返回给主节点汇总，通过对比串行和并行分别得到的回归模型拟合评价参数MSE、RMSE、R2、Adj.R2以及并行加速比S，验证基于遥感影像的特征函数空间滤值并行方法在空间统计回归建模中能够消除空间自相关影响，并有效提高计算效率。

A parallel method based on remote sensing image for feature function spatial filtering regression model

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尚未有大规模应用。随着计算机并行计算技术的发展，可以采用分布式计算的方法来解决单节点计算能力不足的问题(文献7)。目前并行计算的门槛随着计算机软硬件技术的发展而不断降低，多核处理器已经成为PC机的基本配置。将多台多核计算机通过局域网连接可以构成并行计算集群，并行计算集群可以提供分布式计算服务，解决计算、数据密集型问题，大大缩减了用户用于解决网络通信等问题所耗费的时间和精力(文献8)。基于多核集群的并行化方法已经应用到人脸识别算法(文献9)、高光谱影像协方差矩阵计算(文献10)等图像处理等领域，实验结果表明计算效率均有显著提高。背景文献：[1]李德仁，张良培，夏桂松.遥感大数据自动分析与数据挖掘[J].测绘学报，2014.43(12):1211-1216.[2]沈体雁，冯等田，孙铁山，2010.空间计量经济学[M].北京：北京大学出版社，32-33.[3]P.A.P.Moran,1950.NotesonContinuousStochasticPhenomena[J].Biometrika,37(1/2):17-23.[4]J.K.Ord,ArthurGetis,1995.LocalSpatialAutocorrelationStatistics:DistributionalIssuesandanApplication[J].GeographicalAnalysis,27(4):286-306.[5]GriffithD,2000.Alinearregressionsolutiontothespatialautocorrelationproblem[J].GeogrSyst,2(2):141-156.[6]ArthurGetis,DanielA.Griffith,2002.ComparativeSpatialFilteringinRegressionAnalysis[J].GeographicalAnalysis,34(2):130-140.[7]ChenGL,SunGZ,ZhangYQ,etal.Studyonparallelcomputing[J].JComputSciTech,2006.21(5):665—673.[8]刘维.实战Matlab之并行程序设计[M].北京：北京航空航天大学出版社2012.3:154-156.[9]郑晓薇，于梦玲.基于MATLAB多核集群的人脸识别算法的并行化设计[J].计算机应用，2011.31(10):2597-2599.[10]王茂芝，郭科，徐文皙.基于集群和GPU的高光谱遥感影像并行处理[J].红外与激光工程，2013.42(11):3070-3075.
技术实现思路
为了解决基于遥感影像的空间统计学回归分析中变量空间自相关性影响回归模型准确性、且数据量大导致计算能力不足等问题，本专利技术提供了一种基于遥感影像数据的特征函数空间滤值回归模型的并行化方法。本专利技术所采用的技术方案是：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。本专利技术针对遥感影像数据回归建模过程中变量空间自相关性对模型的影响，提出采用特征函数空间滤值方法，通过将影像进行分块，利用搭建的并行计算集群进行分布式计算，最后将分块计算的结果返回给主节点汇总，通过对比串行和并行分别得到的回归模型拟合评价参数MSE、RMSE、R2、Adj.R2以及并行加速比S，验证基于遥感影像的特征函数空间滤值并行方法在空间统计回归建模中能够消除空间自相关影响，并有效提高计算效率。附图说明图1为本专利技术实施例的流程图。图2为本专利技术实施例步骤1的原理示意图。图3为本专利技术实施例步骤3的原理示意图。图4为本专利技术实施例步骤4的子流程图。图5为本专利技术实施例的模型评价方法流程图。具体实施方法为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。本专利技术要解决的核心问题是：利用特征函数空间滤值方法消除遥感影像回归分析中的空间自相关对回归模型拟合优度的影响，同时采用并行计算的方法解决遥感影像数据量大而导致单节点计算能力不足的问题，以并行化方法建立基于遥感影像的特征函数空间滤值回归模型。请见图1，本专利技术提供的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，包括以下步骤：步骤1：影像分块，计算空间邻接矩阵。影像分块的具体实现方法参见图2。步骤1.1：根据本文档来自技高网...

【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。...

【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