自然地物

自然地物（精选7篇）

自然地物 篇1

随着光学遥感技术的不断发展,光谱在电磁波谱中占据的位置日益重要,20世纪50年代以来,国内外各科研机构及相关科研人员广泛开展了自然地物的光谱反射特性研究。反射率(或反射系数) 是用来表征不同地物对入射电磁波反射能力的物理量。自然地物的反射波谱是专门用于研究地面物体反射率随波长变化规律的,通常用二维几何空间内的曲线表示,如图1所示。横坐标表示波长λ, 纵坐标表示反射率ρ。由于不同地物的物质组成和结构不同,使其具有不同的反射光谱特性。同一物体的波谱曲线反映出的是不同波段的相应反射率[1,2,3,4,5]。

从可见光波段起始,向上延伸至近、中、远红外波段,均为地物波谱特性的研究范畴。地物对1.06 μm激光的反射特性是其波谱特性在近红外波段的一种典型反映,随着1.06 μm激光器在地面激光雷达、 激光测距等设备上的应用日益广泛,研究地物对1.06 μm激光的反射特性显得尤为重要。

实际上不同自然地物对1.06 μm激光的反射有较大差别,反射率虽然可以很好的表征地物对1.06 μm激光的反射特性,但它不仅与激光入射角的大小、地物表面颜色和粗糙度有关,还与物体表面的风化程度、物体的含水性、光照度、阴坡、阳坡、植被发育程度等因素密切相关。因此,实际外场测量中,反射率很难直接获得,为此,文中采用了一种便于在外场测量的双向反射比系数方法开展研究,可方便地评估不同地物对1.06 μm激光的反射能力。

1双向反射比系数外场测试方法

双向反射分布函数(BRDF)是指在半球空间内,某一方向入射到物体表面的平行光束在另一方向的散射特性;它描述了物体表面对入射光束的反射能力和在半球空间的散射分布情况,是用以表征物体表面本质属性的物理量。对于理想朗伯体,双向反射分布函数为1/π;对于有一定大小探测立体角的物体,即方向-锥角的情况,双向反射分布函数如式(1)。

式中,(θi,ϕi) 表示光的入射方向;(θr,ϕr) 表示反射光的探测方向;Pi为光入射到表面的辐射功率;Pr为立体角 Ωr内探测器探测到的反射功率,这里假设fr和cos θr在立体角 Ωr内不变[6,7]。

双向反射比系数定义为,物体的反射辐射通量与标准板反射辐射通量之比。在同样光源照射条件下,因探测器接收到物体反射辐射通量与探测器的输出电压成比例,因此用探测器的输出电压之比可以代替探测器接收到的物体反射辐射通量之比。地物、标准板对探测器输出电压分别如式(2)、 式(3)所示[8]。

式中,Vs为物体输出电压;Vid为标准板输出电压;k为响应系数,P0cos θi= Pi。将Vs与Vid相比可得双向反射比系数如式(4)。

式中,R(θi,Фi; θr,Фr) 即为物体的双向反射比系数。 可知,只要测量物体与标准板在一定入射接收条件下的探测器输出电压,就可以得到物体的双向反射比系数,并以此来评估物体的空间反射特性[9]。

基于测试双向反射比系数的方法,利用波长1.06 μm脉冲激光器分别照射选定自然地物和标准漫反射板,激光探测器在相近角度接收反射信号, 利用示波器观察探测器输出信号幅度,计算二者之间的比值得到自然地物的双向反射比系数。不断改变测试角度,通过数据处理得到不同地物的双向反射比系数随夹角的变化曲线。

2地物激光反射特性研究

综合考虑地形地貌,试验把待测试的14种地物样本分为了丘陵、平地和道路三类,其分布情况如图2所示。其中,丘陵类地物有杂草(丘陵类)、风化岩石、灌木丛、红土、山茅草、松树和竹子,平地类地物包括杂草(平地类)、龙眼树、芭蕉和芦苇,道路类包括砂石路、水泥路和柏油路。

基于以上测试双向反射比系数的方法进行外场测试,得到了草地和水泥路的双向反射比系数随夹角的变化曲线,如图3所示。

由于在外场比对测试试验时边界条件无法严格控制,导致测试数据离散性较大,但总体测试结果显示,草地在相同夹角处对1.06 μm激光的反射能力要强于水泥路。

同样方法测试了丘陵类杂草与平地类杂草的双向反射比系数,二者随角度的变化曲线如图4所示。可知,同样的地物,由于其所处地形不同,会导致其对1.06 μm激光反射能力的不同,同一夹角处丘陵类略高于平地类。

利用以上方法还分别对松树、竹子、山茅草、灌木丛、红土、风化岩石、干稻田、砂石路、柏油路等典型地物进行了测试试验,得到其双向反射比系数随夹角的变化曲线,如图5所示。

由图5可知,草类、树木类等对1.06 μm激光反射率较高,风化岩石、砂石地面等对1.06 μm激光也具有较好的反射能力。

根据所有自然地物对1.06 μm激光的双向反射比系数曲线,对所有自然地物对1.06 μm激光的反射能力按照三类地物排序如图6所示。越靠近每类顶端的自然地物,其对1.06 μm激光的反射能力越强。由图6可知,丘陵类地物中的杂草(丘陵类)、风化岩石、灌木丛,平地类中的杂草(平地类)、龙眼树,道路类中的砂石路对1.06 μm激光的反射能力较强。

试验数据处理结果表明,丘陵类地物中的杂草(丘陵类)、风化岩石、灌木丛,平地类中的杂草(平地类)、龙眼树,道路类中的砂石路对1.06 μm激光的反射能力较强;同种地物,丘陵类对1.06 μm激光反射能力要略高于平地类。

摘要：地物光谱反射特性通常采用直观的反射光谱曲线来研究,基于此通过分析双向反射比系数随激光反射角度的变化规律来研究常见自然地物对1.06μm激光的反射特性,直观且便于外场数据采集。通过外场试验测得了10余种常见自然地物的双向反射比系数,并按照激光反射能力对其进行了排序。研究表明,杂草、风化岩石、龙眼树、灌木丛等自然目标对1.06μm激光的反射能力较强。

关键词：地物激光反射特性,双向反射比系数,1.06μm激光

对于线状地物的勘测技术的研究 篇2

1.1 精密单点定位技术的应用优势

利用IGS (international GNSS service) 提供或自行计算的全球定位系统 (global positioning system, GPS) 卫星的精密轨道和时钟差, 使用者只需要利用GPS双频接收机的观测数据 (含非差分的虚拟距离与载波相位观勘测) , 在线状地物区域任意位置都可以实现即时的或后级处理的高精度定位, 这种定位方法称为精密单点定位 (PPP) 。相对定位是指最少需要两部接收机, 其中一部接收机, 安置在参考站 (reference, 其坐标已知) ;另外一部接收机, 安置在活动站上 (rover, 其坐标待测) 。精密单点定位 (PPP) 与相对定位最大的区别, 在于PPP必须处理卫星时钟差与接收机时钟差。在相对定位方面, 则至少需要两部接收机同时收集数颗GPS卫星观勘测, 并采取二次差分方式, 将卫星时钟差与接收机时钟差消除掉。在PPP方面, 只需要一部接收机收集GPS卫星观勘测即可;然而, 其无法利用二次差分方式消除系统误差。所以, 为了处理卫星时钟差, PPP采用IGS分布全球的GPS观测站资料求解的精密卫星时钟差加以改正。至于接收机时钟差方面, PPP则将其视为未知参数, 以最小二乘平差法, 在求解点位坐标时一并解算。因此, PPP只需要单一测站的GPS资料, 就可以求得精密的测站点位坐标。

1.2 精密单点定位技术应用的修正模型

精密单点定位除了必须顾及模型中各项参数外, 还需进行下列改正:天线相位中心偏差改正、地球自转改正、固体潮改正、海潮改正等。天线相位中心偏差改正:精密卫星轨道所提供的是卫星质量中心在空间的位置, 而测距时测定的是从卫星发射天线的相位中心到接收机天线相位中心之间的距离。因此, 必须对卫星质量中心与发射天线相位中心之间的偏差进行改正。同样, 接收机天线的相位中心与它的几何中心一般也不一致。天线定心时是以几何中心为依据的, 而定位时确定的是以天线相位中心的位置。所以定位时也必须顾及相位中心和几何中心间的偏差。地球自转改正:在地心地固坐标系中进行数据处理时, 还必须进行地球自转改正。固体潮改正:在月球和太阳的万有引力作用下, 弹性地球表面将产生周期性的变化。对精密单点定位的单日解而言, 虽然周期性误差基本上可以消除, 但是残差影响在水平方向可达5 cm, 在垂直方向可达2 cm, 因此, 必须加以改正。海潮改正:海潮改正比固体潮要小一个等级。

1.3 线状地物勘测中精密单点定位技术应用展望

精密单点定位已经在线状地物的控制测量中得到了实际的应用。目前, 国内外已经开发了一些相关的软件或者在软件中增加了精密单点定位功能, 如美国JPL的GIPSY/OASIS II软件, 加拿大卡尔加里大学的P3软件, 瑞士的BERNESE 4.2软件中也增加了精密单点定位功能。国内如武汉大学张小红博士的Trip软件等。目前, 加拿大的自然资源部 (NRCan) 开始提供给用户在线精密单点定位解算服务。相比RTK技术, 精密单点定位技术显示了很大的灵活方便性。不需要建立高等级控制点, 也不需建立基站, 各个测站之间的距离可以很长。在任意地区就可进行高精度的点位测量和地形图测绘。在大范围变形监测中, 由于其不像差分定位那样要进行基线解算, 其点位精度不受其他点位的影响, 可得到其在统一坐标系下的坐标移动量。另外, 由于精密单点定位技术提供的成果是ITRF坐标, 在大多数情况下, 可视为与WGS84坐标系统等同, 这与我国的西安80坐标系和北京54坐标之间的转换会非常方便。

2 线状地物勘测的地理信息管理技术

2.1 技术应用与系统构成

勘测信息管理资料库系统大致上可分为管理信息系统 (Management Information System, MIS) 与地理信息系统两大部分, 前者为管理资料库, 后者为管理相关地理空间信息。地理信息系统是一门科技整合下的科学, 其可进行系统资料的获取、储藏、复原、分析、图形展现与空间资料等, 并以电脑为基础, 进行空间资料的建立、存取、管理、分析、输出及展示, 且可依据不同的决策环境及目的, 在线状地物的勘测中发挥着重要作用。在线状地物的勘测中, 地理信息管理系统应包括以下6项技术内容:线状地物基础信息图库和线状地物信息图库;线状地物空间数据格式和图式图例标准;较为完备的线状地物地理信息数据库框架;线状地物桩号编码管理模式, 实现桩号和线状地物信息的双向快速查询, 提高信息查询效率;分级用户分级功能管理编制的专用线状地物数字信息管理平台, 包括工程信息管理、线状地物环境管理和线状地物变化管理3个子系统;线状地物地理信息管理系统, 包括收集和整理相关资料、建立动态地理信息数据库、构建数据标准和信息模式及编制信息管理专用平台等。

2.2 系统建设

一是就硬件而言, 目前难度较低的线状地物勘测, 将全部信息存放在普通的个人电脑中已足够使用, 且不致造成极大的问题。但对于难度较高的线状地物勘测而言, 则需要配置较高等级的GIS管理系统软件, 这也会带来使用上的难度。就目前的GIS操作来说, 其最有效率的操作环境仍会受到勘测层级、资料库大小与属性资料多少、资料管理方式拟定、使用者数量、电脑设备, 以及软件需求等因素的影响, 最后的决策将根据视其勘测者的选择, 来有效运用GIS技术来整合内部的资料。

二是以软件来说, 由于GIS操作的高度复杂性, 使用者界面应该尽可能的清晰、精致、简洁、直接, 并且其指令的输入以及操作方式应采用下拉式菜单或是对话框及鼠标按键予以辅助。就GIS软件功能来说, 大致上可分为五类。一是图形资料制作与编修:传统的图形资料制作, 均以人工绘制方式编制, 不仅常出现错误、耗时且不易修改, 以至于渐渐由电脑所取代。但将图纸数字化成电脑档案仍是一件相当费时且费力的工作, 而这项工作也是GIS建置中的重要部分。二是资料库管理:早期的图形资料管理, 往往是使用各种的图纸, 以至于一段时间后, 常会面临纸张多而杂乱, 无法轻松地做有效率的搜寻或查阅, 并且需要占据空间来做摆放位置。使用GIS系统可以有效的运用资料库管理技术, 进行多方位的整合性。三是查询与显示:对于GIS的图形展示, 是最基本的一项功能。该项功能可以显示出平面甚至是立体的图形, 且可与资料库相互连结, 进行多重条件且重复查询的动作。四是决策与分析:借助GIS分析功能, 可以利用资料库做各种数据的分析及决策 (如统计回归分析) , 并且可将其结果以立体空间来进行展示。

参考文献

[1]徐宗秋, 徐爱功, 高扬, 等.精密单点定位中对流层延迟参数的相关性研究[J].测绘科学.

自然地物 篇3

关键词：遥感,信息提取,数据源

引言

遥感是20世纪60年代发展起来的综合性对地观测技术, 它的产生和发展是人们认识和探索自然界的客观需要[1]。它拓展了人眼观察的光谱范围, 大大提高了数据获取的空间详细程度, 可应用于军事、农业、林业、地矿、水利和环保等领域。但通过遥感器观测的遥感数据, 由于受到太阳和大气等条件的影响, 必须经过人工判读或计算机处理, 才能最终应用于各种领域。本文综述了基于遥感影像提取地物信息的方法, 并列举一些应用实例。

一、多源遥感数据概述

遥感技术作为一种准确、客观、及时获取宏观信息的手段, 在城市规划、土地利用监测、农业、林业以及自然灾害预报等方面越来越得到广泛的重视和应用[2]。准确选取适当的遥感数据是快速、精确地发现并提取遥感图像中所需信息的前提[3]。地物信息提取常用的遥感图像可以分为以下几类。

1. 多光谱和全色影像。

全色影像具有较高的空间分辨率, 而多光谱图像可以更精细地描述目标光谱。全色图像与多光谱图像融合, 既可以利用全色图像的高分辨改善多光谱图像分辨率, 又可以充分利用多光谱图像中特有的对目标某些独特特征的精细描述, 使融合图像包含更丰富的信息[4]。多光谱影像及融合影像是目前地物信息提取研究的主要信息源。

2. SAR影像。

合成孔径雷达 (synthetic aperture radar, SAR) 是一种主动遥感方式, 与光学遥感相比, 具有全天时、全天候、多波段、多极化工作方式、可变侧视角穿透能力强和高分辨率等特点[5]。SAR影像在水体覆盖区域具有反射值低的特征, 能够与其他地物形成明显的反差, 在研究水体覆盖变化方面具有独特的优势。SAR图像中还含有丰富的纹理结构信息, 不同的地表粗糙度呈现出不同的纹理特征。原始的光谱信息加上纹理信息可以提高影像的精确性, 建立和充分应用基于纹理特征的地物分类及信息提取方法, 将是今后研究高分辨率遥感影像信息提取的方向之一[6,7,8]。

3. 高光谱影像。

高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内, 利用成像光谱仪获取许多非常窄的光谱连续的影像数据的技术。高光谱遥感数据有更多的波段, 更高的波谱分辨率, 使得高光谱数据在生态领域有更广泛的应用[9,10]。对高光谱数据特征的研究和分析对于准确地获得目标地物的有用信息是极其重要的。

4. 航片。

航空影像数据以其直观、信息量丰富、可读性强等诸多优点, 使它既是基础地理数据产品的重要组成部分, 又是生产或合成其他基础地理数据产品的信息来源与基础。许多学者在城市防震减灾、沟谷侵蚀定量监测以及测绘中都进行了成功应用[11,12]。

二、遥感影像提取地物信息的方法

1. 目视解译。

卫星影像的解译是应用遥感技术的一个关键环节, 目视解译基于专家经验和智能, 是遥感应用的一项很重要的基本功, 它是根据样本的图像特征和空间特征 (形状、大小、阴影、图形、纹理、位置和布局) , 并与多种非遥感信息资料相结合, 运用生物、地学等相关规律, 采用对照分析的方法, 由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程[13,14,15]。目视解译的方法目前在遥感解译中的应用非常普遍。赵兴实等[14]在土壤侵蚀现状调查中, 张芳等[15]在森林资源调查中都运用了遥感影像目视解译的方法。

2. 非监督分类法。

遥感影像的非监督分类也称为聚类或点群分析, 是在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。非监督算法是按照某种相似性准则对样本进行合并或分类, 不需要人工选择训练样本, 仅需极少的人工初始输入, 计算机按一定规则自动地根据像元光谱或空间特征组成集群组, 然后分析者将每个组和参考数据比较, 将其划分到每一类中[16,17]。但由于“同物异谱、异物同谱”等现象的存在, 其结果一般不能令人满意。

3. 监督分类法。

监督分类是在已知类别的训练场地上提取各类别训练样本, 通过选择特征变量、确定判别函数或判别式把影像中的各个像元点划归到各个给定类的分类[17]。监督分类方法由于引入了部分先验知识, 故其分类精度相对于非监督分类算法往往较高, 同时, 算法的稳健性也能得到较大程度地提高[18]。

4. 最大似然法。

最大似然方法通过对研究区域的统计和计算, 得到各个类别的均值和方差等参数, 从而确定一个分类函数, 然后将待分类图像中的每一个像元代入各个类别的分类函数, 将函数返回值最大的类别作为被扫描像元的归属类别, 从而达到分类的效果[19]。最大似然法分类一直受到许多学者的关注, 张亮等[20]将光谱角以概率因子的形式加入到判别函数中构造一种新的判别函数, 有机地将光谱角这一特征信息加入影像分类;吴连喜等[21]将一种改进的最大似然法用于地物识别;陈敬柱等[22]提出了“先主要后次要, 层次化推进原则”, 应用最大似然方法进行植被信息识别提取, 降低了“异质同像”的误判率, 较大程度上避免了“混合像元”的不确定因素, 同时将“混合像元”作为进一步区分不同植被类型的参考依据, 使可解译的植被信息量增加, 取得良好的效果。

三、实例分析

1. 植被信息提取。

遥感技术提取植被信息已经有很长的历史, 遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。由于植被在不同波段内表现出不同的吸收反射特征, 这些特征可以有效地监测出植被的各类信息[23]。丁丽霞等[24]利用TM和SPOT遥感影像, 采用目视解译和图像勾绘的方法, 得出天目山国家级自然保护区毛竹林信息;官凤英等[25]以TM影像为数据源, 应用ERDAS提供的非监督分类、最大似然分类和子象元分类三种方法, 对典型地物进行了分类和精度评价;李敏等[26]讨论了面向对象的高分辨率遥感信息提取的技术, 并从IKONOS影像中提取耕地信息与传统分类方法提取的结果进行了对比。

2. 水体信息提取。

水资源分布的调查与监测是控制水污染和生态保护的前提, 而遥感影像具有监测范围广、获取周期短、地物信息丰富的特点, 对调查与监测水资源分布起着重要的作用[27]。黄海波等应用ASTER遥感影像研究了水体信息提取的方法;遥感影像上陆地和水体的边界线被定义为水边线, 郑宗生等[28]利用遥感信息提取水边线, 可以监测海岸带潮滩的动态变化, 也可以利用不同时相的水边线信息构建潮滩的三维地形模型, 为淤泥质潮滩剖面的研究提供重要的数据保证。

3. 道路信息提取。

从遥感数字影像中自动提取道路之类的线性地物信息是遥感信息提取的难点, 影像上的道路比其他地物更突出, 而且道路成网, 关系明晰, 但实际提取效果并不理想。如何快速、准确地从遥感影像中提取所需信息已成为研究方向[29,30]。

4. 居民地信息提取。

居民地是人类从事生产和生活需要而集聚定居的各种形式的居住场所, 是自然景观和人造景观的综合体[31]。利用遥感影像快速准确地提取居民地信息可以为灾害评估、城镇扩展和环境变化等相关研究提供必要的基础信息[31,32,33,34]。查勇等[32]运用归一化建筑指数, 从TM图像成功提取了无锡市城镇用地信息;杨存建等[33]从对居民地的遥感信息机理分析入手, 分析了居民地在Landsat TM2、TM3、TM4、TM5、TM7等各个波段上与其他地类的可分性;安如等[34]基于光谱特征分析, 建立决策树模型, 进行了居民地信息的自动提取。

5. 其他地物信息提取。

随着遥感技术的不断提高, 人们开始考虑使用高分辨率遥感影像对区域人文信息进行提取[35]。遥感在人口估计统计模型中的使用始于20世纪50年代中期, 由于与人口信息相关的地表信息在影像上的表达纹理、形状各异, 利用某种方法从高分辨率遥感影像中提取人口信息是今后研究的一个突破点[35,36]。

结论与展望

随着遥感技术的迅猛发展, 光学、热红外、微波、多光谱、高光谱等大量功能各异的遥感器不断更新换代, 遥感已经越来越多地用作提取局域、区域以及全球尺度土地利用、地面覆盖变化特征以及人文特征的信息源。准确选取适当的遥感数据是快速、精确地发现并提取遥感图像中所需信息的前提。全色与多光谱融合影像由于成本较低是目前地物信息提取的主要数据源, 不同的研究尺度及研究内容在遥感数据选择上各有侧重。

遥感数据的解译是遥感应用的基本方法, 目前采用的解译方法有很多, 各有优势, 但单一方法得到的解译结果往往不能达到满意的效果。因此许多学者同时使用多种方法进行遥感数据解译。戴昌达等[37]利用Landsat TM数据, 采用了图像自动识别分类与目视判读相结合的方法获得城市的面积;陈超等[38]采用目视修改的方法来对监督分类进行补充。

自然地物 篇4

目前, 通过遥感影像获取地面专题信息已成空间信息学科及相关行业部门研究和应用的热点。遥感影像信息提取的基础和关键是影像分类, 即对同一类地物所对应的影像目标 (像元) 进行划分。以往对于中低分辨率遥感影像的信息提取而言, 主要使用基于像素的地物分类方法, 如监督分类和非监督分类等。基于像素的遥感影像分类方法的前提是目标影像需具有丰富的光谱信息, 并且不同地物在影像上所表现出的光谱差异较为明显。近年来, 遥感及其数据获取技术得以快速发展, 影像分辨率越来越高, 高分辨率遥感影像在相关科研和行业中的应用越来越广泛。相对于中低分辨率遥感影像而言, 高分辨率遥感影像在表达地物形状、纹理、上下文信息、拓扑关系等方面更加细致, 但高分辨率影像往往包含较少的波段, 致使其所记录的地物光谱信息相对较少。对于只含有较少波段的高分辨率遥感影像, 传统的分类方法的应用存在分类精度降低, 空间数据冗余, 且分类结果常常包含严重的椒盐噪声, 不利于后续的信息提取和空间分析。

针对基于像素的图像分类技术应用于高分辨率遥感影像的不足, 基于面向对象思想的分类与信息提取技术 (即面向对象信息提取技术) 开始得到广泛应用。Ketting and Landgrebe (1976) 最早分析了同质性对象提取的特点和优势, 并提出了图像分割算法 (Extraction and Classification of Homogenous Objects, 简称ECHO) [1]。Hofmann等 (2001) 利用基于面向对象的思想从IKONOS卫星影像中提取了非正式居民地, 其主要利用了影像对象的纹理、形状、光谱及背景信息, 实验证实这种方法可获取较高精度的分类提取结果[2]。石军南等 (2010) 利用面向对象的分类方法, 基于SPOT5高分辨率卫星遥感影像提取了森林采伐信息, 并验证了分类结果的精度[3]。目前, 面向对象的影像分类方法已经得到广泛应用, 相关的研究结果表明, 面向对象的分类方法能够满足高分辨率影像分类的要求[4]。在面向对象的分类中, 基本的处理单元是图像对象, 而不是以往的单个像素, 图像对象由性质相同的多个像素组成。[5]在分类过程中, 分类依据更加多元化, 除地物的光谱信息外, 地物几何形态信息及结构信息也被充分利用。分类依据的多元化增强了对地物类别的识别能力, 从而使得分类精度得以明显提升。

在面向对象的高分辨率遥感影像分类与信息提取方法中, 关键是对影像进行合理分割, 即形成待分类对象。图像分割过程中, 必须考虑分割参数和分割尺度的选择问题。所使用的分割参数和分割尺度不同, 所得到的分割结果也不同。当所选择的分割尺度适中时, 待分类的目标可以被准确分割并与其他对象区分开来, 进而得到精确的分类结果。本文将重点对影像多尺度分割及最佳分割尺度选择进行深入探讨, 建立基于分割方法原理、准则和影像特征的最佳分割尺度选择策略。以无人机高分辨率影像为数据源, 对多尺度分割及最佳分割尺度的选择进行实验研究, 对比分析不同尺度下的分割效果, 并据此确定最佳分割尺度。最后基于面向对象的分类和信息提取方法实现实验区地物分类和提取, 并使用混淆矩阵对分类结果进行精度评定。

1 面向对象的遥感影像地物分类

面向对象分类方法的本质是以所构建的影像对象 (即包含多个同质像素的基元) 为分类的最小单位, 然后通过一定的准则和策略判断影像对象的类属, 进而实现分类过程。相比于单个像元, 图像对象除具有光谱信息外, 还包含了像元集合所表现出来的地物纹理、结构等特征, 并且对象可具有一定的层次性, 进而使分类基于不同层次进行, 如此便可以更好地保全语义信息, 所得到的分类结果具有更丰富的语义信息。面向对象的遥感影像分类主要包括两个过程:构建影像对象及影像对象的分类与合并。在构建影像对象时, 常用的方法是影像分割, 通过影像分割, 目标影像被分成特定的影像对象。在影像对象构建完成后, 面向对象分类的关键是通过分析各个对象间的关系和特征确定对象的类别, 同类别的对象归为一类, 进而完成分类过程。

在面向对象的分类方法中, 一种常用的方法是标准最邻近分类。这种方法将距离样本对象最近的对象与样本归为一类, 是一种简单有效的分类方法。该方法在进行影像分类时, 先要确定一定数量的样本目标, 然后针对样本对象的各种属性进行统计分析, 目的是得到能够表达样本对象本质的特征 (如光谱、纹理、形状、结构等特征) , 这些特征将作为判断待分类目标是否与样本对象属于同类的依据。在进行分类时, 上述统计分析所得出的样本特征被用作判定准则, 也可以说是基准。分类时以此基准为中心, 计算待分类对象所对应的同一特征与上述样本之间的差值, 然后以这一差值来评判待分类对象与样本对象的接近程度。最接近的样本类别即为待分类对象应归属的类别。图一所示为标准最邻近分类的示意图。其中, 红色和蓝色多边形分别表示两个不同的样本, 粉红色和浅蓝色多边形表示待分类的影像对象。从待分类对象伸出的箭头的颜色深浅代表其特征与样本类特征之间的差值 (类似于距离) , 颜色越深代表差值越大, 反之亦然。根据特征 (此处指根据光谱和形状得出的特征) 差值可以判断, 粉红色对象与红色样本属于一类, 浅蓝色对象与蓝色样本属于同一类。

2 遥感影像的多尺度分割

2.1 图像分割的准则及方法

图像分割就是把图像分成若干个特定的、具有独特性质的区域的技术和过程。被分割出的区域即本文所指的影像对象。为对图像进行分割, 必须首先建立一定的分割原则。每种地物目标及背景成像后在遥感影像的表象是不同的, 图地物的颜色、纹理、形状和结构等, 利用其各自的表象 (即特征) , 即可建立一定的分割原则:经过分割所形成的区域内部 (即对象内部) 的属性或特征必须一致, 内部即同质性;而对于不同区域之间, 相应的特征或属性不能相同;分割所形成的所有区域加起来等同于原始图像;某一个影像像元只能分在一个区域中;每个区域须有明显区别于其他区域的特征, 且其内部像元有别于其他区域像元;区域内部的像元需满足连通的条件。

目前, 主要的分割方法包括基于灰度的分割、基于纹理的分割、基于多尺度的分割、基于知识的分割及基于特定理论的分割等分割算法。其中顾及空间目标自身的尺度特征以及高分辨率遥感影像的空间尺度特征的多尺度分割算法被广泛应用。

2.2 多尺度影像分割及最佳尺度选择问题

多尺度分割方法采用层次性分割策略, 其从影像像元开始, 逐步进行多次分割, 形成具有层次结构的分割结果。多尺度分割中, 每一个新的分割都在上一层分割的所形成的影像对象基础上进行, 通过合并形成更大尺度的分割结果。图二所示为多尺度分割的过程示意图。多尺度分割可形成具有层次结构的分割结果, 新形成的层级由上一层级合并而来, 后者边界决定了前者的边界。由此可知, 新的层级中所形成的对象区域的大小由上一级对象大小的总和决定。同时, 新的层级与构成它的上一级对象间必须直接关联。

在实际的分割操作中, 首先设置像元合并后是否满足条件的判定指标, 即前述的同质性判断准则, 其可用来判断待合并像元间的异质性。分割时, 首先以某个单独像元为起点, 将其与相邻像元进行对比, 即异质性检验, 若这种异质性低于用户给定的限值, 则表示二者满足合并条件, 否则不能进行合并。通过不断合并形成新的尺度下的对象。新形成的对象则作为确定下一层级对象的基元, 然后重复上述步骤, 当无法继续满足异质性限值要求时, 合并无法进行, 此时即完成多尺度分割。

图像分割的准确与否直接影响着后续影像分类和信息提取的精度。对于图像中面积较大的地物而言, 若在分割时采用较小的尺度, 很可能致使图像中的噪声等信息无法被划分到相对应的地物类别中, 容易导致分类精度的降低;而对于面积较小的地物而言, 若分割时所使用的尺度太大, 往往导致过度分割, 致使此类小面积区域被错误合并, 这种过度分割同样会导致后续分类结果精度的下降。因此, 在进行面向对象的图像分类时, 基于图像分割的图像对象构建必须考虑分割的尺度问题, 通过对分割尺度的实际分析, 确定分割的最佳尺度, 以期达到最佳的分割效果。

3 无人机遥感影像多尺度分割及分类实验

3.1 研究区域及实验数据

本文选取国家测绘地理信息局公布的芦山县宝盛乡震后无人机影像作为试验数据, 如图三所示, 该数据拍摄于2013年4月21日, 其影像分辨率为0.16米。

3.2 多尺度分割实验及最佳尺度选择

图像分割即将图像中特定目标对应的像元进行整合, 形成多边形对象。由上述分析可知, 基于多尺度的图像分割中, 可采用多边形对象的异质性判断阈值来对分割尺度的适应性进行判定。图像分割所形成的最小多边形的大小是由异质性判定阈值决定的。当采用较大分割尺度时, 所形成的影像对象多边形则越大, 相应的, 分割所产生的多边形数目就越少。当分割尺度过大时, 容易造成分相似地物的混淆;相反, 分割尺度小, 则生成的多边形就小, 数目就会较多, 尺度过小容易造成同一地物不能完全归为一类, 同样会降低后续分类的精度, 并影像效率。因此, 分割尺度在图像分割中占据举足轻重的地位, 分割所形成的影像对象与实际地物的符合程度与其有着密切的关联, 因此其会对后续分类和信息提取的精度产生直接影响。对于一种地物来说, 其分割的边界不能太模糊, 也不能太破碎, 分割后生成的多边形要能够很好的表现出该地物的各种特征, 使其能够很好的与其他类别的地物区分开来。为验证不同尺度下的图像分割效果, 实验中分别选取80、100、120和140为分割尺度, 对实验影像数据进行分割。具体分割中, 紧致度设置为0.5, 形状因子设置为0.6。

图四所示为选择不同分割尺度时的分割结果。由图四可以看出, 当分割尺度为60时, 分割结果过于破碎, 相同地物被分割为多个不同的对象;分割尺度设置在120时, 很多地物 (尤其是面积较小的地物) 又未被分割出来;而使用分割尺度为90时, 分割的结果相对较好。因此, 针对本次实验数据可选取90作为最佳的分割尺度。

3.3 基于分割结果的影像分类

在对影像完成分割后, 接下来就需要对分割后生成的对象建立规则, 进行信息提取。通常情况, 先通过目视解译的方法对影像进行判读, 确定影像中都存在哪些地物, 初步建立分类体系。

通过对试验区影像的目视解译, 建立道路、房屋、树木、河流四个地物类别体系。相应地, 具体的分类规则如表一所示。

由于分类规则的不完整性及一些地物光谱的相似性, 在根据表一规则完成地物信息的分类后, 还需要手动对分类结果进行核查, 将错分和漏分的地物划分到正确的地类中。图五所示是根据上述确定的最佳分割尺度得出的分类结果图, 从图中可以看出, 分类结果中未出现传统分类方法中遇到的“椒盐”现象。

3.4 分类精度评定

在完成影像分类后, 为保证分类结果的可靠性, 必须采用一定的策略和评价依据对分类结果进行精度验证及评价。本文所采取的具体的评价方法是在影像上随机的选择一定数量的样本点, 然后对这些样本点在影像上进行目视解译, 并结合该试验区的其他相关资料确定该样本点的正确地物类型。常用的分类精度评价方法是采用混淆矩阵[6]表二是该次分类结果的混淆矩阵, 从表二中可以看出此次分类的总体精度为91%, 农田的分类精度最高, 而道路的分类精度最低, 结合影像分析得知造成这一结果的原因是部分道路淹没在两旁的树木中, 且部分道路和房屋紧邻, 导致一些道路信息被错分到这两类地物中;而农田其光谱信息相对于其他地物来说较为容易区分, 且拍摄影像的时间为4月份, 正值开春季节, 农田里的农作物正处于复苏期, 其绿色在图像上表现的光谱性比较明显, 同时农田和其他地物的交叉较少, 因此其分类精度最高。

4 结束语

本文介绍了面向对象的遥感影像分类及信息提取技术, 重点对遥感图像的分割及分割的尺度效应进行了详细分析, 并通过实验研究了不同分割尺度的地物分割效果, 进而选取了最佳的分割尺度。利用面向对象信息提取技术对实验区的高分辨遥感影像进行了信息提取, 并基于混淆矩阵给出了不同地物的分类精度。在信息提取过程中, 充分利用了地物的光谱、几何形状等相关信息。从最后的精度分析可知, 分类结果总体较好, 精度较高, 能够满足一般性生产要求, 并且避免了传统分类方法中椒盐现象的出现。

摘要：本文对面向对象的遥感图像分类技术及影像分割方法进行了介绍, 重点对影像分割准则、多尺度分割及最佳分割尺度选择进行深入分析, 建立了基于分割方法原理和影像特征的最佳分割尺度选择策略。以无人机高分辨率遥感影像为数据源, 对多尺度分割及最佳分割尺度的选择进行实验研究, 对比分析了不同尺度下的分割效果, 并据此确定了最佳分割尺度。最后基于面向对象的分类方法实现了实验区地物分类和提取, 并对分类结果进行了精度评定。结果表明:通过选择最佳的分割尺度, 可获取较高的地物分类精度, 且可以避免传统分类方法中的“椒盐”现象。

关键词：面向对象,无人机,高分辨率遥感影像,分割尺度

参考文献

[1]Ketting R.L., and Landgrebe, D.A.Computer Classification of remotely sensed multispectral image data by extraction and classification of homogeneous object[J].IEEE transactions on geoscience electronics, 1976, 14 (01) :19-26.

[2]Hofmann, P.Detection informal settlements from IKONOS image data using methods of object oriented image analysis-an example from cape town (south africa) [J].Remote sensing of urban areas/Fernerkunding in urbanen raumen.Regensburg, ed.By JURGENS, C., 2001.

[3]石军南, 李和顺, 刘晓农, 等.面向对象分类方法在森林采伐遥感监测中的应用[J].中南林业科技大学学报, 2010, 30 (11) :6-10.

[4]徐涛, 谭宗坤, 闫小平.面向对象的城市水体信息提取方法[J].地理空间信息, 2010, 8 (03) :64-66.

[5]高海燕, 吴波.结合像元形状特征分割的高分辨率影像面向对象分类[J].遥感应用, 2010, (06) :67-72.

自然地物 篇5

目前, 乌鲁木齐市很多单位都有大批CAD格式的地籍图数据和一些数据更新过程中产生的地籍数据, 为了保证现有生产数据能够正常顺利的入库就需要建立数据建库软件。此软件在保证数据质量及相互关系不变的前提下, 实现初步的数据应用 (主要是数据表现) 、数据共享 (交换) 等问题。为此通过前端CAD数据检测工具的质量检测和数据规整工作后, 依据乌鲁木齐市地籍数据建库的需求, 制定了一套满足GIS建库要求的CAD数据的格式规范。也就是将Auto CAD格式数据通过CAD2GDB对照表转换成Geodatabase格式, 用于Geodatabase数据之间的转换, 可以自定义转换模型:包括属性过滤, 字段对照, 层对应等等, 实现线数据的自动接边和面数据的自动构面。这种CAD数据即为进入Geo Data Base数据库的源数据。

1 数据预处理

数据预处理是地籍数据入库流程中的一个重要组成部分, 也是系统参数设置完毕之后, 进行正式入库的第一步。该过程主要是将CAD数据转换成基本符合《乌鲁木齐城镇地籍GIS空间数据规范》的Personal Geodatabase。这里的基本符合是指完成CAD到Geodatabase的格式转换 (DataReader.dll模块) , 利用CAD2GDB对照表对数据进行分层 (Data Convert.dll模块) , 部分主要线类要素自动接边后得到的数据 (Data Convert.dll模块) 。此时数据中还没有面类要素, 同时并没有针对一些特殊数据进行处理, 比如宗地和他项权利数据。具体过程如下。

1.1 格式转换

针对已经规整完毕的CAD数据进行处理, 根据事先定义好的空间范围和坐标系统, 将CAD要素集按点、线、面和文本方式分层单独处理。CAD数据的基本属性比如厚度, 线型, 颜色, 层名全部保留。对于复杂的扩展属性, 将扩展属性也读取出来全部放在一个属性表Extend Table中, 通过各自CAD实体句柄与图形建立关联来实现图形数据与属性数据的一一对应连接, 为后期扩展属性的提取和挂接做准备。

1.2 编码对照

通过对原始CAD数据的作业规范进行详细的分析, 定义好标准的CAD和GIS转换对照表, 通过这个对照关系表, 可以引入自己需要的或者说对下一步转换有用的数据来。通过对照表和图层属性表的对照, 将对照表的字段追加到图层表中, 通过这种方法就可以引入标准的GIS编码和层名等属性, 层名可以作为下一步分层的标准, 编码可以作为GIS的符号编码。

1.3 数据分层

CAD文件里面依靠Layer字段来区分各个层, 格式转换结束后, 可以据此来作为分层的基本依据, 通常我们还需要根据属性编码和块名对一些特殊的数据来重新分层。这样初步得到符合《乌鲁木齐城镇地籍GIS空间数据规范》的Geodatabase数据库。

1.4 注记与线

为了后期对转换后的图层能正确的进行符号设置, 需要将文字注记的高度放大一倍, 线宽度放大一倍。

1.5 生成图廓

根据分层得到的图廓左下角点坐标数据生成图廓, 图廓的扩展字段从对照表数据库中TKConnect表获取, 图廓的扩展属性从扩展属性表Extend Table中获取。

1.6 自动接边

系统对指定的要素类进行自动接边, 这里接边主要针对名称后缀为L的线类要素进行, 同时用于后期地物构面的线要素不进行接边。接边的容限值通过系统配置文件获取, 接边的边界依据上一步得到的图廓数据。

2 地物构面

由于CAD数据没有面的概念, 在CAD数据转入Personal Geodatabase后, 还要进行构面处理, 以适应GIS分析和管理的需要。地物与宗地构面就是在数据转换时不转换面对象, 即将所有CAD实体对象只转换点和线对象, 但是对于房屋、绿地、宗地等属性字段中定义为“面”的实体, 需要执行“由线构面”, 将其重构为面对象, 将房屋注记等转换为房屋线的属性, 将宗地分数线内标示的扩展属性转换为宗地面的属性。由于数据基本是入到空库中, 入库阶段不存在更新问题, 同时数据更新方式很有可能改变, 按街坊作为更新单位很可能在今后的更新过程中避免了面数据的接边问题, 因此针对数据入库过程的特殊性, 考虑采用分批构面的方式即:

1) 对于一个批次入库的CAD数据 (如300幅) , 构面时只针对这个批次所在大图廓范围内的要素进行构面, 这些要素能保证面的完整性;

2) 对于位于大图廓边界上的要素保存到一个临时的图层中, 这个临时图层作为临时数据库的一部分保留起来;

3) 当数据入库完毕之后, 针对临时构面线图层数据再进行二次构面, 并将构面结果追加到相应的面图层数据中, 至此, 完成所有的构面。

地物构面可以概括为两类:居民地构面 (标识点挂接属性) 和其他地物构面 (构面边线挂接属性) 。

2.1 居民地构面

对于CAD中需要构面的层, 比如居民地边线, 本应该是由一条封闭的曲线构成, 但实际情况却是由多条线段组合而成, 共用边线的情况普遍存在。直接进行转换不能保证数据全部无损转入, 必须将这些线段在相交的地方打碎做拓扑分析, 对于居民地, 要同时根据居民地构面点来提取面属性。

2.2 其他地物构面

其他地物主要指的是DMTZA (地貌土质面状要素) , ZBA (植被面状要素) , GKA (工矿建筑物及其他设施面状要素) , GXA (管线及附属设施面状要素) , SXA (水系及附属设施面状要素) , YZHA (面状垣栅) , JTA (交通及附属设施面状要素) , 这些地物的构面的方式在图形上与居民地类似即拓扑构面, 但对于构面后的属性挂接有些不同, 其属性是从构面线本身进行获取。

3 宗地构面

宗地构面与其他地物构面的不同主要在于以下三个方面:

1) 数据生产平台。

在开思软件绘制宗地时, 不能实现图数互动, 这样造成数据的不一致性。

2) 数据需要点、线、面三者一致。

对于有地类分数线并且有属性的宗地需要生成ZDA, ZDL, ZDP内容, 没有扩展数据的宗地不生成ZDA, ZDL, ZDP三层要素。对于破宗和没有属性的宗地都不生成面。

3) 宗地属性处理。

在CAD数据里, 宗地的权属信息以分数线的形式存放在扩展数据里, 但数据入GIS数据库后, 需要按照我们制定的《乌鲁木齐地籍数据库结构》对宗地的扩展数据属性重新整理, 具体整理要求如表1所示。

在ZDA和TXQLA的表里的“审批面积”和“实际面积”, ZDA表中的“审批面积”是实际标记的面积, TXQLA的表里的“实际面积”是骨架线的平面面积。

由于以上宗地本身的特点, 因此对于宗地的处理分为以下步骤进行:

1) 将预处理得到的Personal Geodatabase中与宗地构面相关的图层 (ZD_GMX, ZDPF, ZDXX_GMX) 和扩展属性表 (ExtendTable) 保留下来;

2) 利用ZD_GMX (宗地界址线) 对宗地进行构面, 并根据ZDXX_GMX (宗地信息分数线) 给宗地赋相应的属性;

3) 通过内部表计算给宗地赋Parcel_ID (宗地内码) 值, 该值对于宗地更新非常重要, 标示了宗地的唯一性;

4) 根据ZDPF (宗地原始界址点) 剔出宗地面内部的冗余结点;

5) 对于得到的宗地, 生成相应的宗地界址点和界址线, 界址线和界址点除完全继承宗地的固有属性之外, 增加一些特殊字段;

6) 将处理得到新的宗地面、线和点数据录入正式库中。

4 宗地属性整理

在CAD中, 宗地的属性用宗地分数线的形式标识在扩展属性里, 数据入库后, 需按照制定的《乌鲁木齐地籍数据库结构说明》重新整理宗地属性。临时库的宗地面 (ZDA) 和他项权利面 (TXQ-LA) 中有一些特殊字段需要在入正式库前进行处理。比如正式库中权属性质SQXZ的类型是数字型 (Integer) , 而通过CAD转换过来的是文字 (集体和国有) , 因此需要根据字典库找到对应的数值写入对应的字段中。类似的还有使用权类型SYQLX、土地等级TDDJ和宗地状态ZDZT。

5 结语

本文通过对地籍空间数据库的入库设计与研究, 保证了现有生产数据能够正常顺利的入库, 解决了当前地籍数据建库通用CAD数据入库和与现有数据融合问题, 满足国土局业务办公系统对数据的使用需求, 满足乌鲁木齐市国土资源管理局对数据深层次查询、分析、表现的需求。

参考文献

[1]文学东, 钟文军, 祝方雄, 等.基于Geodatabase的CAD到ARCGIS数据入库研究[J].测绘科学, 2006 (11) :7-8.

[2]廖义杰, 余洁, 刘继琳.基于出版的地图数据向GIS空间数据转化的方法探讨[J].测绘通报, 2004 (3) :30-31.

[3]张雪松, 边馥苓, 黄文治.面向GIS的地形图数据改造方法与过程[J].工程勘察, 2004 (2) :22-24.

[4]韩勇, 陈戈, 甘宇亮, 等.基于CAD数据建立GIS文本数据库方法探讨[J].测绘通报, 2004 (5) :75-76.

[5]牛芩涛, 盛业华.基于ArcGIS的地图符号库的设计与实现[J].现代测绘, 2003, 26 (3) :37-39.

自然地物 篇6

采用归一化校正模型进行回波强度校正处理,然后选取城市区域的12种典型地物进行采样,并开展反射率与反射比因子测量,通过与校正后的回波强度值统计结果进行比较分析,以评估基于回波强度的地物可分性。

1 实验数据及预处理

实验区位于河北省石家庄市,实验数据基于加拿大Optech公司的ALTM Gemini机载激光雷达系统采集,采用运五飞机为搭载平台,设备及飞行实验参数如表1所示。

首先,采用归一化校正方法对Li DAR数据的回波强度值进行了校正处理,计算公式为

式(1)中,I(R)normalized为标准化后的回波强度值,I为原始回波强度测量值,R是激光点与传感器之间距离值,RS是参考距离值,α为激光光束入射角[10—12]。归一化校正方法,假定记录的回波强度值与地面反射率呈比例关系,与飞行高度呈线性关系或者平方反比,然后通过计算对距离值、入射角变化引起的差异进行归一化处理。此方法假设地面为朗伯体,且地物平坦,忽略地物倾角对激光脉冲回波强度的影响,且通常只针对单次回波和首次回波激光点有效[13]。

图1是研究区数据校正前后的回波强度信息显示对比。

2 地物采样与反射率、反射比因子测量

2.1 地物采样

对于同一测区相同飞行条件下获取的数据,经过归一化校正后,可近似认为激光回波强度只同表面介质相关[14]。因此,选取回波强度与周边地物差异较明显、分布较均匀且具有一定面积的地物目标开展地物采样,进步一步进行反射率测量并与校正后的回波强度值进行比较分析,以评估基于回波强度的地物可分性。

实地采样过程中,基于回波强度图像,对树木、草皮、操场、柏油路、土路、岩石、广场地面、瓦片、砖块等多种地物目标进行查证对比,部分激光回波强度均匀的目标位于建筑物顶层、施工区域以及单位内部场地,无法完成采样查证。

经进一步筛选,最终整理选取12种典型地物样品并开展测量工作,如图2所示。其中,斜长花岗岩(主要成分为斜长石、石英)、钾长花岗岩(主要成分为钾长石、石英)主要为铺设广场等使用的大理石,铺路红砖为城市道路常用的透水砖,黑橡胶主要是指废品站大面积堆积的轮胎类废品。

2.2 反射率与反射比因子测量

通常将介质面元反射辐射通量与入射福照度的比值称之为反射率,将面元向某一方向反射的辐射通量与假定该面元为一理想漫反射表面时该方向的辐射通量的比值称为反射比因子。反射率测量是针对半球空间的,使用具有余弦积分的探测器,如积分球、辐射表;反射比因子测量则是针对某一出射光方向,使用具有指向性的探测器,如光谱仪,且为了获得理想漫反射表面的出射光,一般需要使用参考板[15]。本文测量工作如下。

采用美国Perkin Elmer公司生产的Lamda950光度计对实验区地物样品进行1 064 nm波段激光反射率测量[16],测量原理如图3所示。表2列出了12中样品的激光反射率测量值。

实际数据采集过程中,设备接收器收到的是某一反射方向的能量,因此本文进一步开展了反射比因子测量。采用ASD测量仪,基于室内标准光源,以白板为参照,将样品平置,光纤垂直观测,测量样品的光谱反射曲线,截取1 064 nm波长所对应的反射比因子值,作为参考,其测量结果如表3所列。

图4是12种地物样品的ASD反射比因子、激光反射率的折线统计图。

理论上,反射比因子数值是依靠单一出射方向的观测值计算,因此当介质表面的光反射各向均匀时,反射比因子与反射率数值应当相等,而实际测量值则与样品本身的几何形状、表面特征(粗糙度、质地)具有很大关系。本实验中所测大部分样品的反射比因子与激光反射率数据接近,只有钾长花岗岩、假草皮、柏树叶两种地物的测量值差异较大。其中,钾长花岗岩为粗粒结构,其各向反射差异较大,而细粒结构的斜长花岗岩则相对均匀。蓝铁皮、球场水泥面等样品表面平整,而假草皮、柏树叶则形状不规则。由此可见,介质表面几何结构引起的各向反射差异是主要原因。

3 回波强度值特征分析

以预处理后的激光点云数据为基础,选取采样地点对应的激光点云数据,对其激光回波强度数值进行统计,结果如表4所列。

图5是典型地物回波强度数值范围及平均值的统计图,对比分析如下。

(1)从回波强度值范围分析,大部分地物的回波强度的最大、最小值差异在20以内,这部分地物都是几何结构简单的平坦地物。

蓝铁皮、黄土块和柏树叶的回波强度值范围最大,而这三种地物均非平坦地物。蓝铁皮材质的房顶,虽然介质表面平整,但几何结构呈三角形或拱形,这种倾斜结构会导致激光入射角变化,进而引起回波强度变化;黄土块对应的地物为施工挖掘的土堆区域,表面结构杂乱,对激光光斑的散射影响很大;对柏树叶而言,一方面不规则的几何形状会对激光的反射造成影响,另一方面,针叶之间的空隙使得激光脉冲对其具有一定的穿透性,从而减小散射截面积,导致回波强度减小。

(2)从回波强度平均值与反射率测量值的趋势线分析,大部分地物的回波强度均值之间的差异性与激光反射率的基本一致,说明激光回波强度差异可以反映出地物类别的不同,对地物分类具有一定的参考价值。

蓝铁皮、铺路红砖以及柏树叶3种地物的回波强度均值与激光反射率的一致性不好。其中,蓝铁皮材质房顶的倾斜结构是主要影响因素;铺路红砖的数值偏低,实地查证发现原因是上面有较厚尘土覆盖,因此介质表面的纯净度对回波强度值影响较大;柏树叶的结构对激光散射的影响是主要因素。

(3)虽然回波强度对于地物分类具有一定参考价值,但鉴于不同地物的回波强度值范围存在重叠,单纯依靠回波强度直接进行地物分类难以实现。

图6是某广场依据回波强度进行道路提取的实验效果图。道路为斜长花岗岩材质,周边有松柏类树木。经统计,道路回波强度范围为28~45之间,据此进行分类结果如图6(c)所示。虽然道路被提取,但是周边植被的大量点云也被同步错误分类。如前分析,植被的激光回波强度范围值较大,若单纯依据回波强度分类,则对其他地物造成较大影响。

鉴于此,实际应用中,首先采用基于高程信息的方法进行滤波分类处理[17],然后针对回波强度差异较大、数值范围重叠较小或无重叠的地物进行进一步应用回波强度分类会取得较好效果。

图7是运动场激光点云数据,依据高程分类后,归于地面点类别中,依据高程无法进一步区分,但在回波强度值图像中真草皮、假草皮和塑胶跑道三者之间的差异明显。经统计,真草皮回波强度在70~110之间,塑胶跑道在30~69之间,假草皮则小于30,据此对其进行分类,结果如图7(c)、(d)、(e)所示,分类结果较为理想。

4 结论

标定了12种城市典型地物的激光反射率。将反射比因子测量结果与激光反射率进行了对比分析,认为介质表面几何结构引起的各向反射差异是决定两者数值是否一致性的主要因素。

通过对归一化校正后的回波强度统计及对比分析,形态结构简单、呈平坦状的地物回波强度值范围较小,且回波强度均值之间的差异性与激光发射率标定结果基本一致。

倾斜地物的自身结构会改变激光入射角,从而引起激光回波强度变化,如蓝铁皮材质的房顶,即使材质均一、表面平整,但其回波强度范围较大。

形态结构复杂的地物,会造成对激光光斑能量反射、散射的各向差异性较大,从而产生较大的回波强度值范围,其回波强度均值的差异性也与激光反射率不一致。

另外,介质表面的纯净度对回波强度也会造成一定影响。

实际应用中,可首先利用其它参数(如高程、回波次序)对Li DAR数据进行分类,然后针对回波强度差异较大地物的应用回波强度辅助分类,会取得较好效果。

摘要：机载激光雷达测量系统Li DAR回波强度信息的利用正成为研究热点,许多学者利用归一化校正方法进行回波强度处理并以此为参考辅助地物分类,这种校正方法主要考虑了激光传输距离、入射角的影响;且假定地面平坦、为朗伯体,但自然界中绝大多数地物都是各项散射异性的非朗伯体;且目前的研究中有关地物激光反射特性的定量分析较少。选取12种城市典型地物,通过反射率、反射比因子测量,并与回波强度值进行对比,分析了不同地物的回波强度特征及影响因素。实验证明,形态结构简单且平坦的地物,其回波强度均值之间的差异性与激光反射率、反射比因子的测量结果具有较好的一致性,基于回波强度的可分性较强;而倾斜地物(如房顶)、树木等形态复杂的地物,其产生的回波强度值范围较大,对地物分类的参考价值较小。实际应用中,可首先利用其他参数(如高程、回波次序)对Li DAR数据进行分类,然后针对回波强度之间差异较大的地物应用回波强度辅助分类,会取得较好效果。

自然地物 篇7

在地球物理信息处理方法中, 比如对地震波、面波等进行预测时, 一般用到曲线拟合以及线性预测。鉴于证券分析也主要是对证券曲线进行分析和预测, 这两种有类似之处。本文主要介绍了地物方法这一技术分析。

1 经济管理对证券的影响

目前经济管理对证券的影响很多, 这里主要探讨主要的影响。首先, 公司规模越大, 公司内部的组织交易成本也会随之上升, 当公司内部交易成本等于市场上的交易成本时, 公司规模的扩大就会停止。这时, 公司发售的证券才会趋于稳定。

此外, 领导决策层的组织才能也非常关键。如果一个公司或企业的规模超过了他们的管理能力, 企业或公司的内部资源有效配置就得不到根本保证。

此外, 还要控制好边际成本。当我们假设以上3条都趋于稳定时, 这样证券市场才基本上趋于稳定, 再来对证券分析进行讨论。

2 证券分析及其方法探析

证券分析是指对包含在资产组合中的证券等进行评估, 在评估过程中的主要问题是数据不充分、未来不确定以及市场的非常态等。

作为一名证券投资者, 分析方法不外乎是基本面分析方法以及技术层分析方法。技术分析目前越来越被重视, 但是它必须满足市场足够包容、价格发展趋势化以及有历史经验借鉴的条件。其中, 市场足够包容能够影响证券价格的波动, 价格发展趋势化以及有历史经验借鉴则保证了可实施性。此外, 技术分析演化带来的诸如K线分析等多种技术层分析方法也逐步被投资者所采纳。

而其中布林线分析方法是利用统计学的标准差原理, 依据以前某一段时期内的股票价格的波动、证券市场的走向等因素预测出未来一段时间内股票价格大致波动区域的一种方法。布林线由三根线组成:中轨 (一般为20日均线) , 上轨及下轨。

布林线示意图如图1所示。

观察布林线示意图开口的大小, 布林线指标开口愈小则股价的涨跌幅度趋势愈弱, 股价可能会在某个方向上进行超越, 开口越小, 超越强度就越大。因此, 布林线示意图是供投资者判断股价未来发展趋势的一个有效方法之一。

之前做股票研究的用的比较多的是基于VaR的分位数回归以及STAR模型.非线性的平滑转换门限自回归模型 (STAR) 。ST A R模型最早是由Ter svirta和Anderson (1992) 提出。鉴于极端机制间的转换非波动不止, 而是平滑的, 因此ST AR不像其它模型一样进行非连续性的持续转换, 这对股票价格趋势和股市泡沫的描述更加符合实际样本和实际需求。

其中, 简单介绍下STAR模型估计的主要步骤:

Step1:建立p阶的AR模型。自回归AR谱在频谱估计领域也是个重要的估计方法。在误差项完全不自相关基础上去选择p值;

Step2:在Step1的基础上, 进行非线性验证以及延迟、衰减、波动等参数的模糊估计。

Step3:接着, 进行F测试为后续打基础, 求相对应的概率值p。

Step4:接着用r=Ln (Pt/Pt-1) 得到两组收益率序列。以证明是非正态分布序列, 并用Garch (1, 1) 回归去实现在正态分布、t分布和GED分布的95%左右的分位数。

从这些可见, 传统证券分析方法过于繁琐。因此, 有必要研究其它分析方法。

3 地物信息方法的研究与应用

在地球物理信息处理方法中, 一般用到曲线拟合以及线性预测。鉴于证券分析也主要是对曲线进行分析和预测, 这两种有类似之处。具体分析如下。

3.1 曲线拟合

大量数据处理仿真和实验证明, 曲线拟合是一种能有效地处理和分析待测数据, 去除干扰, 有效降噪的方法。它是在实验获得的数据或是已有的数据分布基础上, 根据实际样本去建立变量相互之间有效的函数关系, 为进一步的分析、探讨、研究提供保证。

曲线拟合主要是以寻求待测参数的最佳估计为目的, 进行一系列拟合和处理。当仅有离散数值点而不明确切函数关系时, 可以由测量值拟合出函数关系。因此曲线拟合最主要的方法是基于最小二乘准则的曲线拟合, 简单方便, 准确率高, 在球与空间信息等领域都有这广泛的应用。

最小二乘法是在给定平面上的点进行曲线拟合, 其原理是根据实验样本和分布, 通过理论推导和分析, 建立相关函数最小。

最近, J.Vondrak在曲线拟合的发展过程中, 又提出了一种Vondark平滑法, 这种方法可以在未知函数的情况下, 对测量数据或信号进行较为合理的拟合和平滑。这将在下一步研究中讨论, 本文暂不做赘述。

3.2线性预测

线性预测则在以上分析的基础上对信号进一步分析处理, 从而使精度进一步提高。常简称为LPC (Linear Prediction Coding) , 系数称为线性预测系数或LPC系数。预测误差:

通过使线性预测到的采样在最小均方误差意义上逼近实际采样, 可以求取一组惟一的预测系数。

3.3 地物方法在证券中的应用

对图1应用曲线拟合和线性预测分析, 如图2所示:

从图2可见, 拟合的误差很小, 精度很高。能较好的反应股市发张趋势。

然而, 技术分析成功与否的影响因素很多, 比如个人技术娴熟, 方法的有效程度等等, 交易的成败往往具有非规律性。因此, 投资者应当在熟练掌握技术分析方法的基础上, 恰到好处地将基本分析与多种技术分析结合起来, 以此来提高成功的概率。

4 结语

本文主要尝试性地研究了基于地物信息方法的证券预测。详细探讨了地球物理信息处理方法诸如曲线拟合和线性预测, 接着在此基础上扼要研究了基于地物信息方法的证券预测, 并结合证券简单进行了分析, 结果初步显示了较为有效。当然本文只是尝试性的简单进行了介绍和分析, 后续研究还有待进一步加大实际分析和处理。

参考文献

[1]Wang Hongliang, Dong Haobin, He Lianghua, Shiyongle, Zhang Yuan.Design and simulation of LQRcontroller with the linear inverted pendulum[C].International Conference on Electrical and ControlEngineering, ICECE 2010.

[2]邓森, 景博, 周伟.一种快速收敛的多级独立分量分析算法[J].仪器仪表学报, 2011, 32 (11) .

[3]DENG S, JING B, ZHOU W.Multi-stage FastICAalgorithm with high convergence rate[J].Chinese Journalof Scientific Instrument, 2011, 32 (11) .

[4]高梁, 刘晓云, 廖志武, 陈武凡.一种基于多信息融合的模糊边界检测算法[J].仪器仪表学报.2011, 32 (11) .

[5]周三多.管理学[M].北京:高等教育出版社, 2005.