基于網(wǎng)格和智能算法的遙感巖性分類方法研究.pdf

1、在遙感巖性分類的過程中,海量的遙感數(shù)據(jù)和面向應用的快速處理需求,需要強大的計算資源支持。而當研究區(qū)域從實驗點增大到區(qū)域性范圍時,現(xiàn)有的普通單機計算能力已遠達不到時效性的需求。
　　 當前根據(jù)譜帶強度的統(tǒng)計特征進行巖性分類的算法,在形成分類算子時需要對波段進行統(tǒng)計,而波段數(shù)的增加必然導致算法處理速度變慢。該缺陷決定了其應用范圍常限于多光譜遙感,在高光譜中很難推廣使用。而基于波型特征的巖性分類算法,在分類時也同樣遇到因計算速度變慢而

2、導致處理效率低的問題。
　　 如何解決因海量數(shù)據(jù)或算法本身而導致的此類問題,目前大部分的研究都集中在算法的優(yōu)化上,而鮮有對高性能計算優(yōu)化方法進行研究。本論文的著眼點和出發(fā)點在于:同時在算法和高性能計算兩個方面對遙感巖性分類進行性能優(yōu)化研究,并最終提出一種新的基于服務的網(wǎng)格遙感巖性分類模式。論文的主要貢獻如下:
　　 (1)針對大區(qū)域遙感巖性分類計算量大、處理時間長、效率低的問題,提出了基于網(wǎng)格環(huán)境的遙感巖性分類應用模型。

3、該模型支持分布式并行運算和集成,支持面向服務的模式以響應用戶應用需求,支持按步驟、按過程和按數(shù)據(jù)三種方式對分類過程中的密集型計算進行分解部署。該模型的提出,在計算性能的層面,彌補了巖性分類過程中對海量數(shù)據(jù)處理計算能力的不足,并能滿足各個應用層面對計算性能的高要求。
　　 (2)針對傳統(tǒng)統(tǒng)計學的遙感巖性分類方法在樣本有限的情況下難以取得理想分類精度的問題,提出了基于感興趣區(qū)域的SVM巖性分類方法。該方法以二叉樹的SVM分類算法為基

4、礎,通過參照已有區(qū)域地質(zhì)資料,分別選取感興趣區(qū)域一定數(shù)量的具有普遍性、代表性的不同類型巖石樣本,再以各類樣本在對應波段的波譜反射率生成各巖石類別的參考訓練樣本,進行訓練和分類。該分類方法的應用消除了因樣本不足對分類精度的影響。
　　 (3)針對SVM分類過程中,處理大規(guī)模訓練樣本集遇到的因樣本維度高、消耗大量內(nèi)存導致分類效率低下的問題,提出了基于PSO算法對訓練樣本集進行縮減的策略。該策略以k-折交叉驗證作為算法的適應度評價機制

5、。此策略的提出和應用,得到了訓練樣本中有效支持向量的最小化組合,提高了訓練和分類速度,在算法的層面彌補了處理大規(guī)模數(shù)據(jù)對計算性能的高要求。
　　 (4)針對傳統(tǒng)巖性分類方法其分類結果,過分依賴訓練樣本及因人為失誤或偏差導致分類實效下降的問題,提出了網(wǎng)格環(huán)境下基于多種群協(xié)同進化粒子群算法的巖性分類模型。該模型以光譜相似尺度方法構建分類規(guī)則,種群的多樣性依托于網(wǎng)格環(huán)境,將計算分布并行處理。這種分類方法的提出是統(tǒng)計學分類方法的有效補充

6、,提高了效率,降低了人為因素對分類質(zhì)量的影響。
　　 (5)針對目前大量PC資源被閑置、已有歷史遙感地質(zhì)數(shù)據(jù)和巖性分類相關資料沒有實現(xiàn)充分共享,導致資源浪費和重復建設的現(xiàn)狀,提出了面向服務的分布式并行網(wǎng)格巖性分類框架,并對網(wǎng)格服務進行了語義層次的擴展和改進。該框架的提出實現(xiàn)了對閑散資源的有效利用,擴展后的網(wǎng)格服務更有利于被網(wǎng)格用戶發(fā)現(xiàn)和使用。
　　 在研究的過程中,針對上述各種算法和模型在青海阿爾金成礦帶的三個研究區(qū)域(