[发明专利]一种卫星辐射数据的偏差影响因子分析方法

说明书

本发明公开了一种卫星辐射数据的偏差影响因子分析方法，属于卫星辐射数据分析技术领域，包括数据集选取、数据预处理和偏差影响因子分析计算三个步骤，该方法在面对大量的、多维的数据时，对卫星辐射数据的偏差与输入特征的相关性进行分析，初步筛选出偏差的影响因子；然后采用机器学习方法对特征重要性进行计算并排序，最终筛选出偏差的关键影响因子。本发明使用特征融合机制进行特征重要性值计算，比类似算法要节省更多时间，能够提高速度和精度，为提升我国反射波段在轨辐射定标与检验的技术水平、进一步提高在轨定标精度和稳定度奠定了基础。

技术领域

本发明属于卫星辐射数据分析技术领域，具体是一种卫星辐射数据的偏差影响因子分析方法。

背景技术

查阅相关文献可知，特征选择的方法有很多，其中常见的特征选择方法可分为过滤式(Filter)和封装式(Wrapper)。Filter方法选择效率高，但对噪声数据敏感，一般用于特征的初步筛选。Wrapper方法具有很好的分类准确率，但时间复杂度高，不适用于高维数据。

关键影响因子的筛选对于快速辐射传输模拟至关重要，更是模型预测效果好坏的关键。XGBoost算法由CHEN等在前人关于梯度提升算法的大量研究工作基础上提出的一个基于提升树的机器学习系统。它是GBDT(Gradient Boosting Decision Tree)的高效实现，对代价函数进行了优化，对二阶泰勒进行展开，同时用到了一阶和二阶导数，使得XGBoost得到良好的结果。目前，在数据挖掘、机器学习竞赛等方面适用范围较广，常用来解决网格内容分类、顾客行为预测、竞价排名、特征选择等问题。其主要特点为：运行速度快、计算准确度高、计算复杂度低、具有良好的防过拟合特性等特点，且该算法不仅可以解决分类和回归问题，还能够通过统计属性的重要性度量并进行排序。针对传统特征选择方法存在的问题以及随机森林和XGBoost方法各自的优势，采用特征融合机制对特征的重要性进行计算及排序，从而对关键影响因子进行选择。

发明内容

本发明的目的在于提供一种卫星辐射数据的偏差影响因子分析方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种卫星辐射数据的偏差影响因子分析方法，针对传统特征选择方法存在的问题以及XGBoost方法的优势，计算XGBoost算法特征重要性并排序，进而筛选出卫星辐射数据偏差的关键影响因子。

一、数据集选取：选取了MODIS的8个可见光波段；

二、数据预处理：基于Aqua MODIS卫星辐射数据的均值和方差进行数据标准化，将原始卫星数据使用z-score方法进行标准化。具体标准化公式如(1)所示：

其中，平均值表示为标准差表示为根据公式(1)对数据进行标准化，使数据中的特征可以在同一维度下进行对比分析。

三、偏差影响因子分析计算：将随机森林和XGBoost算法的模型融合机制进行特征重要性计算，作为最终特征重要性计算结果，输入属性耀斑角(GlintA)、列号(Col)、卫星天顶角(SenZ)、太阳天顶角(SolZ)、纬度(Lat)、经度(Lon)、气溶胶(AOT550)、风速(WS)等的计算结果以柱状图进行展示。

一种卫星辐射数据的偏差影响因子分析方法用特征融合机制进行特征重要性计算机的流程如下：

S1：基于观测模拟制图初步得到的偏差影响因子，进行数据标准化处理；

S2：偏差与特征相关性分析，并进行模拟观测制图，从而初步得到偏差的影响因子，

S3：构建样本训练集和测试集；

S4：基于模型融合机制构建训练模型，并对模型的参数进行初始化设置，