本發(fā)明屬于變異函數(shù)優(yōu)化技術(shù)領域，具體來講是涉及一種森林資源管理的變異函數(shù)參數(shù)擬合的優(yōu)化方法。

背景技術(shù)：

森林資源是林業(yè)生產(chǎn)的物質(zhì)基礎，森林資源狀況是衡量林業(yè)工作成效最重要的標志。森林在發(fā)展過程中因受人為經(jīng)營活動和自然因素影響，森林資源始終處于消長動態(tài)變化之中，因此，必需加強對森林資源的管理與監(jiān)督，建立科學有效的管理體系。森林資源管理的對象主要是林地、林木、野生動植物以及森林環(huán)境。

變異函數(shù)是指區(qū)域化變量增量平方的數(shù)學期望，即區(qū)域化變量增量的方差。典型變異函數(shù)曲線分為拋物線型(連續(xù)型)、線性型、間斷型(塊金型)、隨機型(純塊金型)、轉(zhuǎn)變型，它們代表了具有不同連續(xù)性和隨機性的地質(zhì)體參數(shù)的變化性特點。實際計算的實驗變異函數(shù)2γ*(h)是在以向量h相隔的N對點的兩個觀測值間增量平方的平均值，即2γ*(h)＝1N(h)∑N(h)i＝1〔Z(xi+h)Z(xi)〕22γ*(h)為增量方差之半，又叫半變異函數(shù)，簡稱變異函數(shù)。

支持向量回歸法主要是通過升維后，在高維空間中構(gòu)造線性決策函數(shù)來實現(xiàn)線性回歸，用e不敏感函數(shù)時，其基礎主要是e不敏感函數(shù)和核函數(shù)算法。若將擬合的數(shù)學模型表達多維空間的某一曲線，則根據(jù)e不敏感函數(shù)所得的結(jié)果，就是包括該曲線和訓練點的“e管道”。在所有樣本點中，只有分布在“管壁”上的那一部分樣本點決定管道的位置。這一部分訓練樣本稱為“支持向量”。為適應訓練樣本集的非線性，傳統(tǒng)的擬合方法通常是在線性方程后面加高階項。此法誠然有效，但由此增加的可調(diào)參數(shù)未免增加了過擬合的風險。支持向量回歸算法采用核函數(shù)解決這一矛盾。用核函數(shù)代替線性方程中的線性項可以使原來的線性算法“非線性化”，即能做非線性回歸。與此同時，引進核函數(shù)達到了“升維”的目的，而增加的可調(diào)參數(shù)是過擬合依然能控制。支持向量機中的一大亮點是在傳統(tǒng)的最優(yōu)化問題中提出了對偶理論，主要有最大最小對偶及拉格朗日對偶。

在處理森林資源管理的變異函數(shù)參數(shù)時在低維空間向量集通常難于劃分，解決的方法是將它們映射到高維空間。但這個辦法帶來的困難就是計算復雜度的增加，而核函數(shù)正好巧妙地解決了這個問題。也就是說，只要選用適當?shù)暮撕瘮?shù)，就可以得到高維空間的分類函數(shù)。在確定了核函數(shù)之后，由于確定核函數(shù)的已知數(shù)據(jù)也存在一定的誤差，考慮到推廣性問題，因此必須對變異函數(shù)的參數(shù)在擬合過程中進行優(yōu)化，使其數(shù)值無限接近最適值。

技術(shù)實現(xiàn)要素：

本發(fā)明解決的技術(shù)問題是提供了一種森林資源管理的變異函數(shù)參數(shù)擬合的優(yōu)化方法，其主要是在森林資源管理過程中將對應的變異函數(shù)的參數(shù)在擬合過程中通過多重數(shù)據(jù)分析處理，使用粒子群優(yōu)化、支持向量回歸等優(yōu)化方法，以此達到變異函數(shù)的取值范圍更加精確化的效果。

本發(fā)明的技術(shù)方案如下：

一種森林資源管理的變異函數(shù)參數(shù)擬合的優(yōu)化方法，主要包括以下步驟:

(1)通過衛(wèi)星獲取森林資源的遙感影像，對所述的遙感影像進行預處理，獲取預處理后的遙感影像數(shù)據(jù)，對抽樣區(qū)域采用計算機終端進行數(shù)據(jù)統(tǒng)計及量化處理；

(2)針對得到的森林資源的數(shù)據(jù)進行數(shù)據(jù)粒子群優(yōu)化，采用K均值劃分方法對變量參數(shù)集進行劃分聚類，獲得數(shù)據(jù)集的聚類結(jié)果，根據(jù)適應度值公式對變量參數(shù)進行擬合；

(3)將變量參數(shù)集的具體數(shù)據(jù)值與最優(yōu)適應度值在允許誤差范圍內(nèi)生成特征矢量及用于反映抽樣區(qū)域空間特征的特征矢量，利用支持向量回歸法對抽樣區(qū)域多維的特征矢量進行變異函數(shù)參數(shù)擬合的優(yōu)化。

進一步的，所述的數(shù)據(jù)統(tǒng)計及量化處理是指根據(jù)遙感影像將預處理得到的遙感影像與預先存儲的位置矢量數(shù)據(jù)進行疊加，生成森林遙感影像地理信息圖，使用計算機終端對信息圖的數(shù)據(jù)統(tǒng)計，將需要數(shù)據(jù)分析的區(qū)域進行坐標格網(wǎng)劃分，形成的網(wǎng)格單元按照對應比例的列為單位數(shù)值，在所述的區(qū)域內(nèi)選擇固定區(qū)域進行抽樣，抽樣區(qū)域的具體形狀沒有要求，以能準確的獲取抽樣區(qū)域數(shù)據(jù)為準，不局限抽樣區(qū)域的維度，然后利用插值法探索分析區(qū)域的數(shù)據(jù)的空間變異結(jié)構(gòu)，擬合生成各個變量參數(shù)的理論變異函數(shù)，所述的變量參數(shù)是根據(jù)實際生產(chǎn)需要轉(zhuǎn)化對應生成的。

進一步的，所述的數(shù)據(jù)粒子群優(yōu)化是根據(jù)區(qū)域數(shù)據(jù)得到變量參數(shù)的取值范圍進行分類，并得到分類后的變量參數(shù)集，針對每個變量參數(shù)集確定具體數(shù)據(jù)值、允許誤差、數(shù)據(jù)量，采用粒子編碼方式對選擇的變量參數(shù)集中的數(shù)據(jù)進行編碼，設定粒子種群中粒子的數(shù)目及最大迭代次數(shù)、整個粒子種群的位置和速度的搜索空間范圍，設定每個粒子的初始位置和速度，根據(jù)當前粒子編碼位置各維度的值獲得初始聚類中心子簇的序號，采用K均值劃分方法對變量參數(shù)集進行劃分聚類，所述的K均值劃分方法指是兩個元素在歐氏空間中的集合距離，用于標識兩個標量元素的相異度，其公式為：獲得數(shù)據(jù)集的聚類結(jié)果，根據(jù)適應度值公式，對變量參數(shù)集聚類結(jié)果計算粒子的適應度值，判斷當前粒子適應度值與粒子種群的最優(yōu)適應度值的大小，若小于則將粒子種群最優(yōu)適應度值用當前粒子適應度值替換，將粒子種群最優(yōu)位置用當前粒子位置替換，否則不變，判斷粒子群優(yōu)化迭代次數(shù)是否到達預設的最大迭代次數(shù)，若是，則停止迭代，輸出粒子種群最優(yōu)適應度值和對應的變量參數(shù)集類簇劃分結(jié)果，否則，返回繼續(xù)進行計算。

進一步的，所述的支持向量回歸法是指利用支持向量回歸對抽樣區(qū)域多維的特征矢量進行訓練，最后利用訓練得到的支持向量回歸訓練模型對理論上變異函數(shù)生成的區(qū)域數(shù)據(jù)進行測試，得到理論上的每個多維區(qū)域圖形的預測值，從而來優(yōu)化理論數(shù)據(jù)通過變異函數(shù)于實際抽樣區(qū)域特征性的變化情況，真實反映客觀評價情況與主觀感知的相關性，優(yōu)點是獲得的立體圖像的特征矢量信息具有較強的穩(wěn)定性且能夠較好地反映立體圖像的視覺舒適度變化情況，按照以上步驟分別求取每一個抽樣區(qū)域圖形對應的多維方向下的不同空間間隔所對應優(yōu)化后的變異函數(shù)值，以變異函數(shù)值為Y軸，空間間隔為X軸，建立映射關系，具體的映射關系數(shù)量根據(jù)選取的區(qū)域圖形維度相關，得到一個與理論數(shù)值最佳擬合的圖形，利用線性方程進行回歸計算，獲取擬合度及每個維度下的局部最優(yōu)空間尺度，把所有維度圖像結(jié)合形成所對應的最優(yōu)變異函數(shù)對應區(qū)域圖形。

進一步的，所述的插值法采用克里金插值方法，在數(shù)據(jù)網(wǎng)格化的過程中考慮了描述對象的空間相關性質(zhì)，使插值結(jié)果更科學、更接近于實際情況，能給出插值的誤差，使插值的可靠程度一目了然，其插值方差就是指實際參數(shù)值zv與估計值zv*兩者偏差平方的數(shù)學期望：

而插值點的zv*通過N個離散點獲得；

其中λ與N個離散點指的是加權(quán)系數(shù)。

進一步的，所述的維度是指空間維度，是根據(jù)地理對象的實際分布特征以及地圖表達的需要來確定的，包括：0維、1維、2維、2.5維和3維。

進一步的，所述的迭代是指最開始使用的數(shù)據(jù)定位按照粒子適應度值作為下一次迭代的參考點位置，隨著參考點更靠近真實的位置，數(shù)據(jù)定位的位置也會無限靠近真實的位置。在迭代過程中，數(shù)據(jù)定位不受線性或者非線性屬性的約束，會在不同的維度空間對所有的區(qū)域數(shù)值進行迭代，以此來對非線性屬性進行補償。

進一步的，所述的線性方程的計算方法為最小二乘法。

進一步的，所述的變異函數(shù)的線性范圍是拋物線型、線性型、間斷型、隨機型、轉(zhuǎn)變型其中的一種或者幾種的組合。

與現(xiàn)有技術(shù)相比，本發(fā)明的方法具有以下優(yōu)點：通過衛(wèi)星獲取森林資源的遙感影像數(shù)據(jù)，對抽樣區(qū)域采用計算機終端進行數(shù)據(jù)統(tǒng)計及量化處理，針對得到的森林資源的數(shù)據(jù)進行數(shù)據(jù)粒子群優(yōu)化，采用K均值劃分方法對變量參數(shù)集進行劃分聚類，獲得數(shù)據(jù)集的聚類結(jié)果，根據(jù)適應度值公式對變量參數(shù)進行擬合；將變量參數(shù)集的具體數(shù)據(jù)值與最優(yōu)適應度值在允許誤差范圍內(nèi)生成特征矢量及用于反映抽樣區(qū)域空間特征的特征矢量，利用支持向量回歸法對抽樣區(qū)域多維的特征矢量進行變異函數(shù)參數(shù)擬合的優(yōu)化；本發(fā)明的方法針對目前國內(nèi)外衛(wèi)星系統(tǒng)的各種多時相、不同分辨率、多空間尺度的多源遙感數(shù)據(jù)，優(yōu)化后可以更好的滿足各級林業(yè)部門對森林資源管理信息化的需要，達到加強森林資源管理的目的，同時還可以實現(xiàn)森林資源數(shù)據(jù)的及時更新和階段性的管理計劃。

附圖說明

圖1是本發(fā)明所述的一種森林資源管理的變異函數(shù)參數(shù)擬合的優(yōu)化方法流程示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

為便于對本發(fā)明實施例的理解，下面將結(jié)合附圖及具體實施例為例做進一步的解釋說明，實施例并不構(gòu)成對本發(fā)明實施例的限定。

根據(jù)某山區(qū)的森林區(qū)域的屬性數(shù)據(jù)進行資源管理，其中屬性數(shù)據(jù)包括：地類、樹種、林齡、株數(shù)、病蟲害情況，其中一種森林資源管理的變異函數(shù)參數(shù)擬合的優(yōu)化方法，主要包括以下步驟：

(1)通過衛(wèi)星獲取森林資源的遙感影像，對所述的遙感影像進行預處理，獲取預處理后的遙感影像數(shù)據(jù)，對抽樣區(qū)域采用計算機終端進行數(shù)據(jù)統(tǒng)計及量化處理；所述的數(shù)據(jù)統(tǒng)計及量化處理是指根據(jù)遙感影像將預處理得到的遙感影像與預先存儲的位置矢量數(shù)據(jù)進行疊加，生成森林遙感影像地理信息圖，使用計算機終端對信息圖的數(shù)據(jù)統(tǒng)計，將需要數(shù)據(jù)分析的區(qū)域進行坐標格網(wǎng)劃分，形成的網(wǎng)格單元按照對應比例的列為單位數(shù)值，在所述的區(qū)域內(nèi)選擇固定區(qū)域進行抽樣，抽樣區(qū)域的具體形狀沒有要求，以能準確的獲取抽樣區(qū)域數(shù)據(jù)為準，不局限抽樣區(qū)域的維度，然后利用插值法探索分析區(qū)域的數(shù)據(jù)的空間變異結(jié)構(gòu)，擬合生成各個變量參數(shù)的理論變異函數(shù)，所述的變量參數(shù)是根據(jù)實際生產(chǎn)需要轉(zhuǎn)化對應生成的。

在實現(xiàn)本步驟時，可以通過以下方式來實現(xiàn)：獲取森林資源的遙感影像，對遙感影像進行波段選擇和運算，得到森林資源的第一遙感圖像，其中，在獲取林業(yè)資源的遙感影像時，可以根據(jù)具體的需要，對遙感影像的分辨率、光譜波段、成像時段、傳感器進行選擇；對第一遙感圖像進行輻射增強、幾何校正、反差調(diào)整、空間增強和圖像融合處理，得到第二遙感圖像，使解譯后的影像的信息更為豐富，以改善視覺效果。將遙感影像林相圖中各小班的特征數(shù)據(jù)與森林資源數(shù)據(jù)庫中的相應小班的屬性數(shù)據(jù)進行對比，判斷各小班的屬性數(shù)據(jù)是否發(fā)生變化；

(2)針對得到的森林資源的數(shù)據(jù)進行數(shù)據(jù)粒子群優(yōu)化，采用K均值劃分方法對變量參數(shù)集進行劃分聚類，獲得數(shù)據(jù)集的聚類結(jié)果，根據(jù)適應度值公式對變量參數(shù)進行擬合；所述的數(shù)據(jù)粒子群優(yōu)化是根據(jù)區(qū)域數(shù)據(jù)得到變量參數(shù)的取值范圍進行分類，并得到分類后的變量參數(shù)集，針對每個變量參數(shù)集確定具體數(shù)據(jù)值、允許誤差、數(shù)據(jù)量，采用粒子編碼方式對選擇的變量參數(shù)集中的數(shù)據(jù)進行編碼，設定粒子種群中粒子的數(shù)目及最大迭代次數(shù)、整個粒子種群的位置和速度的搜索空間范圍，設定每個粒子的初始位置和速度，根據(jù)當前粒子編碼位置各維度的值獲得初始聚類中心子簇的序號，采用K均值劃分方法對變量參數(shù)集進行劃分聚類，所述的K均值劃分方法指是兩個元素在歐氏空間中的集合距離，用于標識兩個標量元素的相異度，其公式為：獲得數(shù)據(jù)集的聚類結(jié)果，根據(jù)適應度值公式，對變量參數(shù)集聚類結(jié)果計算粒子的適應度值，判斷當前粒子適應度值與粒子種群的最優(yōu)適應度值的大小，若小于則將粒子種群最優(yōu)適應度值用當前粒子適應度值替換，將粒子種群最優(yōu)位置用當前粒子位置替換，否則不變，判斷粒子群優(yōu)化迭代次數(shù)是否到達預設的最大迭代次數(shù)，若是，則停止迭代，輸出粒子種群最優(yōu)適應度值和對應的變量參數(shù)集類簇劃分結(jié)果，否則，返回繼續(xù)進行計算。

利用C#和ArcEngineSDK研究開發(fā)了森林資源管理數(shù)據(jù)優(yōu)化系統(tǒng)，針對森林資源的地類、樹種、林齡、株數(shù)、病蟲害情況，在更新數(shù)據(jù)之前，需對原有數(shù)據(jù)庫進行備份，數(shù)據(jù)更新完畢，最終形成下一年度的森林資源數(shù)據(jù)庫。每一年度的森林資源數(shù)據(jù)庫中都存儲了從建庫開始的所有森林資源管理的數(shù)據(jù)。

(3)將變量參數(shù)集的具體數(shù)據(jù)值與最優(yōu)適應度值在允許誤差范圍內(nèi)生成特征矢量及用于反映抽樣區(qū)域空間特征的特征矢量，利用支持向量回歸法對抽樣區(qū)域多維的特征矢量進行變異函數(shù)參數(shù)擬合的優(yōu)化，所述的支持向量回歸法是指利用支持向量回歸對抽樣區(qū)域多維的特征矢量進行訓練，最后利用訓練得到的支持向量回歸訓練模型對理論上變異函數(shù)生成的區(qū)域數(shù)據(jù)進行測試，得到理論上的每個多維區(qū)域圖形的預測值，從而來優(yōu)化理論數(shù)據(jù)通過變異函數(shù)于實際抽樣區(qū)域特征性的變化情況，真實反映客觀評價情況與主觀感知的相關性，優(yōu)點是獲得的立體圖像的特征矢量信息具有較強的穩(wěn)定性且能夠較好地反映立體圖像的視覺舒適度變化情況，按照以上步驟分別求取每一個抽樣區(qū)域圖形對應的多維方向下的不同空間間隔所對應優(yōu)化后的變異函數(shù)值，以變異函數(shù)值為Y軸，空間間隔為X軸，建立映射關系，具體的映射關系數(shù)量根據(jù)選取的區(qū)域圖形維度相關，得到一個與理論數(shù)值最佳擬合的圖形，利用線性方程進行回歸計算，獲取擬合度及每個維度下的局部最優(yōu)空間尺度，把所有維度圖像結(jié)合形成所對應的最優(yōu)變異函數(shù)對應區(qū)域圖形。

其中，所述的插值法采用克里金插值方法，在數(shù)據(jù)網(wǎng)格化的過程中考慮了描述對象的空間相關性質(zhì)，使插值結(jié)果更科學、更接近于實際情況，能給出插值的誤差，使插值的可靠程度一目了然，其插值方差就是指實際參數(shù)值zv與估計值zv*兩者偏差平方的數(shù)學期望：

而插值點的zv*通過N個離散點獲得；

其中λ與N個離散點指的是加權(quán)系數(shù)。

其中，所述的迭代是指最開始使用的數(shù)據(jù)定位按照粒子適應度值作為下一次迭代的參考點位置，隨著參考點更靠近真實的位置，數(shù)據(jù)定位的位置也會無限靠近真實的位置。在迭代過程中，數(shù)據(jù)定位不受線性或者非線性屬性的約束，會在不同的維度空間對所有的區(qū)域數(shù)值進行迭代，以此來對非線性屬性進行補償。所述的線性方程的計算方法為最小二乘法。所述的變異函數(shù)的線性范圍是隨機型。

最后所應說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管參照較佳實施例對本發(fā)明進行了詳細說明，本領域的普通技術(shù)人員應當理解，可以對本發(fā)明的技術(shù)方案進行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍。