CN110501302A - 一种多源证据融合数据的浒苔分布图生成方法 - Google Patents
一种多源证据融合数据的浒苔分布图生成方法 Download PDFInfo
- Publication number
- CN110501302A CN110501302A CN201910691190.9A CN201910691190A CN110501302A CN 110501302 A CN110501302 A CN 110501302A CN 201910691190 A CN201910691190 A CN 201910691190A CN 110501302 A CN110501302 A CN 110501302A
- Authority
- CN
- China
- Prior art keywords
- evidence
- data
- enteromorpha
- source
- fusion
- 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
- 241000196252 Ulva Species 0.000 title claims abstract description 85
- 230000004927 fusion Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 239000013535 sea water Substances 0.000 claims description 38
- 239000000284 extract Substances 0.000 claims description 10
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 5
- 241000195493 Cryptophyta Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000007499 fusion processing Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多源证据融合数据的浒苔分布图生成方法,使用MODIS卫星影像数据、Sentinel‑2A卫星影像数据和监测船数据,根据监测船数据和MODIS与Sentinel‑2A各自提取的四类植被指数进行融合,实现浒苔覆盖范围的提取。在融合过程中,使用支持度矩阵筛选每个像素位置支持度较大的证据,使用特征等级表保留等级较高但被剔除的证据,使用相容矩阵修改每个证据的基本概率分配,最后使用Dempster证据融合规则进行浒苔覆盖范围的提取。
Description
技术领域
本发明属于地理信息自动解译领域,具体涉及一种多源证据融合数据的浒苔分布图生成方法。
背景技术
由于受监测手段的时效性、有效性等因素的影响,单一的监测手段往往无法满足实时的浒苔态势图制作要求,比如:卫星的监测范围大但时效性难以保障、无人机和飞机遥感航拍则受天气的制约较大、海洋监测船监测范围小而且效率较低、志愿者提供信息存在很多时空不确定性、理论模型预报结果缺少现场数据验证等。如何有效融合这些时空监测结果数据(卫星遥感监测结果数据、无人机和飞机航拍遥感监测数据、监测船现场监测结果数据、以及志愿者提供的监测结果等),形成专家干预下的浒苔态势图制作是一个关键的难点,也是实际在浒苔监测、应对与处置业务中的一个核心的工作任务。在实际的浒苔解译融合过程中,存在三类矛盾:(1)监测船与卫星遥感影像之间的冲突(2)不同分辨率的遥感影像之间的冲突(2)根据遥感影像提取的浒苔各类植被指数之间的冲突。
发明内容
为解决上述问题,本研究充分考虑了卫星遥感监测、监测船监测等多种手段的性能,利用MODIS数据、Sentinel-2A数据和监测船数据,提出了一种通过证据理论融合数据的浒苔分布图生成方法;
本发明采用的技术方案是首先根据MODIS数据(空间分辨率250m)与Sentinel-2A数据(空间分辨率10m)进行表征浒苔生长情况的植被指数提取。这些植被指数包括归一化差值植被指数(NDVI),比值植被指数(RVI)、藻类指数(FAI)和差值植被指数(DVI)。其次将区域中的地物分为浒苔与海水两类,对Sentinel-2A数据和MODIS数据分别提取出的植被指数与监测船数据进行高斯混合模型模糊分类,得到每类特征中每个像素对浒苔与海水两类的模糊隶属度。在每个像素点,使用支持度矩阵筛选出支持度较高的前一半证据作为融合的数据源,使用特征等级表将后一半证据中拥有较高等级的证据加入融合的数据源中,使用相容矩阵对待融合的证据集合中的证据的可基本概率分配进行计算,最后利用Dempster的融合规则进行融合,得到浒苔的覆盖范围图,其具体步骤如下:
步骤一,首先根据MODIS数据与Sentinel-2A数据进行表征浒苔生长情况的植被指数提取,所述植被指数包括归一化植被指数(NDVI)、比值植被指数(RVI)、藻类植被指数(FAI)和差值植被指数(DVI);
步骤二,对Sentinel-2A数据和MODIS数据分别提取出的植被指数与监测船数据这九类特征数据进行高斯混合模型模糊分类,得到每类特征中每个像素对浒苔与海水两类地物的隶属度;
步骤三,在每个像素处取每个特征作为证据,并使用支持度矩阵筛选出支持度较高的前一半证据作为融合的数据源,加入Source集合中;
步骤四,使用特征等级表补充等级高于Source集合中所有证据的证据,并加入到Source集合;
步骤五,使用相容矩阵对待融合的数据集中的每个证据,计算其基本概率分配;
步骤六:使用Dempster的融合规则进行数据融合,得到浒苔的覆盖范围图。
进一步的,步骤一中根据公式(1)-(4),计算出MODIS和Sentinel-2A的NDVI,RVI,FAI和RVI;
DVI=NIR-RED (3)
公式(1)-(4)中NIR,RED,SWIR分别为MODIS和Sentinel-2A数据中的近红外波段、红波段和短波红外波段;λNIR和λRED分别为MODIS和Sentinel-2A数据中近红外波段、红波段的波长。
进一步的,步骤二的具体实现方式如下,
高斯混合模型是M个分量的高斯密度的加权和,其公式为(5);
其中M是分类的个数,将各植被指数图像代表的地物分为浒苔和海水两类;X是一个连续数据的向量;wi是混合的权重,λ是分类类别,取浒苔和海水两类;g(X|μi,σi)是第i类的高斯密度,其公式为(6);
其中,D为数据的维度,使用高斯混合模型对MODIS数据和Sentinel-2A数据各自的NDVI图像、RVI图像、DVI图像和FAI图像以及监测船数据进行高斯混合模型的模糊分类,经过分类后得到了每个像素对浒苔和海水两类地物的隶属度。
进一步的,步骤三使用支持度矩阵筛选支持度较高的前一半证据,其计算过程如下:
步骤3.1,在每个像素位置,根据公式(7)计算两两证据之间的BJS;
其中BJS(m1,m2)∈[0,1],H(mj)是香农信息熵;Ai是第i个高斯混合模型模糊分类的结果,仅有浒苔和海水两类,mj(Ai)是隶属度;
步骤32,计算出两两证据的BJS后,支持度矩阵的构建如公式(8)所示;
其中,k是证据的数量,SM代表所有证据之间的支持程度;
步骤33,在得到支持度矩阵后,依据公式(9),计算每条证据的支持度和Supj;
步骤34,对Supj进行从大到小的排序,并选出排序靠前的前一半证据加入Source集合。
进一步的,步骤四中建立的特征等级表补充如下,
表1特征等级表
如果未被加入Source的证据中有等级高于Source中等级的,且Source中不存在等级与其相当的证据,则将这个证据加入Source中。
进一步的,步骤五的具体实现方式如下:
步骤51,计算两两证据之间的相容性(R),这一指标是用来衡量两两证据之间的相容与冲突,其计算公式如(10)所示;
其中,mp(Ai)和mq(Ai)是Source两个证据对浒苔/海水的隶属度;
步骤52,相容矩阵R(Ai)表示两两证据之间对浒苔/海水的相容性,其如公式(11)所示,其中n为证据数量,
步骤53,根据R(Ai)对Source中的证据的基本概率分配进行了修正,修正的过程如公式(12)和(13)所示,
其中,Dp(Ai)为证据对浒苔/海水相容性的加和,mp(Ai)′为修正后的基本概率分配。
进一步的,使用Dempster对Source中的证据融合,公式如(14)所示,
其中M(Ai)为对Ai类的的融合结果,K为衡量冲突的系数;
将浒苔融合图中像素值大于对应海水融合图中像素值的像素作为浒苔的覆盖范围。
本发明具有如下优点:充分利用MODIS数据、Sentinel-2A数据及其衍生特征和监测船数据,实现浒苔覆盖范围的提取,提高了浒苔的监测精度。
附图说明
图1为本发明的流程图;
图2为本发明实施例的实验数据图,图2(a)为MODIS遥感影像,图2(b)为Sentinel-2A影像,图2(c)为监测船数据;
图3为本发明提取的NDVI、RVI、FAI和DVI指标;
图4为本发明提取的浒苔范围图;
图5为本发明实验结果图与浒苔实际覆盖范围图对比,图5(a)为实验结果,图5(b)为浒苔实际覆盖范围;
具体实施方式
如图1所示,本发明提供一种多源证据融合数据的浒苔分布图生成方法,该方法是使用MODIS数据、Sentinel-2A和监测船数据融合判定浒苔覆盖的算法,根据监测船数据、MODIS数据与Sentinel-2A数据提取的四类植被指数确定浒苔的覆盖范围,实现浒苔覆盖范围的自动提取;该方法具体包括以下步骤:
步骤一:植被指数提取。根据公式(1)-(4),计算出MODIS和Sentinel-2A的NDVI,RVI,FAI和RVI;
DVI=NIR-RED (3)
公式(1)-(4)中NIR,RED,SWIR分别为MODIS和Sentinel-2A数据中的近红外波段、红波段和短波红外波段。λNIR和λRED分别为MODIS和Sentinel-2A数据中近红外波段、红波段的波长;
步骤二:使用高斯混合模型进行模糊分类;
高斯混合模型是M个分量的高斯密度的加权和,其公式为(5);
其中M是分类的个数,本研究中将各植被指数图像代表的地物分为浒苔和海水两类;X是一个连续数据的向量,本发明中为图像的像素值。wi是混合的权重,λ是分类类别,本发明取浒苔和海水两类;g(X|μi,σi)是第i类的高斯密度,其公式为(6);
其中,D为数据的维度,由于高斯混合模型可以提供任意形状的整体分布拟合,因此本研究使用高斯混合模型对MODIS数据和Sentinel-2A数据各自的NDVI图像、RVI图像、DVI图像和FAI图像以及监测船数据进行高斯混合模型的模糊分类,经过分类后得到了每个像素对浒苔和海水两类地物的隶属度;
步骤三:使用支持度矩阵筛选支持度较高的前一半证据,加入Source集合中。
步骤31:在每个像素处取每个特征作为证据,证据的冲突程度越小,证据的支持度就越高。BeliefJensen-Shannon(BJS)指标是可以计算成对证据项之间的冲突度。证据m1和m2之间的BJS定义为公式(7)。在每个像素位置,根据公式(7)计算两两证据之间的BJS;
其中BJS(m1,m2)∈[0,1],H(mj)是香农信息熵;Ai是第i个高斯混合模型模糊分类的结果,本发明中仅有浒苔和海水两类;mj(Ai)是隶属度;
步骤32:计算出两两证据的BJS后,支持度矩阵的构建如公式(8)所示;
其中,k是证据的数量,SM代表所有证据之间的支持程度。
步骤33:在得到支持度矩阵后,依据公式(9),计算每条证据受其他证据的支持度和Supj;
步骤3.4:对Supj进行从大到小的排序,并选出排序靠前的前一半证据加入Source集合,支持度矩阵可以帮助我们选择拥有高支持度的证据进行浒苔态势图的融合;
步骤四:使用特征等级表补充等级高于Source集合中任意证据的证据,并加入到Source集合;
利用支持度矩阵,可能将监测船数据和其他拥有高分辨率的遥感图像删除。然而监测船数据和分辨率较高的遥感图像更为可靠。为了保证这些拥有较高可信度的证据不被删除,建立了如表1所示的特征等级表进行证据的二次筛选;
表1特征等级表
如果未被加入Source的后一半证据中有等级高于Source中等级的,且Source中不存在等级与其相当的证据,则这个特征需要作为证据被加入Source中;
执行此步骤的目的是为了保证高等级的数据不会因为支持度过小而被支持度矩阵剔除在外;
步骤五:使用相容矩阵对待融合的数据集中的每个证据计算其基本概率分配;
步骤51:计算两两证据之间的相容性(R),这一指标是用来衡量两两证据之间的相容与冲突,其计算公式如(10)所示;
其中,mp(Ai)和mq(Ai)是Source两个证据p和q对浒苔或海水的隶属度;
步骤52:相容矩阵R(Ai)表示两两证据之间对浒苔或海水的相容性,其如公式(11)所示,式中n表示证据数量。
步骤53:根据R(Ai)对Source中的证据的基本概率分配进行了修正。修正的过程如公式(12)和(13)所示。Dp(Ai)为证据对浒苔或海水相容性的加和,mp(Ai)′为修正后的基本概率分配;
步骤六:使用Dempster规则进行数据融合,并提取浒苔覆盖范围;
使用Dempster对Source中的证据融合,公式如(14)所示。本研究可以得到浒苔的融合图和海水的融合图。将浒苔融合图中像素值大于对应海水融合图中像素值的像素作为浒苔的覆盖范围;
其中M(Ai)为对Ai类的的融合结果,K为衡量冲突的系数。
本实例选取2018年6月3日黄海海域附近的MODIS遥感影像、Sentinel-2A遥感影像和监测船数据。数据格式为TIFF格式,在ArcMap中显示如图2。针对植被指数提取、高斯混合模型模糊分类、支持度矩阵筛选证据、特征等级表矩阵补充证据、相容矩阵设置基本概率分配函数与多源数据融合的浒苔覆盖范围提取的整个过程,给出本发明的一个实施例;
(一)植被指数提取;
利用MODIS和Sentinel-2A数据的红波段、近红外波段和短波红外计算出MODIS和Sentinel-2A的NDVI、RVI、FAI和DVI图像,在ArcMap中显示如图1;
(二)使用高斯混合模型模糊分类;
利用MODIS提取得到的NDVI、RVI、FAI、DVI和Sentinel-2A提取得到的NDVI、RVI、FAI、DVI与监测船数据这九类特征数据进行高斯混合模型模糊分类。每个像素对应上述九个特征数据中对浒苔和海水两类地物的隶属度。以第1500行,第288列数据为例,其在监测船数据中对浒苔的隶属度为99%,对海水的隶属度为1%,在Sentinel-2A数据的NDVI,RVI,FAI和DVI中对浒苔的隶属度分别为76%,74%,75%,60%,对海水的隶属度分别为24%,26%,25%,40%。在MODIS数据的NDVI,RVI,FAI和DVI中对浒苔的隶属度分别为80%,72%,79%,90%,对海水的隶属度分别为20%,28%,21%,10%;
本实施例的(三)-(六)需要循环操作图像中的每个像素,以下部分均以第1500行,第288列数据为例;
(三)使用支持度矩阵筛选支持度较高的前一半证据;
步骤31:根据公式(7),计算出第1500行,第288列数据两两证据之间的BJS。例如BJS(NDVISentinel-2A,RVISentinel-2A)=0.000266,表示两个证据之间并没有存在很高的冲突;
步骤32:根据公式(8),构建出支持度矩阵如表2所示;
表2支持度矩阵(保留四位小数)
步骤33:根据公式(9),计算出每种证据的支持度,得到Sup监测船=7.3944, 对九类特征的支持度进行排序,取出前一半(NDVISentinel-2A、FAISentinel-2A、NDVIMODIS、FAIMODIS),加入Source。
(四)使用特征等级表补充等级较高的后一半证据;
Source中现有的数据为NDVISentinel-2A、FAISentinel-2A、NDVIMODIS、FAIMODIS,其等级分别为2,2,3,3。监测船数据等级为1,并未加入Source,因此将监测船数据加入Source。此时Source中的数据为NDVISentinel-2A、FAISentinel-2A、NDVIMODIS、FAIMODIS与监测船数据;
(五):使用相容矩阵对待融合的数据集中的每个证据计算其基本概率分配;
步骤51:根据公式(10),计算Source中两两证据的相容程度,例如NDVISentinel-2A、FAISentinel-2A两者对于浒苔的相容程度
步骤52:根据公式(11),计算出Source中证据的相容矩阵,如表3和表4所示;
表3关于浒苔相容矩阵(保留四位小数)
表3关于海水相容矩阵(保留四位小数)
步骤53:根据公式(12)计算出D监测船(海水)=0.3578、 D监测船(浒苔)=3.8815、
根据公式(13),计算得到m监测船(海水)′=0.0009、 m监测船(浒苔)′=0.9607、
(六):使用Dempster规则进行数据融合,并提取浒苔覆盖范围;
根据公式(14),得到M(浒苔)=0.999997,M(海水)=0.000002。因为M(浒苔)>M(海水),所以第1500行,第288列像素被判定为浒苔;
对每个像素执行(三)-(六),得到浒苔覆盖范围图(图4);
测试分析:将提取出的浒苔覆盖范围与实际浒苔覆盖范围对比(如图5),可以看出两者具有较高的一致性,本发明结果的虚警概率为14%,漏判概率为4%,说明本方法的有效性。此外,与传统使用遥感影像的人工解译方法相比,本方法具有经济性、高效性和自动化程度高等特点。
Claims (7)
1.一种多源证据融合数据的浒苔分布图生成方法,其特征在于,该方法是使用MODIS数据、Sentinel-2A和监测船数据融合判定浒苔覆盖的算法,根据监测船数据、MODIS数据与Sentinel-2A数据提取的四类植被指数确定浒苔的覆盖范围,实现浒苔覆盖范围的自动提取;该方法具体包括以下步骤:
步骤一,首先根据MODIS数据与Sentinel-2A数据进行表征浒苔生长情况的植被指数提取,所述植被指数包括归一化植被指数(NDVI)、比值植被指数(RVI)、藻类植被指数(FAI)和差值植被指数(DVI);
步骤二,对Sentinel-2A数据和MODIS数据分别提取出的植被指数与监测船数据这九类特征数据进行高斯混合模型模糊分类,得到每类特征中每个像素对浒苔与海水两类地物的隶属度;
步骤三,在每个像素处取每个特征作为证据,并使用支持度矩阵筛选出支持度较高的前一半证据作为融合的数据源,加入Source集合中;
步骤四,使用特征等级表补充等级高于Source集合中所有证据的证据,并加入到Source集合;
步骤五,使用相容矩阵对待融合的数据集中的每个证据,计算其基本概率分配;
步骤六:使用Dempster的融合规则进行数据融合,得到浒苔的覆盖范围图。
2.根据权利1要求所述的一种多源证据融合数据的浒苔分布图生成方法,其特征在于:步骤一中根据公式(1)-(4),计算出MODIS和Sentinel-2A的NDVI,RVI,FAI和RVI;
DVI=NIR-RED (3)
公式(1)-(4)中NIR,RED,SWIR分别为MODIS和Sentinel-2A数据中的近红外波段、红波段和短波红外波段;λNIR和λRED分别为MODIS和Sentinel-2A数据中近红外波段、红波段的波长。
3.根据权利1或2要求所述的一种多源证据融合数据的浒苔分布图生成方法,其特征在于:步骤二的具体实现方式如下,
高斯混合模型是M个分量的高斯密度的加权和,其公式为(5);
其中M是分类的个数,将各植被指数图像代表的地物分为浒苔和海水两类;X是一个连续数据的向量;wi是混合的权重,λ是分类类别,取浒苔和海水两类;g(X|μi,σi)是第i类的高斯密度,其公式为(6);
其中,D为数据的维度,使用高斯混合模型对MODIS数据和Sentinel-2A数据各自的NDVI图像、RVI图像、DVI图像和FAI图像以及监测船数据进行高斯混合模型的模糊分类,经过分类后得到了每个像素对浒苔和海水两类地物的隶属度。
4.根据权利3要求所述的一种多源证据融合数据的浒苔分布图生成方法,其特征在于:步骤三使用支持度矩阵筛选支持度较高的前一半证据,其计算过程如下:
步骤3.1,在每个像素位置,根据公式(7)计算两两证据之间的BJS;
其中BJS(m1,m2)∈[0,1],H(mj)是香农信息熵;Ai是第i个高斯混合模型模糊分类的结果,仅有浒苔和海水两类,mj(Ai)是隶属度;
步骤32,计算出两两证据的BJS后,支持度矩阵的构建如公式(8)所示;
其中,k是证据的数量,SM代表所有证据之间的支持程度;
步骤33,在得到支持度矩阵后,依据公式(9),计算每条证据的支持度和Supj;
步骤34,对Supj进行从大到小的排序,并选出排序靠前的前一半证据加入Source集合。
5.根据权利4要求所述的一种多源证据融合数据的浒苔分布图生成方法,其特征在于:步骤四中建立的特征等级表补充如下,
表1 特征等级表
如果未被加入Source的证据中有等级高于Source中等级的,且Source中不存在等级与其相当的证据,则将这个证据加入Source中。
6.根据权利5要求所述的一种多源证据融合数据的浒苔分布图生成方法,其特征在于:步骤五的具体实现方式如下:
步骤51,计算两两证据之间的相容性(R),这一指标是用来衡量两两证据之间的相容与冲突,其计算公式如(10)所示;
其中,mp(Ai)和mq(Ai)是Source两个证据对浒苔/海水的隶属度;
步骤52,相容矩阵R(Ai)表示两两证据之间对浒苔/海水的相容性,其如公式(11)所示,其中n为证据数量,
步骤53,根据R(Ai)对Source中的证据的基本概率分配进行了修正,修正的过程如公式(12)和(13)所示,
其中,Dp(Ai)为证据对浒苔/海水相容性的加和,mp(Ai)′为修正后的基本概率分配。
7.根据权利6要求所述的一种多源证据融合数据的浒苔分布图生成方法,其特征在于:使用Dempster对Source中的证据融合,公式如(14)所示,
其中M(Ai)为对Ai类的的融合结果,K为衡量冲突的系数;
将浒苔融合图中像素值大于对应海水融合图中像素值的像素作为浒苔的覆盖范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910691190.9A CN110501302B (zh) | 2019-07-29 | 2019-07-29 | 一种多源证据融合数据的浒苔分布图生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910691190.9A CN110501302B (zh) | 2019-07-29 | 2019-07-29 | 一种多源证据融合数据的浒苔分布图生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110501302A true CN110501302A (zh) | 2019-11-26 |
CN110501302B CN110501302B (zh) | 2020-06-09 |
Family
ID=68587781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910691190.9A Active CN110501302B (zh) | 2019-07-29 | 2019-07-29 | 一种多源证据融合数据的浒苔分布图生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110501302B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340118A (zh) * | 2020-02-27 | 2020-06-26 | 河南大学 | 基于信度熵和bjs散度的冲突证据融合方法 |
CN112712553A (zh) * | 2020-12-30 | 2021-04-27 | 自然资源部第一海洋研究所 | 一种浒苔抵岸量估算方法 |
CN113807208A (zh) * | 2021-08-30 | 2021-12-17 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
CN114625119A (zh) * | 2021-10-11 | 2022-06-14 | 中国舰船研究设计中心 | 一种面向任务的无人艇自主控制决策系统架构 |
CN115205693A (zh) * | 2022-09-16 | 2022-10-18 | 中国石油大学(华东) | 一种多特征集成学习的双极化sar影像浒苔提取方法 |
CN115631422A (zh) * | 2022-12-23 | 2023-01-20 | 国家海洋局东海信息中心 | 一种基于注意力机制的浒苔识别方法 |
CN113807208B (zh) * | 2021-08-30 | 2024-05-31 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030191610A1 (en) * | 2002-03-26 | 2003-10-09 | Hai-Wen Chen | Method and system for multi-sensor data fusion using a modified dempster-shafer theory |
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN108253943A (zh) * | 2017-12-24 | 2018-07-06 | 航天恒星科技有限公司 | 一种基于卫星遥感影像的赤潮浒苔一体化监测方法 |
CN109766824A (zh) * | 2019-01-08 | 2019-05-17 | 河南理工大学 | 基于模糊证据理论的主被动遥感数据融合分类方法 |
CN110009251A (zh) * | 2019-04-15 | 2019-07-12 | 西安邮电大学 | 一种农田多源信息动态调节融合方法及系统 |
CN110009054A (zh) * | 2019-04-12 | 2019-07-12 | 南京大学 | 一种利用几何与强度特征的分层次机载LiDAR点云分类方法 |
CN110390287A (zh) * | 2019-07-17 | 2019-10-29 | 中科光启空间信息技术有限公司 | 一种基于卫星遥感的作物成熟期预测方法 |
-
2019
- 2019-07-29 CN CN201910691190.9A patent/CN110501302B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030191610A1 (en) * | 2002-03-26 | 2003-10-09 | Hai-Wen Chen | Method and system for multi-sensor data fusion using a modified dempster-shafer theory |
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN108253943A (zh) * | 2017-12-24 | 2018-07-06 | 航天恒星科技有限公司 | 一种基于卫星遥感影像的赤潮浒苔一体化监测方法 |
CN109766824A (zh) * | 2019-01-08 | 2019-05-17 | 河南理工大学 | 基于模糊证据理论的主被动遥感数据融合分类方法 |
CN110009054A (zh) * | 2019-04-12 | 2019-07-12 | 南京大学 | 一种利用几何与强度特征的分层次机载LiDAR点云分类方法 |
CN110009251A (zh) * | 2019-04-15 | 2019-07-12 | 西安邮电大学 | 一种农田多源信息动态调节融合方法及系统 |
CN110390287A (zh) * | 2019-07-17 | 2019-10-29 | 中科光启空间信息技术有限公司 | 一种基于卫星遥感的作物成熟期预测方法 |
Non-Patent Citations (5)
Title |
---|
QI LIN ET AL.: "Long-term trend of Ulva prolifera blooms in the western Yellow Sea", 《HARMFUL ALGAE》 * |
SUN WANXIAO ET AL.: "Mapping plant functional types from MODIS data using multisource evidential reasoning", 《REMOTE SENSING OF ENVIRONMENT》 * |
XU FUXIANG ET AL.: "Validation of MODIS-based monitoring for a green tide in the Yellow Sea with the aid of unmanned aerial vehicle", 《JOURNAL OF APPLIED REMOTE SENSING》 * |
刘江等: "基于D-S证据理论的遥感影像融合技术研究", 《黑龙江工程学院学报》 * |
李大威等: "基于随机森林与D-S证据合成的多源遥感分类研究", 《激光与光电子学进展》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340118A (zh) * | 2020-02-27 | 2020-06-26 | 河南大学 | 基于信度熵和bjs散度的冲突证据融合方法 |
CN111340118B (zh) * | 2020-02-27 | 2021-07-23 | 河南大学 | 基于信度熵和bjs散度的冲突证据融合方法 |
CN112712553A (zh) * | 2020-12-30 | 2021-04-27 | 自然资源部第一海洋研究所 | 一种浒苔抵岸量估算方法 |
CN113807208A (zh) * | 2021-08-30 | 2021-12-17 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
CN113807208B (zh) * | 2021-08-30 | 2024-05-31 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
CN114625119A (zh) * | 2021-10-11 | 2022-06-14 | 中国舰船研究设计中心 | 一种面向任务的无人艇自主控制决策系统架构 |
CN114625119B (zh) * | 2021-10-11 | 2024-03-29 | 中国舰船研究设计中心 | 一种面向任务的无人艇自主控制决策系统架构 |
CN115205693A (zh) * | 2022-09-16 | 2022-10-18 | 中国石油大学(华东) | 一种多特征集成学习的双极化sar影像浒苔提取方法 |
CN115631422A (zh) * | 2022-12-23 | 2023-01-20 | 国家海洋局东海信息中心 | 一种基于注意力机制的浒苔识别方法 |
CN115631422B (zh) * | 2022-12-23 | 2023-04-28 | 国家海洋局东海信息中心 | 一种基于注意力机制的浒苔识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110501302B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110501302A (zh) | 一种多源证据融合数据的浒苔分布图生成方法 | |
Souza-Echer et al. | A simple method for the assessment of the cloud cover state in high-latitude regions by a ground-based digital camera | |
CN108195767B (zh) | 河口湿地外来种监测方法 | |
CN108564587A (zh) | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 | |
EP3022686B1 (en) | Automatic generation of multi-scale descriptors from overhead imagery through manipulation of alpha-tree data structures | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
Mustapha et al. | Comparison of neural network and maximum likelihood approaches in image classification | |
Gazzea et al. | Automated power lines vegetation monitoring using high-resolution satellite imagery | |
CN110929592A (zh) | 一种用于海上养殖区外边界的提取方法及系统 | |
Congalton | Remote sensing: an overview | |
CN113160150A (zh) | 基于多类型样本融合与多复杂网络的线网异物入侵ai检测方法与装置 | |
CN106056069A (zh) | 基于无人机图像分析的林地资源资产评估方法及其评估系统 | |
Kahya et al. | Land cover classification with an expert system approach using Landsat ETM imagery: a case study of Trabzon | |
Rampi et al. | Minnesota Land Cover Classification and Impervious Surface Area by Landsat and Lidar: 2013-14 Update | |
Phinn et al. | Monitoring Land‐Cover and Land‐Use Change in a Rapidly Urbanising Coastal Environment: the Maroochy and Mooloolah Rivers Catchments, Southeast Queensland, 1988–1997 | |
Yuliara et al. | Development and optimization of the ratio vegetation index on the visible and infrared spectrum | |
Das | Land use/Land cover change detection: An object oriented approach, Münster, Germany | |
Fayad et al. | Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights | |
Sinha et al. | A review on assessment of camera sensors and data acquisitions using satellite imaging for remote sensing | |
AROONSRI et al. | ARTIFICIAL NEURAL NETWORKS FOR THE CLASSIFICATION OF SHRIMP FARM FROM SATELLITE IMAGERY. | |
Kattan et al. | Systematic evaluation of CNN on land cover classification from remotely sensed images | |
Ahamed et al. | Instance Segmentation of Visible Cloud Images Based on Mask R-CNN Applying Transfer Learning Approach | |
Pongdatu et al. | Identification Of Building Density Using Uav Mapping Method In Central Kalimantan Regional Settlement Infrastructure | |
Gandabathula et al. | Enhancing Land Cover Classification with Object-Based Contextual and Time Series Approaches | |
Zhou et al. | Function Assignment of Plastics based on Hyperspectral Satellite Images and High-Resolution Data Using Deep Learning Algorithms |
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 |