基于多维数据的国土生态环境遥感数据分析方法与流程

本发明涉及大数据分析，尤其涉及一种基于多维数据的国土生态环境遥感数据分析方法。

背景技术：

1、遥感技术可以获取大范围、连续的地表数据，包括高光谱、多光谱、雷达等不同类型的遥感数据。这些数据可以提供关于土地利用、植被覆盖、水体分布、土壤类型等地表特征的信息。数据挖掘是从大规模数据集中自动发现模式、关联、异常值等有价值信息的过程。在国土生态环境遥感数据分析中，数据挖掘技术可以应用于遥感数据的特征提取、分类与聚类分析、趋势预测等任务。通过数据挖掘技术，可以发现遥感数据中隐藏的规律和趋势，提供对生态环境变化的深入理解。国土生态环境遥感数据通常是多维的，包含多个指标或特征。多维数据分析涉及多维数据建模、数据压缩、数据可视化和数据挖掘等技术。通过多维数据分析，可以对遥感数据进行综合分析和可视化展示，揭示不同指标之间的相互关系和趋势。但遥感影像等空间数据常常存在由于云雾、传感器故障等原因造成的缺失区域，国土生态环境影响遥感数据的连续性和完整性。

技术实现思路

1、基于此，本发明有必要提供一种基于多维数据的国土生态环境遥感数据分析方法，以解决至少一个上述技术问题。

2、为实现上述目的，一种基于多维数据的国土生态环境遥感数据分析方法，包括以下步骤：

3、步骤s1：获取多源的国土生态环境遥感数据；对国土生态环境遥感数据中的低分辨率影像进行上采样至预设目标分辨率，从而得到高分辨率遥感数据；对高分辨率遥感数据进行辐射校正以及几何配准，从而得到辐射几何校正数据；

4、步骤s2：根据多时相的辐射几何校正数据构建时空完备的影像数据立方体，从而得到影像立方体数据；对影像立方体数据进行影像栅格化，并利用生成对抗网络对影像立方体中的空洞进行填补，从而得到异质空间网格化数据；

5、步骤s3：利用预设的变分自编码器模型对异质空间网格化数据进行隐空间表示学习，从而得到隐空间表示数据；对隐空间表示数据进行蒙特卡洛采样，从而得到后验概率分布数据；根据后验概率分布数据进行反卷积层重构，从而得到无噪声原始数据；根据无噪声原始数据对变分自编码器模型进行超参数优化，并对异质空间网格化数据进行数据清洗，从而得到净化多维立方体数据；

6、步骤s4：对净化多维立方体数据进行光谱维以及时空维特征提取，并进行异质空间网格间的相关性捕获，从而得到高维环境特征向量；获取高光谱影像数据以及极化合成孔径雷达数据；根据高维环境特征向量对高光谱影像数据以及极化合成孔径雷达数据进行双通道注意力融合，从而得到富辐射信息立方体数据；

7、步骤s5：基于蒙特卡洛方法对富辐射信息立方体数据进行物理参数的空间分布场反演，从而得到物理场参数数据；根据物理场参数数据以及预设的外部驱动数据对国土生态环境变化过程进行模拟预测，从而得到环境变化模拟数据。

8、本发明通过获取多源的国土生态环境遥感数据，可以获取到丰富的环境信息，包括地表覆盖类型、植被指数、土壤湿度等。这些数据可以用于环境监测、生态研究和资源管理等领域。通过对低分辨率影像进行上采样，得到高分辨率遥感数据，提高了图像的细节和清晰度。辐射校正和几何配准可以纠正图像中的辐射和几何畸变，提高图像质量和准确性。影像栅格化和空洞填补可以将影像数据转换为规则的栅格形式，并通过生成对抗网络填补空洞，提高了数据的连续性和完整性，也很好地解决了由于云雾、传感器故障等原因导致的遥感影像空洞缺失的问题。隐空间表示学习通过变分自编码器模型，可以学习到数据的低维表示，提取数据中的重要特征，减少数据的维度。蒙特卡洛采样和反卷积层重构可以从隐空间表示中生成样本，得到后验概率分布数据，提供了数据的不确定性估计。超参数优化和数据清洗可以通过对无噪声原始数据和变分自编码器模型进行优化，提高模型的性能和数据的质量。光谱维和时空维特征提取可以从净化多维立方体数据中提取出丰富的环境特征，包括光谱信息和时序信息，提高了数据的表达能力。异质空间网格间的相关性捕获可以分析不同空间网格之间的关联性，帮助理解数据之间的关系和相互作用。双通道注意力融合可以将高光谱影像数据和极化合成孔径雷达数据进行融合，提取它们的互补信息，增强了数据的丰富性和准确性。物理参数的空间分布场反演可以通过蒙特卡洛方法，从富辐射信息立方体数据中推断出环境物理参数的分布情况，提供了对环境特征的定量描述。环境变化模拟预测可以利用物理场参数数据和预设的外部驱动数据，通过建立模型和模拟方法，对国土生态环境的变化过程进行预测，有助于环境管理和决策制定。综上所述，通过以上步骤的实施，可以获得高质量的遥感数据、准确的环境特征表示、丰富的数据信息和对环境变化的模拟预测，有助于环境监测、生态保护、资源管理等领域的应用，提供科学依据和决策支持。

9、优选地，步骤s1包括以下步骤：

10、步骤s11：获取多源的国土生态环境遥感数据；

11、步骤s12：根据预设目标分辨率对国土生态环境遥感数据进行分辨率分类，从而得到低分辨率影像数据；

12、步骤s13：对低分辨率影像数据进行上采样至预设目标分辨率，从而得到高分辨率遥感数据；

13、步骤s14：对高分辨率遥感数据进行辐射校正，从而得到待配准影像数据；

14、步骤s15：对待配准影像数据进行空间特征提取，并进行特征匹配，从而得到空间特征匹配数据；

15、步骤s16：根据空间特征匹配数据对待配准影像数据进行几何配准，从而得到辐射几何校正数据。

16、本发明通过获取多源的国土生态环境遥感数据，可以获取到来自不同传感器、不同时间和不同分辨率的数据，丰富了数据的多样性和时空范围。根据预设目标分辨率对国土生态环境遥感数据进行分辨率分类，可以将数据分为低分辨率影像数据。这有助于对数据进行进一步处理和分析，同时也提供了保留原始数据的选项。对低分辨率影像数据进行上采样至预设目标分辨率，可以提高数据的空间细节和清晰度，得到高分辨率遥感数据。这对于需要更精细的分析和研究任务非常重要，如土地利用分类、植被监测等。对高分辨率遥感数据进行辐射校正，可以纠正图像中的辐射畸变，提高图像质量和准确性。这对于后续的配准和特征提取步骤非常重要，确保数据的一致性和可比性。对待配准影像数据进行空间特征提取，可以提取图像中的特征点、边缘等信息。通过特征匹配，可以在不同影像之间找到共同的特征点，建立它们之间的对应关系。这有助于后续的几何配准和校正步骤。根据空间特征匹配数据，对待配准影像数据进行几何配准，即将影像数据在空间上进行校正，使其与参考影像具有一致的几何变换关系。这可以消除影像之间的空间畸变，得到辐射几何校正数据。校正后的数据在空间上对应准确，有助于提高后续分析和应用的精度和可靠性。综上所述，通过以上步骤的实施，可以获得高分辨率的遥感数据、准确的校正数据和配准数据，提高了数据的质量和可用性。这对于环境监测、地表覆盖分类、资源管理等应用领域具有重要意义，并为后续的数据分析和模型建立提供了可靠的基础。

17、优选地，步骤s14包括以下步骤：

18、步骤s141：利用modtran中的大气模型根据高分辨率遥感数据进行太阳辐射在大气层的传输过程模拟，并进行到达目标地表的入射辐射和从地表反射到传感器的路径辐射的衰减估计，从而得到大气校正数据；

19、步骤s142：获取地物反射率谱数据；根据地物反射率谱数据以及根据高分辨率遥感数据对地物进行反射特性匹配，并提取反射率谱，从而得到地表反射校正数据；

20、步骤s143：对高分辨率遥感数据中由倾斜遥感传感器采集的影像进行视场角度对地物反射模拟，并利用brdf模型进行各像元的反射率值修正，从而得到视场角度校正数据；

21、步骤s144：根据高分辨率遥感数据构建基于光线追踪的日照遮挡模型，并拟地形起伏对入射辐射和观测辐射的影响，校正阴影区以及坡面上的像元值，从而得到地形校正数据；

22、步骤s145：根据大气校正数据、地表反射校正数据、视场角度校正数据以及地形校正数据对高分辨率遥感数据进行校正处理，从而得到待配准影像数据。

23、本发明使用modtran中的大气模型对高分辨率遥感数据进行模拟，以模拟太阳辐射在大气层中的传输过程。通过估计太阳辐射到达目标地表的入射辐射以及从地表反射到传感器的路径辐射的衰减，可以得到大气校正数据。这一校正过程可以消除大气对遥感数据的影响，提高数据的准确性和可比性。获取地物反射率谱数据，并根据高分辨率遥感数据对地物的反射特性进行匹配。通过提取反射率谱，可以得到地表反射校正数据。这一校正过程可以消除地物反射特性对遥感数据的影响，确保数据的一致性和可靠性。对由倾斜遥感传感器采集的高分辨率遥感影像进行视场角度对地物反射的模拟，并利用双向反射分布函数（brdf）模型对各像元的反射率值进行修正，得到视场角度校正数据。这一校正过程可以消除视场角度对遥感数据的影响，提高数据的一致性和可比性。根据高分辨率遥感数据构建基于光线追踪的日照遮挡模型，并考虑地形起伏对入射辐射和观测辐射的影响。通过校正阴影区域和坡面上的像元值，可以得到地形校正数据。这一校正过程可以消除地形对遥感数据的影响，提高数据的一致性和可靠性。根据大气校正数据、地表反射校正数据、视场角度校正数据以及地形校正数据对高分辨率遥感数据进行综合校正处理，得到待配准影像数据。通过综合校正处理，可以消除多种因素对遥感数据的影响，提高数据的质量和准确性。综上所述，通过以上步骤的实施，可以消除大气、地物反射特性、视场角度和地形等因素对高分辨率遥感数据的影响，获得校正后的待配准影像数据。这有助于提高数据的一致性、准确性和可比性，为后续的分析、应用和配准等任务提供更可靠的数据基础。