基于貝葉斯網(wǎng)絡(luò)模型的遙感數(shù)據(jù)推理和描述技術(shù)

基于貝葉斯網(wǎng)絡(luò)模型的遙感數(shù)據(jù)推理和描述技術(shù)

1基于概率模型的bnp在遙感成像中，我們通常應(yīng)該看到錯(cuò)誤的數(shù)據(jù)和信息。組織描述和應(yīng)用演示是獲取信息和信息提取的重要課題。作為一種信息推理技術(shù),貝葉斯網(wǎng)絡(luò)模型(BayesianNetworkModel,BNM)可以很好地解決這個(gè)問題。BNM也被稱為條件概率網(wǎng)絡(luò)模型(ConditionalProbabilityNetworkModel,CPNM)或者原因概率網(wǎng)絡(luò)模型(ReasonProbabilityNetworkModel,RPNM)。BNM是一個(gè)圖形模型,該模型提供了描述變量之間概率關(guān)系的一種方式;同時(shí),在條件獨(dú)立假設(shè)和局部概率分布的前提下,描述了變量之間的聯(lián)合概率分布。這種模型的好處在于使用圖形結(jié)構(gòu)描述輸入屬性之間相互關(guān)聯(lián)的方式。這樣,BNM可以被用于非同源遙感數(shù)據(jù),合并不同的先驗(yàn)知識(shí)和數(shù)據(jù)信息。BNM是近年來研究貝葉斯統(tǒng)計(jì)方法的新進(jìn)展,是一種新的推理技術(shù),是圖論和概率論結(jié)合所產(chǎn)生的一種信息描述方法。BNM主要用于復(fù)雜多因果關(guān)系的分析,它使用概率理論來處理在描述不同知識(shí)成分之間的條件相關(guān)而產(chǎn)生的不確定性。BNM說明了聯(lián)合條件分布,允許在變量的子集之間定義類條件獨(dú)立性。它提供了一種因果關(guān)系圖形,可以在其上學(xué)習(xí)并根據(jù)學(xué)習(xí)結(jié)果進(jìn)行分類推理設(shè)置預(yù)測(cè)。它克服了樸素貝葉斯方法無法定義變量之間的依賴關(guān)系的弱點(diǎn)。BNM既是一種信息描述方式,又是一種推理技術(shù)。BNM同時(shí)也是學(xué)習(xí)數(shù)據(jù)分類的一種基本技術(shù),是人工智能技術(shù)的重要領(lǐng)域。微軟是BNM研究應(yīng)用最積極的探索者之一,在使BNM能自動(dòng)從新知識(shí)中學(xué)習(xí)或更新的技術(shù)的研究和使用BNM技術(shù)改進(jìn)從大型數(shù)據(jù)庫中查找相關(guān)信息片段的人工智能技術(shù)的研究中具有獨(dú)特之處。遙感圖像數(shù)據(jù)所具有的不確定性使得其在應(yīng)用時(shí)表現(xiàn)出較強(qiáng)的復(fù)雜度,BNM處理技術(shù)在用于解決這種復(fù)雜性問題的描述,表達(dá)和信息推理方面具有獨(dú)特的優(yōu)勢(shì)。本文首先簡單介紹了貝葉斯定理和貝葉斯網(wǎng)絡(luò),然后介紹了根據(jù)樣本數(shù)據(jù)和先驗(yàn)信息建立貝葉斯信念網(wǎng)絡(luò)的過程。針對(duì)遙感圖像數(shù)據(jù)的不確定性,提出并詳細(xì)介紹了遙感數(shù)據(jù)處理領(lǐng)域中BNM的應(yīng)用方法。通過對(duì)AVHRR數(shù)據(jù)以及相關(guān)土地利用類型,沙塵干量數(shù)據(jù)的處理實(shí)驗(yàn),并實(shí)際進(jìn)行了沙源區(qū)起沙程度預(yù)測(cè)應(yīng)用分析實(shí)驗(yàn)。本方法對(duì)在大型遙感圖像數(shù)據(jù)庫上運(yùn)用貝葉斯信念網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)分析和信息推理有重要的現(xiàn)實(shí)意義。2聯(lián)系在同一克氏法上的含義傳統(tǒng)的數(shù)據(jù)統(tǒng)計(jì)技術(shù)完全立足于“單純,死板”的數(shù)據(jù)信息,而以貝葉斯定理為理論基礎(chǔ)的數(shù)據(jù)統(tǒng)計(jì)技術(shù)有機(jī)地將數(shù)據(jù)信息與真實(shí)世界的信息(先驗(yàn)信息)聯(lián)系在了一起。除了提供一種計(jì)算后驗(yàn)概率的方法,貝葉斯定理的優(yōu)勢(shì)還在于能夠幫助人們建立起分析復(fù)雜真實(shí)世界的模型一貝葉斯網(wǎng)絡(luò)。這種更容易令人理解和把握的圖形模型對(duì)復(fù)雜和不確定的信息具有很強(qiáng)的處理能力。它由兩部分組成,即有向無環(huán)圖(DAG)和條件概率表(CPT),如(1)式所示:給定一個(gè)隨機(jī)變量集X={X1,X2,…,Xn},其中Xi是一個(gè)m維向量。貝葉斯信念網(wǎng)絡(luò)說明了變量集合X上的一個(gè)聯(lián)合條件概率分布。2.1有一條弧的變動(dòng)性(1)式中G表示一個(gè)有向無環(huán)圖,其頂點(diǎn)對(duì)應(yīng)于有限集X中的隨機(jī)變量X1,X2,…,Xn。其弧代表函數(shù)依賴關(guān)系。如果有一條弧由變量Y到X,則Y是X的雙親或者直接前驅(qū),而X則是Y的后繼。一旦給定其雙親,圖中的每個(gè)變量獨(dú)立于圖中該節(jié)點(diǎn)的非后繼。Xi的所有雙親變量用集合Pa(Xi)表示。2.2基于狀態(tài)概率的非線性參數(shù)選取(1)式中θ代表量化網(wǎng)絡(luò)的一組參數(shù)。對(duì)于每一個(gè)Xi,Pa(Xi)的取值xi存在如下一個(gè)參數(shù):σxi|Pa(Xi)=P(xi|Pa(Xi)),它指明了在給定Pa(Xi)發(fā)生的情況下xi事件發(fā)生的條件概率。因此,該貝葉斯信念網(wǎng)絡(luò)給定的變量集合Χ上的聯(lián)合條件概率分布為3貝葉斯網(wǎng)絡(luò)的特殊性遙感數(shù)據(jù)信息具有的不確定性使得描述它的貝葉斯網(wǎng)絡(luò)也具有特殊性,這種特殊性表現(xiàn)在數(shù)據(jù)組織方式以及貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)的確定過程中,并且針對(duì)不同的具體問題應(yīng)該有不同的貝葉斯網(wǎng)絡(luò)表達(dá)形式。3.1主觀概率的確定信念是指根據(jù)自己生活經(jīng)歷的積累對(duì)該事件發(fā)生的可能性所給出的確認(rèn)程度,在貝葉斯統(tǒng)計(jì)中信念也稱為主觀概率或者先驗(yàn)信息。主觀概率的確定要求當(dāng)事人對(duì)所考察的事件有較透徹的了解和豐富的經(jīng)驗(yàn),在這個(gè)基礎(chǔ)上確定的主觀概率就能符合實(shí)際。在我們的貝葉斯網(wǎng)絡(luò)模型中關(guān)于沙源區(qū)有如下先驗(yàn)信息:近幾年每年三,四月份經(jīng)常發(fā)生大的沙塵暴,其波及面比較廣。根據(jù)前人的研究成果起沙區(qū)主要分布在毛烏素沙漠,科爾沁沙漠,塔里木沙漠等地。3.2基于貝葉斯網(wǎng)絡(luò)的目標(biāo)預(yù)測(cè)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)主要指一個(gè)有向無環(huán)圖模型,圖中的結(jié)點(diǎn)與相關(guān)變量一一對(duì)應(yīng),將結(jié)點(diǎn)聯(lián)結(jié)起來的弧對(duì)應(yīng)這些變量之間的聯(lián)合概率分布。在這個(gè)模型中,結(jié)點(diǎn)表示的隨機(jī)變量代表世界上的事件或事物,它們之間的影響程度通過一個(gè)數(shù)字編碼的概率值來表示。一般而言,確定貝葉斯網(wǎng)絡(luò)模型一般采用貝葉斯網(wǎng)絡(luò)修正算法或者更新算法。根據(jù)沙塵源區(qū)預(yù)測(cè)的需要通過如下3步建立沙塵過程的貝葉斯網(wǎng)絡(luò)模型。(1)確定為建立模型有關(guān)的變量及其解釋。1st為前一天的地表溫度;R1為前一天的地表反照度;LU為當(dāng)年的土地利用類型;tspl為沙源區(qū)的沙塵干量;tsp2為其它地區(qū)的沙塵干量;S為預(yù)測(cè)的起沙程度。(2)通過分析變量之間的條件依賴關(guān)系構(gòu)建貝葉斯網(wǎng)絡(luò),即建立有向無環(huán)圖(圖1)。根據(jù)概率乘法公式有用Pai表示變量Xi的父結(jié)點(diǎn)集,則(3)分析確定各個(gè)變量(結(jié)點(diǎn))的條件概率表,即指派局部概率分布。在離散的情形,需要為每一個(gè)變量Xi的父結(jié)點(diǎn)集的各個(gè)狀態(tài)指派一個(gè)分布。比如在我們所建立的貝葉斯網(wǎng)絡(luò)模型中,給定變量LU,1st,R1的先驗(yàn)概率,服從高斯分布,變量S的父結(jié)點(diǎn)R1,1st,LU的概率分布分別由其條件概率表表示。3.3月21日和3月19日科爾姆沙地tsp值比較經(jīng)過調(diào)查可用的遙感數(shù)據(jù)有3月15日,3月16日,3月19日,3月20日,3月21日,3月24日。由表1,圖2可知毛烏素沙區(qū)3月17日,3月25日TSP值高于平均值,可判定為強(qiáng)起沙日。3月16日,3月20日,3月21日,3月22日的TSP值遠(yuǎn)低于平均值280.53,可判定為不起沙日。同樣,3月19日科爾沁沙地TSP為1869.69,屬于強(qiáng)沙塵天氣,并且影響了我國東部大部分地區(qū)。如表2所示,分別根據(jù)3月17日的前日(3月16日),3月25日的前日(3月24日)和3月16的前日(3月15日),3月20日的前日(3月19日),3月21日的前日(3月20日),3月22日的前日(3月21日)的1st和R1的統(tǒng)計(jì)數(shù)據(jù)(表3)可以得出變量S的統(tǒng)計(jì)表,并進(jìn)而得到其條件概率表。需要注意的是,根據(jù)需要,每天的統(tǒng)計(jì)數(shù)據(jù)需要選取無污染像元5個(gè)點(diǎn)左右,本實(shí)驗(yàn)筆者選取了5個(gè)點(diǎn)(去除了一些污染像元)。4關(guān)于遺傳算法優(yōu)化的反演實(shí)驗(yàn)根據(jù)所建立的貝葉斯網(wǎng)絡(luò)模型(圖3),其變量的子集所組成的子模型(圖1)可以用來進(jìn)行沙源區(qū)起沙程度的分類推斷。模型中采用的地表溫度,反照度圖像數(shù)據(jù)使用多種方法進(jìn)行反演,但反演方法并未采用遺傳算法進(jìn)行優(yōu)化。起沙程度變量S由LU,1st,R1確定,1st及R1的統(tǒng)計(jì)結(jié)果見表3,根據(jù)這個(gè)結(jié)果進(jìn)行的訓(xùn)練模型對(duì)某一天(比如3月20日)沙源區(qū)的起沙程度進(jìn)行分析推斷(使用3月19日的數(shù)據(jù)),得到的結(jié)果圖像如圖4。沙源區(qū)預(yù)測(cè)圖像與土地覆蓋類型圖疊合形成的合成圖像如圖4所示。其中A區(qū)域?yàn)槊珵跛厣衬?B區(qū)域?yàn)榭茽柷呱衬?由此圖像可以看出3月20日大規(guī)模起沙區(qū)域主要分布在科爾沁沙區(qū),由此可以推斷3月20日的沙源主要為科爾沁沙漠。5遙感數(shù)據(jù)處理多因子分析本文提出的貝葉斯網(wǎng)絡(luò)模型實(shí)際上是一種多源遙感數(shù)據(jù)的挖掘方法,不同信息和數(shù)據(jù)之間的結(jié)合所具有的復(fù)雜性需要貝葉斯網(wǎng)絡(luò)這樣的智能處理工具。作為一種新的概率推理技術(shù),貝葉斯網(wǎng)絡(luò)模型結(jié)合了圖論表達(dá)清晰和貝葉斯統(tǒng)計(jì)學(xué)的現(xiàn)實(shí)合理性,可以有效地解決遙感數(shù)據(jù)的處理問題。實(shí)際工作中,對(duì)數(shù)據(jù)的組織統(tǒng)計(jì)仍需要繼續(xù)探討,比如選取訓(xùn)練統(tǒng)計(jì)點(diǎn)的個(gè)數(shù)可以增多。實(shí)際的預(yù)測(cè)工作可以選取更長的時(shí)間鏈條,比如通過昨天加前天甚至更前天的數(shù)據(jù)來統(tǒng)計(jì)組合,然后對(duì)今天甚至明天的沙塵情況進(jìn)行預(yù)測(cè)。也可以預(yù)測(cè)不僅僅是沙塵源區(qū)的情況