CN102867194A - 一种遥感反演精度检测方法及装置 - Google Patents

Abstract

本发明提供了一种遥感反演精度检测方法及装置，依据样本数据建立与待检测遥感反演结果相对应的真实值预测模型，利用所述模块预测出与所述待检测遥感反演结果相对应的真实值，将反演结果与真实值相比较，实现对反演精度的检测，由于不再需要人工实地测量得到真实值，从而在无法进行实地测量时，同样也能够检测遥感反演结果的精度。

Description

一种遥感反演精度检测方法及装置

技术领域

本发明涉及遥感领域，尤其涉及一种遥感反演精度检测方法及装置。

背景技术

遥感数据的获取是一个复杂的过程，受到大气辐射传输特性、遥感器运行环境等因素的影响，依据获取的遥感数据进行反演得到的结果，同样也会受到这些因素的影响，遥感反演的结果是否准确、真实地反映实际情况，必须得到有效的检测。

目前，遥感反演结果的精度检测主要基于地面实测数据进行，即需要人工实地测量数据，将遥感反演的结果与人工实地测量的数据进行比较，得到遥感反演结果的精度。而对于无法进行实地测量的地区，例如人员无法进入的地区，则不能够对遥感反演结果的精度进行检测。

发明内容

有鉴于此，本发明提供了一种遥感反演精度检测方法及装置，目的在于解决现有的遥感反演精度检测方法在无法进行实地测量时，不能够对遥感反演结果的精度进行测量的问题。

为了实现上述目的，本发明实施例提供了以下技术方法：

一种遥感反演精度检测方法，包括：

依据样本数据，建立与待检测遥感反演结果相对应的真实值预测模型；

利用所述真实值预测模型，预测与所述待检测遥感反演结果相对应的真实值；

比较所述遥感反演结果与所述真实值，检测所述遥感反演结果的精度。

优选地，所述依据样本数据，建立与遥感反演结果相对应的真实值预测模型包括：

构建基于径向基核函数的支持向量机模型；

利用样本数据中的一部分数据，对所述支持向量机模型进行训练；

利用样本数据中的另一部分数据，对完成训练的支持向量机模型进行预测检验；

当检验结果满足预设的条件时，将所述完成训练的支持向量机模型作为与遥感反演结果相对应的真实值预测模型。

优选地，在所述利用样本数据中的一部分，对所述支持向量机模型进行训练之前，还包括：

归一化样本数据。

优选地，所述方法还包括：

当所述检验结果不满足预设的条件时，利用所述样本数据，对所述支持向量机模型进行训练，直到所述检验结果满足预设的条件。

优选地，所述样本数据包括：

精度满足要求的遥感反演结果，或者，实测地面真实数据。

一种遥感反演精度检测装置，包括：

模型构建模块，用于依据样本数据，建立与待检测遥感反演结果相对应的真实值预测模型；

预测模块，用于利用所述真实值预测模型，预测与所述待检测遥感反演结果相对应的真实值；

检测模块，用于比较所述遥感反演结果与所述真实值，检测所述遥感反演结果的精度。

优选地，所述模型构建模块包括：

核函数构建单元，用于构建基于径向基核函数的支持向量机模型；

训练单元，用于利用样本数据中的一部分数据，对所述支持向量机模型进行训练；

预测检测单元，用于利用样本数据中的另一部分数据，对完成训练的支持向量机模型进行预测检验；

确定单元，用于当检验结果满足预设的条件时，将所述完成训练的支持向量机模型作为与遥感反演结果相对应的真实值预测模型。

优选地，所述装置还包括：

归一化单元，用于在所述利用样本数据中的一部分，对所述支持向量机模型进行训练之前，归一化样本数据。

优选地，所述装置还包括：

迭代触发单元，用于当所述检验结果不满足预设的条件时，触发所述训练单元，直到所述检验结果满足预设的条件。

本发明实施例所述的遥感反演精度检测方法及装置，依据样本数据建立与待检测遥感反演结果相对应的真实值预测模型，利用所述模块预测出与所述待检测遥感反演结果相对应的真实值，将反演结果与真实值相比较，实现对反演精度的检测，由于不再需要人工实地测量得到真实值，从而在无法进行实地测量时，同样也能够检测遥感反演结果的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种遥感反演精度检测方法的流程图；

图2为本发明实施例公开的又一种遥感反演精度检测方法的流程图；

图3为本发明实施例公开的一种遥感反演精度检测装置的结构示意图。

具体实施方式

本发明公开了一种遥感反演精度检测方法及装置，其核心发明点在于，建立与待检测遥感反演结果相对应的真实值预测模型，使用所述真实值预测模型预测出与待检测遥感反演结果相对应的真实值，从而实现利用所述真实值检测遥感反演结果精度的目的。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种遥感反演精度检测方法，应用于检测遥感反演结果的精度，如图1所示，包括：

S101：依据样本数据，建立与待检测遥感反演结果相对应的真实值预测模型；

其中，样本数据为遥感反演的历史真实值，可以为精度满足要求的遥感反演结果，或者，实测地面真实数据。

与待检测遥感反演结果相对应的真实值预测模型是指，真实值预测模型预测的数据，与待检测遥感反演结果属于同一类型的数据，例如，如果待检测遥感反演结果为全球臭氧总量，则所述真实性预测模型预测出的数据也应为全球臭氧总量。

S102：利用所述真实值预测模型，预测与所述待检测遥感反演结果相对应的真实值；

S103：比较所述遥感反演结果与所述真实值，检测所述遥感反演结果的精度。

本实施例所述的方法，不再需要对遥感区域进行人工实地测量来获取地面真实值，而是使用真实值预测模型预测出地面真实值，因此，当人员无法进入遥感区域时，不会影响对遥感反演结果精度的检测，同时，预测过程不需要人工的介入，因而避免了仪器误差和人员操作误差，能够提高真实值的准确性。

本发明实施例公开的又一种遥感反演精度检测方法，如图2所示，包括：

S201：构建基于径向基核函数的支持向量机模型；

支持向量机为统计学理论基础上建立起来的一种机器学习方法，其基本思想是通过非线性映射

将n维输入向量、l维输出向量：

（x_k,y_k）,x_k∈Rⁿ,y_k∈R,k=1，...,N

从原空间映射到高维特征空间F，在F中构造最优线性回归函数：

ω∈Rⁿ，b∈R

通过对不同核的支持向量机学习算法的分析和仿真实验比较，本发明在实践过程中得出基于径向基核函数的支持向量机在回归估计中，其性能优于基于其它核函数的支持向量机。因此，本实施例中采用径向基核函数构造支持向量机模型。

径向基核函数可以表述为：

$K(x_i,x_j)=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{{2\mathrm{\σ}}^2})$

其中，σ是核函数的参数且σ>0，x_i，x_j分别为n维向量。

另外，支持向量机的推广性能的好坏，很大程度上取决于参数的选择。本实例选用交叉验证方法，如K-fold Cross Validation(K-CV)方法来确定参数。不断调整参数，最终选定使误差最小的参数，得出基于支持向量机的预测模型。

S202：归一化样本数据；

为避免训练时数值计算的困难，提高收敛速度和预测精度，可以对样本数据进行归一化处理，采用的归一化映射如下：

$f:x\→y=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$

式中：x,y∈Rⁿ,x_min=min(x),x_max=max(x)，x为原始样本数据，y为归一化后的样本数据，归一化的结果是使原始数据被归一化到[0，1]的范围内。

S203：利用样本数据中的一部分数据，对所述支持向量机模型进行训练；

S204：利用样本数据中的另一部分数据，对完成训练的支持向量机模型进行预测检验；

S205：判断所述检验结果是否满足预设的条件，如果是，则执行S206，如果否，则执行S203。

S206：将所述完成训练的支持向量机模型作为与遥感反演结果相对应的真实值预测模型；

S207：利用所述真实值预测模型，预测与所述待检测遥感反演结果相对应的真实值；

需要说明的是，本实施例中，在核函数和参数选定的情况下，可以通过Matlab中的SVM工具箱对与所述待检测遥感反演结果相对应的真实值进行预测，但本发明并不限制利用真实值预测模型对真实值进行预测的方法或过程，使用其它方法或其它工具预测真实值的过程，均属于本发明的保护范围。

S208：比较遥感反演结果与所述真实值的相对误差，检测所述遥感反演结果的精度，完成遥感产品的真实性检验。

下面以全球臭氧总量反演结果为例，对上述方法进行举例：

获取1901年至2010年全球臭氧总量的反演结果，并将所述数据归一化，构建基于径向基核函数的支持向量机模型，选择1901—2000年的100个样本作为训练样本对支持向量机模块进行训练，选择2001—2010年的10个样本对所述支持向量机模型进行预测检验，即使用所述支持向量机模型预测2001—2010年的全球臭氧总量，与样本值进行比较，得到检测结果，如果检验结果是否满足预设的条件，则说明支持向量机模型的预测准确性满足要求。在本实施例的实践过程中，经过实验获知：本实施例中建立的支持向量机模型的精度较高，满足预测准确性的要求。

与上述方法实施例相对应的，本发明实施例还公开了一种遥感反演精度检测装置，如图3所示，包括：

模型构建模块301，用于依据样本数据，建立与待检测遥感反演结果相对应的真实值预测模型；

预测模块302，用于利用所述真实值预测模型，预测与所述待检测遥感反演结果相对应的真实值；

检测模块303，用于比较所述遥感反演结果与所述真实值，检测所述遥感反演结果的精度。

本实施例所述的遥感反演精度检测方法，通过预测模型对地面真实值进行预测，而不再需要依据人工进行实地采集或测量真实值，因此，对于不适合人进入的地域，依然能够检测遥感反演结果的精度，并且，还能够避免仪器和人员操作的误差，提高真实值的准确性。

进一步地，本实施例中所述构建模块包括：

核函数构建单元，用于构建基于径向基核函数的支持向量机模型；

训练单元，用于利用样本数据中的一部分数据，对所述支持向量机模型进行训练；

预测检测单元，用于利用样本数据中的另一部分数据，对完成训练的支持向量机模型进行预测检验；

确定单元，用于当检验结果满足预设的条件时，将所述完成训练的支持向量机模型作为与遥感反演结果相对应的真实值预测模型。

进一步地，本实施例中所述装置还可以包括：

归一化单元，用于在所述利用样本数据中的一部分，对所述支持向量机模型进行训练之前，即所述训练单元工作之前，归一化样本数据。

进一步地，本实施例中所述装置还可以包括：

迭代触发单元，用于当所述检验结果不满足预设的条件时，触发所述训练单元，直到所述检验结果满足预设的条件。

即：当预测模型的预测精度不能满足要求时，迭代触发单元触发训练单元进行继续训练。需要说明的是，训练单元可以利用原有的训练样本进行训练，也可以利用新的训练样本进行训练，这里不做限定。

本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备（可以是个人计算机，服务器，移动计算设备或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种遥感反演精度检测方法，其特征在于，包括：

依据样本数据，建立与待检测遥感反演结果相对应的真实值预测模型；

利用所述真实值预测模型，预测与所述待检测遥感反演结果相对应的真实值；

比较所述遥感反演结果与所述真实值，检测所述遥感反演结果的精度。

2.根据权利要求1所述的方法，其特征在于，所述依据样本数据，建立与遥感反演结果相对应的真实值预测模型包括：

构建基于径向基核函数的支持向量机模型；

利用样本数据中的一部分数据，对所述支持向量机模型进行训练；

利用样本数据中的另一部分数据，对完成训练的支持向量机模型进行预测检验；

当检验结果满足预设的条件时，将所述完成训练的支持向量机模型作为与遥感反演结果相对应的真实值预测模型。

3.根据权利要求2所述的方法，其特征在于，在所述利用样本数据中的一部分，对所述支持向量机模型进行训练之前，还包括：

归一化样本数据。

4.根据权利要求2所述的方法，其特征在于，还包括：

当所述检验结果不满足预设的条件时，利用所述样本数据，对所述支持向量机模型进行训练，直到所述检验结果满足预设的条件。

5.根据权利要求2至4任一项所述的方法，其特征在于，所述样本数据包括：

精度满足要求的遥感反演结果，或者，实测地面真实数据。

6.一种遥感反演精度检测装置，其特征在于，包括：

模型构建模块，用于依据样本数据，建立与待检测遥感反演结果相对应的真实值预测模型；

预测模块，用于利用所述真实值预测模型，预测与所述待检测遥感反演结果相对应的真实值；

检测模块，用于比较所述遥感反演结果与所述真实值，检测所述遥感反演结果的精度。

7.根据权利要求6所述的装置，其特征在于，所述模型构建模块包括：

核函数构建单元，用于构建基于径向基核函数的支持向量机模型；

训练单元，用于利用样本数据中的一部分数据，对所述支持向量机模型进行训练；

预测检测单元，用于利用样本数据中的另一部分数据，对完成训练的支持向量机模型进行预测检验；

确定单元，用于当检验结果满足预设的条件时，将所述完成训练的支持向量机模型作为与遥感反演结果相对应的真实值预测模型。

8.根据权利要求7所述的装置，其特征在于，还包括：

归一化单元，用于在所述利用样本数据中的一部分，对所述支持向量机模型进行训练之前，归一化样本数据。

9.根据权利要求7所述的装置，其特征在于，还包括：

迭代触发单元，用于当所述检验结果不满足预设的条件时，触发所述训练单元，直到所述检验结果满足预设的条件。

Images