导 师: 吴湘滨
学科专业: G09
授予学位: 博士
作 者: ;
机构地区: 中南大学
摘 要: 在遥感岩性分类的过程中,海量的遥感数据和面向应用的快速处理需求,需要强大的计算资源支持。而当研究区域从实验点增大到区域性范围时,现有的普通单机计算能力已远达不到时效性的需求。当前根据谱带强度的统计特征进行岩性分类的算法,在形成分类算子时需要对波段进行统计,而波段数的增加必然导致算法处理速度变慢。该缺陷决定了其应用范围常限于多光谱遥感,在高光谱中很难推广使用。而基于波型特征的岩性分类算法,在分类时也同样遇到因计算速度变慢而导致处理效率低的问题。如何解决因海量数据或算法本身而导致的此类问题,目前大部分的研究都集中在算法的优化上,而鲜有对高性能计算优化方法进行研究。本论文的着眼点和出发点在于:同时在算法和高性能计算两个方面对遥感岩性分类进行性能优化研究,并最终提出一种新的基于服务的网格遥感岩性分类模式。论文的主要贡献如下:(1)针对大区域遥感岩性分类计算量大、处理时间长、效率低的问题,提出了基于网格环境的遥感岩性分类应用模型。该模型支持分布式并行运算和集成,支持面向服务的模式以响应用户应用需求,支持按步骤、按过程和按数据三种方式对分类过程中的密集型计算进行分解部署。该模型的提出,在计算性能的层面,弥补了岩性分类过程中对海量数据处理计算能力的不足,并能满足各个应用层面对计算性能的高要求。(2)针对传统统计学的遥感岩性分类方法在样本有限的情况下难以取得理想分类精度的问题,提出了基于感兴趣区域的SVM岩性分类方法。该方法以二叉树的SVM分类算法为基础,通过参照已有区域地质资料,分别选取感兴趣区域一定数量的具有普遍性、代表性的不同类型岩石样本,再以各类样本在对应波段的波谱反射率生成各岩石类别的参考训练样本,进行训练和分类。该分类方法的应用消除了因样本不足对分类精度的影响。(3)针对SVM分类过程中,处理大规模训练样本集遇到的因样本维度高、消耗大量内存导致分类效率低下的问题,提出了基于PSO算法对训练样本集进行缩减的策略。该策略以k-折交叉验证作为算法的适应度评价机制。此策略的提出和应用,得到了训练样本中有效支持向量的最小化组合,提高了训练和分类速度,在算法的层面弥补了处理大规模数据对计算性能的高要求。(4)针对传统岩性分类方法其分类结果,过分依赖训练样本及因人为失误或偏差导致分类实效下降的问题,提出了网格环境下基于多种群协同进化粒子群算法的岩性分类模型。该模型以光谱相似尺度方法构建分类规则,种群的多样性依托于网格环境,将计算分布并行处理。这种分类方法的提出是统计学分类方法的有效补充,提高了效率,降低了人为因素对分类质量的影响。(5)针对目前大量PC资源被闲置、已有历史遥感地质数据和岩性分类相关资料没有实现充分共享,导致资源浪费和重复建设的现状,提出了面向服务的分布式并行网格岩性分类框架,并对网格服务进行了语义层次的扩展和改进。该框架的提出实现了对闲散资源的有效利用,扩展后的网格服务更有利于被网格用户发现和使用。在研究的过程中,针对上述各种算法和模型在青海阿尔金成矿带的三个研究区域(采石场、阿卡腾能山和小赛什腾)进行了遥感数据预处理、样本缩减、岩性分类等应用及大量的实验验证,并给出了该研究区域遥感岩性分类自动解译图和综合解译图。实验结果表明,本文所提出的基于网格和智能算法的遥感岩性分类方法,节约了大量处理时间,提高了处理效率和分类准确度,优化了岩性分类性能,为实现更大区域岩性分类的并行处理和资源共享奠定了理论和实践的基础。
关 键 词: 岩性分类 网格计算 支持向量机 粒子群智能 遥感
分 类 号: [P627]