[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

摘要

本发明公开了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，本发明针对遥感影像数据回归建模过程中变量空间自相关性对模型的影响，提出采用特征函数空间滤值方法，通过将影像进行分块，利用搭建的并行计算集群进行分布式计算，最后将分块计算的结果返回给主节点汇总，通过对比串行和并行分别得到的回归模型拟合评价参数MSE、RMSE、R2、Adj.R2以及并行加速比S，验证基于遥感影像的特征函数空间滤值并行方法在空间统计回归建模中能够消除空间自相关影响，并有效提高计算效率。

主权项

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，其特征在于，包括以下步骤：步骤1：遥感影像分块，确定最小分割单元N×N并计算空间邻接矩阵W；步骤2：空间邻接矩阵W中心化得到矩阵C，计算矩阵C的特征值和特征向量Eigenvectors；步骤3：创建并行任务，将分块的影像和特征向量Eigenvectors加入任务队列，并分发至各个计算节点；步骤4：各计算节点中，将分块的遥感影像进行中心化处理得到中心化后的自变量Xcent和因变量Ycent，计算自变量模型中每加入Eigenvectors中的一个特征向量后残差e的莫仑指数Moran’s I，得到莫仑指数数组Im，利用前向选择法选取其中最小值所对应的特征向量Ei；步骤5：各计算节点中，对步骤4得到的Im中最小的Moran’s I进行显著性检验；若结果显著，则将最小I值所对应的特征向量Ei从Eigenvectors中提取出来，加入到自变量Xcent中，再利用后向消除法将最小I值所对应的特征向量Ei从Eigenvectors中剔除；并回转执行上述步骤4；结果不显著，则执行下述步骤6；步骤6：则汇总各分块提取出的所有特征向量；步骤7：返回各分块影像特征向量提取结果到主节点，构建基于遥感影像数据的特征函数空间滤值回归模型。