遥感信息模型（共9篇）
遥感信息模型 篇1
0 引言
遥感信息模型(RSIM)泛指利用遥感数据对地学规律进行研究所构成的方法、模型[1]。遥感影像提供了地球表层的多维动态观测数据,通过遥感影像建立遥感信息模型,研究地球系统的各个要素及其相互关系[1],在科学研究和国民经济中具有重要意义。
保证遥感数据的时效性,是应用遥感信息模型必须解决的问题。近年来遥感数据高速增长[2],如何实现海量、多源、多尺度遥感数据的快速计算,是遥感信息模型处理平台面临的又一挑战。传统的遥感信息处理平台以桌面端软件为主,如ENVI、ERDAS IMAGINE、PCI Geomatica等,处理低效,不支持各个功能模块的自动流程化处理。通用并行计算平台则缺乏专业的遥感存储计算支持,且有许多冗余功能,研制遥感专用并行计算平台具有重要意义。近年来研究人员围绕遥感处理算法的并行化展开了大量工作[3,4,5,6],涵盖遥感数据预处理、特征参数反演、图像目标识别等方面,为遥感信息模型平台的功能集成打下良好基础。但是国内目前尚无主流遥感集群环境。中国测绘科学研究院研发的Pixel Grid具有集群分布式计算模块,主要提供星测/航测影像的摄影测量处理[7],没有专门的遥感处理功能,且缺乏对于遥感算法的二次开发支持。中科院遥感与数字地球研究所研发的遥感信息计算平台(SINCE)内部集成了集群MPI计算环境,但该平台基于.net框架开发[8],通用性较差。东方泰坦公司的泰坦超算平台(Titan SCP)具有跨平台部署能力[9],但缺乏海量存储支持。
为适应遥感领域对于海量存储和高效计算的需求,提高RSIM的生产效率,本文在遥感高性能计算平台工作的基础上[10,11,12],提出一种高性能自动化RSIM处理平台,该平台具有以下特点:(1)基于Lustre实现海量文件存储功能;(2)提供MPI并行编程支持;(3)通过任务级(Torque)和业务级(Karajan)的调度使系统具有良好的负载均衡能力和复杂的跨平台功能组合功能。
1 平台设计
当前遥感数据和遥感处理算法具有如下特点:
1)遥感信息模型一般呈密集而不规则的数据访问模式[13],由于对数据的依赖度不同,各模型表现出的访问特点不同。其中大量非连续小块数据的访问造成严重的IO瓶颈,在此种条件下,模型IO通常只能取得峰值期1/10的性能[14]。如何结合遥感数据与模型的特点优化存储,这是实现平台高性能的重点。
2)遥感处理可分为3个层次:像素级、特征级和目标级[15]。随着处理层次的增高,处理数据量越来越小,算法越来越复杂,人工干预的成分增大[4]。MODIS传感器的数据集约占ECHO[16]总数据集(共包含595个传感器的3200个数据集[17])的1/10[17],是一个十分有代表性的传感器。以Terra MODIS产品为例,产品覆盖领域包括大气、陆地、海洋和冰冻圈,共38个大类[18,19]。这些大类的处理等级为1~4级,如表1所示,随着处理级别的升高,数据量减少,处理时效性降低。这一方面说明复杂算法的并行化比较困难,另一方面则揭示了提高低等级数据处理效率能够解决遥感数据处理的大部分性能要求。
注:Res指影像空间分辨率
3)遥感信息的提取方式由相对单一的处理如波段运算、影像变换等向多元处理链的方向转化,并有计算机处理、人工单源干预和多方协同处理多种模式。处理流程的复杂化和处理模式的多元化对于处理平台的资源配置能力提出了更高要求。
本文沿袭经典的Linux机群+MPI搭建基础并行环境,并用Ethernet和Infini Band子网两个重叠的网络组成集群网络拓扑,采用Lustre集群文件系统构建平台存储模块。目前世界排名前10的超级计算机系统中有7个使用Lustre[20],其高可扩展性能够适应潜在数据的存储需求。在此基础上,为了解决上述问题,构建一个遥感专用高性能计算平台,本文依次作了如下设计:
1)从存储组织和文件访问两方面进行控制,针对不同的遥感影像设计不同的OST池进行存储,减少访问目标块与存储分片之间的位置差异。
2)平台把重点放在提高低等级遥感数据处理的效率上。低等级遥感处理包括几何校正、辐射校正等影像预处理算法,影像重采样、影像镶嵌、图像增强、波段运算等通用处理方法[3]。
3)设计两级调度策略使系统具有良好的负载均衡能力和完备的任务编排功能。Torque+Maui实现并行计算资源的细粒度按需分配,Karajan工作流则从业务层面提供了复杂处理组合和跨组织协作功能。
系统的基本架构如图1所示。
2 Lustre IO优化
当多个客户高并发访问时,锁竞争和文件系统资源竞争会使Lustre文件系统效率大幅下降。根据应用特点对Lustre进行IO优化,从两个方面展开:(1)减少对单个文件的并发访问;(2)提高单次传输的文件分片利用率。这种调整可从Lustre文件系统和应用程序两方面进行。
1)对文件存储方式进行优化
文件的分片大小和分片个数对系统性能有显著影响[21]。不同大小的文件由于应用场景不同通常有不同的分片方式。例如Lustre单次网络传输缓冲区大小为1 MB,1 MB及以下的文件(如工程代码、tar文件等)不宜切片,而超大文件如1 TB以上的大文件则需要减少切片数量,避免频繁请求。OST池(OST Pools)是一种OST组织方式,同一个池中的OST遵循相同的文件分片规则。OST和OST池之间的从属关系可随时间改变[20],利用OST池可以更好地管理OST。遥感影像的数据大小从几十MB到几百GB不等,本文设计了3种不同默认分片大小的OST池,分别针对小型、中型和大型文件(用户仍可修改各个文件的分片设置),把不同应用模式的数据分离管理。
2)控制读写数据块进行优化
当程序发起与存储分片不对齐的IO请求时,可能会访问多个OST,而多个文件的分片不对齐访问则会加剧系统资源的竞争,如图2(b)所示;而读写块与文件分片一致时,则访问次数相对较少,如图2(a)所示。多个进程和多个文件之间的交互可分为四种方式:(1)多个进程中有一个代理进程直接与文件进行IO,再为其他进程提供数据中转服务;(2)每个进程都单独处理自己的文件;(3)若干进程并发处理同一文件;(4)以上三种情况的混合,前3种情况如图3所示。第(1)种方式避免了并发竞争,但单个进程限制了整体的IO速度和容量;第(2)种方式同样不需要并发控制,瓶颈出现在文件系统的支持上(如磁盘同时打开的最大文件数);第(3)种方式能实现较高的聚合吞吐量,但控制复杂,且资源竞争情况下系统的性能会降低。编写应用程序时,应根据应用特性选择合适的分片和读写方式。
3 平台并行编程支持
遥感信息模型并行化可通过数据并行和任务并行两种途径实现。低等级的遥感处理算法处理的数据量大,但局部数据之间的相关性比较小[4],因此数据并行是模型并行化的重要途径。本平台抽象出遥感处理中的各种数据划分模式,给出编程抽象类以辅助模型并行编程。
遥感传感器一般面向特定的电磁波谱段[1],生产的遥感影像包含若干波段的地物辐射信息(激光雷达点云数据不在讨论之列)。首先针对遥感信息模型处理数据覆盖的范围,作如下定义:
定义1处理域,输入影像各个波段参与模型运算的平面区域的总和,记为Mask。
定义2元处理域,模型运算过程中不可再分割的处理域,记为unit Mask。
定义3域函数,描述处理域的函数,记为mask Func。
模型处理涉及的波段数和模型最小处理范围依次如表2所示,从而遥感数据的元处理(不可再细分的)模式共有6种组合。
元处理域通常包含于某个处理域中。一个矩形处理域的元处理域可能是单个像素,也可能是若干个更小的矩形面域。一个非矩形区域的元处理域可能是更小的非矩形,这种划分可以基于图像行/列进行,或者由一个新的面域函数划分。遥感数据的并行粒度有单影像单个元处理域、单影像若干元处理域、多影像单个元处理域和多影像多个元处理域这四种。图4列举了一些典型的数据划分方式。
为了分离数据划分和数据处理,本文将任意处理函数抽象为以处理域、输入数据和辅助数据作为参数的函数。为用户提供2个面域描述抽象类和3个遥感数据处理任务抽象类,分别是Mask Type、Mask、Unit Task、Task Set和Task Queue。Mask Type是枚举类,罗列上述3种面域函数;Mask描述处理域,包括处理域类型,划分的方式(均匀、非均匀)和划分手法(行、列、自定义函数);Unit Task代表元处理域任务;Task Set则是更为常用的若干元处理域任务;Task Queue表示多个不同处理任务构成的任务队列,由用户根据使用场景实现调度函数。Mask和Task Set的类定义如下:
Mask类定义:
4 平台调度管理
4.1 Torque任务管理器
Torque是一个开源的集群作业管理调度系统,支持批处理、并行和交互式作业,为集群提供任务级的管理和调度,为各个节点分配合理的任务,能有效利用系统计算能力。Torque由4部分构成:任务服务器、任务调度器、执行守护进程和客户端,如图5所示。守护进程MOM运行在各个计算节点上,向任务服务器发送各个节点的状态信息,任务的执行情况以及服务器/调度器分配的其他资源监视任务。
Maui是一个用于集群/超级计算机任务调度的开源软件。Torque只提供了较基本的任务调度策略,而Maui则提供了丰富的选择。Maui设计了6个优先指标[22]来对一个任务进行优先级排序,可指定任务需要的处理器、内存、节点、用户级别和队列级别等来合理分配任务,平衡各个节点的CPU负载和IO开销。
4.2 Karajan工作流
Karajan提供了定义、组织、映射和执行工作流的环境。该工作流采用XML描述各个工作环节(执行动作和相应数据);提供“sequential”、“parallel”等标签供用户组织串行、并行流程;提供条件执行、迭代、循环等多种工作流控制结构和用户自定义函数;可构造基于DAG(有向无环图)的层次化工作流,具有高度的灵活性和适应性。图6展示了几种Karajan支持的流程。Karajan提供检查点(出错后,从检查点开始重新执行流程)、日志等多级容错机制,通过XML中的“on Error”元素用户可自定义错误响应行为。
5 实验与分析
5.1 实验环境
采用12台相同的计算机搭建平台环境,机器参数见表3所示。实验集群结构如图7所示,采用Cisco Catalyst 3560G以太网交换机和Cisco SFS 7000 Infini Band交换机配置集群网络。12台机器中3台搭建Lustre集群文件系统,1台作为Portal服务器,剩余8台作为计算节点。3台Lustre存储节点扩展2 TB的硬盘容量,创建10个OST,构建3个OST池,默认的分片数依次为2、4、8。MPI计算节点为主—从结构,1个主节点7个从节点;Torque的Server节点与MPI主节点安装在不同的机器上;Karajan工作流与Portal服务器安装在同一台机器上。
5.2 正确性验证
本文采用沙尘模型(适用于中国北部地区)对系统功能进行正确性检验。模型的处理流程如图8所示,实验输入数据和计算模式如表4所示。平台界面如图9所示,实验过程中模型按照预期过程依次执行,动态流程监控图正确显示模型各个阶段的计算状态,如图10所示。处理结果如图11(a)所示,浅色区域代表有沙尘的地区,浅色部分越深,沙尘等级越高。该结果与单节点串行处理结果图11(b)相同,充分证明了本平台的正确性。
5.3 性能分析
平台性能通过增大数据量和扩展计算节点两方面进行验证。采用植被干旱指数AWI模型运算验证。AWI模型的计算方式如式(1)所示。完整的计算流程包括AWI指数计算、多幅影像镶嵌、格式转换和结果可视化渲染4个部分。
首先选取2009年MOD09A1不同覆盖时空范围的影像集依次在8个计算节点上进行计算。如表5所示,这些影像集总的数据量从0.69 GB到1521.55 GB不等,随着数据量的增大,系统的吞吐率总体呈上升趋势,如图12(a),峰值大概为122 MB/s。
然后以2009年中国全年数据(约55.2 GB)验证平台性能随计算节点数的变化情况。每个节点运行一个计算进程,当计算节点从单节点逐个增加到8个时,模型计算加速比速率持续上升,在8节点时取得最大加速比13.2,如图12(b)所示,证明该平台具有良好的遥感信息性能高性能计算能力。
6 结语
当前遥感信息模型缺乏高效的一体化处理平台。本文提出了一种适用于遥感信息模型的高性能计算平台。该平台配备Lustre集群文件系统以支撑海量遥感数据的存储需求。从存储和应用程序两个角度分析了文件分片对IO性能的影响,根据文件大小设计了不同的OST池集中存储。对遥感数据的划分模式进行了分类和抽象,为MPI并行编程环境提供了数据划分抽象类。上层通过Torque和Karajan工作流实现两级调度,使系统具备自动装配任务,动态管理执行的能力。Torque中加入Maui调度器,提供了灵活的任务调度功能,使系统的资源配置更好地满足用户需求。实验部分该平台运行了三种模型,证明了该平台高效完成计算任务的能力,相对于单节点串行程序,该平台能完成海量数据任务的快速计算。目前实验集群规模较小,数据覆盖较窄,后续在运行中将进一步扩大节点数量,对系统的性能作进一步验证和调整。
摘要：当前尚无主流的遥感信息模型(RSIM)高性能处理平台,RSIM的研究与应用以项目驱动为主,处理低效。分析当前遥感领域数据与处理的特点,提出一种集数据存储、模型计算、信息发布于一体的RSIM处理平台。通过对存储系统、并行处理环境和调度系统的设计实现平台的海量存储、灵活管理和模型自动快速计算功能。实验表明,该系统能完成RSIM的快速高效处理,具有良好的可控性和适用性。
关键词：遥感信息模型,自动化处理平台,Lustre,IO优化,数据划分,Torque,Kajaran
遥感信息模型 篇2
悬浮物浓度是水质评价的一项重要指标,利用遥感技术准确获取区域面状水域悬浮物浓度信息,是遥感监测水质参数的一项重要任务.利用地面实测的14个样点的光谱数据,将7月26日太湖TM数据的DN值,校正为遥感反射率,并利用Gordon模型和太湖水体固有光学特性,建立水体反射率模拟的分析模型,模拟水体R(0-),进而利用TM数据反演水体悬浮物浓度,并绘制太湖悬浮物浓度分布图.将悬浮物浓度反演的结果与14个样点的`实测结果相比较,其中,有79%的样点的估计精度高于70%,有64%的样点的估计精度高于80%.
作 者：李云梅 黄家柱 陆皖宁 石浚哲 LI Yun-Mei HUANG Jia-Zhu LU Wan-Ning SHI Jun-Zhe 作者单位：李云梅,黄家柱,陆皖宁,LI Yun-Mei,HUANG Jia-Zhu,LU Wan-Ning(南京师范大学江苏省地理信息科学重点实验室,南京,210097)
石浚哲,SHI Jun-Zhe(无锡市环境监测中心站,无锡,214023)
遥感信息模型 篇3
湿地是陆地系统和水体系统相互作用形成的自然综合体, 被称为天然的“物种基因库”、“地球之肾”, 在保护生态环境和物种多样性等方面发挥着重要作用, 具有重要的经济和社会效益。 然而, 随着人类对湿地开发强度日益提升, 湿地面积大幅萎缩、生物多样性逐渐下降, 湿地的生态功能也逐渐减弱。 因此, 如何科学合理地利用和保护湿地, 实现经济社会的可持续发展, 成为目前国内外学者研究的热点[1]。 传统野外实地的湿地调查和测绘方法费时费力, 而遥感技术的快速发展为监测研究湿地提供了新的途径。
早期的人工目视解译和基于像元的监督分类方法效率低, 精度差, 而近年来出现的面向对象的影像分析方法可以充分利用影像的光谱、 形状、纹理等细节信息处理遥感图像数据, 其高效、准确的特点得到了国内外学者的青睐。 安如等利用面向对象方法构建了黄河源玛多县地区的遥感湿地提取方法[2]。 牟凤云等以山东省微山湖湿地为实验区, 探索了面向对象技术在提高湿地植被分类精度的有效方法[3]。 赵志龙等利用面向对象方法对羌塘高原内的典型沼泽1976-2010 年的面积变化状况开展了遥感提取分析[4]。
宁夏回族自治区中卫市地处西北半干旱气候区, 是我国重要的湿地分布区。 但是该区域湿地的研究工作尚少, 且多以遥感影像人工目视解译结合现场调查为主, 效率低、 受主观经验影响严重, 因此, 研究一种有效的适用于该地区的湿地遥感监测技术显得十分重要。
本文以宁夏回族自治区中卫市及其周边为研究区, 研究适合于该地区不同类型湿地信息提取的分类决策树模型, 利用面向对象方法进行湿地信息提取, 为深入探讨研究西北干旱半干旱气候区的湿地遥感监测等问题提供有效的技术手段。
2 研究区概况
研究区位于宁夏回族自治区中卫市与腾格里沙漠边缘及其毗邻区域, 属中温带半干旱气候区。地理范围:105° 1′ 37.77″ ~105° 10′ 30.59″ E, 37° 29′55.68″~37°35′53.95″N, 面积约144.05km2。 中卫地处黄河前套之首, 研究区内存在马场湖和龙宫湖两个较大的湖泊, 水稻种植与鱼类养殖业较为发达。 研究区范围内的湿地对防治沙漠东移、维持绿洲生态平衡发挥着巨大的作用。
3 数据源及其预处理
论文使用的数据源是Landsat8OLI影像 (成像时间2015 年9 月5 号, 影像分幅:130/034) 。 Landsat8 的OLI陆地成像仪在ETM+ 传感器的基础上, 增加了可用于海岸带观测的蓝色波段和具有水汽强吸收特征的短波红外波段, 并对近红外波段进行了调整, 以便消除大气在0.825μm处水汽吸收特征的影响 (见表1) 。
首先利用FLAASH模型对Landsat8OLI影像进行大气辐射纠正, 获取了更加准确的地表反射率信息。然后, 使用Gram-Schmidt融合方法, 将Landsat8OLI影像中的全色波段数据和大气辐射纠正后的多光谱波段数据进行图像融合, 使遥感数据既有较高的空间分辨率, 又具有丰富的多光谱特征。
4 研究区湿地分类决策树模型的构建
4.1 分类体系的建立
根据研究区的遥感数据特点和野外实地调查结果, 参照全国湿地资源调查技术规程, 建立如表2所示的研究区湿地分类体系。 选取可靠性高的训练样本是建立研究区湿地分类决策树模型的关键, 直接影响到规则设立的质量[5]。 通过对研究区Landsat8OLI影像的目视解译, 参考Google earth高分辨率影像和野外实地考察数据, 选择113 个影像对象作为训练样本 (每种湿地类型的训练样本不得小于该湿地类型样本对象总数的2/3) , 建立研究区的湿地分类决策树模型。
4.2 影像分割
面向对象的影像分析方法首先通过影像分割形成由同质像元组成的影像对象, 然后利用影像对象的光谱、纹理、形状和上下文等特征进行影像分类[6]。多尺度分割算法包含尺度因子 (scale) 、 形状因子 (shape) 、 紧凑度因子 (compactness) 三个参数, 决定了影像分割后生成的影像对象的大小、 数目和形状等。 本文的多尺度分割采用Liu等[7]提出的不一致性评价法, 对分割参数组合进行优选。土地覆盖类型具有层次性, 因此, 论文以分层提取的方法进行研究区的湿地分类, 根据各层提取地物类型的不同, 建立不同尺度大小的参考数据集并分别从分割数据集中挑选出匹配对象, 以其综合评价参数ED2 最小的参数组合作为最终的多尺度分割参数 (见表3) 。
4.3 特征分析
4.3.1 光谱特征
Landsat 8 OLI影像中新增加的Band1 蓝色波段对水体的穿透性强, 可用于区分土壤和植被。Band5 近红外波段处于水体的强吸收区, 对绿色植被差异敏感, 可增强陆地-水域与土壤-农作物之间的反差。 SWIR2 中红外波段2 也处于水的强吸收区, 对植被水分含量十分敏感。通过训练样本的统计分析, 在Level1 层上, 可有效利用遥感影像的光谱信息, 将湿地 (含有部分水浇地) 和非湿地信息区分出来。
研究区的农作物以水田和水浇地 (小麦、玉米) 为主, 影像获取时间的水田处于抽穗期和乳熟期之间, 光谱特征易于水浇地混淆。 因而, 在Level2 层上, 仅仅依靠单波段的光谱反射率难以区分出各湿地类型, 所以, 本文除了选取Landsat 8 OLI影像的7 个波段反射率均值之外、 还选择了各个波段的标准差和归一化指数对研究区的湖泊、坑塘、芦苇地和水田及其除湿地外的其他地物类型进行统计分析, 结果发现:差异环境植被指数 (DVI) 对土壤背景的变化反应敏感, 可以将错分为水田的部分水浇地从湿地中剔除。
4.3.2 纹理特征
本研究加入了Landsat 8 OLI影像的7 个多光谱波段数据通过计算得到的纹理均值 (Mean) , 方差 (Std Dev) , 同质性 (Homogeneity) , 相异性 (Dissimilarity) , 对比度 (Contrast) , 相关性 (Correlation) 和角度二阶矩 (Second Moment) 6 个特征变量作为统计变量, 计算窗口选用33。 影像分析发现, 应用影像近红外波段的同质性易于将湖泊、 库塘与芦苇地、水稻田区分开来。 近红外波段的方差再求其标准差后的影像对绿色植被的类别差异更为敏感, 可以进一步将芦苇地和水稻田区分开来。
4.3.3 形状特征
地物的几何特征有助于突破光谱信息无法解决的“同物异谱”和“异物同谱”现象, 提高了遥感图像处理分析结果的精度。 研究区中湖泊和部分库塘的面积存在较大差异, 可利用面积特征将湖泊和库塘进行区分, 余下较大面积的库塘其形状近似矩形, 因此, 可以采用矩形拟合度将其与湖泊区分开来。 芦苇地主要分布于湖泊周边, 可以利用其椭圆形拟合度小的特点, 将其与水田区分出来。
4.4 模型构建
基于对典型地物的光谱特征、纹理特征和形状特征分析, 构建出研究区遥感影像湿地信息提取的决策树分类模型, 如图1 和图2 所示。
5 结果及精度评价
在e CognitionDeveloper9.0、Arc GIS10.2 等遥感图像处理和GIS软件的支持下, 以构建的分类决策树模型为基础, 利用分层提取的面向对象法进行了研究区遥感湿地提取分类, 得到了湿地分类结果图, 然后随机选择100 个对象作为评价样本, 针对模型分类结果采用混淆矩阵对结果进行精度评价 (见表4) 。 同时, 为了更加客观地评价基于决策树模型的面向对象法的分类结果, 在ENVI5.1 软件的支持下对研究区的遥感影像进行了基于像元的最大似然法分类, 分类结果如图3 所示, 精度评价见表5。
从分类结果图看, 基于决策树模型的面向对象法的分类结果与基于像元的最大似然法的分类结果相比, “椒盐现象”得到缓解, 图斑规整, 边界明确, 尤其是水田湿地和沼泽湿地的区分效果更好。 从精度评价结果看, 基于决策树模型的面向对象法的结果中湿地总体精度是84%, Kappa系数是0.78, 基于像元的最大似然法的结果中湿地的总体精度是65.55%, Kappa系数为0.61。 可见, 基于决策树模型的面向对象法在湿地信息提取中的精度更高, 总体精度提高了18.45%, Kappa系数提高了0.17。
6 结论与讨论
本文针对研究区的Landsat 8 OLI遥感影像, 利用基于决策树模型的面向对象法分析得到的湿地分类结果较基于像元的最大似然法的分类结果精度高, 有效的减弱了分类结果图的“椒盐”现象。
本文基于决策树模型的面向对象法在宁夏回族自治区中卫市与腾格里沙漠边缘及其毗邻区域的湿地信息提取工作中具有良好的适用性, 有效地结合了遥感地学领域的专家知识, 充分发挥了遥感影像中的光谱、纹理、几何等多种特征的优越性, 准确高效的提取了地物信息, 提高了遥感影像的分类精度, 对于今后西北干旱半干旱气候区的湿地遥感监测工作具有重要的借鉴意义。
参考文献
[1]邓凡双.基于面向对象技术的辽东湾双台子河口湿地信息提取研究[D].东北师范大学, 2012.
[2]安如, 陈志霞, 陆玲, 等.面向对象的黄河源典型区湿地信息提取[J].河海大学学报:自然科学版, 2011, 39 (4) :355-360.
[3]牟凤云, 韩葵.面向对象的遥感湿地植被分类与信息提取—以微山湖为例[J].安徽农业科学, 2012, 40 (12) :7574-7576.
[4]赵志龙.羌塘高原湿地信息提取与典型湿地变化分析[D].青海师范大学, 2014.
[5]黄颖, 周云轩, 吴稳, 等.基于决策树模型的上海城市湿地遥感提取与分类[J].吉林大学学报 (地球科学版) , 2009 (6) :1156-62.
[6]陈云浩, 冯通, 史培军, 等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报 (信息科学版) , 2006 (4) :316-320.
遥感信息模型 篇4
遥感与GIS支持下环青海湖地区草地蝗虫测报方法与模型研究
草地蝗灾是我国北方牧区草地重要自然灾害之一,对草地破坏性很大.及时和准确地进行草地蝗虫发生的预测,对于牧区畜牧业的健康发展和地区经济可持续发展和社会安定都有重要意义.
作 者：王杰臣 作者单位：南京师范大学地理系,刊 名：测绘学报 ISTIC EI PKU英文刊名：ACTA GEODAETICA ET CARTOGRAPHICA SINICA年，卷(期)：30(3)分类号：P237关键词：
遥感信息模型 篇5
遥感监测技术起源于美国, 早在1988年美国丹佛大学利用非扩散红外线检测技术开发出可以同时检测CO、CO2和HC污染物排放的检测设备, 至20世纪90年代利用非扩散紫外线检测技术开发出NOx排放的测量方法, 2001年该校和沙漠研究所分别利用紫外线反射光探测技术和透射光不透明度技术进行了颗粒物 (PM) 排放检测方法的开发, 但对于PM的遥感监测精确度还有待进一步验证。
1 机动车道路遥感监测实验与测试方法
机动车道路遥感监测技术采用长光程吸收光谱法, 测量光束通过道路打到角反射器上, 探测器连续测量角反射器返回的光束。遥感检测方法不能用来直接测量每种污染物的浓度, 而是以CO2为基准气体, 进行CO、NO和HC对CO2浓度比率的测量, 并且利用燃烧化学方程计算每个污染物排放的浓度值。需要说明的是, 传统检测方法中用丙烷表示燃烧产物中的HC, 由于本系统无法实现对丙烷的测量, 而采用丁二烯来替代。
2 道路遥感与台架测试评估IVE模型
2.1 研究方法
本文将通过IVE模型的计算得到不同类型车辆在不同控制技术水平下的排放因子, 与道路遥感监测以及台架测试获得的排放因子进行比较而对IVE模型进行评估。由台架测试和遥感监测数据分别获得了的各类型汽油车不同控制技术水平下的排放因子。由于这两种测试获得的是车辆在行驶时污染物的排放量而不包括车辆启动时的排放和HC的燃料蒸发排放, 为了便于比较, IVE模型的计算中将启动排放和蒸发排放不计算在内。车辆技术水平分布是IVE模型计算排放率的主要输入参数。由于乌市机动车监管办数据库中车辆行驶里程不全, 因此我们采用数据与实际调研所得数据相结合的方法按表填写。IVE模型中油品质量等参数按照乌市本地的实际情况填写, 道路遥感监测数据看作是乌市地区的基础普通数据, 为IVE模型提供参数。
2.2 结果与讨论
2.2.1 不同技术类型汽油PC排放因子的比较
不同技术类型汽油车排放IVE模型计算结果与遥感监测、台架测试获得的数据比较接近, 模型计算将乌市地区各类型车辆不同技术水平的车辆排放污染物CO设置较高, 无论是不同排量还是平均排放因子均比实测数据高出几倍;而NO的模型排放相比实测要较低一些。由实测与模型计算比较可看出乌市地区机动车CO的排放相对“标准”而言排放不算高, 主要污染物为NO排放, 无论是不同排量还是车队整体排放均比模型计算高出几倍。
2.2.2 计算柴油车排放因子
乌市地区柴油车台架测试受检测方法限制, 所以由道路遥感测试采集CO、HC和NO三种污染物, 因此采取遥感测试系统得到的数据对IVE模型进行修正计算乌市地区柴油车三种污染物的排放。下表1为遥感监测与IVE模型计算柴油车排放因子的比较。
3 小结
评估表明:IVE模型对各技术水平的机动车CO排放计算较高, 对NO排放计算较低, 说明模型高估了CO排放, 低估了NO的排放。本文提出了采用道路遥感监测修正IVE模型的方法。将道路遥感监测与模型相结合既可以将本地实测情况融入模型计算中, 提高模型计算准确性, 又弥补遥感受限制的不足, 使得遥感监测数据可以更好地运用。
摘要：机动车排放是我国城市大气污染的主要来源之一, 发展与利用先进的机动车排放检测技术和方法已成为机动车污染控制的必然趋势。机动车排放道路遥感监测反映实际道路行驶中的排放状况, 对全面分析排放水平有很强的统计意义。
关键词：机动车排放,遥感,运用,IVE模型
参考文献
[1]邓顺熙, 史宝忠.我国轻型汽车污染物排放因子的测试研究[J].中国环境科学, 1999, (2) :176-179.
[2]周昱, 傅立新, 杨万顺, 等.北京市机动车排放遥感监测分析[J].环境污染治理技术与设备, 2005, (10) :91-94.
[3]姚志良, 贺克斌, 王岐东, 等.IVE机动车排放模型应用研究[J].环境科学, 2006, (10) :9191-3391.
[4]王海鲲, 陈长虹, 黄成, 等.应用IVE模型计算上海市机动车污染物排放[J].环境科学学报, 2006, (1) :1-9.
遥感信息模型 篇6
1云计算模型构架
云计算的关键是如何实现大规模地连接到更加广泛的服务器甚至个人计算机,使这些计算机并行运行,各自的资源结合起来形成足可比拟超级计算机的计算能力。我们可以通过个人电脑或便携设备,经由因特网连接到云中。对用户端来说,云是一个独立的应用、设备或文件,云中的硬件是不可见的。
它的过程是这样的:首先,用户的请求被发送给系统管理,系统管理找出正确的资源并调用合适的系统服务。这些服务从云中划分必要的资源,加载相应的Web应用程序,创建或打开所要求的文件。Web应用启动后,系统的监测和计量功能会跟踪云资源的使用,确保资源分配和归属于合适的用户。
2云计算处理模型的运行机制
基于云计算模型的影像数据处理模型是在传统的影像数据处理流程的基础上,突破了传统的计算模式,使用了云计算强大的计算资源来完成整个数据处理中的大量的数字运算。其中包括任务的分发、云端处理以及处理完数据的集中和影像的镶嵌等操作。
2.1云处理模型的体系结构
基于云计算模型的影像数据处理系统的体系结构中,云工作站负责管理和分发任务,云端处理服务器依据分发的任务,从云存储中取出影像进行相应的处理,通过TCP/IP通信协议与服务器建立通讯。当对应的云端处理服务器(可以是大型的计算机业可以使微型的个人机)接收到任务时,通过调用系统的计算资源进行相应的处理服务,同时通过云端系统之间的相互通信可以实现一些软件资源的共享等。
2.2云处理模型的工作流程
图1为基于云计算模型的影像数据处理系统的一般的工作流程,主要包括任务表的创建与分发,云端系统的具体的处理过程以及数据成品的集中和影像的镶嵌。利用云计算强大的计算资源来完成其中涉及到的巨大的运算要求。
3基于云计算的航空影像处理模型
在这个模型系统中,主要包括数据的预处理和专题信息的提取。在后期的制图过程中主要包括地图信息的符号化和综合。
3.1预处理
遥感图像的预处理主要包括几何校正和辐射校正,还包括其他的预处理手段,如图2所示。遥感图像成图时,由于各种因素的影响,图像本身的几何形状与其对应的地物形状往往是不一致的。遥感图像的几何变形是指图像上各地物的几何位置、形状、尺寸、方位等特征与在参考系统中的表达要求不一致时产生的变形。遥感图像的变形误差可以分为静态误差和动态误差两大类。静态误差是在成像的过程中,传感器相对于地球表面呈精致状态时所产生的各种变形误差。动态误差主要是成像过程中由于地球的旋转等因素所造成的图像变形误差。遥感图像的几何处理主要包括图像的粗加工、精纠正,还包括重采样以及共线方程的纠正的。
由于航空影像成像过程的复杂性,传感器接收到的电磁波能量与目标本身辐射的能量是不一致的。传感器输出的能量包含了太阳位置和角度条件、大气条件、地形影响和传感器本身的性能所引起的各种失真,这些失真不是地面目标本身的辐射,因此对图像的使用和理解会造成影响,必须加以校正或消除。辐射校正就是指消除或改正遥感图像成像过程中附加在传感器输出的辐射能量中的各种噪声的过程。
在影像数据制图中,数据的收集一般包括遥感影像数据的收集和其他非空间数据的收集,在充分收集历史和当前数据的基础上要对于资料进行初步的整理。数据的预处理主要包括影像数据的几何处理和辐射校正。预处理的云处理模型已经在之前介绍过了。
3.2中期操作
在传统的遥感影像专题信息提取中,主要包括影像数据的格式转化,图像的增强和均衡化、波段的融合、纠正等,文本资料的分类,地图信息的分析,同时在信息的提取中有监督法分类和非监督法分类,以及分类后处理等操作。在基于云计算模型的遥感影像处理系统中,上述的操作方法不变,变化的是计算的模式。传统的处理模式是串行的处理,基于云计算的遥感影像处理模式主要是利用云端系统强大的计算资源实现影像的实时处理。在完成任务的分发后,相应的云端通过直接的相互通信,能够下载相应的处理模块所需的软件和模块,同时按照当前服务器的计算资源状况完成相应的处理和任务的分发等。
3.3后期操作
后期的专题地图的制作中主要包括地图信息的综合,按照专题的信息决定地图信息的取舍,突出重点的专题,省略其他无关的要素,符号化的过程主要依据可视化和视觉美学等知识进行取舍,其中涉及到大量的计算任务仍然放到云端来完成。影像数据的处理一般包括格式转换、图像的增强、均衡化、波段的融合等,在影像数据的应用上主要有信息的提取、分类、专题图的制作等。
4模拟实验数据类比
在这个基于云计算模型的遥感数据处理系统中我们设计使用的是云端强大的计算能力,突破传统的计算模式。由于云计算模型从理论走向实验还有一个过程,这个实验现阶段没办法完成。现以“数字摄影测量网格系统一DPGrid”实验的数据进行生产实验和效率对比。
表1为DPGrid系统(8台刀片服务器)与传统数字摄影测量工作站生产效率对比表。从实验5可以看出,一个中等城市(3000km2),6000幅DMC航空数码影像,8台刀片服务器,仅需要15d即可生成影像镶嵌图。而相同的数据,按照传统作业方式制作正射影像图,需要10个以上的工作人员一年以上的时间。同时由表1可以看出,镶嵌图耗时最短,因而可满足快速响应的需求。同时并行计算的效率比传统串行计算的效率提高了3～10倍,并且影像数越多,效率提高的越多。云计算平台具有更加庞大的服务器群,计算能力更加强大,相比DPGrid系统有更大的运行效率,这将使得海量的遥感数据处理得更加准确、及时。
5结语
云计算是一种颠覆性的技术具有深刻意义,不仅对互联网服务,而且对这个IT业都是一次革命。将它应用在航空影像数据处理领域更是一种大胆的尝试,作为航空影像数据处理专业领域,如何进行海量数据存储与处理、系统的扩展与开放等是该领域长期的瓶颈,云计算的出现给解决这些问题带来了希望。该文详细探讨了遥感云计算的系统构成和实现方法,并以一个具体的原型系统展现了航空影像云计算模式的用户界面、技术手段和运行流程。
参考文献
[1]党安荣,王晓栋,陈晓峰,等.遥感图像处理方法[M].北京:清华大学出版社,2003.
[2]官云兰,周世健,鲁铁定.基于ERDASI MAGINE的数字正射影像图的制作[J].测绘通报,2005(12):31-33.
遥感信息模型 篇7
对于海量遥感数据快速处理以达到实现快速响应机制,传统的遥感数据处理平台已经不能满足当前的生产需求[3]。因此,如何快速、高效地处理这些遥感数据,以及如何迅速的从遥感数据中获取用户所需的基本信息(如概貌、土地的分类、土地利用情况、植被分布、水系的分布和变化,灾害区的范围等)是一个值得研究并且急需解决的问题,也是建立遥感快速响应机制领域的一个重要的应用和发展方向。
本文将云计算模型处理的技术引入遥感数据处理中,设计了基于云计算的海量遥感数据的云处理模型。
1 云计算模型构架
云计算的关键是如何实现大规模地连接到更加广泛的服务器甚至个人计算机,使这些计算机并行运行,各自的资源结合起来形成足可比拟超级计算机的计算能力。我们可以通过个人电脑或便携设备,经由因特网连接到云中。对用户端来说,云是一个独立的应用、设备或文件,云中的硬件是不可见的[4],如图1所示。
它的过程是这样的:首先,用户的请求被发送给系统管理,系统管理找出正确的资源并调用合适的系统服务。这些服务从云中划分必要的资源,加载相应的Web应用程序,创建或打开所要求的文件。Web应用启动后,系统的监测和计量功能会跟踪云资源的使用,确保资源分配和归属于合适的用户。
2 云计算处理模型的运行机制
基于云计算模型的遥感数据处理模型是在传统的遥感数据处理流程的基础上,突破了传统的计算模式,使用了云计算强大的计算资源来完成整个数据处理中的大量的数字运算。其中包括任务的分发、云端处理以及处理完数据的集中和影像的镶嵌等操作。
2.1 云处理模型的体系结构
图2为基于云计算模型的遥感数据处理系统的体系结构。云工作站负责管理和分发任务,云端处理服务器依据分发的任务,从云存储中取出影像进行相应的处理,通过TCP/IP通信协议与服务器建立通讯。当对应的云端处理服务器(可以是大型的计算机业可以使微型的个人机)接收到任务时,通过调用系统的计算资源进行相应的处理服务,同时通过云端系统之间的相互通信可以实现一些软件资源的共享等。
2.2 云处理模型的工作流程
图3为基于云计算模型的遥感数据处理系统的一般的工作流程,主要包括任务表的创建与分发,云端系统的具体的处理过程以及数据成品的集中和影像的镶嵌。利用云计算强大的计算资源来完成其中涉及到的巨大的运算要求。
3 基于云计算的遥感影像处理模型
在这个模型系统中,主要包括数据的预处理和专题信息的提取。在后期的制图过程中主要包括地图信息的符号化和综合。
3.1 预处理
遥感图像的预处理主要包括几何校正和辐射校正,还包括其他的预处理手段,如图4所示。遥感图像成图时,由于各种因素的影响,图像本身的几何形状与其对应的地物形状往往是不一致的。遥感图像的几何变形是指图像上各地物的几何位置、形状、尺寸、方位等特征与在参考系统中的表达要求不一致时产生的变形。遥感图像的变形误差可以分为静态误差和动态误差两大类。静态误差是在成像的过程中,传感器相对于地球表面呈精致状态时所产生的各种变形误差。动态误差主要是成像过程中由于地球的旋转等因素所造成的图像变形误差。遥感图像的几何处理主要包括图像的粗加工、精纠正,还包括重采样以及共线方程的纠正的[5]。
由于遥感图像成像过程的复杂性,传感器接收到的电磁波能量与目标本身辐射的能量是不一致的。传感器输出的能量包含了太阳位置和角度条件、大气条件、地形影响和传感器本身的性能所引起的各种失真,这些失真不是地面目标本身的辐射,因此对图像的使用和理解会造成影响,必须加以校正或消除。辐射校正就是指消除或改正遥感图像成像过程中附加在传感器输出的辐射能量中的各种噪声的过程。
在遥感数据制图中,数据的收集一般包括遥感影像数据的收集和其他非空间数据的收集,在充分收集历史和当前数据的基础上要对于资料进行初步的整理。
数据的预处理主要包括影像数据的几何处理和辐射校正。预处理的云处理模型已经在之前介绍过了。
3.2 中期操作
在传统的遥感影像专题信息提取中,主要包括影像数据的格式转化,图像的增强和均衡化、波段的融合、纠正等,文本资料的分类,地图信息的分析,同时在信息的提取中有监督法分类和非监督法分类,以及分类后处理等操作[6]。在基于云计算模型的遥感影像处理系统中,上述的操作方法不变,变化的是计算的模式。传统的处理模式是串行的处理,基于云计算的遥感影像处理模式主要是利用云端系统强大的计算资源实现影像的实时处理。
在完成任务的分发后,相应的云端通过直接的相互通信,能够下载相应的处理模块所需的软件和模块,同时按照当前服务器的计算资源状况完成相应的处理和任务的分发等。
3.3 后期操作
后期的专题地图的制作中主要包括地图信息的综合,按照专题的信息决定地图信息的取舍,突出重点的专题,省略其他无关的要素,符号化的过程主要依据可视化和视觉美学等知识进行取舍,其中涉及到大量的计算任务仍然放到云端来完成。
遥感数据的处理一般包括格式转换、图像的增强、均衡化、波段的融合等,在遥感数据的应用上主要有信息的提取、分类、专题图的制作等,如图5所示。
4 模拟实验数据类比
在这个基于云计算模型的遥感数据处理系统中我们设计使用的是云端强大的计算能力,突破传统的计算模式。
由于云计算模型从理论走向实验还有一个过程,这个实验现阶段没办法完成。武汉大学研制并开发的“数字摄影测量网格系统一DPGrid”突破了传统的计算模式,其发展思路是新一代计算模式的体现,其实验的数据对于我们本次的实验有很大的重要的意义,能够对多组数据进行了生产实验和效率对比。
表1为DPGrid系统(8台刀片服务器)与传统数字摄影测量工作站生产效率对比表。从实验5可以看出,一个中等城市(3000km2),6000幅DMC航空数码影像,8台刀片服务器,仅需要15天即可生成影像镶嵌图。而相同的数据,按照传统作业方式制作正射影像图,需要10个以上的工作人员一年以上的时问。同时由表1可以看出,镶嵌图耗时最短,因而可满足快速响应的需求。同时并行计算的效率比传统串行计算的效率提高了3—10倍,并且影像数越多,效率提高的越多。云计算平台具有更加庞大的服务器群,计算能力更加强大,相比DPGrid系统有更大的运行效率,这将使得海量的遥感数据处理得更加准确、及时。
5 结论
云计算是一种颠覆性的技术具有深刻意义,不仅对互联网服务,而且对这个IT业都是一次革命。将它应用在遥感领域更是一种大胆的尝试,作为遥感处理专业领域,如何进行海量数据存储与处理、系统的扩展与开放等是该领域长期的瓶颈,云计算的出现给解决这些问题带来了希望。本文详细探讨了遥感云计算的系统构成和实现方法,并以一个具体的原型系统展现了遥感云计算模式的用户界面、技术手段和运行流程。
摘要：云计算模型能够利用整个云网络中的计算资源,形成强大的计算能力来满足遥感数据的实时处理。于是提出一种基于云计算模型的海量遥感数据处理模型,在这个处理系统中使用控制器来实现遥感数据处理任务的分发,NDVI(Normal Differential Vegetation Index,归一化植被指数,标准差异植被指数)的提取,使得能够应用与快速的监测洪涝灾害以及实现对于沙尘暴天气以及森林火灾的实时监测,能够在极地考察中使用来监测冰川的流速,确定考察方案,提出可行的解决方案等。
关键词：云计算,遥感,分布式计算,海量数据,存储
参考文献
[1]刘异,呙维,江万寿,等.一种基于云计算模型的遥感处理服务模式研究与实现[J].计算机应用研究,2009,26(9):3428-3431.
[2]测绘发展研究动态,2009(4).
[3]张剑清,柯涛,孙明伟.基于集群计算机的海量航空数码影像并行处理——并行计算在航空数字摄影测量中的应用[J].计算机工程与应用,2008,44(13):12-15.
[4]王鹏.走进云计算[M].北京:人民邮电出版社,2009.
[5]张剑清,潘励,王树根.摄影测量学[M].武汉:武汉大学出版社,2002.
遥感信息模型 篇8
图像融合[1](Image Fusion)作为信息融合的一个重要工具,是指通过一个数学模型将从两个或更多不同信道获取的关于某特定场景或特定目标的多个成像数据经一定的计算机技术提取和处理,在最大程度上获取有利信息,并加以综合分析,从而生成一幅具有更加完整解释的高质量图像,以满足特定应用需求的过程。新图像充分利用了多幅图像数据中的有用信息,具有信息更加完整、准确、可靠的优点。近年来,随着我国空间信息科学的发展以及空间数据基础设施的建设,遥感技术特别是遥感图像处理技术日益在陆地资源调查、海洋资源调查、城市交通调查、测绘、考古调查、环境监测、地质灾害预报和军事等领域被广泛利用,这在很大程度上激发了相关学者对于这一方向研究的兴趣。由于遥感技术的发展,遥感图像的分辨率(空间、光谱、时间等)已经有了极大提高,但是出于满足不同应用需求以及降低成本等综合因素的考虑,图像融合逐渐被提升为遥感图像处理领域的一项关键技术[2,3,4]。
多源传感器获得的多光谱和全色波段图像分别具有频带窄而频率分辨率高和频带宽而频率分辨率低但空间分辨率较高的特点,并且多光谱图像波段位于全色图像波段的频带范围内,因此它们的低频部分具有很强的相关性。充分利用它们之间的互补性来克服由单一传感器所获得信息的不足,逐渐成为一个亟待解决的实际问题,这关系到海量遥感图像数据的使用效益。对偶树复小波变换除继承了实小波变换时频局部化的分析能力外,还具有在高维上近似的平移不变性、良好地方向选择性、能够完全重构、数据冗余量少、计算简单等优点,能够更好地描述图像细节信息,保留多光谱图像的高光谱以及全色图像的高空间分辨率[5,6]。同时,隐马尔可夫树模型能够较好地挖掘出图像高频域子带数据之间的相关性,更好地提取图像数据的边缘特征,为图像融合提取更多的特征信息。
1 本文提出的遥感图像融合算法
由不同传感器所获得的遥感图像分别提供了地面物体在电磁波段、光谱、尺度、成像机理以及空间分辨率等不相同条件下的多种信息,倘若能够对这些信息采取某种较好的方法进行融合处理,就可以有效弥补由单一传感器获得图像中包含有用信息的不足。基于这一现实,本文提出了一种基于对偶树复小波变换(DT-CWT)与HMT模型结合的遥感图像融合算法对多光谱图像和全色图像进行融合处理,并最终得到一幅同时具备较高光谱和较高空间分辨率信息的融合图像,从而使图像中的目标特征更加显著,提高了满足特定需要的图像视觉识别效果。
文中所提算法的优势在于:
(1) 有效避免了由于信号平移所导致的不同分解尺度上能量的改变;
(2) 在保持多光谱信息的同时使融合图像的空间分辨率也大幅提高;
(3) 利用HMT模型对分解系数进行训练,使系数之间的相关性被更加充分地挖掘,从而加强对图像细节特别是边缘特征识别提取的精确性和鲁棒性。
1.1 对偶树复小波变换(DT-CWT)
DT-CWT是由Kingsbury于1998年首先提出的一种新型小波变换,自从它出现以来,就迅速在信号处理和图像处理等领域的应用中获得了巨大成功[7]。它将传统小波变换域扩展到复数域,通过两棵离散小波树Tree A和Tree B实现变换实部和虚部的并行计算,并最终输出复数结果。在每层分解的过程中共有2组复数对,分别对应两树的输出系数。而两树对应的滤波器可以分别进行组合构成具有共轭关系的复数滤波器对,并最终得到2个低频子带(它们将被用于产生下一分解尺度的低频和高频子带系数,从而延续小波分解的过程)和6个方向的高频子带(方向分别为±15°,±45°,±75°)。构造出的复小波除了继续保留传统小波时频局部化的特性外,还摈弃了对平移敏感和缺乏方向选择性的缺点,同时具备易于精确重构、数据冗余量少、能够提高计算效率等优点[8]。如图1所示为复小波变换的分解过程,它包含两棵相采用实小波变换的互平行的小波分解树Tree A和Tree B。
图1中,若Tree A中滤波器g0,g1与Tree B中滤波器h0,h1之间延迟恰好符合一个采样间隔,那么就可以确保Tree B中相同层能够下2采样到Tree A中因隔点采样所丢弃的采样值。另外,只要使得Tree A与Tree B中的滤波器之间保持相对各自采样速率半个采样间隔的差距,即可保证两树所有的采样值序列都具有统一的间隔,也就是说整个复小波分解过程中,两树的实部和虚部可以互相补偿从而更加真实的反映出信号的能量。对于需要保证线性相位的滤波器而言,这就要求一颗树中的滤波器应该为奇数长,而另一颗树中的滤波器为偶数长。这样,在每颗树的不同层次间交替使用奇偶滤波器,它们就会呈现出较好的对称性。
对于对偶树复小波分解后的低频系数和高频系数分别进行处理后,再通过对偶树复小波分解的逆过程即可重构获得最终的融合图像。这一过程如图2所示:
1.2 对偶树复小波域隐马尔可夫树模型
隐马尔可夫模型(HMM)是一种用参数表示的用于描述随机过程统计特性的概率分析模型,通过它可以充分挖掘出不同尺度系数之间的相关性和局部小波系数之间的统计特征规律,进而将小波系数的分布问题转化为隐状态的发现问题[9]。只要满足在每个期间或状态时,变量所面临的下一个期间或状态的转移概率不随时间变化,就可以使用HMM来预测,而在这一过程中并不需要知道这个模型具体是通过怎样的状态转换序列得到某一发布序列的[10]。
由于HMT模型可以看作是HMM的树状表示形式,因此,可用于HMM的似然函数计算、状态转移估计、模型参数训练等对HMT模型也都适用。图4所示为HMM简单状态转换的表示过程和图像经复小波分解后每棵树所对应的四叉树模型。图中的空心圆圈和实心圆圈分别表示复小波变换每棵树中系数结点所处的状态及其相应的输出观察值,结点τ(i)表示某一尺度下结点i的父亲结点。
根据图像经对偶树复小波变换所产生的系数具有非高斯分布和系数状态在不同尺度间隐马尔可夫链依赖传递的数学特性,将对偶树复小波域HMT模型引入遥感图像处理领域,从而充分挖掘出多幅图像经分解后每棵树在不同尺度下系数之间的相关性,加强对图像特征识别提取的精确性和鲁棒性。具体过程描述如下:
(1) HMM的构造过程是一个双重随机过程,其中一重随机过程不能通过观察直接得到,而另一重随机过程可以输出能够观察到的符号序列,根据处于某状态时输出观察值的概率来定义,它通过找出的某一组参数描述模型数据的特征。1995年,Crouse,Nowak以及Baraniuk等人对隐马尔可夫模型的链式结构理论进行了深入研究,并结合小波变换与多尺度HMM提出小波域隐马尔可夫树模型。据此,本文针对分解的每棵树分别进行处理,设计出对偶树复小波域HMT模型。根据对一幅遥感图像进行分解后,只有少数低频部分显著,而绝大多数系数都非常小的特性构造HMT模型。对基于对偶树复小波变换的图像融合处理应用来说,其物理意义和它所处的状态有关。同一尺度下相邻的系数可能同时较大或较小,它们通过不同状态之间的变换而相互关联。这里为方便计算,利用一个具有两个隐含状态、均值为0的高斯混合模型来拟合变换过程中每棵树分解系数的数学分布规律,并通过前-后向过程得到任意尺度下系数所属状态类型的概率。已知分解树中第i个结点系数状态所对应的输出系数观察值,它的概率密度与其他结点系数所处状态及在该结点上相应的输出系数观察值无关。第i个结点系数的概率f(wi)可以用下面的公式表示出来:
式中:用Si表示结点i对应系数所处的状态隐变量,可通过HMT的训练得到。W为不同尺度下分解系数wi的集合,m为对偶树复小波分解系数的某状态实现,用以区分某尺度系数的方差大小;M为所有可能的隐状态数目,这里取为2,表示经变换得到的每棵树中系数处于方差为大和为小的两种隐含状态,它们满足可加性条件
(2) 分解后系数状态之间的HMT依赖传递性。对于任一结点i,其对应系数所处状态都仅依赖于它们的父结点τ(i)对应系数所处的状态,而与其他任一结点所处状态及在该状态上输出的观察值均没有直接关系。因此,若用X={S1,S2,…,SN}表示一棵树中不同尺度结点对应状态的集合,则有概率p(Si)=pSi/Sτ(i)(m|Sτ(i)=a)。若系数和模型都已知,还可根据以上参数建立模型,由Upward-Downward算法求出分解树中各系数的后验状态概率。
(3) 定义复小波域HMT模型为由以上参量组成的四元组η=(pSi,ui,m,δi,m,A)。这里,HMT模型η的最佳参数可用最大期望(EM)算法估计求出,首先初始化HMT模型的参数,并置计数器为0,然后设定某个较小的域值交替迭代直到收敛,最终得到一个局部极大值,即为模型的参数。
2 本文融合算法的实现步骤
(1) 首先对多个不同传感器获得的图像(这里以2幅遥感图像为例)进行精确配准。
(2) 对它们分别进行变换,得到分解后的低频和高频系数信息。
(3) 选取融合规则。遥感图像的低频部分是图像的框架,占图像全部信息的绝大部分,变化比较缓慢,反映了总体变化趋势;而高频部分仅占图像信息的一小部分,变化比较快,反映的是图像边缘等一些细节特征。针对分解后图像在不同频率下物理意义的不同,分别对低频和高频部分系数选取不同的规则进行融合[11,12]。
(4) 为使融合后得到的结果尽可能多的保留原始信息,对于两幅图像经分解后不同尺度下的低频部分,采取加权平均处理。
(5) 对变换后系数分解树中不同尺度下的高频系数进行HMT建模,再根据1.2节中的式(1)计算出分解状态树中i结点所表示系数的概率密度函数值f(wi)。然后以区域能量E作为度量标准,计算出每个子带的能量作为调节因子w,最后再以不同尺度下不同方向的标准差σj,k作为加权因子,即可计算得到最终融合图像的高频系数H,公式如下。
这里,把区域能量定义为:
(6) 对于经上述处理后得到的系数,再通过变换的逆过程重构,从而得到最终的融合图像。
3 仿真实验结果评价与分析
为验证算法的结果确实有效,在实验室Matlab 7.10仿真平台上进行了相关的实验,并通过直接观察和量测指标度量做出相关的效果评价。分别对两幅图像进行融合,得到处理后的结果,如图5所示。
图5所示的几幅图像中,图5(a)和图5(b)分别为融合前的原始多光谱图像和全色波段图像。图5(c)为采用本文所提出的算法得到的融合图像,图5(d)为采用基于传统的离散小波变换(区域方差取大)的图像融合方法得到的融合图像,图5(e)为采用基于IHS变换的图像融合方法得到的融合图像,图5(f)为采用基于IHS和对偶树复小波变换结合的图像融合方法得到的融合图像。
若采用主观性的观察方法,对比这4幅结果图像可以明显看到,经本文算法处理后得到的结果图像具有较高的时频特性,更为清晰的纹理特征,并且空间分辨率也得到了显著的提升。另外,采用客观定量评价方法[13]能够以更加精确的对比数据来衡量算法效果。这里取4种度量指标(信息熵、峰值信噪比、平均梯度、光谱扭曲程度)来验证融合效果,统计信息如表1中所示。采用本文所提算法在图像出现噪声、保持多光谱信息和提升空间分辨率方面均能取得较好的效果,相比于其他几种算法,融合质量较高。
4 结 语
本文对基于对偶树复小波变换与隐马尔可夫树模型相结合的图像融合算法进行了比较细致的研究,并通过对几种采用不同算法得到的图像进行主观观察以及利用客观度量指标得到的量测结果进行了对比分析。结果表明,采用本文算法得到的结果更为理想,主要体现在融合图像具有更为清晰的空间分辨率和纹理特征,视觉效果较好。但是,该算法还有些不足的地方,比如在建立更为合理的模型挖掘系数之间的相关性、融合更多的形态特征、实现实时动态融合、进一步提高融合效率以及选取的图像定量评价指标不够全面等方面。因此,为了得到更好的图像融合效果,仍有许多后续的工作需要进行更加深入的研究。
遥感信息模型 篇9
桉树是世界四大速生栽培树种之一, 是桃金娘科 (Myrtaceae) , 桉属 (Eucalyptus) 。我国实施林业六大工程建设以来, 速生桉已经成为广西平南地区工业原料林等主要的用材速生树种[1]。由于桉树在平南种植面积极广, 因此, 对桉树进行蓄积量的估测具有重要意义。
近几年, 随着高分辨率遥感技术的不断发展, 3S技术在森林调查和森林资源管理中应用的越来越广泛, 结合GIS、GPS、RS及它们的集成技术进行森林的蓄积量估测[2], 可以大大减轻调查者在林业调查方面的工作量。
2 研究背景及试验区概况
早在20世纪70年代, 遥感技术已被广泛应用于与农林渔牧业和生态环保等领域, 并且取得了较大的成就[3]。1999~2003年, 我国开展的第6次森林资源连续清查, 在调查数据中加入了遥感样地的调查, 在原有的固定样地上加大了抽样密度, 系统抽样与人工判读相结合, 可快速有效地得到森林资源的相关因子信息[4]。遥感技术也早已被广泛应用与其他领域, 比如在农业上, 遥感技术已经被用来估测农作物的种植面积产量[5]。
平南县地处广西壮族自治区东南部, 东经110°03′54″~110°39′42″, 北纬23°02′19″~24°02′19″。平南东连藤县, 南与容县相连, 西与桂平市接壤, 北与金秀、蒙山县相邻 (图1) 。东西宽度约30km, 南北长度约110km, 属亚热带季风气候区, 雨季较长, 年平均气温20.3℃, 最冷1月的平均气温为12.1℃, 极冷温度为-1.8℃, 最热在7月, 平均温度为28.8℃[6]。
3 数据收集与遥感数据处理
3.1 调查数据收集
调查数据主要有:采用2009年二类调查设置的样地数据, 样地数量为70个, 大小为19.5m×19.5m, 包括海拔、郁闭度、坡度、坡向、胸径、树高等数据, 50个样地数据用于模型构建, 20个数据用于模型的检验。
3.2 遥感数据
本研究所采用的遥感数据采用中巴资源卫星 (CBERS-02B) 数据, 时间是2008年7月10日与2009年8月12日, 包含B1, B2, B3, B4, B5等5个波段, 分辨率为19.5m×19.5m, 轨道号是3-73、2-74, 中心纬度是23.949668°、23.265267°, 中心经度是110.112558°、110.41342°。所采用的遥感数据波段信息如表1[7]。
3.3 遥感数据预处理
遥感图像处理主要是利用林业专用1:10000地形图、平南县界和其他相关资料对遥感影像进行图像校正、增强、融合、镶嵌、剪切等过程[8,9] (图2) 。
3.4 试验样地数据遥感信息获取
用GPS卫星辅助定位, 记录标准地中心坐标, 根据中心坐标与处理后的影像图相结合, 获取样地各波段的灰度值。
4 蓄积量估测模型构建
4.1 地理信息因子的设置
在蓄积量估测方程构建时, 要用到GIS因子, GIS因子可以通过实地调查获得, 有海拔、郁闭度、坡度、坡向等。蓄积量估测方程构建后, 要对蓄积量进行估测, GIS因子则主要通过地形图、DEM等资料人工获得。
4.2 遥感比值波段设置与选择
构建蓄积量估测模型时, 需用到样地的遥感信息, 主要包括各个波段的灰度值和灰度比值, 因为不同波段比值在研究地物上具有重要的作用。
CBERS-02的B1、B3、B4分别是反射波段、吸收波段、强发射波段。因此波段比值的可能设置主要有比值植被指数:RVI=B4/B3;归一化植被指数:NDVI= (B4-B3) / (B4+B3) ;环境植被指数B4-B3; (B4+B1) /B3;B4/B1。其中中B1、B3、B4分别代表CBERS-02B的蓝光、红光、近红外波段灰度值[10]。
4.3 估测模型的建立
根据标准地数据, 采用SPSS软件进行桉树多元线性回归模型拟合, 结果如下:
其中a、b、c、d、e、f、g、h、i、j、k分别代表海拔高、坡度、郁闭度、B1、B2、B3、B4、RVI、NDVI、坡向、 (B4+B1) /B3值。利用影像数据及部分实地调查数据, 林分在遥感影响上的像元灰度值以及由判读影像所能得到的立地条件为自变量, 拟合了平南县桉树的蓄积量估测模型, 但模型的实用性仍需进行验证[11]。结果如表2。
模型的F=5.689>F0.05 (11, 38) , P=0.00003<0.05。蓄积量和各因子之间存在显著的线性回归关系。
4.4 估测模型的检验
用未参与模型构建的20个样地数据及其在遥感影像上的遥感信息进行模型检验, 结果如表3。
5 结语
当采用较高精度的遥感影像, 可以通过部分实地调查与遥感估测的相结合来估测桉树的蓄积量, 不需要大量收集研究区域的因子。遥感估测蓄积量的方法应该也可适用于其他树种。蓄积量估测模型除了建立线性估测模型, 还可以结合其他方法建立非线性的估测模型。
摘要：采用蓄积量遥感估测的原理, 以平南县19.5m分辨率的CBERS-02B遥感影像为基本数据源, 结合地面标准地调查, 运用相关的数学理论方法建立了桉树蓄积量估测模型, 并进行了精度检验。结果表明:所构建的蓄积量遥感估测模型具有较高的精度, 可用于在研究区内估测桉树蓄积量。