[发明专利]基于贝叶斯-模糊概率预测的LULC数据集融合方法

说明书

本发明提供一种基于贝叶斯‑模糊概率预测的LULC数据集融合方法，包括以下步骤：(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。本发明能够满足研究学者和管理人员的LULC数据集融合需要，立足源数据集本身，对于源数据的要求更低，具有更广泛的适用性。

技术领域

本发明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领域。

背景技术

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 geographicallyweighted regression.ISPRS Journal of Photogrammetry and Remote Sensing,2015.103:p.48-56.

在该方法中，主要包含4个步骤：

(1)首先对源数据集进行空间一致性检验；

(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；

(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；

(4)将概率最大的属性赋予该像元，形成融合结果。

该技术具有以下缺点：

(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。

(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。

(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。

(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。

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.

在该方法中，主要包含4个步骤：

(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。

(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。

(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。