申请/专利权人：安徽农业大学

申请日：2021-09-22

公开（公告）日：2024-06-28

公开（公告）号：CN114580700B

主分类号：G01W1/10

分类号：G01W1/10;G06N7/01;G06F16/29;G06V10/764;G06V10/774;G06V10/84;G06Q50/26

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.06.21#实质审查的生效;2022.06.03#公开

摘要：本发明公开了一种基于语义贝叶斯网络的TVDI干旱指数预测方法，包括对原始数据进行预处理得到研究所需的NDVI和LST数据，对于受云污染的NDVI和LST数据利用R中RGISTools包中的IMA平均异常插值法进行缺失数据优化。然后利用ESTARFM模型对NDVI和LST数据分别进行时空融合，得到高时空分辨率数据，结合地表语义信息，建立语义贝叶斯网络，利用语义贝叶斯网络实现对TVDI的预测。本发明的有益效果是：从贝叶斯网络的角度对一区域的干旱情况结合语义信息进行预测，在干旱预测方面提出了一个全新的可适用的方法，同样语义贝叶斯也可以适用于其他领域的预测，是一个可拓展，可多方面适用的预测方法。

主权项：1.一种基于语义贝叶斯网络的TVDI干旱指数预测方法，其特征在于：包括以下步骤步骤一、影像数据预处理，借助ENVI5.3.1图像处理软件对Landsat7ETM+遥感影像进行几何校正、辐射定标、大气校正以及图像裁剪预处理；步骤二、对云污染数据进行去云以及缺失值填补，采用IMA平均异常插值技术进行缺失值填补和异常值的平滑处理；步骤三、利用ESTARFM时空融合模型融合得到高时空分辨率的NDVI和LST时间序列数据；所述步骤三中，针对实验数据需要进行数据离散化分段处理，在数据离散化过程中，将一个定量变量的整个取值范围划分为若干个子范围或区间，且具体融合步骤包括一、假设两组影像之间的反射率差异仅仅是由不同影像之间地表反射率存在的偏差引起,且在两个时期之间影像并未产生较大差异,计算公式如下：Hx,y,ta,B＝Hx,y,tb,B+ε×[Lx,y,ta,B-Lx,y,tb,B]式中：H、L分别表示高分辨率影像和低分辨率影像,x，y为像元位置,B表示影像各波段,ta、tb分别为两幅影像相对应的时间,ε为转换系数,其值由传感器之间系统偏差所引起；二、在复杂的地表覆盖情况,在上述公式的基础上加入能反映具体像元反射率变化的转换系数，计算公式如下：Hx,y,ta,B＝Hx,y,tb,B+Tx,y×[Lx,y,ta,B-Lx,y,tb,B]式中Tx，y是具体像元的转换系数；三、在预测两个日期两幅不同地表覆盖影像时是通过设置移动窗口自动搜索每个相似像元进行加权总和得到，计算公式如下： 其中，Ti是混合像元第i个相似像元的转换系数，N是预测的相似像元总数,xi,yi是第i个相似像元的位置,W是第i个相似像元的权重；第1个时期p时刻高分辨率影像与ta时刻的低分辨率来预测ta时刻高分辨率影像的反射率,记为Hpxu2,yu2,ta,B，第2个时期q时刻的两幅影像与ta时刻的高分辨率影像的反射率,记为Hqxu2,yu2,ta,B；四、为得到了高精度的ta时刻高分辨率影像的反射率，采取将以上两个预测结果进行加权的方式计算，根据tp和tq与预测时刻ta之间低分辨率影像反射率的差异计算权重，计算公式如下： 并通过计算预测中心像元反射率，计算公式如下：Hxu2,yu2,ta,B＝Tm×Hmxu2,yu2,ta,B+Tn×Lnxu2,yu2,ta,B步骤四、根据时空融合得到的高时间分辨率NDVI和LST，计算TVDI干旱指数；步骤五、LULC土地利用土地覆盖类型数据，利用支持向量机在ENVI软件中进行监督分类得到；步骤六、语义相似度计算，地理本体的语义相似度数据根据土地利用现状分类标准进行计算得到；步骤七、语义贝叶斯网络构建与预测；所述步骤七中，所提出的预测方法的总体流程包括以下步骤一、数据预处理对步骤三和步骤四中得到的数据集进行数据离散化；对历史数据进行处理，以确定不同气候变量的区间大小，用于离散化目的；基于在变量的训练数据中观察到的最大值和最小值来确定间隔大小；如果对于任何可变的vi，最大观察值为maxvi，最小观察值为minvi，则间隔的大小为： 其中，I是离散范围值的总数；二、构建贝叶斯网络语义贝叶斯网络由两部分构成，分别是贝叶斯网络结构和贝叶斯网络参数；其中，贝叶斯网络结构的构造方法由两种，一种是通过咨询专家手工构造，另一种是通过数据分析来获得；由于本研究获取的数据量有限及指标间存在明显的因果关系，从实际情况出发，根据专家经验及各因素内在的因果关系，建立了结构合理、易于理解与计算的拓扑结构；条件概率表由语义贝叶斯学习过程中计算得到；三、语义贝叶斯学习在完整数据的情况下，依据结构和数据集可以计算出参数，计算过程如下：语义贝叶斯网络结构定义为GvN，vS，E，其中VN为表示无语义信息的随机变量的节点集，vS为表示自身有语义信息的随机变量的节点集，E为vN∪vS中一对节点间的边集；对于节点Vy且节点Vy∈VS，根据语义信息进行边际概率的计算； 其中，vy和vyc是变量vy∈vS的定义域内的任意两个值，且vy≠vyc；Pvy是vy的经典概率；γ为归一化常数；Svy,vyc是vy和vyc之间的语义相似度；计算条件概率时根据子节点与父节点是否包含语义信息分为三种情况：a.vx∈vS,在这种情况下，vx的条件概率为： 其中，μ是一个归一化常数，PaVx是PaVx值的特殊组合；vm和vn是变量Vm的任意两个特定值；而Svm,vn是vm和vn的语义相似度；b.vX∈vN,这种情况下，PaVx＝PaNVx∪PaSVx,其中 在这种情况下，vm的条件概率为： 式中，Vm是变量vm的一个特定值；μ是归一化常数,PaNVx是PaNVx的特定组合值；Vm和Vn是变量v的任意两个特殊值；Svm,vn是Vm和Vn之间的语义相似度；c.Vx∈VS，在这种情况下，vX的条件概率为： 式中，Vm是变量vm的一个特定值；μ是归一化常数,PaNVx是PaNvx的特定值；vm和vn是变量vm的任意两个特定值；SVg,Vh为Vg与Vh之间的语义相似性；Vn是变量vx的一个特定值，使得Vm≠Vn；SVm,Vn是Vm和Vn之间的语义相似度；四、语义贝叶斯预测 其中，ti是时刻xi到预测时间xp的时间距离；n是考虑进行训练的总时间；是xi时刻任何变量的边际或者条件概率；五、验证与分析根据三种流行的统计方法，即均方根误差、均方误差、平均绝对误差，对使用所提出的方法进行预测的性能进行评估。

全文数据：

权利要求：

百度查询： 安徽农业大学 一种基于语义贝叶斯网络的TVDI干旱指数预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD