CN106503090A - 时空约束下任务驱动的遥感影像发现案例推理方法及系统 - Google Patents
时空约束下任务驱动的遥感影像发现案例推理方法及系统 Download PDFInfo
- Publication number
- CN106503090A CN106503090A CN201610889300.9A CN201610889300A CN106503090A CN 106503090 A CN106503090 A CN 106503090A CN 201610889300 A CN201610889300 A CN 201610889300A CN 106503090 A CN106503090 A CN 106503090A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- task
- similarity
- case
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种时空约束下任务驱动的遥感影像发现案例推理方法及系统,包括建立遥感影像应用案例结构模型;建立遥感影像应用案例局部相似性模型和全局相似性模型;建立遥感影像应用案例调整模型;输入任务时,同时指定时间、空间范围,通过遥感影像应用案例相似性模型,获取可能满足该任务的遥感影像产品,并通过遥感影像案例调整模型对其进行扩充,并获得去重后的遥感影像特征参数,最后转化为对遥感影像元数据的查询,以获取遥感影像查询结果。本发明基于案例推理来对任务与遥感影像参数之间的关系进行描述,可有效避免任务与遥感影像参数之间关系在时空因素影响下难以建模的问题。
Description
技术领域
本发明涉及一种遥感影像发现技术领域,尤其是涉及一种任务驱动的遥感影像发现案例推理方法技术方案。
背景技术
遥感信息是对农业、灾害、资源环境、公共安全等重大问题进行宏观决策的依据,是保障国家安全与国民经济建设的基础性、战略性资源。我国正在实施的国家重大专项“高分辨率对地观测系统”提出,要建立天基、临近空间、空基对地观测系统,具备准实时、全天候获取各种空间数据的能力,形成集高空间、高光谱、高时间分辨率和宽地面覆盖于一体的对地观测系统,遥感数据源将不断丰富。遥感民口应用具有涉及部门众多、覆盖面广、需求复杂等特点,如何提供便捷、高效的服务手段,智能满足用户需求,将直接关系到遥感影像的服务效果。
国内外在遥感数据查询、订购服务方面建立了不少实用系统以推进遥感数据的应用,如美国电子政务的Geodata.gov、欧盟的INSPIRE、欧空局的EOLI、日本JAXA的AUIG、我国的地球空间信息共享网等。这些系统可归纳为两大类:1)专业遥感查询订购服务;2)空间信息共享门户。专业遥感查询订购服务需要用户指定卫星传感器参数、数据获取时间、空间范围、产品级别、状态、轨道等检索参数来精确地获取所需影像,需要用户对传感器参数非常熟悉;空间信息共享门户是一种大众化的数据获取方式,一般通过标题、关键词、摘要等特征检索遥感数据,对用户的专业性要求低一些,具有更大的模糊性,但检索的准确度不如前者高。然而,无论是专业遥感查询订购服务还是空间信息共享门户,都侧重于数据本身的属性检索,较少从遥感应用语义出发检索所需数据,例如根据任务“水稻估产”获取所需的影像。而用户则需要更多的知识将任务转化为所需遥感影像参数的查询,这不利于遥感影像的快速获取和服务。
通过任务发现所需的遥感影像,需要有描述任务与遥感影像参数关系的知识支撑。目前,有研究使用本体和规则直接建立起任务和影像数据源之间的关联(Wiegand etal., 2007;杨小忠等,2007),进而通过任务直接获取所需的遥感影像数据,其主要步骤如下:1)建立任务本体;2)建立传感器本体;3)利用本体或者规则直接建立任务本体实例和传感器本体实例的关联;4)输入任务,匹配本体或规则并直接映射到传感器。使用该方法会出现如下问题:1)当新增一个任务时,需要判断新任务和所有已有传感器的映射关系;2)新增一个传感器时,同样需要判断其和所有任务的映射关系。由于本体和规则的建立需要大量领域专家的参与,当任务和传感器数量不断增多时,建立任务和传感器映射的代价也不断增加。3)忽略了时空因素对遥感影像选择的影响,同一任务因时间、地点的不同所使用的遥感影像也可能不同,并且任务与遥感影像参数之间的关系在时空约束下显得非常复杂,较难以规则的形式表达。
发明内容
本发明针对现有技术的缺陷,提出一种任务驱动的遥感影像发现案例推理技术方案。
本发明技术方案提供一种任务驱动的遥感影像发现案例推理方法,包括以下步骤:
步骤1,建立遥感影像应用案例结构模型,所述遥感影像应用案例结构模型是遥感影像应用实例的抽象类,其组成元素包括时间、空间、任务、遥感影像产品及应用效果;
步骤2,建立遥感影像应用案例库,从文献、专著、网站、调研等多种途径按照遥感影像应用案例结构模型收集整理遥感影像应用案例,构建案例库;
步骤3,建立遥感影像应用案例局部相似性度量模型,所述遥感影像应用案例局部相似性度量模型是遥感影像应用案例中时间、空间、任务三元素各自的相似性度量模型;
所述时间相似性度量模型计算方式为如下式所示:
(1)
其中、、分别是时间在单位年、月、日上的衰减因子,一般取值在0~1之间;对于一般任务,两时间间隔越远相似度越低,是以日为单位的两时间距离;对于周期型任务,、、分别是两时间以周期为基准计算的在年、月和日上的距离;
所述空间相似性度量模型计算方式为如下式所示:
其中是尺度衰减因子,取值在0~1之间,是用户查询的观测区与待比较案例的观测区几何形状维度差异系数;几何形状维度按点、线、面依次排列,点与线、点与面的维度差异系数为0,其他情况为1;、分别是用户查询的观测区与案例库中某个案例观测区的面积;当观测区为线状要素时,取其外界矩形的面积;若两观测区都为点状要素时,空间尺度相似性为1;、分别是两空间对象MBR的长度和宽度;
所述任务相似性度量模型计算方式为,记待比较的遥感影像应用任务实例的属性值为、 , , 是属性 的值域;遥感影像应用任务实例的最终相似度是各属性相似度的加权和,如下式所示:
(4)
其中 是属性的权重, 是不同属性数据类型的相似度计算模型;
其中顺序量表属性仅有定性层次的等级排序概念,无绝对零点和相等单位;观测尺度属性取值有小尺度、中尺度、大尺度,即是顺序量表属性;顺序量表属性的相似性计算如下式所示:
(5)
其中指顺序量表属性值域的元素个数, 指属性值在顺序量表中的序号,;
其中数值属性可通过精确的数值或区间来描述特征;周期性具有小时、天、周、月、年五个尺度,通过附加数值可以表征更加精确的属性,如1年或3-4周;由于该属性即有数值也有区间,其相似度也分为点与点、点与区间、区间与区间之间的相似度三种;数值属性的计算方法如下:
在可拓学中,设、为实域 QUOTE 上的任意两点, 、 之距为:
(6)
设 为实域 上的任意一点,有界区间 为实域上任一区间,称
(7)
为点与区间之距;
有界区间 、 为实域上任意两区间,称:
(8)
为区间 、之距;
两个数值型的相似性计算如下式所示:
(9)
其中 、即可以是实数,也可以是区间;是归一化之后的可拓距离;归一化的方法是将 、 归一化到[0,1]区间,且对进行平移使之结果大于0;
布尔属性仅有真和假两个布尔值,如应急性仅具有应急和非应急两个状态;其相似性计算如下式所示:
(10)
枚举属性的计算方法与布尔类型一致;若两属性是同一枚举值,则相似性为1,否则为0,如下式所示:
(11)。
步骤4,建立遥感影像应用案例全局相似性度量模型,所述遥感影像应用案例全局相似性度量模型是遥感影像应用案例中时间、空间、任务三者相似性的加权和;
所述遥感影像应用案例全局相似性度量模型计算方式为如下式所示:
(12)
其中、、分别为时间相似度、空间相似度、遥感应用任务相似度。、、分别是三者的权重系数,总和为1;三个权重的具体取值因遥感应用任务的特点而有所差异,可利用先验知识进行设定。
步骤5,建立遥感影像应用案例调整模型,包括遥感影像产品本体模型,根据用户查询对案例检索结果中的遥感影像产品进行特征调整,使之适应用户查询。
所述遥感影像应用案例调整模型包含内容为:提取初始案例检索结果中的遥感特征参数,将这部分信息抽取去重之后,利用遥感影像产品本体对其进行相似性扩展,可取前top-k个相似产品完善其参数。排序中优先相似案例中已有的产品,扩展的产品为后续,依据相似性高低依次排列。
所述遥感影像产品本体模型将遥感影像产品分为标准产品、高级产品、专题产品以及应用产品;标准产品是0~2级的几何、辐射初级校正产品;高级产品是经过几何、高程等精校正的产品;专题产品则因具体传感器的设计目标不同而有所差异;应用产品则是面向具体应用经过深加工的图件。
步骤6,输入任务、时间、空间,通过步骤3、步骤4定义的相似性模型,从步骤2建立的案例库中寻找相似的遥感影像应用案例,利用步骤5的调整模型对检索到的相似遥感影像应用案例进行调整,获取满足该任务的遥感影像特征参数,并转化为对遥感影像元数据的查询,最终获取遥感影像查询结果。
本发明还提供一种时空约束下任务驱动的遥感影像发现系统,包括以下模块:
案例库模块,用于定义遥感影像应用案例结构模型和建立遥感影像应用案例,所述遥感影像应用案例结构模型是遥感影像应用实例的抽象类,其组成元素包括时间、空间、任务、遥感影像产品及应用效果,所述遥感影像应用案例是遥感影像应用案例结构模型的实例;
案例检索模块,用于建立遥感影像应用案例时间、空间、任务的局部相似性模型及全局相似性模型,并根据该模型检索出与用户查询相似的遥感影像应用案例;
时间相似性度量模型计算方式为如下式所示:
(1)
其中、 、 分别是时间在单位年、月、日上的衰减因子,一般取值在0~1之间;对于一般任务,两时间间隔越远相似度越低, 是以日为单位的两时间距离;对于周期型任务, 、、 分别是两时间以周期为基准计算的在年、月和日上的距离;
所述空间相似性度量模型计算方式为如下式所示:
其中 是尺度衰减因子,取值在0~1之间;是用户查询的观测区与待比较案例的观测区几何形状维度差异系数;几何形状维度按点、线、面依次排列,点与线、点与面的维度差异系数为0,其他情况为1; 、 分别是用户查询的观测区与案例库中某个案例观测区的面积;当观测区为线状要素时,取其外界矩形的面积;若两观测区都为点状要素时,空间尺度相似性为1; 、 分别是两空间对象MBR的长度和宽度;
所述任务相似性度量模型计算方式为,记待比较的遥感影像应用任务实例的属性值为、 , , 是属性的值域;遥感影像应用任务实例的最终相似度是各属性相似度的加权和,如下式所示:
(4)
其中是属性的权重,是不同属性数据类型的相似度计算模型;
其中顺序量表属性仅有定性层次的等级排序概念,无绝对零点和相等单位;观测尺度属性取值有小尺度、中尺度、大尺度,即是顺序量表属性;顺序量表属性的相似性计算如下式所示:
(5)
其中指顺序量表属性值域的元素个数,指属性值在顺序量表中的序号,;
其中数值属性可通过精确的数值或区间来描述特征;周期性具有小时、天、周、月、年五个尺度,通过附加数值可以表征更加精确的属性,如1年或3-4周;由于该属性即有数值也有区间,其相似度也分为点与点、点与区间、区间与区间之间的相似度三种;数值属性的计算方法如下:
在可拓学中,设 、 为实域上的任意两点, 、 之距为:
(6)
设 QUOTE 为实域 QUOTE 上的任意一点,有界区间为实域上任一区间,称
(7)
为点 与区间之距;
有界区间 、 为实域上任意两区间,称:
(8)
为区间 、 之距;
两个数值型的相似性计算如下式所示:
(9)
其中、 即可以是实数,也可以是区间;是归一化之后的可拓距离;归一化的方法是将、归一化到[0,1]区间,且对进行平移使之结果大于0;
布尔属性仅有真和假两个布尔值,如应急性仅具有应急和非应急两个状态;其相似性计算如下式所示:
(10)
枚举属性的计算方法与布尔类型一致;若两属性是同一枚举值,则相似性为1,否则为0,如下式所示:
(11)
所述遥感影像应用案例全局相似性度量模型计算方式为如下式所示:
(12)
其中、、 分别为时间相似度、空间相似度、遥感应用任务相似度; 、 、分别是三者的权重系数,总和为1;三个权重的具体取值因遥感应用任务的特点而有所差异,可利用先验知识进行设定。
案例调整模块,用于建立遥感影像应用案例调整模型,所述遥感影像应用案例调整模型包含内容为:提取初始案例检索结果中的遥感特征参数,将这部分信息抽取去重之后,利用遥感影像产品本体对其进行相似性扩展,可取前top-k个相似产品完善其参数。排序中优先相似案例中已有的产品,扩展的产品为后续,依据相似性高低依次排列。
因此,本发明基于案例推理来对任务与遥感影像参数之间的关系进行描述,可有效避免任务与遥感影像参数之间关系在时空因素影响下难以建模的问题,具体包括:
(1)利用案例推理作为任务和遥感影像参数的中间层,可以顾及时空约束的影响并降低任务与传感器之间关系的耦合性,减少维护的代价;
(2)遥感影像应用案例易于收集,推理过程和推理结果利于理解,便于更新,且描述形式简单,计算方便。
附图说明
图1是本发明实施例的检索流程图。
图2是本发明实施例的遥感影像应用案例结构模型图。
图3是本发明实施例的遥感影像应用案例库建立流程图。
图4是本发明实施例的遥感影像产品本体模型示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
首先介绍一下本发明所用到的理论基础。
基于案例的推理是人工智能中新崛起的一种重要推理技术。基于案例的推理思想起源于认知科学,是在记忆模型基础之上发展起来的一种人工智能和机器学习方法。案例是过去解决问题的经验,可表示成不同的形式,包括结构化、半结构化甚至自然语言的形式。案例库是一系列案例的集合。CBR以当前的新问题以及案例库中的案例为数据源,通过推理给出新问题的解决方案。
CBR技术是人们在不断研究人类认知,并且在认知科学和计算机科学方面取得的成果,对人类的过去经验和前人智慧进行重现,并利用它们指导解决新问题。基于案例推理特别适用于领域知识难以抽象成规则,而积累经验丰富可表示成案例形式的领域。
基于案例的推理技术是人工智能认知学派的基于类比的知识推理方法。钱学森教授认为人类思维一般分为三类:抽象思维、形象思维以及灵感思维。类比、联想是形象思维的一种,也是人们解决问题的常用思维方式。所谓类比,就是通过寻找与确定两个或两类事物之间的对应关系,根据其中一方的特征和规律来推测另一方的特征和规律。类比推理是通过寻找过去同类问题的解决方法,来解决当前问题的一种推理模式,是从特殊到特殊的推理过程。
有源对象以及目标对象分别为、。有相似度函数建立起两者之间的属性、关系映射,以及相似度阈值。若,则称与相似,记为 。
类比推理的基础是相似性原理,即相似的问题有相似的解决方法,类比推理过程可以形式化描述如下:
有 ;
S的结论或求解策略为;
则 。
是在与相似的基础上,引入或修改 的部分得到的。
类比推理推理过程中,问题描述和结论或解决方案都是类比的对象。由于类比过程是一种模糊的比较过程,因此类比推理具有一定的创造性,可以在知识不完备、对问题的认识不全面的情况下得出待证的结论。但也由于类比推理的前提知识不完全,类比的结论可能有效,也可能无效。因此需要对结论进行验证,检验其正确性。这也是类比推理与传统逻辑推理、规则推理区别较大的地方。
CBR方法的建立有四个假设(Kolodner, 1993):
1)正则性,即相同的情况下执行相同的行为或操作,通常会导致相同或相似的结果;
2)典型性,问题和事件重复发生的可能性很高,将来的问题或事件与过去的问题和时间很可能是相似的;
3)一致性,又称相对稳定性,即如果问题发生的情况发生了小变动,其解决方式也只需稍作改动;
4)易调整性,尽管现实世界中问题和事件很少完全重复,但两个问题和事件差别很小的情况是很常见的,较小的差别容易通过较小的调整来解决。
CBR的问题求解方式与人类求解问题的方式较相一致,相比基于规则、模型的专家系统,其具有简化知识获取、提高求解效率、改善求解质量、进行知识积累等优点(Aamodtet al., 1994)。其兴起的原因之一也是传统基于规则的系统存在知识获取瓶颈、对于处理过的问题没有记忆、处理例外问题困难等不足,因此其非常适用于模型和领域知识难以定义或定义不一致而经验丰富的决策环境中,能够在无法获取机理模型、确定规则或统计模型时,利用隐含着难以提取规则的知识片段的案例,通过采用相似性推理实现问题的求解和预测,不仅可以学习正面的经验,还可以学习反面的经验,成为了结构不良或结构复杂领域的理想的推理方法。
接下来,阐述本发明的具体技术方案。
参见图1,本发明实施例所提供方法主要包括以下步骤:
步骤1,建立遥感影像应用案例结构模型,所述遥感影像应用案例结构模型是遥感影像应用实例的抽象类,包含其组成元素包括时间、空间、任务、遥感影像产品及应用效果;
实施例建立的遥感影像应用案例结构模型参见图2,遥感影像应用案例由问题描述、解决方案、解决效果三大部分组成,其中问题描述部分包括时间、空间及任务;解决方案部分包括影像特征参数;解决效果包括应用效果,包括定性效果和定量效果。定性效果如可行、可用、不行等,定量效果如分类精度等。每个遥感影像应用案例包含一个问题描述、一个解决方案以及一个解决效果。每个问题描述包含一个时间元素、一个空间元素、一个任务元素。每个解决方案包括一个或多个遥感影像产品。每个应用效果包括一个应用效果。
步骤2,建立遥感影像应用案例库,从文献、专著、网站、调研等多种途径按照遥感影像应用案例结构模型收集整理遥感影像应用案例,构建案例库;
实施例建立的遥感影像应用案例库建立流程参见图3,首先收集包含遥感影像应用案例的文献、专著、网站等资料,也可通过调研、专家访谈等方式获取相关资料;对这些资料进行分析整理,抽取遥感影像应用案例元素,包括时间、空间、任务、遥感影像产品、应用效果,构建遥感影像应用案例库。
步骤3,建立遥感影像应用案例局部相似性度量模型,所述遥感影像应用案例局部相似性度量模型是遥感影像应用案例中时间、空间、任务三元素各自的相似性度量模型;
所述时间相似性度量模型计算方式为如下式所示:
(1)
其中、、分别是时间在单位年、月、日上的衰减因子,一般取值在0~1之间;对于一般任务,两时间间隔越远相似度越低,是以日为单位的两时间距离;对于周期型任务,、、分别是两时间以周期为基准计算的在年、月和日上的距离;
所述空间相似性度量模型计算方式为如下式所示:
其中是尺度衰减因子,取值在0~1之间,是用户查询的观测区与待比较案例的观测区几何形状维度差异系数;几何形状维度按点、线、面依次排列,点与线、点与面的维度差异系数为0,其他情况为1;、分别是用户查询的观测区与案例库中某个案例观测区的面积;当观测区为线状要素时,取其外界矩形的面积;若两观测区都为点状要素时,空间尺度相似性为1;、分别是两空间对象MBR的长度和宽度;
所述任务相似性度量模型计算方式为,记待比较的遥感影像应用任务实例的属性值为、 , , 是属性 的值域;遥感影像应用任务实例的最终相似度是各属性相似度的加权和,如下式所示:
(4)
其中 是属性的权重, 是不同属性数据类型的相似度计算模型;
其中顺序量表属性仅有定性层次的等级排序概念,无绝对零点和相等单位;观测尺度属性取值有小尺度、中尺度、大尺度,即是顺序量表属性;顺序量表属性的相似性计算如下式所示:
(5)
其中指顺序量表属性值域的元素个数,指属性值在顺序量表中的序号,;
其中数值属性可通过精确的数值或区间来描述特征;周期性具有小时、天、周、月、年五个尺度,通过附加数值可以表征更加精确的属性,如1年或3-4周;由于该属性即有数值也有区间,其相似度也分为点与点、点与区间、区间与区间之间的相似度三种;数值属性的计算方法如下:
在可拓学中,设、为实域 QUOTE 上的任意两点, 、 之距为:
(6)
设 为实域 上的任意一点,有界区间 为实域上任一区间,称
(7)
为点与区间之距;
有界区间 、 为实域上任意两区间,称:
(8)
为区间 、之距;
两个数值型的相似性计算如下式所示:
(9)
其中 、即可以是实数,也可以是区间;是归一化之后的可拓距离;归一化的方法是将 、 归一化到[0,1]区间,且对进行平移使之结果大于0;
布尔属性仅有真和假两个布尔值,如应急性仅具有应急和非应急两个状态;其相似性计算如下式所示:
(10)
枚举属性的计算方法与布尔类型一致;若两属性是同一枚举值,则相似性为1,否则为0,如下式所示:
(11)。
步骤4,建立遥感影像应用案例全局相似性度量模型,所述遥感影像应用案例全局相似性度量模型是遥感影像应用案例中时间、空间、任务三者相似性的加权和;
所述遥感影像应用案例全局相似性度量模型计算方式为如下式所示:
(12)
其中、、分别为时间相似度、空间相似度、遥感应用任务相似度。、、分别是三者的权重系数,总和为1;三个权重的具体取值因遥感应用任务的特点而有所差异,可利用先验知识进行设定。
步骤5,建立遥感影像应用案例调整模型,包括遥感影像产品本体模型,根据用户查询对案例检索结果中的遥感影像产品进行特征调整,使之适应用户查询。
所述遥感影像应用案例调整模型包含内容为:提取初始案例检索结果中的遥感特征参数,将这部分信息抽取去重之后,利用遥感影像产品本体对其进行相似性扩展,可取前top-k个相似产品完善其参数。排序中优先相似案例中已有的产品,扩展的产品为后续,依据相似性高低依次排列。
实施例建立的遥感影像产品本体示意图参见图4,一般情况下可将遥感影像产品分为标准产品、高级产品、专题产品以及应用产品。标准产品是0~2级的几何、辐射初级校正产品。高级产品是经过几何、高程等精校正的产品。专题产品则因具体传感器的设计目标不同而有所差异。应用产品则是面向具体应用经过深加工的图件,通常还辅以文字报告。
专题图件以其传感器的特色形成了标准化的系列产品,能够直接获取并具有较快速的应用效果。常见的专题图件产品可再分为陆地专题产品、大气专题产品、海洋专题产品以及空间环境专题产品。典型的陆地专题产品包括生物物理参数产品(植被指数、叶面积指数、初级生产力等数据产品)、地表物理参数产品(地表蒸散量、土壤含水量、地表反射率等数据产品)、景观生态指数产品(景观破碎度产品、景观丰富度指数产品、景观优势度指数产品、生物丰度指数等各种产品)等。
步骤6,输入任务、时间、空间,通过步骤3、4定义的相似性模型,从步骤2建立的案例库中寻找相似的遥感影像应用案例,利用步骤5的调整模型对检索到的相似遥感影像应用案例进行调整,获取满足该任务的遥感影像特征参数,并转化为对遥感影像元数据的查询,最终获取遥感影像查询结果。
本发明还提供一种时空约束下的任务驱动的遥感影像发现案例推理系统,包括以下模块:
案例库模块,用于定义遥感影像应用案例结构模型和建立遥感影像应用案例,所述遥感影像应用案例结构模型是遥感影像应用实例的抽象类,其组成元素包括时间、空间、任务、遥感影像产品及应用效果,所述遥感影像应用案例是遥感影像应用案例结构模型的实例;
案例检索模块,用于建立遥感影像应用案例时间、空间、任务的局部相似性模型及全局相似性模型,并根据该模型检索出与用户查询相似的遥感影像应用案例;
时间相似性度量模型计算方式为如下式所示:
(1)
其中、 、 分别是时间在单位年、月、日上的衰减因子,一般取值在0~1之间;对于一般任务,两时间间隔越远相似度越低, 是以日为单位的两时间距离;对于周期型任务, 、、 分别是两时间以周期为基准计算的在年、月和日上的距离;
所述空间相似性度量模型计算方式为如下式所示:
其中 是尺度衰减因子,取值在0~1之间;是用户查询的观测区与待比较案例的观测区几何形状维度差异系数;几何形状维度按点、线、面依次排列,点与线、点与面的维度差异系数为0,其他情况为1; 、 分别是用户查询的观测区与案例库中某个案例观测区的面积;当观测区为线状要素时,取其外界矩形的面积;若两观测区都为点状要素时,空间尺度相似性为1; 、 分别是两空间对象MBR的长度和宽度;
所述任务相似性度量模型计算方式为,记待比较的遥感影像应用任务实例的属性值为、 , , 是属性的值域;遥感影像应用任务实例的最终相似度是各属性相似度的加权和,如下式所示:
(4)
其中是属性的权重,是不同属性数据类型的相似度计算模型;
其中顺序量表属性仅有定性层次的等级排序概念,无绝对零点和相等单位;观测尺度属性取值有小尺度、中尺度、大尺度,即是顺序量表属性;顺序量表属性的相似性计算如下式所示:
(5)
其中指顺序量表属性值域的元素个数,指属性值在顺序量表中的序号,;
其中数值属性可通过精确的数值或区间来描述特征;周期性具有小时、天、周、月、年五个尺度,通过附加数值可以表征更加精确的属性,如1年或3-4周;由于该属性即有数值也有区间,其相似度也分为点与点、点与区间、区间与区间之间的相似度三种;数值属性的计算方法如下:
在可拓学中,设 、 为实域上的任意两点, 、 之距为:
(6)
设 QUOTE 为实域 QUOTE 上的任意一点,有界区间为实域上任一区间,称
(7)
为点 与区间之距;
有界区间 、 为实域上任意两区间,称:
(8)
为区间 、 之距;
两个数值型的相似性计算如下式所示:
(9)
其中、 即可以是实数,也可以是区间;是归一化之后的可拓距离;归一化的方法是将、归一化到[0,1]区间,且对进行平移使之结果大于0;
布尔属性仅有真和假两个布尔值,如应急性仅具有应急和非应急两个状态;其相似性计算如下式所示:
(10)
枚举属性的计算方法与布尔类型一致;若两属性是同一枚举值,则相似性为1,否则为0,如下式所示:
(11)
所述遥感影像应用案例全局相似性度量模型计算方式为如下式所示:
(12)
其中、、 分别为时间相似度、空间相似度、遥感应用任务相似度; 、 、分别是三者的权重系数,总和为1;三个权重的具体取值因遥感应用任务的特点而有所差异,可利用先验知识进行设定。
案例调整模块,用于建立遥感影像应用案例调整模型,所述遥感影像应用案例调整模型包含内容为:提取初始案例检索结果中的遥感特征参数,将这部分信息抽取去重之后,利用遥感影像产品本体对其进行相似性扩展,可取前top-k个相似产品完善其参数。排序中优先相似案例中已有的产品,扩展的产品为后续,依据相似性高低依次排列。
可以预先进行步骤1~2构建遥感影像应用案例库,在需要查询时输入任务、时间、空间。实施例的步骤3~6中通过任务获取满足该任务的遥感影像的具体方法如下:首先根据遥感影像应用案例局部相似性模型和全局相似性模型获取与查询相似的遥感影像应用案例,该过程中需要输入任务的观测空间、时间范围,若空间、时间范围为空则取默认值;然后由案例调整模型获取可能的遥感影像产品信息,并通过遥感影像产品本体模型对其进行扩充;对输出的遥感影像产品提取特征参数,并转化为遥感影像元数据的查询,获取遥感影像查询结果。
具体实施时,以上流程可采用计算机软件技术实现自动运行,也可以采用模块化方式提供相应系统。本发明实施例提供一种时空约束下的任务驱动的遥感影像发现案例推理系统,包括以下模块:
案例库模块,用于定义遥感影像应用案例结构模型和建立遥感影像应用案例,所述遥感影像应用案例结构模型是遥感影像应用实例的抽象类,其组成元素包括时间、空间、任务、遥感影像产品及应用效果,所述遥感影像应用案例是遥感影像应用案例结构模型的实例;
案例检索模块,用于建立遥感影像应用案例时间、空间、任务的局部相似性模型及全局相似性模型,并根据该模型检索出与用户查询相似的遥感影像应用案例;
案例调整模块,用于建立遥感影像应用案例调整模型,所述遥感影像应用案例调整模型包含内容为:提取初始案例检索结果中的遥感影像产品信息,将这部分信息抽取去重之后,利用遥感影像产品本体对其进行相似性扩展,可取前top-k个相似产品完善其参数。排序中优先相似案例中已有的产品,扩展的产品为后续,依据相似性高低依次排列。
可以预先进行步骤1~2构建遥感影像应用案例库,在需要查询时输入任务、时间、空间。实施例的步骤3~6中通过任务获取满足该任务的遥感影像的具体方法如下:首先根据遥感影像应用案例局部相似性模型和全局相似性模型获取与查询相似的遥感影像应用案例,该过程中需要输入任务的观测空间、时间范围,若空间、时间范围为空则取默认值;然后由案例调整模型获取可能的遥感影像产品参数信息,并通过遥感影像产品本体模型对其进行扩充;对输出的遥感影像产品提取特征参数,并转化为遥感影像元数据的查询,获取遥感影像查询结果。
各模块实现可参见相应步骤,本发明不予赘述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.时空约束下任务驱动的遥感影像发现案例推理方法,其特征在于,包括以下步骤:
步骤1,建立遥感影像应用案例结构模型,所述遥感影像应用案例结构模型是遥感影像应用实例的抽象类,其组成元素包括时间、空间、任务、遥感影像产品及应用效果;
步骤2,建立遥感影像应用案例库,从文献、专著、网站、调研等多种途径按照遥感影像应用案例结构模型收集整理遥感影像应用案例,构建案例库;
步骤3,建立遥感影像应用案例局部相似性度量模型,所述遥感影像应用案例局部相似性度量模型是遥感影像应用案例中时间、空间、任务三元素各自的相似性度量模型;
步骤4,建立遥感影像应用案例全局相似性度量模型,所述遥感影像应用案例全局相似性度量模型是遥感影像应用案例中时间、空间、任务三者相似性的加权和;
步骤5,建立遥感影像应用案例调整模型,包括遥感影像产品本体模型,根据用户查询对案例检索结果中的遥感影像产品进行特征调整,使之适应用户查询;
步骤6,输入任务、时间、空间,通过步骤3、步骤4定义的相似性模型,从步骤2建立的案例库中寻找相似的遥感影像应用案例,利用步骤5的调整模型对检索到的相似遥感影像应用案例进行调整,获取满足该任务的遥感影像特征参数,并转化为对遥感影像元数据的查询,最终获取遥感影像查询结果。
2.根据权利要求1所述时空约束下任务驱动的遥感影像发现案例推理方法,其特征在于:时间相似性度量模型计算方式为如下式所示:
(1)
其中、、分别是时间在单位年、月、日上的衰减因子,一般取值在0~1之间;对于一般任务,两时间间隔越远相似度越低,是以日为单位的两时间距离;对于周期型任务,、、分别是两时间以周期为基准计算的在年、月和日上的距离;
所述空间相似性度量模型计算方式为如下式所示:
其中是尺度衰减因子,取值在0~1之间,是用户查询的观测区与待比较案例的观测区几何形状维度差异系数;几何形状维度按点、线、面依次排列,点与线、点与面的维度差异系数为0,其他情况为1;、分别是用户查询的观测区与案例库中某个案例观测区的面积;当观测区为线状要素时,取其外界矩形的面积;若两观测区都为点状要素时,空间尺度相似性为1;、分别是两空间对象MBR的长度和宽度;
所述任务相似性度量模型计算方式为,记待比较的遥感影像应用任务实例的属性值为、 , ,是属性 的值域;遥感影像应用任务实例的最终相似度是各属性相似度的加权和,如下式所示:
(4)
其中是属性的权重,是不同属性数据类型的相似度计算模型;
其中顺序量表属性仅有定性层次的等级排序概念,无绝对零点和相等单位;观测尺度属性取值有小尺度、中尺度、大尺度,即是顺序量表属性;顺序量表属性的相似性计算如下式所示:
(5)
其中指顺序量表属性值域的元素个数,指属性值在顺序量表中的序号,;
其中数值属性可通过精确的数值或区间来描述特征;周期性具有小时、天、周、月、年五个尺度,通过附加数值可以表征更加精确的属性,如1年或3-4周;由于该属性即有数值也有区间,其相似度也分为点与点、点与区间、区间与区间之间的相似度三种;数值属性的计算方法如下:
在可拓学中,设、为实域 QUOTE 上的任意两点, 、 之距为:
(6)
设 为实域 上的任意一点,有界区间 为实域上任一区间,称
(7)
为点与区间之距;
有界区间、为实域上任意两区间,称:
(8)
为区间、之距;
两个数值型的相似性计算如下式所示:
(9)
其中 、即可以是实数,也可以是区间;是归一化之后的可拓距离;归一化的方法是将、归一化到[0,1]区间,且对进行平移使之结果大于0;
布尔属性仅有真和假两个布尔值,如应急性仅具有应急和非应急两个状态;其相似性计算如下式所示:
(10)
枚举属性的计算方法与布尔类型一致;若两属性是同一枚举值,则相似性为1,否则为0,如下式所示:
(11)
所述遥感影像应用案例全局相似性度量模型计算方式为如下式所示:
(12)
其中 、、分别为时间相似度、空间相似度、遥感应用任务相似度;、 、分别是三者的权重系数,总和为1;三个权重的具体取值因遥感应用任务的特点而有所差异,可利用先验知识进行设定。
3.根据权利要求1所述时空约束下任务驱动的遥感影像发现案例推理方法,其特征在于:所述的遥感影像产品本体模型将遥感影像产品分为标准产品、高级产品、专题产品以及应用产品;标准产品是0~2级的几何、辐射初级校正产品;高级产品是经过几何、高程等精校正的产品;专题产品则因具体传感器的设计目标不同而有所差异;应用产品则是面向具体应用经过深加工的图件。
4.一种时空约束下任务驱动的遥感影像发现案例推理系统,其特征在于,包括以下模块:
案例库模块,用于定义遥感影像应用案例结构模型和建立遥感影像应用案例,所述遥感影像应用案例结构模型是遥感影像应用实例的抽象类,其组成元素包括时间、空间、任务、遥感影像产品及应用效果,所述遥感影像应用案例是遥感影像应用案例结构模型的实例;
案例检索模块,用于建立遥感影像应用案例时间、空间、任务的局部相似性模型及全局相似性模型,并根据该模型检索出与用户查询相似的遥感影像应用案例;
案例调整模块,用于建立遥感影像应用案例调整模型,所述遥感影像应用案例调整模型包含内容为:提取初始案例检索结果中的遥感特征参数,将这部分信息抽取去重之后,利用遥感影像产品本体对其进行相似性扩展,可取前top-k个相似产品完善其参数;排序中优先相似案例中已有的产品,扩展的产品为后续,依据相似性高低依次排列。
5.根据权利要求4所述时空约束下任务驱动的遥感影像发现案例推理系统,其特征在于:时间相似性度量模型计算方式为如下式所示:
(1)
其中、 、分别是时间在单位年、月、日上的衰减因子,一般取值在0~1之间;对于一般任务,两时间间隔越远相似度越低,是以日为单位的两时间距离;对于周期型任务,、、 分别是两时间以周期为基准计算的在年、月和日上的距离;
所述空间相似性度量模型计算方式为如下式所示:
其中是尺度衰减因子,取值在0~1之间;是用户查询的观测区与待比较案例的观测区几何形状维度差异系数;几何形状维度按点、线、面依次排列,点与线、点与面的维度差异系数为0,其他情况为1;、分别是用户查询的观测区与案例库中某个案例观测区的面积;当观测区为线状要素时,取其外界矩形的面积;若两观测区都为点状要素时,空间尺度相似性为1;、分别是两空间对象MBR的长度和宽度;
所述任务相似性度量模型计算方式为,记待比较的遥感影像应用任务实例的属性值为、,,是属性的值域;遥感影像应用任务实例的最终相似度是各属性相似度的加权和,如下式所示:
(4)
其中是属性的权重,是不同属性数据类型的相似度计算模型;
其中顺序量表属性仅有定性层次的等级排序概念,无绝对零点和相等单位;观测尺度属性取值有小尺度、中尺度、大尺度,即是顺序量表属性;顺序量表属性的相似性计算如下式所示:
(5)
其中指顺序量表属性值域的元素个数,指属性值在顺序量表中的序号,;
其中数值属性可通过精确的数值或区间来描述特征;周期性具有小时、天、周、月、年五个尺度,通过附加数值可以表征更加精确的属性,如1年或3-4周;由于该属性即有数值也有区间,其相似度也分为点与点、点与区间、区间与区间之间的相似度三种;数值属性的计算方法如下:
在可拓学中,设 、 为实域上的任意两点,、之距为:
(6)
设 QUOTE 为实域 QUOTE 上的任意一点,有界区间为实域上任一区间,称
(7)
为点 与区间之距;
有界区间、 为实域上任意两区间,称:
(8)
为区间 、之距;
两个数值型的相似性计算如下式所示:
(9)
其中、 即可以是实数,也可以是区间;是归一化之后的可拓距离;归一化的方法是将、归一化到[0,1]区间,且对进行平移使之结果大于0;
布尔属性仅有真和假两个布尔值,如应急性仅具有应急和非应急两个状态;其相似性计算如下式所示:
(10)
枚举属性的计算方法与布尔类型一致;若两属性是同一枚举值,则相似性为1,否则为0,如下式所示:
(11)
所述遥感影像应用案例全局相似性度量模型计算方式为如下式所示:
(12)
其中、、分别为时间相似度、空间相似度、遥感应用任务相似度; 、、分别是三者的权重系数,总和为1;三个权重的具体取值因遥感应用任务的特点而有所差异,可利用先验知识进行设定。
6.根据权利要求4所述时空约束下任务驱动的遥感影像发现案例推理系统,其特征在于:遥感影像产品本体模型将遥感影像产品分为标准产品、高级产品、专题产品以及应用产品;标准产品是0~2级的几何、辐射初级校正产品;高级产品是经过几何、高程等精校正的产品;专题产品则因具体传感器的设计目标不同而有所差异;应用产品则是面向具体应用经过深加工的图件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610889300.9A CN106503090B (zh) | 2016-10-12 | 2016-10-12 | 一种任务驱动的遥感影像发现案例推理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610889300.9A CN106503090B (zh) | 2016-10-12 | 2016-10-12 | 一种任务驱动的遥感影像发现案例推理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106503090A true CN106503090A (zh) | 2017-03-15 |
CN106503090B CN106503090B (zh) | 2020-01-21 |
Family
ID=58293965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610889300.9A Active CN106503090B (zh) | 2016-10-12 | 2016-10-12 | 一种任务驱动的遥感影像发现案例推理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503090B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737958A (zh) * | 2020-06-05 | 2020-10-02 | 中国科学院空天信息创新研究院 | 一种遥感模型数据标准化处理方法 |
CN113378476A (zh) * | 2021-06-28 | 2021-09-10 | 武汉大学 | 一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法 |
CN114842184A (zh) * | 2022-03-10 | 2022-08-02 | 武汉大学 | 一种基于质量分级和时空约束的全覆盖遥感影像筛选方法 |
CN115017354A (zh) * | 2022-06-23 | 2022-09-06 | 郑州大学 | 一种时空约束下任务驱动的遥感影像元数据语义推理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956375A (zh) * | 2016-04-25 | 2016-09-21 | 武汉大学 | 一种基于领域本体的遥感对地观测需求模型建立方法 |
-
2016
- 2016-10-12 CN CN201610889300.9A patent/CN106503090B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956375A (zh) * | 2016-04-25 | 2016-09-21 | 武汉大学 | 一种基于领域本体的遥感对地观测需求模型建立方法 |
Non-Patent Citations (3)
Title |
---|
XU CHEN,ETAL: "Acquiring Stored or Real Time Satellite Data via Natural Language Query", 《WEB TECHNOLOGIES AND APPLICATIONS:SPRINGER》 * |
刘鹏 等: "基于遥感案例推理的海岸带养殖信息提取", 《遥感技术与应用》 * |
杜云艳 等: "空间数据挖掘的地理案例推理方法及试验", 《地理研究》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737958A (zh) * | 2020-06-05 | 2020-10-02 | 中国科学院空天信息创新研究院 | 一种遥感模型数据标准化处理方法 |
CN111737958B (zh) * | 2020-06-05 | 2023-06-30 | 中国科学院空天信息创新研究院 | 一种遥感模型数据标准化处理方法 |
CN113378476A (zh) * | 2021-06-28 | 2021-09-10 | 武汉大学 | 一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法 |
CN114842184A (zh) * | 2022-03-10 | 2022-08-02 | 武汉大学 | 一种基于质量分级和时空约束的全覆盖遥感影像筛选方法 |
CN114842184B (zh) * | 2022-03-10 | 2024-07-26 | 武汉大学 | 一种基于质量分级和时空约束的全覆盖遥感影像筛选方法 |
CN115017354A (zh) * | 2022-06-23 | 2022-09-06 | 郑州大学 | 一种时空约束下任务驱动的遥感影像元数据语义推理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106503090B (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | A survey on trajectory data mining: Techniques and applications | |
Luan et al. | Partition-based collaborative tensor factorization for POI recommendation | |
Li et al. | Spatial data mining | |
Ding et al. | IoT‐SVKSearch: a real‐time multimodal search engine mechanism for the internet of things | |
Yu et al. | Trajectory outlier detection approach based on common slices sub-sequence | |
CN104318340A (zh) | 基于文本履历信息的信息可视化方法及智能可视分析系统 | |
CN106503090A (zh) | 时空约束下任务驱动的遥感影像发现案例推理方法及系统 | |
Wang et al. | Preference-based spatial co-location pattern mining | |
Ding et al. | A hybrid search engine framework for the internet of things based on spatial-temporal, value-based, and keyword-based conditions | |
CN113886596A (zh) | 基于城市要素和多灾害融合的韧性城市知识图谱构建方法 | |
CN113505234A (zh) | 一种生态文明地理知识图谱的构建方法 | |
CN114444794A (zh) | 基于双注意力图嵌入网络的出行意图预测方法 | |
Chen et al. | Application and development of big data in sustainable utilization of soil and land resources | |
Chen | Delineating the spatial boundaries of megaregions in China: A city network perspective | |
Cao et al. | Effective spatio-temporal semantic trajectory generation for similar pattern group identification | |
Zhang et al. | A Dynamic Interval‐Valued Intuitionistic Fuzzy Sets Applied to Pattern Recognition | |
CN115577519A (zh) | 基于本体和知识图谱的双层次多重时空耦合建模方法 | |
Onuoha et al. | Analysis of urban growth pattern in Edwardsville/Glen carbon, Illinois, using remote sensing, population change data, and landscape expansion index | |
Zheng et al. | A unified management framework for EIoT systems based on metadata and event detection | |
CN113032504A (zh) | 村镇社区公共服务时空数据汇聚方法及装置 | |
Lu et al. | Geographic information system query optimisation algorithm based on redundant data deletion and filtering technology | |
Xu | Sequence analysis and feature extraction of sports images using recurrent neural network | |
CN106528637B (zh) | 一种支持时空语义对象的遥感影像应用案例调整方法 | |
El Hatimi et al. | Quality assessment in volunteered geographic information for risk management applications | |
Xu et al. | A poi classification semantic annotation algorithm based on hmm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |