地学知识协同蚁群智能计算的土地利用高分辨率遥感影像分类

In order to solve the uncertainty problem of the high-resolution remote sensing image classification of land use, this project attempts to simulate human intelligent cognitive behavior of RS, by a new method of Geo-knowledge auxiliary ACO initiative classification: ①building a multi-scale spatial associated cognitive model of RS;② progressively achieving knowledge discovery from the domain knowledge to the image knowledge, by the ensemble computing on scale associated model of GIS background data and RS image data based on their interrelated mechanisms, in order to establish a Geo-knowledge base that rich of types and spatial features; ③embedding various Geo-knowledge which is taking as heuristic and restricted space information for ants intelligent system, and designing initiative computing and optimization decision-making models and algorithms, to solve the problem of same object different images and same image different objects, furthermore to achieve the image thematic classication; ④a prototype systems will be developed based on the above consideration, and different regional data will be tested for experimental analysis. This project consistents with the research trend of ensemble computing and initiative computing for geological data, and integrated analysis for GIS and RS; and also adapts the development needs of intelligent, refined, and continuous updating land resources management, will provide a strong technical mean for optimized layout and intensive utilization of the land resources. Consequently, it has a real academic value and applied prospect.

为解决面向土地利用的高分辨率遥感影像分类不确定性问题，本项目从模拟人类遥感认知的智能行为出发，提出一种多源地学知识协同下的蚁群智能优化分类新思路：①构建基于多尺度空间关联的遥感认知模型；②研究地学知识在各级尺度上的内在关联机制，对GIS本底数据和RS影像数据进行集成计算，实现从领域知识到影像知识的渐进式挖掘和表达；③将类型多样且空间特征丰富的地学知识作为启发和约束信息，融合到蚁群智能系统中进行协同分类，通过设计主动计算及优化决策模型和算法，有效解决"同物异谱"、"同谱异物"等分类不确定性问题；④开发相应的原型系统，并采用不同地域的数据进行对比实验研究。该方法适应了地学数据深度计算与主动计算、GIS与RS集成一体化分析的研究趋势；同时作为一种更加智能化、精细化、持续化的土地利用数据更新手段，可为土地资源的优化布局和节约集约利用等提供强有力的技术支持，因而具有实际的学术价值及应用前景。

面向土地利用的高分辨率影像分类研究充满了不确定性的挑战。本项目根据GIS领域知识辅助下遥感影像认知的特点，在空间分区、影像分割、纹理窗口集、影像像元、分类目标5级尺度金字塔中，将认知过程分为以下关键步骤：GIS领域知识测度与挖掘、多尺度纹理特征提取、蚁群优化分类决策。同时，通过ArcGIS、Matlab的二次开发与算法集成，完成空间数据挖掘和影像分类的任务。.①采用渐近式策略，构建GIS土地利用领域空间知识库，包括：空间分区、样本分布、样本光谱、地物形态知识等。其中，设计了硬约束条件下多目标空间分区算法，可以从Pareto解集中直接搜索得到区块完整、规模均衡的分区结果图，以实现领域知识挖掘。.② 提出了GIS领域形态知识辅助下，基于多尺度与主方向权值的GLCM纹理特征提取方法。由于分类目标的实际大小和走向决定了其最佳纹理尺度和方向，两者具有强相关性，在此基础上设计的基于地类形状指数的多尺度窗口建立算法，以及基于地类主方向分布指数的方向权值测度算法，可以建立起与地类一一对应的纹理尺度和方向因子，其算法复杂度低，性能优越，极大地提高了类别的可分性。.③ 根据蚁群系统与影像不确定性分类问题的耦合机制，将领域空间知识嵌入其中，设计了初始蚁群生成模型、动态距离跟踪模型、惯性搜索与禁忌搜索模型。由于对蚁群寻径的规模、起点、长度、走向、权值、记忆等方面给予有效的启发信息，使得改进模型可以充分发挥空间跟踪优势，极好地拟合地物形态，特别是对于道路、建筑物及农用地等人工地物，可获得更加细化的分类体系，分类精度及其视觉效果明显改善，有效解决了“同谱异物”等影像不确定性分类问题，为GIS数据库的自动化、智能化更新提供了一条新思路。.④领域知识的协同计算，极大改善了影像纹理特征提取和蚁群分类算法的性能。但由于蚁群优化决策是基于时间步累积实现，随着数据量的增大，其耗时仍然太长，因此，进一步提高算法的效率，并将领域知识融入其他多智能体分类算法中是重要的解决途径。