[发明专利]基于遥感影像的特征函数空间滤值回归模型并行化方法

说明书

技术领域

本发明属于空间统计分析服务应用技术领域，特别涉及一种基于遥感影像的特征函数空间滤值回归模型并行化方法。

背景技术

空间统计学是研究地理空间事物和现象分布、相互关系和变化规律的重要科学，作为空间分析的重要分支，空间统计分析研究的发展为空间数据分析提供了强大的数学基础和理论支撑。遥感卫星不仅能够快速便捷获取到最新数据，缩短了地表数据的获取时间，降低了数据获取的成本，同时数据精确性也更高，已经成为空间统计的重要数据来源。传统的空间统计方法通常以区域统计数据或遥感影像采样数据做回归分析，由于采样点分布在一定程度上会破坏自然要素的连续性和完整性，从而对分析结果造成影响。而遥感影像数据量巨大，而现有遥感影像分析和数据处理能力还难以满足应用需求(文献1)，成为制约遥感影像应用到空间统计领域重要瓶颈。

现实中，统计分析的变量都具有空间依赖和关联的性质，在空间分析过程中表现为空间自相关性(文献2)。变量空间自相关性的存在会影响回归模型的准确度，在构建回归模型过程中，需要消去空间自相关的影响才能构建更准确的回归模型。空间自相关性程度通常用Moran指数来衡量(文献3)。Getis(文献4)和Griffith(文献5)分别提出了空间滤值方法用来解决回归分析中的空间自相关问题。该方法的核心思想是将变量分解成空间影响和非空间影响两部分，滤去空间影响部分就可以用传统的回归方法来分析(文献6)。Griffith的特征函数空间滤值方法与Getis的相比结果相当，可移植性较好(文献6)。但由于特征函数空间滤值方法计算量较大，通常应用到数据量较小的采样点或统计区域，在整幅的遥感影像数据中尚未有大规模应用。

随着计算机并行计算技术的发展，可以采用分布式计算的方法来解决单节点计算能力不足的问题(文献7)。目前并行计算的门槛随着计算机软硬件技术的发展而不断降低，多核处理器已经成为PC机的基本配置。将多台多核计算机通过局域网连接可以构成并行计算集群，并行计算集群可以提供分布式计算服务，解决计算、数据密集型问题，大大缩减了用户用于解决网络通信等问题所耗费的时间和精力(文献8)。基于多核集群的并行化方法已经应用到人脸识别算法(文献9)、高光谱影像协方差矩阵计算(文献10)等图像处理等领域，实验结果表明计算效率均有显著提高。

背景文献：

[1]李德仁，张良培，夏桂松.遥感大数据自动分析与数据挖掘[J].测绘学报，2014.43(12):1211-1216.

[2]沈体雁，冯等田，孙铁山，2010.空间计量经济学[M].北京：北京大学出版社，32-33.

[3]P.A.P.Moran,1950.Notes on Continuous Stochastic Phenomena[J].Biometrika,37(1/2):17-23.

[4]J.K.Ord,Arthur Getis,1995.Local Spatial Autocorrelation Statistics:Distributional Issues and an Application[J].Geographical Analysis,27(4):286-306.

[5]Griffith D,2000.A linear regression solution to the spatial autocorrelation problem[J].Geogr Syst,2(2):141-156.

[6]Arthur Getis,Daniel A.Griffith,2002.Comparative Spatial Filtering in Regression Analysis[J].Geographical Analysis,34(2):130-140.

[7]Chen G L,Sun G Z,Zhang Y Q,et al.Study on parallel computing[J].J Comput Sci Tech,2006.21(5):665—673.

[8]刘维.实战Matlab之并行程序设计[M].北京：北京航空航天大学出版社2012.3:154-156.

[9]郑晓薇，于梦玲.基于MATLAB多核集群的人脸识别算法的并行化设计[J].计算机应用，2011.31(10):2597-2599.

[10]王茂芝，郭科，徐文皙.基于集群和GPU的高光谱遥感影像并行处理[J].红外与激光工程，2013.42(11):3070-3075.

发明内容