【技术实现步骤摘要】
本专利技术属于森林地上生物量估测领域，特别是涉及一种基于imc算法的森林地上生物量估测方法。
技术介绍
1、通常，从多极化sar数据中提取的极化特征和干涉特征被广泛用森林地上生物量(agb)遥感估测模型。然而，如何评估这些特征并得到最优特征集接影响森林地上生物量估测精度。一般最优特征集由特征评价准则和特征选择方法共同确定。根据统计学原理，常见的线性和非线性评价准则可用于描述特征与森林地上生物量之间的关系，例如pearson相关系数、距离相关系数以及随机森林算法提取的重要性等。研究人员还发现半经验模型中敏感指数(si)也可以衡量极化特征与森林地上生物量的敏感性和饱和度，也可以作为筛选最佳特征集时的评价标准。然而，在准确衡量极化特征与森林地上生之间关系方面，这些评价标准存在一定局限性。此外，森林地上生物量估测精度会受到所采用的评价标准影响。因此，应从多个角度综合评价用于森林地上生物量估测的极化特征。
2、此外，选择合适的特征筛选方法也是确定最优特征集的关键之一。近年来，过滤法、包装法和嵌入法等常见且广泛使用的遥感特征筛选方法来获得最优特征集。过滤法很难确定过滤阈值和所选特征的数量。包装法可以克服过滤法的缺点，这种方法获得的最优特征集往往是通过对模型的反复训练，逐个添加或删除排序后的特征来提取的。虽然得到的结果具有较强的解释能力和较高的特征利用率，但计算效率仍然是一个主要问题。嵌入法的原理是结合以上两种方法，可以直接获得最优特征子集，但是这种方法可解释性差，如boruta方法。因此，综合几种方法的优劣势，包装法更适合于筛选
3、但是，包装法实现特征筛选的效率与模型和特征数量有关。为了准确估测森林地上生物量，需要提取多类型多数量的备选极化特征。对于大量的备选特征，极大的延长了数据处理的时间，严重影响特征筛选的效率和可靠性。常见的包装法特征筛选过程中发现影响效率的本质是特征之间的信息冗余，即并非所有排名高的特征对模型的贡献都很大。不考虑特征之间的信息冗余性，通过重复训练模型获得的最优特征组合，会显著降低特征选择的效率。因此，有必要去除信息冗余的特征，以提高特征选择的效率，并保证最优特征集的可靠性。
技术实现思路
1、本专利技术的目的是提供一种基于imc算法的森林地上生物量估测方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于imc算法的森林地上生物量估测方法，包括：
3、获取待测森林样本的l波段全极化sar图像数据，对所述l波段全极化sar图像数据进行特征提取得到特征集，通过显著性检验法对所述特征集进行显著性分类，得到显著特征集和非显著特征集；
4、对所述显著特征集依次进行特征评价和前向特征选择得到最优显著特征集，对所述非显著特征集进行相关性分析以及相关性排序，分析完成后进行相关性排序，将进行相关性排序后的非显著特征集与所述最优显著特征集进行融合，得到最优特征集，基于所述最优特征集进行森林地上生物量估测。
5、可选的，所述特征集包括：四分量极化分解特征数据、后向散射系数特征数据、极化分解特征的衍生特征数据和后向散射系数的纹理特征数据。
6、可选的，获取最优显著特征集的过程，具体包括：
7、获取若干特征评价标准，利用最理想解法对各所述特征评价标准进行融合得到新评价准则，利用所述新评价准则对所述显著特征集进行特征评价，特征评价完成后对根据各特征的特征评价结果对各特征进行降序排序；
8、降序排序完成后对显著特征集进行自相关分析以及排序调整，得到消除特征自相关影响后的显著特征集；
9、利用回归模型对消除特征自相关影响后的显著特征集进行前向特征选择，得到最优显著特征集。
10、可选的，所述特征评价标准包括：pearson相关系数、重要性和si值。
11、可选的，对各所述特征评价标准进行融合得到新评价准则，具体计算公式包括：
12、构建准则矩阵m:
13、
14、其中，为第一个特征的pearson相关系数，为第一个特征的重要性，为第一个特征的敏感性，n为涉及特征的个数；
15、
16、其中，ti为特征的新评价准则值,mi为准则矩阵中的i列,是mi列的最大值，是mi列的最小值,e是信息熵矩阵，由准则矩阵m导出。
17、可选的，降序排序完成后对显著特征集进行自相关分析以及排序调整，得到消除特征自相关影响后的显著特征集，具体包括：
18、降序排序完成后对显著特征集中各特征之间的信息冗余程度进行自相关分析，根据自相关分析结果对信息冗余程度高的特征进行排序调整，得到消除特征自相关影响后的显著特征集。
19、可选的，所述回归模型包括多元线性回归模型、k近邻回归模型、支持向量机模型和随机森林模型。
20、本专利技术的技术效果为：
21、本专利技术提供的一种基于imc算法的森林地上生物量估测方法为融合线性、非线性和物理评价准则的综合特征评价方法，即为imc准则。本专利技术从多个角度评价了特征与森林地上生物量之间的关联，也顾及了特征之间的信息冗余性。基于多角度特征评价和特征信息冗余问题构建了一种polsar数据的通用的森林地上生物量遥感估测的特征评价准则和筛选算法，结合imc算法和前向特征筛选方法，从新的视角评价特征的潜力，能够高效准确的从polsar影像中提取最具潜力的最优特征集，并应用于森林地上生物量的遥感估测模型，提高了基于polsar数据的森林地上生物量遥感估测的精度。
22、本专利技术提出的方法通过输入45种极化特征并集成三种特征筛选准则，对研究区域的森林地上生物量进行了估测，本专利技术公开的imc方法的估测精度明显高于常用的皮尔森相关系数特征筛选准则、随机森林重要性特征筛选准则和敏感度特征筛选准则，同时imc方法也优化了特征之间的信息冗余问题，为森林地上生物量估测提供了更好的方法。
本文档来自技高网...【技术保护点】
1.一种基于IMC算法的森林地上生物量估测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于IMC算法的森林地上生物量估测方法，其特征在于，
3.根据权利要求1所述的一种基于IMC算法的森林地上生物量估测方法，其特征在于，对所述显著特征集依次进行特征评价和前向特征选择得到最优显著特征集，具体包括：
4.根据权利要求3所述的一种基于IMC算法的森林地上生物量估测方法，其特征在于，所述特征评价标准包括：Pearson相关系数、重要性和SI值。
5.根据权利要求3所述的一种基于IMC算法的森林地上生物量估测方法，其特征在于，对各所述特征评价标准进行融合得到新评价准则，具体计算公式包括：
6.根据权利要求3所述的一种基于IMC算法的森林地上生物量估测方法，其特征在于，降序排序完成后对显著特征集进行自相关分析以及排序调整，得到消除特征自相关影响后的显著特征集，具体包括：
7.根据权利要求3所述的一种基于IMC算法的森林地上生物量估测方法，其特征在于，
【技术特征摘要】
1.一种基于imc算法的森林地上生物量估测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于imc算法的森林地上生物量估测方法，其特征在于，
3.根据权利要求1所述的一种基于imc算法的森林地上生物量估测方法，其特征在于，对所述显著特征集依次进行特征评价和前向特征选择得到最优显著特征集，具体包括：
4.根据权利要求3所述的一种基于imc算法的森林地上生物量估测方法，其特征在于，所述特征评价标准包括：pearson相关系...
【专利技术属性】
技术研发人员：龙江平，张廷琛，孙华，林辉，刘兆华，叶子林，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：
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。