信息技术在海岸带遥感中的应用例说.pptx

信息技术在海岸带遥感中的应用例说 马 毅、张 杰 任广波、王常颖、王小龙 国家海洋局第一海洋研究所 2014年12月23日 ;国家海洋局第一海洋研究所海洋物理与遥感研究室;海洋遥测工程技术研究中心（国家海洋局与航天科技集团共建）;;报告内容;（一）半监督方法与海岸带遥感分类;2） 遥感影像的分类样本拓展应用问题 分类样本的拓展应用对无法获取有效训练样本的灾情的应急监测、跨区域的遥感监测研究和跨国界的军事监测具有十分重要的意义。 由于地物在不同时期、不同区域的影像中所处的辐射环境不同，而很难保证从一景影像中选择的分类样本可对另一景影像中的同种地物特征也有好的代表性。;2）遥感影像的自动分类问题 遥感影像的自动分类是今后大规模、周期性、机械性区域遥感监测技术发展的重要方向。长期以来，从遥感影像上高精度自动提取信息一直是遥感应用研究者们的一个愿望。 建立预设样本集是实现自动化分类的最直接的途径，但却要面临预设样本对待分类影像代表性不好的问题。; 半监督学习是数据挖掘领域中的一种方法，该方法同时利用已知类别样本和未知类别样本，通过挖掘未知类别样本中所隐含的各待分类类型在特征空间中的固有结构信息，对已知类别样本可能因代表性不好而造成的拟合分类器有偏差情况进行矫正。; 半监督学习是数据挖掘领域中的一种方法，该方法同时利用已知类别样本和未知类别样本，通过挖掘未知类别样本中所隐含的各待分类类型在特征空间中的固有结构信息，对已知类别样本可能因代表性不好而造成的拟合分类器有偏差情况进行矫正。;;;基于分割的高分辨率遥感影像聚类团簇;成对标注法半监督分类结果; 聚类团簇法因更好的描述了遥感影像的空间数据结构，而获得了更高的分类精度；分类效率方面，本实验中，聚类团簇标注法用时9s，成对标注法用时69s.;（二）D-S理论与海岸带遥感分类; 设D是变量x所有可能取值的集合，且D中的元素是互斥的，即变量x能且只能取D中的某个元素为值，则称D为x的样本空间。D的任一子集为一个命题。 概率分配函数M： 2D?[0,1]，且满足则称M是2D上的概率分配函数，M(A)称为A的基本概率数。; Bel：2D—[0, 1]  Bel(A)表示对命题A为真的信任程度。 容易推出对单元素子集，其基本概率数和信任程度是一致的。 另外，  ;概率定义;似然函数;概率分配函数的正交和; 样本空间D是变量x所有可能取值的集合，且D中的元素是互斥的，即变量x能且只能取D中的某个元素为值。应用到地物分类时，要求地物类型是完全已知的。 事实上，在对一景影像进行地物分类时，往往会存在一些人们不知道的地物类型，因此，证据理论无法应用。 下面就提出了一种能够处理样本空间元素不完全知道情况下扩展的证据理论。; 设样本空间D中的元素满足互不相容的条件，但是存在D中没有的未知类别，“变量x能且只能取D中的某个元素为值”？ 设函数M：2D?[0,1]，且满足： 则称M是D上的概率分配函数， M(A)称为A的基本概率数，A是D的子集。 ; Bel：2D—[0, 1]  Bel(A)表示对命题A为真的信任程度。 容易推出对单元素子集，其基本概率数和信任程度是一致的。另外，  ;似然函数;概率分配函数的正交和;选取鸭绿江河口区域的SPOT-5影像为数据源，其中的主要地物类型为耕地、水体、建设用地、潮滩、荒地/林地等。 ;基于证据理论的高分辨率影像海岸带地物分类主要分三个步骤： （1）证据源的选择：从形状、光谱、纹理选择分类特征，通过典型指数来实现。 （2）分类规则的形成：由训练影像中地物类型的特征属性的直方图分布，来定义概率分配函数，然后，计算各种证据源导出的概率分配函数正交和，求出各种地物类别的可信度，确定可信度最大的类别，得到“特征属性?地物类别”的规则。 （3）基于规则的分类： 根据上面形成的规则，实现分类。; 从形状信息、光谱信息和纹理信息三个方面考虑，选择了5个属性，分别用下面的指数表示： 形状指数 归一化植被指数 归一化水体指数 Red波段的熵值 NIR波段的熵值;分类规则形成; 计算m1与m2的正交和m;实施分类;测试数据识别精度;（三）最优化与赤潮生物量高光谱遥感反演;赤潮生物量高光谱遥感反演应用;水体光学成像机理;正问题模型;偏差函数的最优化问题：;代价函数： ;实测谱和最适谱;反演叶绿素浓度最大值为13.3mg/m3, 最小值为7.8mg/m3, 平均值为10.2mg/m3. 由于没有同步实测资料，以高光