[发明专利]一种森林资源管理的变异函数参数拟合的优化方法

说明书

技术领域

本发明属于变异函数优化技术领域，具体来讲是涉及一种森林资源管理的变异函数参数拟合的优化方法。

背景技术

森林资源是林业生产的物质基础，森林资源状况是衡量林业工作成效最重要的标志。森林在发展过程中因受人为经营活动和自然因素影响，森林资源始终处于消长动态变化之中，因此，必需加强对森林资源的管理与监督，建立科学有效的管理体系。森林资源管理的对象主要是林地、林木、野生动植物以及森林环境。

变异函数是指区域化变量增量平方的数学期望，即区域化变量增量的方差。典型变异函数曲线分为抛物线型(连续型)、线性型、间断型(块金型)、随机型(纯块金型)、转变型，它们代表了具有不同连续性和随机性的地质体参数的变化性特点。实际计算的实验变异函数2γ*(h)是在以向量h相隔的N对点的两个观测值间增量平方的平均值，即2γ*(h)＝1N(h)∑N(h)i＝1〔Z(xi+h)Z(xi)〕22γ*(h)为增量方差之半，又叫半变异函数，简称变异函数。

支持向量回归法主要是通过升维后，在高维空间中构造线性决策函数来实现线性回归，用e不敏感函数时，其基础主要是e不敏感函数和核函数算法。若将拟合的数学模型表达多维空间的某一曲线，则根据e不敏感函数所得的结果，就是包括该曲线和训练点的“e管道”。在所有样本点中，只有分布在“管壁”上的那一部分样本点决定管道的位置。这一部分训练样本称为“支持向量”。为适应训练样本集的非线性，传统的拟合方法通常是在线性方程后面加高阶项。此法诚然有效，但由此增加的可调参数未免增加了过拟合的风险。支持向量回归算法采用核函数解决这一矛盾。用核函数代替线性方程中的线性项可以使原来的线性算法“非线性化”，即能做非线性回归。与此同时，引进核函数达到了“升维”的目的，而增加的可调参数是过拟合依然能控制。支持向量机中的一大亮点是在传统的最优化问题中提出了对偶理论，主要有最大最小对偶及拉格朗日对偶。

在处理森林资源管理的变异函数参数时在低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，就可以得到高维空间的分类函数。在确定了核函数之后，由于确定核函数的已知数据也存在一定的误差，考虑到推广性问题，因此必须对变异函数的参数在拟合过程中进行优化，使其数值无限接近最适值。

发明内容

本发明解决的技术问题是提供了一种森林资源管理的变异函数参数拟合的优化方法，其主要是在森林资源管理过程中将对应的变异函数的参数在拟合过程中通过多重数据分析处理，使用粒子群优化、支持向量回归等优化方法，以此达到变异函数的取值范围更加精确化的效果。

本发明的技术方案如下：

一种森林资源管理的变异函数参数拟合的优化方法，主要包括以下步骤:

(1)通过卫星获取森林资源的遥感影像，对所述的遥感影像进行预处理，获取预处理后的遥感影像数据，对抽样区域采用计算机终端进行数据统计及量化处理；

(2)针对得到的森林资源的数据进行数据粒子群优化，采用K均值划分方法对变量参数集进行划分聚类，获得数据集的聚类结果，根据适应度值公式对变量参数进行拟合；

(3)将变量参数集的具体数据值与最优适应度值在允许误差范围内生成特征矢量及用于反映抽样区域空间特征的特征矢量，利用支持向量回归法对抽样区域多维的特征矢量进行变异函数参数拟合的优化。

进一步的，所述的数据统计及量化处理是指根据遥感影像将预处理得到的遥感影像与预先存储的位置矢量数据进行叠加，生成森林遥感影像地理信息图，使用计算机终端对信息图的数据统计，将需要数据分析的区域进行坐标格网划分，形成的网格单元按照对应比例的列为单位数值，在所述的区域内选择固定区域进行抽样，抽样区域的具体形状没有要求，以能准确的获取抽样区域数据为准，不局限抽样区域的维度，然后利用插值法探索分析区域的数据的空间变异结构，拟合生成各个变量参数的理论变异函数，所述的变量参数是根据实际生产需要转化对应生成的。