[发明专利]结合长时序数据和机器学习算法的热融塘状态识别方法

权利要求书

1.一种结合长时序数据和机器学习算法的热融塘状态识别方法，其特征在于：包括以下步骤：

步骤一、长时序反射率产品的获取；

步骤二、诊断因子集的制备；

步骤三、训练样本的选取；

步骤四、机器学习算法的训练；

步骤五、热融塘变化状态的识别与获取；

所述步骤二包括多光谱指数集R的制备和基于多光谱指数集获取对应的趋势参数集T，其中，趋势参数集T作为输入部分用于机器学习算法的训练；

所述步骤三的具体步骤如下：

a3、根据热融塘区域地表变化的特点将地表分为四种状态，其中包括两类静态区域：稳定的水体S_w、稳定的陆地S_l；两类动态区域：水体转变为陆地D_w2l、陆地转变为水体D_l2w；

稳定的水体S_w即长期保持为水体的类型，地表覆盖为湖泊、河流；稳定的陆地S_l长期保持为陆地的类型，类型为裸土、草地；水体转变为陆地D_w2l即地表类型由水体转为了陆地，类型有热融塘干涸或排水导致由水体转变为裸地，水体转变为植被；陆地转变为水体D_l2w即地表类型由陆地转为水体，由热融塘湖岸塌陷或者冻土冻融后地表塌陷引起；

b3、针对热融塘地区不同的地表覆盖条件，如永久冻土类型、地质特性、植被类型、水色，训练样本的选取采取随机抽样和分层人工抽样相结合的方法，利用高分辨率卫星影像和实地知识，选出具有代表性的样本区域建立热融塘地表状态类型样本集G，地表状态类型样本集G作为机器学习的因变量；静态区域S_w和S_l覆盖面积大，通过随机取样获取；动态区域D_w2l和D_l2w相对静态区域的覆盖面积小，这部分区域进行人工选取，D_l2w区域即地表类型由陆地转为水体的变化范围狭窄，因此将选取小的训练样本；

所述步骤四的具体步骤如下：

a4、将通过多光谱指数集获取的趋势参数集T作为机器学习的自变量，地表状态类型样本集G作为机器学习的因变量；

其中，趋势参数集共有5个因子，包括变化斜率k、截距h、置信区间下限p、置信区间上限q、置信间距d；地表状态包括四种类型：稳定的水体、稳定的陆地、水体转变为陆地、陆地转变为水体；

b4、将配套的因变量和自变量作为机器学习算法的输出和输入，机器学习自动模拟人脑的学习行为以自动获取自变量与因变量之间存在的非线性复杂关系f，其具体过程如下：

使用机器学习算法来模拟非线性复杂关系f，为了便于机器学习算法的训练和后续机器学习算法的误差估计，将对应好的趋势参数集T和地表状态类型样本集G按60％和40％进行了划分，其中的60％的数据用于机器学习热融塘状态变化的训练，训练过程由下式表示，即：

其中，为用于训练的60％地表状态类型样本集G^sam中第m个像元的地表类型；为用于训练的60％趋势参数集T^sam中第m个像元对应的趋势参数集，f是机器学习算法训练好的非线性复杂关系，由选择的60％趋势参数集T^sam和地表状态类型样本集G^sam训练得到；

剩余的40％的样本用于测试机器学习算法进行热融塘状态变化识别的精度是否满足需求，如达不到精度需求则继续训练，直到精度达到预期的阈值为止，最终得到热融塘变化状态识别模型；

所述步骤五的具体步骤如下：

a5、根据步骤四获得的热融塘变化状态识别模型，将前述制备的基于多光谱指数集获取对应的趋势参数集T作为热融塘变化状态识别模型的自变量，逐像元获取热融塘的变化状态；

b5、结合热融塘变化状态的识别结果，绘制出区域热融塘变化状态空间分布图。