CN107944115A - 生态参量地面无线联网观测中的不确定性综合测度方法 - Google Patents
生态参量地面无线联网观测中的不确定性综合测度方法 Download PDFInfo
- Publication number
- CN107944115A CN107944115A CN201711143703.XA CN201711143703A CN107944115A CN 107944115 A CN107944115 A CN 107944115A CN 201711143703 A CN201711143703 A CN 201711143703A CN 107944115 A CN107944115 A CN 107944115A
- Authority
- CN
- China
- Prior art keywords
- observation
- uncertain
- wireless networking
- scale
- data
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明涉及无线传感网观测技术领域,尤其是生态参量地面无线联网观测中的不确定性综合测度方法。该测度方法包括以下步骤:1)数据收集;2)数据预处理;3)基于高斯过程回归的转换模型构建;4)观测不确定性、升尺度不确定性的综合测度。本发明通过贝叶斯范式,提出一种地面观测和升尺度的不确定性综合测度模型,通过严谨的数学模型,清晰地描述了不确定性的传递过程,具备业务化运行能力,并且可以对无线联网自动观测的布设和优化提供反馈信息,从而满足遥感定量产品验证、区域生态模型驱动对生态参量参考图不确定性测度的现实需求。
Description
技术领域
本发明涉及无线传感网观测技术领域,尤其是生态参量地面无线联网观测中的不确定性综合测度方法。
背景技术
受益于物联网技术的蓬勃发展,生态参量的地面无线联网观测已经成为现实。相比于传统人工测量方式,地面无线联网观测具有空间分布、时间连续的优势,可以详细刻画生态参量的空间异质性和时间变化规律。基于地面无线联网观测数据,借助一定转换模型升尺度得到的高分辨率生态参量参考图,已经在遥感定量产品验证、区域生态模型驱动等领域取得广泛应用。
地面观测和升尺度过程是决定生态参量参考图精度的两个最为重要的环节,而生态参量参考图的不确定性直接影响其应用效果。目前,对测量精度的测度大多由仪器生产商完成,且只能对所有传感器给出一个统一的置信区间,而无法定量刻画单个传感器的精度,并且无法分析各传感器精度的时变特征;对升尺度过程的不确定性度量大多采用升尺度结果与测量结果比对的方式,整个生态参量参考图只能给出总体精度(常用指标如均方根误差和相关系数等),无法得到逐像元的不确定性度量。此外,目前对观测和升尺度不确定的度量大多分开进行,无法借助统一的数学框架来描述不确定性的传递过程。
发明内容
本发明要解决的技术问题是:为了解决现有的观测方法无法通过统一数学框架来描述不确定性传递过程的不足,本发明提供了一种生态参量地面无线联网观测中的不确定性综合测度方法。通过贝叶斯范式,提出一种观测和升尺度不确定性综合测度模型,通过严谨的数学模型,清晰描述不确定性传递过程。本方法具备业务化运行能力,并且可以对无线联网自动观测的布设和优化提供反馈信息,从而满足遥感定量产品验证、区域生态模型驱动对生态参量参考图不确定性测度的现实需求。
本发明解决其技术问题所采用的技术方案是:
一种生态参量地面无线联网观测中的不确定性综合测度方法,包括以下步骤:
1)数据收集:收集地面无线联网观测数据和相对应时相的高空间分辨率遥感观测数据;
2)数据预处理:地面无线联网观测数据的质量控制,计算植被指数,完成地面观测数据和遥感观测数据的时空匹配,构造高斯过程回归分析所需的训练数据集;
3)基于高斯过程回归的转换模型构建:运行高斯过程回归模型,计算各节点归一化权重和升尺度结果的变异系数,并作为观测和升尺度各自的不确定性度量指标;
4)观测不确定性、升尺度不确定性的综合测度:根据高斯过程回归获得的观测节点归一化权重,分析各节点观测不确定性,并分析其时间变化规律;根据获得的生态参量参考图的逐像元变异系数,分析生态参量参考图不确定性时空分布规律,根据观测和升尺度不确定性分析结果,为无线传感网的布设和优化、转换模型的构建和提升提供反馈。
具体地,所述运行高斯过程回归模型,各节点归一化权重的计算公式为:式中,x为遥感观测,y为生态参量,N为训练数据集中关系对的数量,αi为各关系对的权重,K为用来度量测试数据与训练数据之间相似性的核函数。
具体地,所述升尺度结果的变异系数的计算公式为:
本发明的有益效果是:本发明提供了一种生态参量地面无线联网观测中的不确定性综合测度方法,通过贝叶斯范式,提出一种观测和升尺度不确定性综合测度模型。通过严谨的数学模型,清晰描述不确定性传递过程,具备业务化运行能力,并且可以对无线联网自动观测的布设和优化提供反馈信息,从而满足遥感定量产品验证、区域生态模型驱动对生态参量参考图不确定性测度的现实需求。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的技术流程图;
图2是研究区LAINet节点布设示意图;
图3是本发明所得节点观测不确定性矩阵;
图4是LAI测量值与遥感观测NDVI之间的散点图;
图5是本发明所得LAI图与不确定性图;
具体实施方式
现在结合附图对本发明作进一步详细的说明。
图1是本发明的技术流程图,图2是研究区LAINet节点布设示意图,图3是本发明所得节点观测不确定性矩阵,图4是LAI测量值与遥感观测NDVI之间
的散点图,图5是本发明所得LAI图与不确定性图。
一种生态参量地面无线联网观测中的不确定性综合测度方法,包括以下步骤:
1)数据收集:收集地面无线联网观测数据和相对应时相的高空间分辨率遥感观测数据;
2)数据预处理:地面无线联网观测数据的质量控制,计算植被指数,完成地面观测数据和遥感观测数据的时空匹配,构造高斯过程回归分析所需的训练数据集;
3)基于高斯过程回归的转换模型构建:运行高斯过程回归模型,计算各节点归一化权重和升尺度结果的变异系数,并作为观测和升尺度各自的不确定性度量指标;
4)观测不确定性、升尺度不确定性的综合测度:根据高斯过程回归获得的观测节点归一化权重,分析各节点观测不确定性,并分析其时间变化规律;根据获得的生态参量参考图的逐像元变异系数,分析生态参量参考图不确定性时空分布规律,根据观测和升尺度不确定性分析结果,为无线传感网的布设和优化、转换模型的构建和提升提供反馈。
所述运行高斯过程回归模型,各节点归一化权重的计算公式为:式中,x为遥感观测,y为生态参量,N为训练数据集中关系对的数量,αi为各关系对的权重,K为用来度量测试数据与训练数据之间相似性的核函数。所述升尺度结果的变异系数的计算公式为:
使用遥感观测与地面观测之间的转换模型可以将地面无线联网观测升尺度为生态参量参考图,本发明基于遥感观测与地面观测之间的统计学习过程,将两者之间的统计一致性作为不确定性的度量。本不确定性综合测度模型以高斯过程回归(GaussianProcess Regression,GPR)为理论原型。高斯过程回归基于贝叶斯框架,建立了输入与输出之间的统计回归关系,即:
式中,x为遥感观测,y为生态参量,N为训练数据集中关系对的数量,αi为各关系对的权重,K为用来度量测试数据与训练数据之间相似性的核函数。本不确定性测度模型使用高斯核函数,即:
式中,v为尺度因子,B为输入向量的维度,σb用来控制各维输入变量的尺度,σn为噪音对应的方差,δij为克罗内克符号。模型的超参θ={v,σb,σn}和模型权重αi可通过对地面无线联网观测的最大边际似然估计获得。
假设地面观测与遥感观测间的转换模型为y=f(x)+ε。且噪声为加性的独立同高斯分布,且均值为0,方差为σn。假设输出向量为y=(y1,y2,…,yn)T,各测试数据的协方差为K*=(K(x*,x1),K(x*,x2),…,K(x*,xn)),且K**=K(x*,x*)。则输出变量的概率分布为:
高斯过程回归的预测值y*可以通过计算后验概率p(y*|x*,D)获得,其中D={xn,yn|n=1,2…N}为训练数据。该后验概率服从高斯分布,且p(y*|x*,D),=N(μ*,σ*)。于是,生态参量的升尺度结果的均值和方差可表示为:
可见,预测期望为训练数据y的线性组合,预测方差为测试数据自身方差与训练数据所能提供信息的差值。
高斯过程回归模型可以方便地用于地面无线联网观测的测量不确定性以及升尺度过程的不确定性的综合测度。具体如下:
可以将式(1)中各训练数据的权重作为其不确定性度量指标。权重越高的节点在预测过程中的可靠性越强,则其不确定性越低;反之权重越低的节点,对应较高的不确定性。本发明将权重归一化到[0,100]。
可以将式(5)所得的预测方差作为升尺度过程的不确定性度量。相比于已有方法,式(5)可以给出逐像元的不确定性估计。为了抑制不确定性值对生态参量值的依赖性,本发明使用变异系数(CV=μ*/σ*)作为升尺度过程的不确定性指标。
LAINet是由国内生产的无线联网观测设备,可以对叶面积指数(Leaf AreaIndex,LAI)进行连续自动观测。为了验证本发明方法的有效性,如附图2所示,2013年在河北怀来布设了一套LAINet,该系统由12个测量节点构成,运行时间为7月4日(Day Of Year,DOY 185)至8月21日(DOY 233)。收集了研究区对应MODIS和Landsat8-OLI影像,通过时空融合获得了与地面实测时空一致的NDVI,作为升尺度和不确定性度量时的代理变量。
如附图3所示,本发明方法获得的测量节点不确定性矩阵,该矩阵表示了各节点在不同时间的归一化权重值。图中A、B、C指出了矩阵中值最小的三个像素(权值分别为13.32、0和8.17),即不确定性最大的三个观测值。如附图4所示,列出了由高斯过程回归所得的NDVI和LAINet测量值之间的拟合关系,图中三个明显的离群点恰好是不确定性矩阵中值最小的三个观测,证明了本发明对观测不确定性较好的指示作用。由图3可见,总体上各节点归一化权重随着工作时间的增加逐渐增加,表明各节点工作状态逐渐趋于稳定。
如附图5所示,本发明所得LAI图及其对应的不确定性图,可见本发明可以得到逐像元的升尺度过程不确定性。可见较小的LAI值对应较大的不确定性,结合LAI与NDVI之间的散点图(图4)可知这主要是因为目前测量节点对LAI低值的欠采样造成,因此后续LAINet布设时应该增加LAI低值区的节点数量。该发现可以对LAINet的优化提供反馈。
遥感定量产品的验证和区域生态模型的驱动都需要度量生态参量参考图的不确定性,地面观测和升尺度是生态参量参考图不确定性的两个主要来源。目前,观测不确定性大都由仪器生产商提供,且每一型号只有一个理论不确定性值,无法探知各传感器各自的不确定性,且无法分析传感器不确定性的时变特征;升尺度的不确定性则主要通过比对升尺度结果与测量结果,得到均方根误差或相关系数等统计指标,来度量整个生态参量参考图的总体精度,而无法得到逐像元的不确定性。
地面无线联网观测技术和遥感对地观测技术的蓬勃发展,使生产时空连续的生态参量参考图成为可能,也迫切需要发展一种测量与升尺度不确定性的综合测度模型。本发明不仅可以弥补已有不确定性测度方法的不足,还可以为无线联网自动观测的布设和优化提供反馈信息,可以提高遥感定量产品验证和生态模型驱动的数学严谨性。
应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施方式中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种生态参量地面无线联网观测中的不确定性综合测度方法,其特征是,包括以下步骤:
1)数据收集:收集地面无线联网观测数据和相对应时相的高空间分辨率遥感观测数据;
2)数据预处理:地面无线联网观测数据的质量控制,计算植被指数,完成地面观测数据和遥感观测数据的时空匹配,构造高斯过程回归分析所需的训练数据集;
3)基于高斯过程回归的转换模型构建:运行高斯过程回归模型,计算各节点归一化权重和升尺度结果的变异系数,并作为观测和升尺度各自的不确定性度量指标;
4)观测不确定性、升尺度不确定性的综合测度:根据高斯过程回归获得的观测节点归一化权重,分析各节点观测不确定性,并分析其时间变化规律;根据获得的生态参量参考图的逐像元变异系数,分析生态参量参考图不确定性时空分布规律,根据观测和升尺度不确定性分析结果,为无线传感网的布设和优化、转换模型的构建和提升提供反馈。
2.根据权利要求1所述的生态参量地面无线联网观测中的不确定性综合测度方法,其特征在于:所述运行高斯过程回归模型,各节点归一化权重的计算公式为:式中,x为遥感观测,y为生态参量,N为训练数据集中关系对的数量,αi为各关系对的权重,K为用来度量测试数据与训练数据之间相似性的核函数。
3.根据权利要求1所述的生态参量地面无线联网观测中的不确定性综合测度方法,其特征在于:所述升尺度结果的变异系数的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711143703.XA CN107944115A (zh) | 2017-11-17 | 2017-11-17 | 生态参量地面无线联网观测中的不确定性综合测度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711143703.XA CN107944115A (zh) | 2017-11-17 | 2017-11-17 | 生态参量地面无线联网观测中的不确定性综合测度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107944115A true CN107944115A (zh) | 2018-04-20 |
Family
ID=61932690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711143703.XA Pending CN107944115A (zh) | 2017-11-17 | 2017-11-17 | 生态参量地面无线联网观测中的不确定性综合测度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944115A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115031837A (zh) * | 2022-04-08 | 2022-09-09 | 中国科学院空天信息创新研究院 | 遥感载荷综合定标方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010026417A1 (en) * | 2008-09-03 | 2010-03-11 | Bae Systems Plc | Estimating a state of at least one target |
CN104200113A (zh) * | 2014-09-10 | 2014-12-10 | 山东农业大学 | 基于高斯过程的物联网数据不确定性度量、预测与野值剔除方法 |
CN104573393A (zh) * | 2015-01-28 | 2015-04-29 | 北京师范大学 | 一种基于贝叶斯理论的土壤水分站点数据升尺度方法 |
CN205745927U (zh) * | 2016-06-14 | 2016-11-30 | 刘艳霞 | 地面农业遥感观测装置 |
-
2017
- 2017-11-17 CN CN201711143703.XA patent/CN107944115A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010026417A1 (en) * | 2008-09-03 | 2010-03-11 | Bae Systems Plc | Estimating a state of at least one target |
CN104200113A (zh) * | 2014-09-10 | 2014-12-10 | 山东农业大学 | 基于高斯过程的物联网数据不确定性度量、预测与野值剔除方法 |
CN104573393A (zh) * | 2015-01-28 | 2015-04-29 | 北京师范大学 | 一种基于贝叶斯理论的土壤水分站点数据升尺度方法 |
CN205745927U (zh) * | 2016-06-14 | 2016-11-30 | 刘艳霞 | 地面农业遥感观测装置 |
Non-Patent Citations (1)
Title |
---|
GAOFEI YIN 等: ""INTEGRATED QUALITY EVALUATION OF THE IN-SITU NETWORKING MEASUREMENTS AND UPSCALING USING GAUSSIAN PROCESS REGRESSION"", 《THE INTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115031837A (zh) * | 2022-04-08 | 2022-09-09 | 中国科学院空天信息创新研究院 | 遥感载荷综合定标方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Venturini et al. | Plssem: a stata package for structural equation modeling with partial least squares | |
Krysanova et al. | How the performance of hydrological models relates to credibility of projections under climate change | |
Baghdadi et al. | Semi-empirical calibration of the IEM backscattering model using radar images and moisture and roughness field measurements | |
Au | Fast Bayesian ambient modal identification in the frequency domain, Part II: Posterior uncertainty | |
Bewick et al. | Statistics review 7: Correlation and regression | |
Czajkowski et al. | Study on benefit transfer in an international setting. How to improve welfare estimates in the case of the countries' income heterogeneity? | |
Robitzsch et al. | Linking errors in international large-scale assessments: Calculation of standard errors for trend estimation | |
DeMars | An analytic comparison of effect sizes for differential item functioning | |
Gunn et al. | Evaluation of six effect size measures of measurement non-invariance for continuous outcomes | |
Van Oort | Improving land cover change estimates by accounting for classification errors | |
Kenny et al. | Density characteristics and density forecast performance: a panel analysis | |
Campisi-Pinto et al. | Analysis of the regularization parameters of primal–dual interior method for convex objectives applied to 1 H low field nuclear magnetic resonance data processing | |
Daniels et al. | Is poverty reduction over-stated in Uganda? Evidence from alternative poverty measures | |
Kasiviswanathan et al. | Probabilistic and ensemble simulation approaches for input uncertainty quantification of artificial neural network hydrological models | |
Zhao et al. | Measuring longitudinal gains in student learning: A comparison of Rasch scoring and summative scoring approaches | |
Han et al. | The role of dispersed information in inflation and inflation expectations | |
Vispoel et al. | Integrating bifactor models into a generalizability theory based structural equation modeling framework | |
CN107944115A (zh) | 生态参量地面无线联网观测中的不确定性综合测度方法 | |
Lyu et al. | Tourist number prediction of historic buildings by singular spectrum analysis | |
Gao et al. | Two sample distribution-free inference based on partially rank-ordered set samples | |
Skaugen et al. | Simulated precipitation fields with variance-consistent interpolation | |
Cano et al. | An integrated test of multidimensionality, convergent, discriminant and criterion validity of the course experience questionnaire: an exploratory structural equation modelling | |
Iskrev | What to expect when you're calibrating: Measuring the effect of calibration on the estimation of macroeconomic models | |
CN104331836B (zh) | 农作物决策支持方法和装置 | |
Vitoratou et al. | Marginal likelihood estimation from the Metropolis output: tips and tricks for efficient implementation in generalized linear latent variable models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |