基于多源条件随机场的地球物理参数预测模型研究

This project introduces conditional random fields into the field of multi-source remote sensing, and proposes a prediction model for geophysical parameters based on multi-source conditional random fields. The modeling process consists of the following steps: firstly, based on the spatial distribution characteristics of remote sensing, we study the non-causal global probability distribution model for expressing spatial correlations, propose spatial neighborhood structure for remote sensing information, and verify its adjacent similarity features. The nodes and edges in the structure are denoted by fuzzy probability, supporting the expression of inaccurate and incomplete remote sensing information, and also supporting fusion of multi-source remote sensing information with multi-resolution, multi-angle and multi-quality characteristics. Secondly, we design association potential, interaction potential, quality indicator and space distribution indicator, extend the iterative scaling algorithm in order to solve conditional random field regression model for continuous-valued spatial target. In addition, by using the adjacent similarity features of spatial neighborhood structures, we propose spatial interpolation and smoothing algorithms for speeding up the calculation of the multi-source conditional random field model. The model can effectively use multi-source information and neighborhood information, expanding the amount of input information for data mining algorithms, so as to provide a new scientific method to improve the accuracy and speed for prediction of geophysical parameters.?????.

本项目将条件随机场引入到多源遥感信息领域，提出基于多源条件随机场的地球物理参数预测模型。该模型的建立过程包括：首先，根据遥感信息的空间分布特点，研究表示空间相关关系的非因果全局概率分布模型，提出遥感信息的空间邻域结构，并验证其相邻相似特性。该结构中节点及节点间连通采用模糊概率表示，支持具有不精确、不全面特点的遥感信息表达，也支持多空间分辨率、多拍摄角度、多质量水平的多源遥感信息融合；其次，通过设计关联势函数、交互势函数、质量信号函数和空间分布信号函数，扩展迭代缩放算法，从而实现多源条件随机场对连续值空间目标的回归模型求解；此外，利用空间邻域结构相邻相似的性质实现空间插值和平滑，从而优化多源条件随机场模型的预测速度。多源条件随机场模型能有效利用多源信息和邻域信息，扩大数据挖掘算法的输入信息量，从而为提高地球物理参数的预测精度和预测速度提供了新的科学方法。

随着传感器技术的不断发展，目前可获得的同一时空的多种科学观测数据源越来越多，在此背景下，本项目旨在利用多源信息、空间邻域信息以及条件随机场、神经网络、最近邻居等数据挖掘模型提高空间参数的预测准确度和速度。围绕这一总体研究目标，本项目开展了下列研究并取得了许多研究成果: . 在空间邻域结构模型的构造方面：研究了利用Moran’s I指数构建空间邻域结构的方法；研究了在一定空间邻域结构内将多分辨率、多源数据按照科学背景规则进行配准的算法；提出了一种利用敏感度分析进行特征筛选的方法；探索了具有关联的特征在一定规则下构造空间邻域结构的方法；研究了多示例学习和主动学习策略对空间邻域结构中的元素进行优化的方法。. 在多源信息融合算法方面：研究了数据层、特征层和模型层的信息融合算法。在数据层，探索了多源信息在空间邻域结构内的相互验证及可信度度量；在特征层，探索了基于多种特征选择方法得到的异质特征集合进行信息融合的算法。还利用数据驱动的方法检测了每个数据源的优势/劣势观测条件，提出了优势互补的融合算法。. 在多源条件下对连续值空间目标进行回归预测算法方面：提出了将支持向量机和最近邻居算法结合来矫正局部预测错误的模型；提出了特征集成的回归预测模型；提出了利用先验知识将多源异质特征分组后利用LASSO迭代来提高回归预测的算法；研究了多源条件随机场回归预测的模型。 . 在多源快速预测算法方面：结合空间邻域结构的自相关性，探索了空间插值模型、全局神经网络和局部区域神经网络模型，误差校正模型、加权平均模型、多示例学习模型和快速条件随机场回归模型等。. 此外，还根据上述研究成果，结合遥感和天文两个预测实例，开发了多源空间参数预测原型系统。. 本项目共发表相关论文15篇，其中SCI期刊论文4篇，EI期刊论文3篇，另外EI期刊已录用待发表论文1篇，国际会议论文2篇，硕士毕业论文4篇，合作参编专著一部，获得软件著作权1个，培养硕士研究生14人，取得了预期的研究成果。