一种基于误差分析的估测算法优化方法及装置制造方法及图纸

本发明专利技术公开了一种基于误差分析的估测算法优化方法及装置，该方法包括：获取目标估测地表区域的训练样本影像和高分辨率影像；确定所述训练样本影像对应的不透水密度参数；将所述训练样本影像和对应的不透水密度参数作为训练数据集，训练用于估测不透水密度的分类与回归树模型；根据线性光谱混合分析方法，对所述训练样本影像进行分析，以得到光谱分析结果；对所述分类与回归树模型的预测结果，以及所述光谱分析结果进行误差分析，以得到误差来源结果；根据所述误差来源结果，确定误差调整规则

【技术实现步骤摘要】
一种基于误差分析的估测算法优化方法及装置


[0001]本专利技术涉及遥感数据处理
，尤其涉及一种基于误差分析的估测算法优化方法及装置
。

技术介绍

[0002]遥感技术由于其巨大的空间覆盖度
、
高时间分辨率和普遍适用性，被广泛应用于人造地表的提取
。
然而，在城市地区，中分辨率图像中的大多数像元是混合的，由多种土地利用类型组成
。
为了评估每个像元的人造地表在其中所占比例，近年来利用亚像元不透水面估测模型方法估测不透水面方法得到了发展
。
[0003]不透水表面是指水不能渗入土壤的人工区域，包括道路
、
车道
、
人行道
、
停车场
、
屋顶等
。
不透水面是理解许多环境问题的关键指标，例如城市韧性
、
城市热岛
、
城市内涝和水质恶化等
。
有效地提取不透水面是人造地表提取的基础，现有的算法技术包括线性光谱混合分析和分类与回归树，但这两种常用方法均难以应对城市地表的高度异质性所带来的挑战
。
线性光谱混合分析方法的准确性仍然受制于以下问题：首先，光谱特征的可变性会导致低反照率不透水表面与水和阴影混淆，高反照率不透水表面与沙质裸土混淆
。
其次，在不透水表面分布复杂的区域，可能会出现误估
。
这些问题可能会影响线性光谱分析方法的准确性
。
而分类与回归树的总体精度往往比线性模型更高，但同样也受制于自身系统误差，高密度不透水表面往往被低估，而低密度不透水表面被高估
[0004]现有技术在应用这些技术时一方面没有充分考虑到利用误差分析进行误差校正，另一方面也没有综合考虑对两种方法进行集成
。
可见，现有技术存在缺陷，亟需解决
。

技术实现思路

[0005]本专利技术所要解决的技术问题在于，提供一种基于误差分析的估测算法优化方法及装置，能够有效避免单一算法的误差对估测精度的影响，实现集成式的估测模型的误差分析，显著优化不透水面估测精度
。
[0006]为了解决上述技术问题，本专利技术第一方面公开了一种基于误差分析的估测算法优化方法，所述方法包括：
[0007]获取目标估测地表区域的训练样本影像和高分辨率影像；
[0008]基于所述高分辨率影像和面对对象分类算法，确定所述训练样本影像对应的不透水密度参数；
[0009]将所述训练样本影像和对应的不透水密度参数作为训练数据集，训练用于估测不透水密度的分类与回归树模型；
[0010]根据线性光谱混合分析方法，对所述训练样本影像进行分析，以得到光谱分析结果；
[0011]对所述分类与回归树模型的预测结果，以及所述光谱分析结果进行误差分析，以得到误差来源结果；
[0012]根据所述误差来源结果，确定所述分类与回归树模型和所述线性光谱混合分析方法的误差调整规则；所述误差调整规则用于在后续利用所述分类与回归树模型和所述线性光谱混合分析进行不透水密度参数的估测时对估测结果进行调整
。
[0013]作为一个可选的实施方式，在本专利技术第一方面中，所述基于所述高分辨率影像和面对对象分类算法，确定所述训练样本影像对应的不透水密度参数，包括：
[0014]基于面向对象分类从所述高分辨率影像中提取不透水表面影像；
[0015]将所述不透水表面影像中的错误分类结果，基于人工检查和视觉解释进行修改；所述错误分类结果包括阴影影像
、
水影像和植被影像中的一种或多种；
[0016]对所述不透水表面影像进行合并，以分别生成不透水与非不透水的二值栅格图像；
[0017]将不透水与非不透水的二值栅格图像与所述高分辨率影像对应的网格叠加，以计算所述高分辨率影像中每个像元中不透水面所占的比例，得到所述训练样本影像对应的不透水密度参数
。
[0018]作为一个可选的实施方式，在本专利技术第一方面中，所述将所述训练样本影像和对应的不透水密度参数作为训练数据集，训练用于估测不透水密度的分类与回归树模型，包括：
[0019]将所述训练样本影像中每个波段的反射率作为变量，将所述不透水密度参数作为自变量，通过
Cubist
工具建立并训练用于估测不透水密度的分类与回归树模型
。
[0020]作为一个可选的实施方式，在本专利技术第一方面中，所述根据线性光谱混合分析方法，对所述训练样本影像进行分析，以得到光谱分析结果，包括：
[0021]排除所述训练样本影像中由纯像素组成的水体影像；
[0022]基于最小噪声分离变换算法，对所述训练样本影像进行处理，得到多个压缩组分影像；
[0023]计算所述多个压缩组分影像对应的像素纯度指数，选择包括不透水面在内的端元；
[0024]基于以下公式计算所述训练样本影像中植被
、
不透水层以及土壤的纯净像元端元
f
k
所占的比例，得到光谱分析结果：
[0025][0026]式中，
R
i
为第
i
波段反射率，
k
为端元种类，
f
k
为端元
k
在像元中所占比例，即待求解的丰度，
R
ik
为端元
k
在波段
i
的反射率，为已知的参数，
E
Ri
为误差；在求解
f
k
时，还需要满足以下约束条件：
[0027][0028]式中，
f
k
大于
0。
[0029]作为一个可选的实施方式，在本专利技术第一方面中，所述对所述分类与回归树模型的预测结果，以及所述光谱分析结果进行误差分析，以得到误差来源结果，包括：
[0030]基于多种误差计算方法，以及预设的验证数据集，分别对所述分类与回归树模型的预测结果，以及所述光谱分析结果进行误差分析，以得到所述分类与回归树模型对应的误差来源结果，和所述线性光谱混合分析方法的误差来源结果
。
[0031]作为一个可选的实施方式，在本专利技术第一方面中，所述误差计算方法包括交叉验证散点图计算方法
、
残差计算方法
、
均方根误差计算方法
、
平均绝对误差计算方法中的一种或多种；所述误差来源结果包括区域地表类型
、
地表参数和对应的误差参数
。
[0032]作为一个可选的实施方式，在本专利技术第一方面中，所述方法还包括：
[0033]获取待预测地表区域的预测影像信息；
[0034]根据所述分类与回归树模型和对应的误差调整规则，对所述预测影像信息进行估测，以得到第一估测结果；
[0035]根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于误差分析的估测算法优化方法，其特征在于，所述方法包括：获取目标估测地表区域的训练样本影像和高分辨率影像；基于所述高分辨率影像和面对对象分类算法，确定所述训练样本影像对应的不透水密度参数；将所述训练样本影像和对应的不透水密度参数作为训练数据集，训练用于估测不透水密度的分类与回归树模型；根据线性光谱混合分析方法，对所述训练样本影像进行分析，以得到光谱分析结果；对所述分类与回归树模型的预测结果，以及所述光谱分析结果进行误差分析，以得到误差来源结果；根据所述误差来源结果，确定所述分类与回归树模型和所述线性光谱混合分析方法的误差调整规则；所述误差调整规则用于在后续利用所述分类与回归树模型和所述线性光谱混合分析进行不透水密度参数的估测时对估测结果进行调整
。2.
根据权利要求1所述的基于误差分析的估测算法优化方法，其特征在于，所述基于所述高分辨率影像和面对对象分类算法，确定所述训练样本影像对应的不透水密度参数，包括：基于面向对象分类从所述高分辨率影像中提取不透水表面影像；将所述不透水表面影像中的错误分类结果，基于人工检查和视觉解释进行修改；所述错误分类结果包括阴影影像
、
水影像和植被影像中的一种或多种；对所述不透水表面影像进行合并，以分别生成不透水与非不透水的二值栅格图像；将不透水与非不透水的二值栅格图像与所述高分辨率影像对应的网格叠加，以计算所述高分辨率影像中每个像元中不透水面所占的比例，得到所述训练样本影像对应的不透水密度参数
。3.
根据权利要求1所述的基于误差分析的估测算法优化方法，其特征在于，所述将所述训练样本影像和对应的不透水密度参数作为训练数据集，训练用于估测不透水密度的分类与回归树模型，包括：将所述训练样本影像中每个波段的反射率作为变量，将所述不透水密度参数作为自变量，通过
Cubist
工具建立并训练用于估测不透水密度的分类与回归树模型
。4.
根据权利要求3所述的基于误差分析的估测算法优化方法，其特征在于，所述根据线性光谱混合分析方法，对所述训练样本影像进行分析，以得到光谱分析结果，包括：排除所述训练样本影像中由纯像素组成的水体影像；基于最小噪声分离变换算法，对所述训练样本影像进行处理，得到多个压缩组分影像；计算所述多个压缩组分影像对应的像素纯度指数，选择包括不透水面在内的端元；基于以下公式计算所述训练样本影像中植被
、
不透水层以及土壤的纯净像元端元
f
k
所占的比例，得到光谱分析结果：式中，
R
i
为第
i
波段反射率，
k
为端元种类，
f
k
为端元
k
在像元中所占比例，即待求解的丰度，
R
ik
为端元
k
在波段
i
的反射率，为已知的参数，
E
Ri
为误差；在求解
f
k
时，还需要满足以下约
束条件：式中，
f
k
大于
0。5.
根据权利要求1所述的基于误差分析的估测...

【专利技术属性】
技术研发人员：王琎，赵耀龙，杨光，陈洋，文雅，刘文凯，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：