一种适应噪声条件下的抽样学习机遥感定量反演方法
【技术领域】
[0001] 本发明涉及遥感应用领域，具体涉及一种适应噪声条件下的抽样学习机遥感定量 反演方法。
【背景技术】
[0002] 遥感技术作为一种重要的地球系统观测手段，能提供持续的全球地表变化信息。 近年来，基于遥感数据定量反演水、大气及生态环境参数的应用需求愈发突出，对定量反演 精度提出了日益迫切的要求。定量遥感所要解决的主要问题是如何利用遥感数据精确估算 地表参量，实现遥感数据行业应用模型的链接，提高模型的预报精度。以水质遥感定量反演 应用为例，首先建立遥感观测指标与具体水质参量（如总悬浮物浓度、无机悬浮物浓度等） 间的数学模型，然后估计模型参数，最后定量推演预测解决水质监测的行业需求。目前，较 为常用的定量反演算法主要有最小二乘线性回归法、偏最小二乘法等。这类算法具有较严 密的数学理论基础，模型简单且效率高，在遥感定量反演应用中亦取得良好的效果，但对解 决遥感观测指标与地表参量间非线性关系的能力稍显不足，实用性受限。
【发明内容】
[0003] 本发明要解决的技术问题是：提供一种更具有适应性的遥感定量反演方法，同时 解决遥感定量反演应用中呈现的非线性和噪声干扰的问题。
[0004] 本发明为解决上述技术问题所采取的技术方案为：一种适应噪声条件下的抽样学 习机遥感定量反演方法，其特征在于：它包括以下步骤：
[0005] S1、利用极限学习机中固定小数量级权值的特点模拟遥感定量反演中影响因子与 反演对象间的非线性的复杂数学关系，将其转化为求解一个线性系统=Tt;其中，H为 网络隐含层输出矩阵，由输入层、隐含层及激励函数决定；TT为输出层输出矩阵，由输出层 决定邛为网络模型参数；
[0006] 其中影响因子为遥感观测指标，反演对象为建模过程中采用的地面实测数据；
[0007] S2 :根据网络模型参数0的维度自适应选取模型参数估计算法，维度高时选择 NAPSAC算法，维度低时选择RANSAC算法；预设相应的标准判断维度的高和低；
[0008] S3 :利用S2中选取的模型参数估计算法，实现对Hf3 =Tt中网络模型参数e的 求解。
[0009] 按上述方法，所述的H通过选择激励函数与神经元个数来确定。
[0010] 按上述方法，所述的S2以RANSAC算法确定0所需的迭代运算次数为标准，若迭 代运算次数高于^次则判定维度为高维，否则维度为低维。
[0011] 按上述方法，当选择NAPSAC算法时，通过计算H中所有两两向量间的欧氏几何距 离，将其欧氏几何距离均值作为相邻点的阈值半径r。
[0012] 按上述方法，当选择NAPSAC算法时，根据实际样本数据的计算确定是否为局内点 阈值e，进而判定模型参数估计收敛所需的最少局内点的数量G，其中G与实际样本数据中 噪声所占的比例相关。
[0013] 按上述方法，G的取值小于或等于通过局内点阈值e划分得到的局内点个数的最 大值。
[0014] 本发明的有益效果为：通过建立遥感定量反演中影响因子与反演对象间的复杂数 学关系模型；在模型参数求解过程中，能过滤样本数据噪声的干扰，自适应选取模型参数估 计算法，从而能快速获取模型最优的参数结果；本发明能够快速获取模型参数，学习效率 高，并且能够有效排除噪声影响，提高定量反演精度，泛化能力强。。
【附图说明】
[0015] 图1为本发明一实施例的控制流程图。
【具体实施方式】
[0016] 人工神经网络（artificialneuralnetwork，ANN)作为一种非线性、统计建模工 具，被广泛应用于遥感定量反演中。该模型通过神经结构与连接权值的设定，能充分逼近任 意复杂的非线性关系。然而，由于ANN模型自身的缺陷，如学习收敛速度慢、易陷入局部极 值以及网络结构难以确定等问题，使得反演精度难于满足应用需求。Huang等改进了传统 ANN模型，提出了一种极限学习机（ExtremeLearningMachine，ELM)算法。ELM算法是一 种新型的单隐层前向神经网络，其学习速度与泛化能力比ANN模型均具有较大幅度提升。 这主要取决于两方面的改进：（1)随机产生小数量级的值作为输入层与隐含层间的连接权 值和隐含层神经元阈值，突破了ANN模型网络结构难以确定的缺陷；（2)采用最小二乘法求 解模型隐含层与输出层间的连接权值，解决了传统ANN模型易陷入局部最优解的问题，并 提升了最优参数获取的学习效率。然而，ELM模型在遥感定量反演应用中，同样遇到新的问 题，即ELM模型参数估计的精度受制于样本数据质量。遥感影像受到数据获取时传感器系 统噪声、光照、天气条件、云层等的干扰，而地面同步测量数据同样因仪器偏差、实验人员的 主观操作等引入噪声。若用夹杂噪声的样本数据训练ELM模型参数，会产生较大的误差，将 无法达到业务应用精度的需求。
[0017] 由上述可知，常规ELM模型主要采用最小二乘法求解模型隐含层与输出层间的连 接权值，这将难于排除噪声干扰。为了提升ELM模型对数据噪声的鲁棒性，可考虑利用随 机抽样一致性（RandomSampleConsensus，RANSAC)或N邻近点抽样一致性（NAdjacent PointsSampleConsensus，NAPSAC)算法改进模型参数估计过程。RANSAC算法和NAPSAC 算法均可以排除局外点（噪声数据）、选择局内点进行模型参数求解，能有效地排除样本数 据中噪声的影响。当ELM模型隐含层与输出层间连接权值参数维度较低的情况下，RANSAC 算法与NAPSAC算法达到相同模型精度所需的循环次数差异较小。但NAPSAC的算法复杂度 要远高于RANSAC算法，故RANSAC算法更为合适。而当参数维度相对较高时，模型初始化需 要的样本点数量也将随之增多。RANSAC算法需大量的迭代运算方能获得较为准确的模型参 数；而NAPSAC算法考虑了相邻的样本点（空间几何距离度量）具有相似特征的特性，在模 型初始化时利用邻近点特征选取替代RANSAC算法随机选取的方法，能有效地提升模型参 数获取的速度与模型参数估计的精度，故NAPSAC算法更为适合。
[0018] 本发明提供一种适应噪声条件下的抽样学习机遥感定量反演方法，如图1所示， 它包括以下步骤：
[0019] S1、利用极限学习机中固定小数量级权值的特点模拟遥感定量反演中影响因子与 反演对象间的非线性的复杂数学关系，将其转化为求解一个线性系统=Tt;其中，H为 网络隐含层输出矩阵，由输入层、隐含层及激励函数决定；TT为输出层输出矩阵，由输出层 决定邛为网络模型参数；其中影响因子为遥感观测指标，反演对象为建模过程中采用地 面实测数据。所述的H通过选择激励函数与神经元个数来确定。
[0020] S2 :根据网络模型参数0的维度自适应选取模型参数估计算法，维度高时选择 NAPSAC算法，维度低时选择RANSAC算法；预设相应的标准判断维度的高和低。
[0021] 本实施例中，以RANSAC算法确定0所需的迭代运算次数为标准，若迭代运算次数 高于^ (如ni= 1000,也可根据情况另外设置其它值）次则判定维度为高维，否则维度为 低维。
[0022] 当选择NAPSAC算法时，通过计算H中所有两两向量间的欧氏几何距离，将其欧氏 几何距离均值作为相邻点的阈值半径r。根据实际样本数据的计算确定是否为局内点阈值 e，进而判定模型参数估计收敛所需的最少局内点的数量G，其中G与实际样本数据中噪声 所占的比例相关。通常情况下，G的取值小于或等于通过局内点阈值e划分得到的局内点 个数的最大值。
[0023] S3 :利用S2中选取的模型参数估计算法，实现对Hf3 =Tt中参数0的求解。
[0024] 本实施例中，具体的实施步骤如下：
[0025] 1、遥感观测指标与地面实测数据的时空配准
[0026] 主要实现遥感观测指标与地面实测数据在时间尺度上和空间尺度上配准，具体步 骤为：
[0027] ①根据遥感卫星的轨道参数计算卫星的过境时间，开展针对地表参量观测卫星的 野外同步观测试验；
[0028] ②对遥感影像进行数据预处理，包括辐射定标、大气校正、几何校正等，并对地面 实测数据进行归一化处理，即统一量纲、数量级等；
[0029] ③根据每个地面实测点的空间坐标获取相同位置对应遥感数据上所有波段信息 (如亮度、辐射率或反射率）；
[0030] ④计算地面实测地表参量与遥感影像各个波段间的相关系数，据此选取最优的波 段组合以表征地表参量的特性；
[0031] ⑤将选取的波段信息与地面实测地表参量值一一对应，形成特征向量，构成样本 数据集。
[0032] 2、非线性关系至线性模型的映射
[0033] 假设输入层有n个输入变量、隐含层含有1个神经元、输出层有m个输出变量。输 入层与隐含层间连接权值、隐含层与输出层间的连接权值以及隐含层神经元的阈值分别记 为w、|3、b，那么，《、|3和b可表示为：
[0034]
[0035] 式中，《 ^表示输入层第i个变量与隐含层第j个神经元间的连接权值；0 jk表示 隐含层第j个神经元与