CN110032939A - 一种基于高斯混合模型的遥感时序数据拟合方法 - Google Patents
一种基于高斯混合模型的遥感时序数据拟合方法 Download PDFInfo
- Publication number
- CN110032939A CN110032939A CN201910187588.9A CN201910187588A CN110032939A CN 110032939 A CN110032939 A CN 110032939A CN 201910187588 A CN201910187588 A CN 201910187588A CN 110032939 A CN110032939 A CN 110032939A
- Authority
- CN
- China
- Prior art keywords
- time series
- series data
- remote sensing
- ndvi
- hybrid models
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种基于高斯混合模型的遥感时序数据拟合方法,包括:步骤1:获取遥感时序数据;对同一地区的多景遥感影像确定采样点,依次读取各遥感影像在采样点处的NDVI值,并按时间顺序组织成NDVI时序数据;步骤2:估算概率值;以时间为横轴,NDVI值为纵轴,绘制NDVI时序数据散点图;分别计算相邻时序点和横轴构成的梯形的面积,再求得各个区间梯形面积占总面积的百分比,以此作为当前区间的概率值进行后续计算;步骤3:概率值转化;约定一个放大比例M,各个区间的概率值乘以M取整后得到A={a1,a2,…,aN},依次分割各个对应的区间为等间隔子区间t,构建新时间序列t序列,步骤4:高斯混合模型参数求解;将新时间序列t序列作为观察数据,求解高斯混合模型,即概率分布模型。
Description
技术领域
本发明涉及一种基于高斯混合模型的遥感时序数据拟合方法。
背景技术
遥感卫星影像广泛地应用于森林演替、物候变化、农情长势监测、农作物估产、城市扩张等,其中归一化差值植被指数NDVI(Normalized Difference Vegetation Index)是植被生长状态及植被覆盖度的指示因子。NDVI时间序列数据分析具备强大的应用潜力。
直接获取的遥感NDVI时序数据是离散的数据序列,且受云和大气等噪声因素的影响,季节变化趋势不明显,较大地影响了植被参数信息提取精度。遥感时序数据拟合将不同时刻获取的离散数据点拟合成一条曲线,并利用拟合值代替原始值进行处理和分析。时序数据拟合一方面能够克服上述各种因素造成的噪声,另一方面能够将不规则时间采样的离散数据转化为连续的曲线,从而估计任意时刻的数据(Hird J N and McDermid G J.Noisereduction of NDVI time series:an empirical comparison of selectedtechniques.Remote Sensing of Environment,2009,113(1):248–258.)。因此,对NDVI时序数据进行拟合,重建平滑的NDVI时间曲线是利用NDVI时序数据进行后续研究的首要工作。
目前,主要的NDVI时间序列噪声检测及拟合方法可分为:(1)阈值检测法;(2)基于滤波的拟合方法;(3)非线性曲线拟合法。本方法立足于非线性拟合法,采用高斯拟合重建NDVI曲线。
高斯拟合(Gaussian Fitting)法通过最小二乘法采用高斯模型对时序数据进行重建,实现平滑去噪。由于单峰高斯拟合在NDVI植被生长中仅限于单年度单季节生长作物,支持多峰的高斯拟合更适合分析时序NDVI数据。本发明提供了一种支持多峰高斯的高斯混合模型遥感时序数据拟合方法。
发明内容
本发明要克服现有技术的上述缺点,提供一种支持多峰高斯的高斯混合模型遥感时序数据拟合方法。
本发明的一种基于高斯混合模型的遥感时序数据拟合方法,包括如下步骤:
步骤1:获取遥感时序数据;对同一地区的多景遥感影像确定采样点,依次读取各遥感影像在采样点处的NDVI值,并按时间顺序组织成NDVI时序数据;
步骤2:估算概率值;以时间为横轴,NDVI值为纵轴,绘制NDVI时序数据散点图,N个元素的NDVI时序数据,按采集顺序把横轴分割为N个区间T,即T为[1,2),[2,3),[3,4),…,[N-1,N);分别计算相邻时序点和横轴构成的梯形的面积,再求得各个区间梯形面积占总面积的百分比,以此作为当前区间的概率值进行后续计算;
步骤3:概率值转化;约定一个放大比例M,各个区间的概率值乘以M取整后得到A={a1,a2,…,aN},以此分割各个对应的区间为等间隔子区间t,
其中i∈N,1≤i≤N;构成新序列t序列,
t序列={t[1,2),t[2,3),……,t[N-1,N)};
步骤4:高斯混合模型参数求解;将新时间序列t序列作为观察数据,求解高斯混合模型(GaussianMixture Model,简称GMM);高斯混合模型P(x)是概率分布模型,具有如下形式:
其中,x是自变量,共有K个一维高斯模型,k为其中的一个;αk是权重系数,为正数且所有系数和为1,即是密度函数,
符合高斯分布,θk满足均值和方差为(μk,σk 2);通过Expectation Maximum(EM)算法对高斯混合模型参数进行估计,得到各个单高斯函数及其权重比值,从而组成遥感时序数据的多峰高斯拟合函数。
本发明的基于高斯混合模型的遥感时序数据拟合方法,其特点是以下两个方面:(1)以各时间区间面积占比作为概率估计值重构时间序列。(2)采用高斯混合模型对遥感时序数据进行多峰高斯拟合。
本发明的优点是:本方法支持跨年度的中长期遥感时序数据的拟合应用需求,便于进行植被趋势分析等。
附图说明
图1是本发明方法的具体实施流程图;
图2是遥感时序影像取样观察点位置的示意图;
图3是时序数据散点图及梯形面积示意图;
图4是高斯混合函数示意图
图5是示例高斯混合双峰结果图
具体实施方式
下面结合附图进一步说明本发明的技术方案。
本发明的一种基于高斯混合模型的遥感时序数据拟合方法,如图1所示,包括如下步骤:
步骤1:获取遥感时序数据;
准备同一地区的多景遥感影像,如间隔为16天的45景两年跨度的MODIS遥感影像。确定图2中央方框内的中心标记点为本实施例的森林采样点,其地理位置为:北纬N30°15′18.95″,东经E120°06′54.32″。依次读取45景遥感影像在该位置处的NDVI值,并按时间顺序组织成NDVI时序数据,如表1所示。
表1
步骤2:估算概率值;
以时间为横轴,NDVI值为纵轴,绘制NDVI时序数据散点图,本实施例NDVI时序数据长度N=45,按采集顺序把横轴分割为45个区间T,即T为[1,2),[2,3),[3,4),…,[44,45);分别计算相邻时序点和横轴构成的梯形的面积,如图3。本实施例中第一个梯形面积计算得到:
再求得各个区间梯形面积占总面积的百分比,以此作为当前区间的概率值,如表2,进行后续计算;
表2
步骤3:概率值转化;
本实施例约定一个放大比例M=10000,各个区间的概率值乘以M取整后得到A={a1,a2,…,a45};如表2,本实施例中第一个梯形面积占比1.21%,则第一个区间[1,2)的概率值a1=121,即它等分区间[1,2)为121份,即第一个区间[1,2)将变为等间隔序列:
类似的,依次分割各个对应的区间为等间隔子区间t,构成新序列t序列,
t序列={t[1,2),t[2,3),……,t[44,45)};
步骤4:高斯混合模型参数求解;
将新时间序列t序列作为观察数据,求解高斯混合模型(GaussianMixture Model,简称GMM);高斯混合模型P(x)是概率分布模型,具有如下形式:
其中,x是自变量,共有K个一维高斯模型,k为其中的一个;αk是权重系数,为正数且所有系数和为1,即是密度函数,
符合高斯分布,θk满足均值和方差为(μk,σk 2);如图4是典型的高斯混合函数示意图,它由三个单高斯函数根据各自权重系数构成的三峰高斯。通过Expectation Maximum(EM)算法对高斯混合模型参数进行估计,得到各个单高斯函数及其权重比值,从而组成遥感时序数据的多峰高斯拟合函数。本实施例的45个时序数据最终得到的是双峰高斯拟合结果,如图5所示,拟合曲线能有效表达森林采样点在两个年度内的特性,并支持两年内任意时刻的NDVI值的估计。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (2)
1.一种基于高斯混合模型的遥感时序数据拟合方法,包括以下步骤:
步骤1:获取遥感时序数据;对同一地区的多景遥感影像确定采样点,依次读取各遥感影像在采样点处的NDVI值,并按时间顺序组织成NDVI时序数据;
步骤2:估算概率值;以时间为横轴,NDVI值为纵轴,绘制NDVI时序数据散点图,N个元素的NDVI时序数据,按采集顺序把横轴分割为N个区间T,即T为[1,2),[2,3),[3,4),…,[N-1,N);分别计算相邻时序点和横轴构成的梯形的面积,再求得各个区间梯形面积占总面积的百分比,以此作为当前区间的概率值进行后续计算;
步骤3:概率值转化;约定一个放大比例M,各个区间的概率值乘以M取整后得到A={a1,a2,…,aN},依次分割各个对应的区间为等间隔子区间t,
其中i∈N,1≤i≤N;构成新序列t序列,
t序列={t[1,2),t[2,3),……,t[N-1,N)};
步骤4:高斯混合模型参数求解;将新时间序列t序列作为观察数据,求解高斯混合模型(GaussianMixture Model,简称GMM);高斯混合模型P(x)是概率分布模型,具有如下形式:
其中,x是自变量,共有K个一维高斯模型,k为其中的一个;αk是权重系数,为正数且所有系数和为1,即是密度函数,
符合高斯分布,θk满足均值和方差为(μk,σk 2);通过Expectation Maximum(EM)算法对高斯混合模型参数进行估计,得到各个单高斯函数及其权重比值,从而组成遥感时序数据的多峰高斯拟合函数。
2.根据权利要求1所述的基于高斯混合模型的遥感时序数据拟合方法,其特征在于以下两个方面:(1)以各区间面积占比作为概率估计值重构序列。(2)采用高斯混合模型对遥感时序数据进行多峰高斯拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910187588.9A CN110032939B (zh) | 2019-03-13 | 2019-03-13 | 一种基于高斯混合模型的遥感时序数据拟合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910187588.9A CN110032939B (zh) | 2019-03-13 | 2019-03-13 | 一种基于高斯混合模型的遥感时序数据拟合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110032939A true CN110032939A (zh) | 2019-07-19 |
CN110032939B CN110032939B (zh) | 2020-12-25 |
Family
ID=67235892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910187588.9A Active CN110032939B (zh) | 2019-03-13 | 2019-03-13 | 一种基于高斯混合模型的遥感时序数据拟合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110032939B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445461A (zh) * | 2020-03-30 | 2020-07-24 | 上海眼控科技股份有限公司 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
CN114092831A (zh) * | 2021-12-02 | 2022-02-25 | 中国科学院东北地理与农业生态研究所 | 一种草本沼泽植被物候信息提取方法 |
CN114594503A (zh) * | 2022-03-02 | 2022-06-07 | 中南大学 | 一种浅海地形反演方法、计算机设备及存储介质 |
CN115879836A (zh) * | 2023-03-08 | 2023-03-31 | 吉林高分遥感应用研究院有限公司 | 一种耦合机理模型的大豆作物遥感大区域快速估产方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609600A (zh) * | 2011-01-19 | 2012-07-25 | 中国科学院地理科学与资源研究所 | Modis时间序列标准差溢油检测算法 |
CN104318270A (zh) * | 2014-11-21 | 2015-01-28 | 东北林业大学 | 一种基于modis时间序列数据的土地覆盖分类方法 |
CN105678790A (zh) * | 2016-02-22 | 2016-06-15 | 辽宁工程技术大学 | 基于可变高斯混合模型的高分辨率遥感影像监督分割方法 |
CN106803059A (zh) * | 2016-12-02 | 2017-06-06 | 浙江工业大学 | 一种遥感植被指数时间序列森林监测方法 |
CN106897707A (zh) * | 2017-03-02 | 2017-06-27 | 苏州中科天启遥感科技有限公司 | 基于多源中分的特征影像时间序列合成方法及装置 |
WO2018194747A1 (en) * | 2017-04-18 | 2018-10-25 | Raytheon Company | Ladar range rate estimation using pulse frequency shift |
-
2019
- 2019-03-13 CN CN201910187588.9A patent/CN110032939B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609600A (zh) * | 2011-01-19 | 2012-07-25 | 中国科学院地理科学与资源研究所 | Modis时间序列标准差溢油检测算法 |
CN104318270A (zh) * | 2014-11-21 | 2015-01-28 | 东北林业大学 | 一种基于modis时间序列数据的土地覆盖分类方法 |
CN105678790A (zh) * | 2016-02-22 | 2016-06-15 | 辽宁工程技术大学 | 基于可变高斯混合模型的高分辨率遥感影像监督分割方法 |
CN106803059A (zh) * | 2016-12-02 | 2017-06-06 | 浙江工业大学 | 一种遥感植被指数时间序列森林监测方法 |
CN106897707A (zh) * | 2017-03-02 | 2017-06-27 | 苏州中科天启遥感科技有限公司 | 基于多源中分的特征影像时间序列合成方法及装置 |
WO2018194747A1 (en) * | 2017-04-18 | 2018-10-25 | Raytheon Company | Ladar range rate estimation using pulse frequency shift |
Non-Patent Citations (4)
Title |
---|
P.JONSSON等: "Seasonality extraction by function fitting to time-series of satellite sensor data", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
余维泽: "基于优化时序拟合的林种识别系统", 《万方学位论文库》 * |
李晶 等: "归一化植被指数时序数据拟合算法对比分析", 《中国矿业》 * |
范菁 等: "知识引导的稀疏时间序列遥感数据拟合", 《遥感学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445461A (zh) * | 2020-03-30 | 2020-07-24 | 上海眼控科技股份有限公司 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
CN114092831A (zh) * | 2021-12-02 | 2022-02-25 | 中国科学院东北地理与农业生态研究所 | 一种草本沼泽植被物候信息提取方法 |
CN114594503A (zh) * | 2022-03-02 | 2022-06-07 | 中南大学 | 一种浅海地形反演方法、计算机设备及存储介质 |
CN115879836A (zh) * | 2023-03-08 | 2023-03-31 | 吉林高分遥感应用研究院有限公司 | 一种耦合机理模型的大豆作物遥感大区域快速估产方法 |
CN115879836B (zh) * | 2023-03-08 | 2023-05-12 | 吉林高分遥感应用研究院有限公司 | 一种耦合机理模型的大豆作物遥感大区域快速估产方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110032939B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
CN110032939A (zh) | 一种基于高斯混合模型的遥感时序数据拟合方法 | |
Shmida | Whittaker's plant diversity sampling method | |
Wing et al. | Prediction of understory vegetation cover with airborne lidar in an interior ponderosa pine forest | |
CN104537222B (zh) | 基于遥感的区域植被覆盖对地表气温影响的估算方法 | |
CN105095589B (zh) | 一种山区电网风区分布图绘制方法 | |
CN103336956B (zh) | 一种基于遥感时序数据的冬小麦面积估算方法 | |
CN108876917A (zh) | 一种森林地上生物量遥感估测通用模型构建方法 | |
CN108981616B (zh) | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 | |
CN104408258A (zh) | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 | |
CN108896021B (zh) | 基于航空摄影测量点云提取人工林林分结构参数的方法 | |
Pei et al. | An improved phenology-based CASA model for estimating net primary production of forest in central China based on Landsat images | |
CN114169161A (zh) | 一种土壤有机碳时空变异和固碳潜力估计方法和系统 | |
CN115203625A (zh) | 一种旱涝指数数据缺失值插补方法及其插补装置 | |
Chen et al. | An integrated GIS tool for automatic forest inventory estimates of Pinus radiata from LiDAR data | |
Kawashima et al. | Modelling and simulation of mesoscale dispersion processes for airborne cedar pollen | |
CN117611993B (zh) | 一种基于遥感实际蒸散发估算植被分类的方法 | |
Luckman | Developing a proxy climate record for the last 300 years in the Canadian Rockies–some problems and opportunities | |
CN117035174A (zh) | 一种木麻黄单木地上生物量的估算方法与系统 | |
CN112268535A (zh) | 一种农作物种植面积测量方法及系统 | |
CN116861298A (zh) | 一种无资料地区的流域水文模型参数估计方法 | |
Kann et al. | Verification of operational analyses using an extremely high-density surface station network | |
Shukla et al. | Multi-point sampling for improved throughfall measurement from tree plantations | |
CN109885808A (zh) | 一种近地表气象要素计算方法 | |
CN114781199A (zh) | 水源涵养对气候变化的响应分析方法、装置、介质和设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |