一种城市不透水层覆盖率遥感估算方法技术

本发明专利技术公开了一种城市不透水层覆盖率遥感估算方法，是以性价比高的中分辨率遥感影像为主要数据源利用混沌粒子群优化支持向量回归估算城市不透水面覆盖率的新方法，对支持向量回归机中的参数优化算法进行改进，提出一种应用于中分辨率遥感影像的改进型支持向量回归UISP遥感估算方法以提高支持向量回归在中分辨率遥感影像UISP估算中的精度。进一步提高了以中分辨率遥感影像为主要数据源进行UISP估算的性能，为利用城市不透水面信息作为输入数据的相关研究提供更为精确的城市不透水面数据。

【技术实现步骤摘要】
一种城市不透水层覆盖率遥感估算方法
本专利技术涉及城市不透水层的检测，更具体地说，涉及一种城市不透水层覆盖率遥感估算方法。
技术介绍
城市不透水层(UrbanImperviousSurfaces，UIS)是城市中的重要人造地表，它能够阻止地下水渗透到土壤中，割断了城市地表与地下水文的联系，主要由城市中的建筑物屋顶、广场、停车场和柏油道路等组成。城市不透水层不仅是衡量城市化程度的指示剂，也是衡量城市环境质量的重要指标。随着全球城市化进程的不断加快，城市不透水层所占的面积比例逐渐扩大，引发了城市热岛效应、环境污染、资源短缺等一系列生态、环境和社会问题。因此，提取城市不透水层，进而监测城市不透水层的变化对监测城市热环境变化和城市生态系统具有重要的现实意义，也是城市规划中要考虑的重要因素。遥感技术由于具有快速获取地表信息的优势而成为进行UIS提取和监测的重要手段。用于UIS提取和监测的遥感数据源包括高分辨率遥感影像、中分辨率遥感影像、高光谱遥感影像、多源遥感影像的结合等。中分辨率遥感影像因其空间分辨率适中、覆盖范围大、成本低等优势而成为UIS提取和监测的常用遥感数据源。由于城市景观复杂，地物具有强烈的空间异质性使得中分辨率遥感影像中存在了大量的混合像元。因此通常采用估算城市不透水层覆盖率(UrbanImperviousSurfacesPercent，UISP)—“单位遥感影像像元中不透水层所占的面积比例”作为衡量城市不透水层覆盖程度的指标。目前用于中分辨率遥感影像UISP估算的方法主要有混合像元分解、多元回归和机器学习等方法。混合像元分解方法假设地表各地物之间没有交叉反射，这不符合地表非朗伯性的现实情况，且像元分解的精度主要取决于端元选取的精度，因此该方法受人为因素影响大，稳定性差。普通的多元回归不能有效地描述遥感影像像元波谱特征与UISP之间复杂的非线性关系。目前人工神经网络是进行UISP估算的常用机器学习方法，但是该方法依赖训练样本太多、容易陷入局部最优、结果的泛化能力差。因此迫切需要应用新的方法和技术提高利用中分辨率遥感影像为主要数据源进行UISP遥感估算的精度。支持向量机(SVM)是建立在统计学习理论的VC维理论和结构风险最小原理基础上的一种机器学习方法，有严格的理论基础，其算法是一个凸二次优化问题，保证找到的解是全局最优解，能较好地解决小样本、非线性、高维数、局部极小点等实际问题，问题的复杂度不取决于特征的维数，且具有良好的推广能力,是复杂非线性科学和人工智能科学的研究前沿。考虑到成本因素，本研究可用的高分辨率遥感影像数量较少，且UISP与影像像元的波谱信息及其衍生信息之间存在复杂的非线性关系，因此适用于利用支持向量回归机(SupportVectorRegression，SVR)估算UISP。支持向量回归(SVR)是建立在SVM思想上的回归算法，具有坚实的理论基础，但是其理论优势得以实现的前提是要选取到合适的回归参数。因此迫切需要开发新的支持向量机应用于特定问题的参数优化算法。支持向量回归机参数的优化对于其拟合精度的影响至关重要，目前常用的SVR参数优化方法主要有实验法、留一法(LOO)、网格搜索法(GridSearch)[14]、遗传算法(GA)[15]和粒子群算法(PSO)[16]等。目前，GA和PSO算法应用较多。但是GA算法存在实现比较复杂，对初始值依赖大、并行性有限等问题。PSO算法虽然具有收敛快速、规则简单等特点，但是它的早熟收敛和易限于局部最优等缺点还是不容忽视的。鉴于此，本文将混沌算法融入到粒子群算法中，利用混沌算法的全局遍历特性，克服了粒子群算法的早熟收敛等缺点，使得混沌粒子群算法(CPSO)兼具两者的优点。因此本专利技术拟在：对支持向量回归机中的参数优化算法进行改进，提出一种应用于中分辨率遥感影像的改进型支持向量回归UISP遥感估算方法以提高支持向量回归在中分辨率遥感影像UISP估算中的精度。
技术实现思路
本专利技术的方法支持向量回归机中的参数优化算法进行改进，提出一种应用于中分辨率遥感影像的改进型支持向量回归UISP遥感估算方法以提高支持向量回归在中分辨率遥感影像UISP估算中的精度。为了达到上述目的，本专利技术提供一种城市不透水层覆盖率遥感估算方法，其特征在于，所述估算方法步骤如下：S1、基于中分辨率遥感影像的多个波谱波段计算归一化植被指数(NDVI)、归一化建筑物指数(NDBI)、地表温度(LST)；具体公式如下：其中，NIR是近红外波段的波谱值，R是红波段的波谱值，MIR是中红外波段的波谱值；S2、基于中分辨率遥感影像，利用灰度共生矩阵计算每个波段的纹理信息；S3、选取与中分辨率遥感影像同时相，地理覆盖范围为中分辨率遥感影像覆盖范围之内且分散分布在东西南北四个方向的多块高分辨率遥感影像，利用面向对象的图像处理方法获取高分辨率遥感影像中每个像元的不透水性，其中，1表示不透水，0表示透水；S4、统计每个中分辨率遥感影像像元对应的多个高分辨遥感影像像元中数值为1的像元数占总像元数的百分比，即为对应的中分辨率遥感影像像元的UISP；具体公式如公式(3)：其中UISPij表示中分辨率遥感影像上第i行第j列像元的UISP，UISPij∈[0,1]，αpq表示高分辨率遥感影像上第p行第q列像元的不透水性，取值为0(透水)或1(不透水)；K表示每个中分辨率遥感影像像元中有K*K个高分辨率遥感影像像元；所述K取值如下：其中，m为中分辨率遥感影像像元的大小，n为高分辨遥感影像像元的大小，如果m/n不等于整数，则需要把中分辨率遥感影像重采样为像元大小为r(r大于m，且是与m最靠近的整数)的图像，使得r/n等于整数；S5、随机选取高分辨率遥感影像和与之空间对应的中分辨率遥感影像像元中的70％用作训练数据，30％用作验证数据；S6、对S1和步S2中所得的数据进行归一化处理，具体公式如公式(5)：其中xi为归一化前像元的值，xmin为整幅图像中像元的最小值，xmax为整幅图像中像元的最大值，xj为归一化后像元的值，介于0和1之间。S7、对S2中经过S6处理后的纹理特征数据利用信息熵和相关系数进行初步约简，删除信息熵小和相关系数高的特征；S8、采用改进的H离散化方法对步骤1中经过S6处理后的数据进行离散化处理；所述改进的H离散化方法为：根据数据的统计规律分类数据，对于在取值空间分布较为均匀的数据，采用梯度函数对其进行离散化；对于空间分布不均匀，聚集效应很明显的属性数据采用指数函数对其进行离散化；将离散化后的属性与UISP数据按顺序排列好，组成利用粗糙集进行遥感估算UISP的信息表，即为UISP估算的论域；S9、采用基于差别矩阵的粗糙集约简算法对S8中经过离散化后的特征进行特征约简；通过前面对样本数据的预处理，可以用样本数据组成一个信息系统，即，UISP＝(U,C,V,f)；其中，U是信息系统的论域，是所有样本组成的集合。C是信息系统中属性的集合，是从中分辨率遥感影像中提取出来的属性的集合，单个属性称为简单属性；V是信息函数f的值域，Vi为属性αi的值域，即各个属性的取值范围；f是系统的信息函数，fi为属性αi的信息函数；具体步骤如下：step1：先求出其差别矩阵Mn×n；setp2：对差别矩阵中的所有取值本文档来自技高网...

【技术保护点】
一种城市不透水层覆盖率遥感估算方法，其特征在于，所述估算方法步骤如下：S1、基于中分辨率遥感影像的多个波谱波段计算归一化植被指数(NDVI)、归一化建筑物指数(NDBI)、地表温度(LST)；具体公式如下：

【技术特征摘要】
1.一种城市不透水层覆盖率遥感估算方法，其特征在于，所述估算方法步骤如下：S1、基于中分辨率遥感影像的多个波谱波段计算归一化植被指数(NDVI)、归一化建筑物指数(NDBI)、地表温度(LST)；具体公式如下：其中，NIR是近红外波段的波谱值，R是红波段的波谱值，MIR是中红外波段的波谱值；S2、基于中分辨率遥感影像，利用灰度共生矩阵计算每个波段的纹理信息；S3、选取与中分辨率遥感影像同时相，地理覆盖范围为中分辨率遥感影像覆盖范围之内且分散分布在东西南北四个方向的多块高分辨率遥感影像，利用面向对象的图像处理方法获取高分辨率遥感影像中每个像元的不透水性，其中，1表示不透水，0表示透水；S4、统计每个中分辨率遥感影像像元对应的多个高分辨遥感影像像元中数值为1的像元数占总像元数的百分比，即为对应的中分辨率遥感影像像元的UISP；具体公式如公式(3)：其中UISPij表示中分辨率遥感影像上第i行第j列像元的UISP，UISPij∈[0,1]，αpq表示高分辨率遥感影像上第p行第q列像元的不透水性，取值为0(透水)或1(不透水)；K表示每个中分辨率遥感影像像元中有K*K个高分辨率遥感影像像元；所述K取值如下：其中，m为中分辨率遥感影像像元的大小，n为高分辨遥感影像像元的大小，如果m/n不等于整数，则需要把中分辨率遥感影像重采样为像元大小为r(r大于m，且是与m最靠近的整数)的图像，使得r/n等于整数；S5、随机选取高分辨率遥感影像和与之空间对应的中分辨率遥感影像像元中的70％用作训练数据，30％用作验证数据；S6、对S1和S2中所得的数据进行归一化处理，具体公式如公式(5)：其中xi为归一化前像元的值，xmin为整幅图像中像元的最小值，xmax为整幅图像中像元的最大值，xj为归一化后像元的值，介于0和1之间；S7、对S2中经过S6处理后的纹理特征数据利用信息熵和相关系数进行初步约简，删除信息熵小和相关系数高的特征；S8、采用改进的H离散化方法对S1中经过S6处理后的数据进行离散化处理；所述改进的H离散化方法为：根据数据的统计规律分类数据，对于在取值空间分布较为均匀的数据，采用梯度函数对其进行离散化；对于空间分布不均匀，聚集效应很明显的属性数据采用指数函数对其进行离散化；将离散化后的属性与UISP数据按顺序排列好，组成利用粗糙集进行遥感估算UISP的信息表，即为UISP估算的论域；S9、采用基于差别矩阵的粗糙集约简算法对步骤8中经过离散化后的特征进行特征约简；通过前面对样本数据的预处理，可以用样本数据组成一个信息系统，即，UISP＝(U,C,V,f)；(6)其中，U是信息系统的论域，是所有样本组成的集合；C是信息系统中属性的集合，是从中分辨率遥感影像中提取出来的属性的集合，单个属性称为简单属性；V是信息函数f的值域，Vi为属性αi的值域，即各个属性的取值范围；f是系统的信息函数，fi为属性αi的信息函数；具体步骤如下：step1：先求出其差别矩阵Mn×n；setp2：对差别矩阵中的所有取值不为空集合的元素cij(即：)，根据差别函数建立与之对应的内析取外合取的析取范式L∧(V)(UISP)如公式7所示：step3：对step2得到的析取范式进行逻辑运算，得到内合取外析取的合取范式LV(∧)(IS)如公式8所示：step4：输出集合中每个合取项Lk就是信息系统的一个属性约简，整个信息系统的约简全集即为所有Lk组成的集合，算法结束；S10、基于S9中约简后的数据建立用于UISP估算的支持向量回归机模型SVR-UISP，SVR-UISP模型的输入数据为中分辨率遥感影像像元的波谱信息及其衍生信息，输出数据为每个中分辨率像元的UISP；通过建立中分辨率影像像元的波谱信息及其衍生信息和对应UISP参考值之间的回归模型，从而可以根据训练数据的特征进而外推到中分辨率影像其它像元的UISP；输入和输出数据的表达如下：其中为m维向量，表示SVR-UISP的输入，由中分辨率影像像元的波谱信息及其常用的衍生信息组成；yi表示SVR-UISP的输出，即每个中分辨率影像像元的UISP，来源于高...

【专利技术属性】
技术研发人员：李素，郭兆春，袁志高，许明瑞，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：北京,11