基于贝叶斯-模糊概率预测的LULC数据集融合方法技术

本发明专利技术提供一种基于贝叶斯

【技术实现步骤摘要】
基于贝叶斯
‑
模糊概率预测的LULC数据集融合方法


[0001]本专利技术提供一种基于贝叶斯
‑
模糊概率预测的LULC数据集融合方法，属于地理信息处理


技术介绍

[0002]Linda等人设计的一种基于空间一致性与GWR的融合方法出自期刊论文：See,L.,et al.,Building a hybrid land cover map with crowdsourcing and geographically weighted regression.ISPRS Journal of Photogrammetry and Remote Sensing,2015.103:p.48
‑
56.
[0003]在该方法中，主要包含4个步骤：
[0004](1)首先对源数据集进行空间一致性检验；
[0005](2)对于在源数据集中具有一致性的像元，选择一致性最高的属性赋予该像元；
[0006](3)对于在源数据集中一致性为0的像元，选择距离该像元最近的一些LULC样本，使用GWR开展回归分析，确定每套源数据集中该位置像元属性正确的概率；
[0007](4)将概率最大的属性赋予该像元，形成融合结果。
[0008]该技术具有以下缺点：
[0009](1)在像元空间一致性为0的情况下，可能出现各源数据集中属性正确的概率均很低的情况(如均低于10％)，即使选择概率最高的属性，结果仍然不具有可靠性。
[0010](2)融合过程中需要引入LULC样本，由于LULC样本的采样过程的不确定性及质量原因，为融合结果带来误差和不确定性。
[0011](3)只能融合所有源数据集均具有的地类，对于只有少数数据集具有的精细地类信息，不能充分利用。
[0012](4)融合结果中，所有的像元属性均是从源数据集中该位置像元属性中选择而来，没有体现融合的优势，也不能有效订正源数据集中普遍存在的错误。
[0013]白燕等人设计的一种结合专家打分、语义相关性及模糊逻辑思想的证据融合方法出自期刊论文：白燕,冯敏.全球尺度多源土地覆被数据融合与评价研究[J].地理学报,2018,73(11):2223
‑
35.
[0014]在该方法中，主要包含4个步骤：
[0015](1)首先将每个源数据集中的每种地类的定义与森林的定义进行比较，根据语义相关性，确定它们与森林的相关性分值(专家打分)；将全部源数据集的森林相关性分值及树冠覆盖度数据(取值0～100％)进行算数平均，若算数平均值大于0.3，则将对应像元属性赋为森林，否则为非森林。
[0016](2)对于森林像元，根据语义相关性确定源数据集中的地类与叶型的相关性分值(专家打分)；将全部源数据集的叶型相关性分值及叶型数据(取值0～100％)进行算数平均，将算数平均数最大的叶型赋予对应像元。根据语义相关性确定源数据集中的地类与叶物候的相关性分值(专家打分)；将全部源数据集的叶物候相关性分值及叶物候数据(取值0
～100％)进行算数平均，将算数平均数最大的叶物候赋予对应像元。
[0017](3)对于非森林像元，根据语义相关性确定源数据集中的地类与耕地的相关性分值(专家打分)；将全部源数据集的耕地相关性分值及耕地概率数据(取值0～100％)进行算数平均，若算数平均值大于0.43，则将对应像元属性赋为耕地，否则为非耕地。
[0018](4)对于非耕地像元，根据语义相关性确定源数据集中的地类与剩余地类(草地、水体等)的相关性分值(专家打分)；逐个对剩余地类求全部源数据集的相关性分值的算数平均数；将算数平均数最大的地类属性赋予对应像元。最终形成一级类融合结果和包含森林叶属性的融合结果。
[0019]该技术具有以下缺点：
[0020](1)根据语义相关性进行专家打分，容易受到专家(科研人员)的经验与知识水平的限制；并且由于缺乏客观标准，打分结果带有较强的主观性。
[0021](2)融合过程中，对森林、耕地采取了算数平均值阈值的策略，而对于剩余地类采取了算数平均值的策略，缺乏统一的标准和说服力。
[0022](3)在森林、耕地的融合过程中，算数平均值阈值占据重要作用。而森林阈值的确定(0.3)依靠了IGBP(国际地圈生物圈计划)对森林覆盖度的定义、耕地阈值的确定(0.43)使用了美国南达科他州立大学对耕地概率重分类为0与1时使用的阈值，缺乏深入探究和科学权衡。
[0023](4)融合过程中需要引入较多额外的辅助数据：树冠覆盖度数据、耕地概率数据、叶型数据、叶物候数据。

技术实现思路

[0024]针对上述技术问题，本专利技术提供一种基于贝叶斯
‑
模糊概率预测的LULC数据集融合方法，已达到以下目标：
[0025](1)对每一个像元，融合结果的属性从所有地类中挑选具有最高模糊隶属度的结果，具有最高可靠性。
[0026](2)融合过程中不引入LULC样本。
[0027](3)不仅融合所有源数据集均具有的地类，对于只有少数数据集具有的精细地类信息，也要充分利用，体现在融合结果中。
[0028](4)融合结果中的像元属性不局限于从源数据中该位置像元的属性中选择，融合方法能够有效订正源数据集中普遍存在的错误。
[0029](5)融合过程中避免主观因素的影响。
[0030](6)对所有地类采取相同的融合策略，使用统一的标准，使方法具有广泛适用性。
[0031](7)抛弃阈值策略，采用最大模糊隶属度策略。
[0032](8)融合过程中不引入额外的辅助数据。
[0033]为此本专利技术的具体技术方案为：
[0034]基于贝叶斯
‑
模糊概率预测的LULC数据集融合方法，包括以下步骤：
[0035](1)构建目标LULC分类体系与源数据集分类归并。
[0036]构建目标LULC分类体系，包括一级类和二级类。将具有不同LULC分类体系、不同LULC分类数量的源数据集统一归并到构建的目标LULC分类体系。
[0037](2)空间升尺度。
[0038]对于具有不同空间分辨率的源数据集，通过升尺度，统一到相同的空间分辨率。
[0039](3)定义先验概率。
[0040]用不同地类之间的错分比例表征错分概率。相关公式如下：
[0041][0042]P
L
(A
i
|A
j
)＝R
L
(A
i
|A
j
)
ꢀꢀꢀ
(2)
[0043]其中，A
i
和A
j
分别是第i、第j种地类；R
L
(A
i
|A
j
)为源数据集L中将A
j
分类为A
i
的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于贝叶斯
‑
模糊概率预测的LULC数据集融合方法，其特征在于，包括以下步骤：(1)构建目标LULC分类体系与源数据集分类归并；(2)空间升尺度；对于具有不同空间分辨率的源数据集，通过升尺度，统一到相同的空间分辨率；(3)定义先验概率；(4)引入空间关系后的后验概率计算；(5)模糊概率融合；(6)二级精细分类；在获取一级类融合结果的基础上，根据构建的LULC分类体系进行二级分类。2.根据权利要求1所述的基于贝叶斯
‑
模糊概率预测的LULC数据集融合方法，其特征在于，步骤(1)中，构建目标LULC分类体系，包括一级类和二级类；将具有不同LULC分类体系、不同LULC分类数量的源数据集统一归并到构建的目标LULC分类体系。3.根据权利要求1所述的基于贝叶斯
‑
模糊概率预测的LULC数据集融合方法，其特征在于，步骤(3)中，具体包括以下步骤：用不同地类之间的错分比例表征错分概率；相关公式如下：P
L
(A
i
|A
j
)＝R
L
(A
i
|A
j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，A
i
和A
j
分别是第i、第j种地类；R
L
(A
i
|A
j
)为源数据集L中将A
j
分类为A
i
的比例；S
L
(A
i
|A
j
)为L中将A
j
分类为A
i
的面积，单位为km2；S
L
(A
j
)为L中A
j
的面积，单位为km2；P
L
(A
i
|A
j
)为L中将A
j
分类为A
i
的概率；对源数据集进行精度验证或者使用源数据集作者发布的精度验证结果，获取误差矩阵，能够反映源数据集总体的错分情况；将这些数值用于公式1和公式2的计算，确定错分比例和错分概率；之后，基于错分概率，通过公式3确定源数据集中各类土地的先验概率：其中，A
i
和A
j
分别是第i、第j种地类；P
L
(A
i
|A
j
)为源数据集L中将A
j
分类为A
i
的概率；R
L
(A
j
)为L中A
j
的面积占比；M为一级类的数量，依据构建的目标LULC分类体系确定；P
L
(A
i
)为L中将像元分类为A
i
的先验概率。4.根据权利要求3所述的基于贝叶斯
‑
模糊概率预测的LULC数据集融合方法，其特征在于，步骤(4)中，具体包括以下步骤：以目标像元为中心，...

【专利技术属性】
技术研发人员：王浩，胡云锋，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：