[发明专利]一种城市不透水层覆盖率遥感估算方法

摘要

本发明公开了一种城市不透水层覆盖率遥感估算方法，是以性价比高的中分辨率遥感影像为主要数据源利用混沌粒子群优化支持向量回归估算城市不透水面覆盖率的新方法，对支持向量回归机中的参数优化算法进行改进，提出一种应用于中分辨率遥感影像的改进型支持向量回归UISP遥感估算方法以提高支持向量回归在中分辨率遥感影像UISP估算中的精度。进一步提高了以中分辨率遥感影像为主要数据源进行UISP估算的性能，为利用城市不透水面信息作为输入数据的相关研究提供更为精确的城市不透水面数据。

主权项

一种城市不透水层覆盖率遥感估算方法，其特征在于，所述估算方法步骤如下：S1、基于中分辨率遥感影像的多个波谱波段计算归一化植被指数(NDVI)、归一化建筑物指数(NDBI)、地表温度(LST)；具体公式如下：NDVI=(NIR-R)NIR+R---(1)]]>NDBI=MIR-NIRMIR+NIR---(2)]]>其中，NIR是近红外波段的波谱值，R是红波段的波谱值，MIR是中红外波段的波谱值；S2、基于中分辨率遥感影像，利用灰度共生矩阵计算每个波段的纹理信息；S3、选取与中分辨率遥感影像同时相，地理覆盖范围为中分辨率遥感影像覆盖范围之内且分散分布在东西南北四个方向的多块高分辨率遥感影像，利用面向对象的图像处理方法获取高分辨率遥感影像中每个像元的不透水性，其中，1表示不透水，0表示透水；S4、统计每个中分辨率遥感影像像元对应的多个高分辨遥感影像像元中数值为1的像元数占总像元数的百分比，即为对应的中分辨率遥感影像像元的UISP；具体公式如公式(3)：UISPij=Σm=(i-1)*K+1m=(i-1)*K+KΣn=(j-1)*K+1n=(j-1)*K+KαpqK*K---(3)]]>其中UISPij表示中分辨率遥感影像上第i行第j列像元的UISP，UISPij∈[0,1]，αpq表示高分辨率遥感影像上第p行第q列像元的不透水性，取值为0(透水)或1(不透水)；K表示每个中分辨率遥感影像像元中有K*K个高分辨率遥感影像像元；所述K取值如下：其中，m为中分辨率遥感影像像元的大小，n为高分辨遥感影像像元的大小，如果m/n不等于整数，则需要把中分辨率遥感影像重采样为像元大小为r(r大于m，且是与m最靠近的整数)的图像，使得r/n等于整数；S5、随机选取高分辨率遥感影像和与之空间对应的中分辨率遥感影像像元中的70％用作训练数据，30％用作验证数据；S6、对S1和S2中所得的数据进行归一化处理，具体公式如公式(5)：xj=xi-xminxmax-xmin---(5)]]>其中xi为归一化前像元的值，xmin为整幅图像中像元的最小值，xmax为整幅图像中像元的最大值，xj为归一化后像元的值，介于0和1之间；S7、对S2中经过S6处理后的纹理特征数据利用信息熵和相关系数进行初步约简，删除信息熵小和相关系数高的特征；S8、采用改进的H离散化方法对S1中经过S6处理后的数据进行离散化处理；所述改进的H离散化方法为：根据数据的统计规律分类数据，对于在取值空间分布较为均匀的数据，采用梯度函数对其进行离散化；对于空间分布不均匀，聚集效应很明显的属性数据采用指数函数对其进行离散化；将离散化后的属性与UISP数据按顺序排列好，组成利用粗糙集进行遥感估算UISP的信息表，即为UISP估算的论域；S9、采用基于差别矩阵的粗糙集约简算法对步骤8中经过离散化后的特征进行特征约简；通过前面对样本数据的预处理，可以用样本数据组成一个信息系统，即，UISP＝(U,C,V,f)；  (6)其中，U是信息系统的论域，是所有样本组成的集合；C是信息系统中属性的集合，是从中分辨率遥感影像中提取出来的属性的集合，单个属性称为简单属性；V是信息函数f的值域，Vi为属性αi的值域，即各个属性的取值范围；f是系统的信息函数，fi为属性αi的信息函数；具体步骤如下：step1：先求出其差别矩阵Mn×n；setp2：对差别矩阵中的所有取值不为空集合的元素cij(即：)，根据差别函数建立与之对应的内析取外合取的析取范式L∧(V)(UISP)如公式7所示：step3：对step2得到的析取范式进行逻辑运算，得到内合取外析取的合取范式LV(∧)(IS)如公式8所示：step4：输出集合中每个合取项Lk就是信息系统的一个属性约简，整个信息系统的约简全集即为所有Lk组成的集合，算法结束；S10、基于S9中约简后的数据建立用于UISP估算的支持向量回归机模型SVR‑UISP，SVR‑UISP模型的输入数据为中分辨率遥感影像像元的波谱信息及其衍生信息，输出数据为每个中分辨率像元的UISP；通过建立中分辨率影像像元的波谱信息及其衍生信息和对应UISP参考值之间的回归模型，从而可以根据训练数据的特征进而外推到中分辨率影像其它像元的UISP；输入和输出数据的表达如下：其中为m维向量，表示SVR‑UISP的输入，由中分辨率影像像元的波谱信息及其常用的衍生信息组成；yi表示SVR‑UISP的输出，即每个中分辨率影像像元的UISP，来源于高分辨率影像，由公式(3)求得；S11、基于S10，选用ε‑支持向量回归机(ε‑SVR)和径向基核函数(BRF)，采用混沌粒子群算法(CPSO)优化不敏感系数ε、惩罚系数C和RBF核的宽度系数σ三个参数，建立CPSO‑ε‑SVR‑UISP模型；CPSO进行ε‑SVR‑UISP参数优化的主要思想是将混沌算法嵌套进粒子群算法，利用混沌运动的随机性和遍历性以当前整个粒子群寻找到的最优位置为基点生成混沌序列，用生成的混沌序列中的适应度最高的粒子随机替换当前种群中的一个粒子；SVR拟合样本数据集{xi,yi}(i＝1,2,…,n；xi∈Rd；yi∈R)得到的回归函数如公式9所示：f^(x)=Σi=1m(αi-αi*)k(xi,x)+b---(9)]]>公式中，αi、为拉格朗日算子，b为阈值，为核函数；对CPSO‑ε‑SVR‑UISP，每个粒子的位置和速度由(C,σ,p)三个参数决定，取能够直接反映SVR拟合度的均方差(MSE)为系统的适应度函数，如公式10所示；MSE=(Σi=1n(y^-yi)/n)1/2---(10)]]>其中为新样本的估计值；S12、利用步骤10优化后的CPSO‑ε‑SVR‑UISP模型，输入中分辨率遥感影像上的基本波谱信息及其衍生信息经过约简后的数据，模型的输出即为对应每个中分辨率像元中UISP的值，由此完成已知中分辨率遥感影像像元的波谱及其衍生信息估算UISP的任务。