[发明专利]一种特征选择的森林参数遥感估测方法

说明书

一种高效特征选择的森林参数遥感估测方法，所述高效特征选择是指为最近邻法k‑NN(k‑nearest neighbor)在森林参数遥感估测的应用中提高获得最优特征组合的效率，其特征在于，包括以下步骤，从森林资源样地调查数据(样地数为n)和遥感影像(影像包含m个特征)中提取训练数据F，以留一法交叉验证相应的k最近邻法即k‑NN估测模型反演的森林参数的均方根误差RMSE最小为原则，通过依次迭代选取遥感特征获得最优特征子集F_s，通过最优特征子集F_s优化区域森林参数的k‑NN估测模型以实现森林参数遥感估测。

技术领域

本发明属于森林参数遥感定量估测领域，特别是一种高效特征选择的森林参数遥感估测方法，所述高效特征选择是指为最近邻法k-NN(k-nearest neighbor)在森林参数遥感估测的应用中提高获得最优特征组合的效率。

背景技术

基于遥感的森林参数(如生物量、蓄积量、叶面积指数等)估测是指通过数学手段，在遥感、计算机技术和数学或物理模型驱动下，利用遥感影像特征判读数据，结合少量的地面调查资料或地面临时样地资料，建立森林调查数据和遥感影像之间的数学或物理机理模型。此领域已有大量研究表明，结合多源遥感数据及其派生的纹理、植被指数等遥感特征因子可以提高森林参数定量估测精度。但随着遥感特征因子数据维度的提升，会带来信息冗余进而产生维度灾难，使分析和处理变得复杂，若不通过一定的方法进行特征选择，甚至会降低森林结构参数定量估测精度。因此，解决如何从海量的遥感特征组合中高效选取优化的特征进行建模成为森林参数估测的首要问题，即特征选择问题。

特征选择是指，从一组数量为m的特征中去除冗余或不相关特征，并选取数量为n(n≤m)的一组最优特征。当前特征选择方法主要分为如下几类：第一类是穷举法，穷举法是指遍历特征空间中所有特征组合，选取最优特征组合子集的方法。假设特征个数为m时，计算复杂度为O(2^m)，其优点在于一定能得到最优子集，但在实际应用中由于特征空间通常较为庞大，时间耗费和计算复杂度太大，导致实用性不强；第二类是随机法，该方法随机产生一批特征子集，根据一定的评价函数给这些特征子集评分，并选取评价函数值最高的特征子集。常用的方法有LVF(Las Vegas Filter)算法、遗传算法、模拟退火算法等；第三类是启发法，启发式方法为一种近似算法，通过采用期望的人工机器调度规则，重复迭代产生递增的特征子集，特征个数为N时，其复杂度一般小于O(m²)。

上述方法都可以在一定程度上实现特征选择，但在森林参数遥感定量估测这一研究领域，特征选择这一问题研究较少。虽然已有研究学者提出一些特征选择方法，如Pearson相关系数、随机森林(RF)算法等，但这些方法稳健性不够，且需人为选取参数，不仅操作复杂、费时，而且特征选择结果受主观因素影响大。因此，为了实现基于遥感的森林参数高精度估测，并能有效选取森林参数相关特征，需要研究新的针对森林参数遥感定量估测的自动、高效、稳定的特征选择方法。

发明内容

本发明针对现有技术中存在的缺陷或不足，提供一种高效特征选择的森林参数遥感估测方法，所述高效特征选择是指为最近邻法k-NN(k-nearest neighbor)在森林参数遥感估测的应用中提高获得最优特征组合的效率。

本发明的技术方案如下：

一种高效特征选择的森林参数遥感估测方法，其特征在于，包括以下步骤，从森林资源样地调查数据(样地数为n)和遥感影像(影像包含m个特征)中提取训练数据F，以留一法交叉验证相应的k最近邻法即k-NN估测模型反演的森林参数的均方根误差RMSE最小为原则，通过依次迭代选取遥感特征获得最优特征子集F_s，通过最优特征子集F_s优化区域森林参数的k-NN估测模型以实现森林参数遥感估测。