自然资源调查监测卫星遥感技术分析

开篇：润墨网以专业的文秘视角，为您筛选了一篇自然资源调查监测卫星遥感技术分析范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要:研究一种利用国产高分卫星遥感数据进行自然资源调查的大数据应用算法，重点研究神经网络深度迭代回归算法在卫星遥感图像像素级分析过程中的地籍边界确认算法，将新算法与高分卫星大数据工具包自带地籍边界划分算法进行对比，发现:自带软件较革新软件，在林木种类误判数量上高出6．8倍，在农作物类型误判数量上高出19．2倍，在水产类型误判数量上高出4．1倍。革新软件对比自带软件，其大资源区边界精度提升65．9%，小资源区边界精度提升67．2%，综合分析其边界划分精度提升62．5%。该结果t＜10．000，P＜0．01，具有显著的统计学差异，该革新算法可以大幅度提升资源调查效率和资源区划分精度。

关键词:自然资源调查;高分卫星;遥感技术;神经网络;像素级分析

高分卫星又称作高分辨率对地观测系统重大专项工程，是《中国国家中长期科学和技术发展规划纲要》(2006—2020年)的16个重大科技专项之一，主要用于国土普查、农作物估产、环境治理、气象预警预报和综合防灾减灾等领域。目前，包括最新发射的高分十三号卫星在内，所有高分卫星的实时动态对地观测成果已经全面投入商用，民营企业可以以较低成本获得全面的米级精度实时卫星遥感遥测信息。因为早期民营企业较少涉及卫星航天工程，所以受到高分卫星专项工程的商用影响，越来越多的民营企业开始涉及高分卫星专项工程的信息数据分析工作，包括农业服务、气象服务、林业资源调查、水域及渔业资源调查、农业资源调查、水利水文监测、矿产资源调查等。该研究基于高分卫星数据开发工具包，研究一种可以分析调查自然资源现状及动态变化情况的算法架构，使中国产卫星遥感技术的应用范围进一步拓展。

1地籍单元的划分与类模型提取

基于高分卫星专项工程的商业化数据服务，其本质意义是让国内普通企业可以充分享受到卫星航天工程的数据成果。当前高分卫星资源分析系统中，已经推出了商业化应用，使农民可以每年只花费数十元，就可以对农田的含水量、预计产量、病虫害发生概率进行详细统计。该研究在针对高分卫星资源分析的深度研究中，探求一种分析性能更佳的地籍单元分析模式，使基于复杂神经网络的高分卫星数据分析系统可以提供更强大的分析功能。因为卫星视场为交叉重叠的带状视场，而大部分被分析地区属于面状区域，所以，在任何卫星遥感数据的处理中，利用卫星视场拼接被分析区域均属于首要工作。同时，在相关分析中，即便在单一卫星视场区域内进行分析，也需要对地籍单元进行细化分析，以获得足够精确的机器学习分析结果。如图1所示。图1中，根据被分析地区的区域坐标，在卫星视场数据中选择所有相关视场资料，对视场资料进行拼接，最终形成被分析区域的原始数据图像集。根据市场的四至极点构建矩形区域，使用四分法对区域进行逐层划分，直至最终地籍单元的像素数量在神经网络的可控制范围内。本文研究中，选择的地籍单元数量最终为F(x，y)={m×n}，maxx=m＜25，maxy=n＜25的地籍单元。使用神经网络对地籍单元资料进行评价，最终找到边缘地籍单元并确定地籍单元的属性。将边缘地籍单元进行连线，最终形成加权叠加输出结果。受到篇幅限制，本文不对较为成熟的地籍单元的四分法及其他相关算法进行深入讨论，仅对其神经网络的机器学习实现算法进行展开分析。

2地籍单元的神经网络分析算法

2．1神经网络整体分析架构

该神经网络系统的输入值为地籍单元的不超过25×25个像素阵列，其中需要进行3个神经网络判断模块。3个神经网络模块均通过25×25个像素阵列的输入数据进行分析，分别给出该地籍单元是否包含资源边界的分析类型判断二值化判断，对自然资源种类进行判断的地籍种类模块，判断边界位于像素阵列位置的边界判断模块。如图2所示。

2．2数据降维功能的实现

分析类型选择模块分为两个功能，是将数据充分降维，不超过25×25个像素点阵，共包含最高625个输入单元，每个输入单元包括3个上色通道，每通道为1个16位Long型变量。即该模块的输入量最高可达到625×3=1875个Long型变量输入，而其输出结果为1个Logical型二值化变量，其分析过程的信息损失量较大。所以，该模块在提供二值化输出功能的同时，应有充足的数据降维功能，使降维过程损失的信息量在模块带回归变量中充分保留，采用40%的维度压缩比，其隐藏层结构传导函数如公式(1)所示:f(n+1)=mod(f(n)×40%)(1)式中，mod函数为取整函数;根据该式进行降维设计，则其隐藏层结构见表2。表2中，该降维模块在3个模块中均有应用，均作为其隐藏层的前6层结构，其利用六阶多项式回归函数的丰富待回归变量资源，将高达1875个数据维度降维到7个数据维度，以供后续分析，六阶多项式回归函数的基函数如公式(2):(2)式中，Xi为第i个输入变量;Y为节点输出变量;j为多项式阶数，该设计中使用了6阶多项式;Aj为第j阶多项式的待回归变量，每个节点共包含6个待回归变量。

2．3功能模块的实现

图2中的3个神经网络功能模块，其隐藏层前6层均为表2和公式(2)提供的逻辑架构，但在后续各层中有所不同，3个神经网络功能模块的后续隐藏层结构有以下区别，详见表3。表3中，3个神经网络功能模块应用到除多项式回归函数之外的2种回归函数，分别为二值化函数和对数回归函数。边界判断模块中，因为是多列神经网络，则会构建2列平行的多列神经网络模块，分别对m值和n值进行输出。此时，二值化函数的基函数写作公式(3)，对数回归函数的基函数写作公式(4):

3资源调查监测算法效能判断

按照图1中的技术整合方式，将前文所述的神经网络算法整合到技术体系中，可以得到对应的分析结果，分析数据来自某市市域面积的自然资源调查结果，分析时间周期来自2018年1月1日至2019年12月31日，每15d对数据进行重新采集取样，即达到该市2年期限内的48次密集资源普查结果。在算法效能判断中，分析单一图像内资源区域边界数据点的标准偏差率得到单张图像的分析结果，分析时序图像上资源区域边界变化趋势的标准偏差率结果，在两种标准偏差率基础上，判断该算法精度。对比数据来自高分卫星数据开发工具包内自带资源识别系统给出的分析结果同样分析该两种标准偏差率。标准偏差率的计算公式如式(5):式中:σ为一维单列数据的标准偏差率;xi为该列数据的第i个输入值;x－为该列数据的算数平均数;N为数据列的最大下标。使用SPSS24．0的t校验功能比较数据的差异性，当t＜10．000时认为数据存在统计学差异，同时读取t校验过程的P值;当P＜0．05时认为分析结果处于统计学置信空间内;当P＜0．01时认为数据具有显著的统计学意义。该分析结果详见表4。表4中，静态标准偏差率均值指所有48套计算结果中的标志性数据点位置沿分界线连线进行分组，对其标准偏差率求取均值并进一步计算该值数列的标准偏差率;动态标准偏差率均值指计算48套计算结果的标志性数据点位置变化量沿分界线连线进行分组，对其标准偏差率求取均值并进一步计算该值数列的标准偏差率;改组数据比较中，t＜10．000，P＜0．01，具有显著的统计学差异，且革新软件将静态分析误差优化84．9%，将动态误差优化85．7%。革新系统的分析精度显著优于工具包的自带系统。该研究的根本意义在于探求一种基于原始开发神经网络模块可以服务于高分卫星遥测数据，使其得到更精细化的资源识别功能，所以，判断其对资源识别的准确率，可以使其社会效能得到更大提升。在验证试验中，选择20名地籍管理专业从业者，以肉眼评价方式对2套算法的最终分析效果进行评价，发现2种分析算法的失误率，详见表5。表5中，考察全市约35km2土地面积，涉及分类地块29753个，最大面积318．4hm2，最小面积0．8hm2，2套软件算法条件下，均为发生在林木、农作物、水产水域资源类型之间的跨门类误判，即所有2种算法条件下，所有机器误判均为在林木种类之间的误判、农作物种类之间的误判、水产类型之间的误判。自带软件较革新软件，在林木种类误判数量上高出6．8倍，在农作物类型误判数量上高出19．2倍，在水产类型误判数量上高出4．1倍，即可认为革新软件因为启用了神经网络深度迭代回归的数据识别模式，使其资源类型误判率得到了显著提升。在边界划分方面，因为高分卫星给出的遥测数据每像素点约为0．8m×0．8m，所以其本身存在一定程度的测量误差，在此基础上，对资源边界的实际判读精度，只能达到亚米级，很难达到毫米级。但因为当前进行地籍单元划分时，底图一般采用国家地球地理信息系统(GIS)底图，其比例尺约为1∶1000，支持最高达到±50mm的精度，所以，对两套系统判断资源区边界的精度进行对比分析，其结果见表6。表6中，大资源区指林木、农田、水域、房屋压占、道路压占等大资源区的边界划分结果，小资源区指大资源区内因为不同林木种类、不同农作物种类、不同水产种类等进行的小资源区划分结果。通过比较，革新软件对比自带软件，其大资源区边界精度提升65．9%，小资源区边界精度提升67．2%，综合分析其边界划分精度提升62．5%。该结果t＜10．000，P＜0．01，具有显著的统计学差异。可以认为使用了神经网络深度迭代回归的机器学习分析策略较其自带系统具有更高的边界划分精度，且不论其自带软件还是革新软件，均已经实现远超过原始卫星遥感图像成像精度的边界划分能力。

4结束语

神经网络深度迭代回归数据挖掘分析方法，是在不完备数据条件下实现高精度数据分析的大数据解决方案。通过该方案可以充分利用不完备数据条件，如成像精度每像素点覆盖0．8m×0．8m范围的高分卫星图像数据，对其进行逐像素点的地籍单元模块深度迭代回归分析，可以实现平均精度达到±186．3mm的地籍边界划分。即便采用全站仪进行人工防线测量，虽然全站仪精度可以达到±50mm以内，但资源区边界难以通过肉眼明确位置，其实际分析精度不会超过该革新算法的精度。该革新算法可以大幅度提升资源调查效率和资源区划分精度，具有显著的大数据工程意义。

参考文献:

［1］井延涛．国土资源遥感监测应用研究［J］．华北自然资源，2020(6):84－85．

［2］付晶莹，彭婷，江东，等．草地资源立体观测研究进展与理论框架［J］．资源科学，2020，42(10):1932－1943．

［3］段志强，张娜，王挺，等．基于遥感影像的违章建筑监测实践［J］．地理空间信息，2020，18(10):41－45．

［4］王克．试谈设立一种微型卫星式监测站的可行性［J］．中国无线电，2020(10):45－46，49．

［5］陈湘楠，耿莉．多源卫星遥感数据在广西北部湾地区的应用［J］．北京测绘，2020，34(10):1368－1373．

［6］尤淑撑，张锐，董丽娜，等．自然资源卫星遥感常态化监测框架设计及关键技术［J］．地理信息世界，2020，27(5):115－120，128．

［7］王桥，赵少华，封红娥，等．国家城镇生态环境综合监测技术体系构建［J］．地球信息科学学报，2020，22(10):1922－1934．

［8］赵少华，朱军，白志杰，等．土壤污染监测卫星遥感应用需求与载荷配置初探［J］．环境与可持续发展，2020，45(5):114－117．

［9］杨贯伟．卫星遥感技术在公路全生命周期建设中的应用［J］．数字通信世界，2020(10):48－49，81．

［10］武红敢，苗振旺，王晓俪，等．森林病虫灾害的天空地协同监测技术体系示范［J］．山西林业科技，2020，49(3):9－12．

作者：张汉中 单位：广东省地质局第七地质大队