基于多源遥感数据的环境监测范围界定模型研究*

吴秀杰, 李 明

(1.唐山市生态环境局玉田分局，河北 玉田 064100；2.华北理工大学 化学工程学院，河北 唐山 063000)

0 引言

在采用遥感技术监测环境时，受到地面环境的动态因素影响，导致对环境监测的范围界定实时性不好，动态规划能力不强，需要构建优化的环境监测范围动态界定模型，结合遥感信息感知和特征重建重组的方法[1-2]，实现对环境监测范围动态界定，相关的环境监测范围动态界定模型研究受到人们的极大关注.

对环境监测范围动态界定是建立在对环境监测多源遥感数据的特征信息提取和成像优化设计基础上[3]，构建环境监测多源遥感数据采集和融合模型，通过子空间重构和特征压缩技术，进行环境监测多源遥感数据的特征提取和动态压缩分析，结合环境特征的动态分析，实现对环境监测范围界定.传统方法中，对环境监测范围动态界定的方法主要有边缘轮廓特征提取方法、Harris角点标定方法、子空间聚类方法等[4-6]，构建环境监测范围动态界定的图像分析模型，通过子空间融合聚类分析，实现环境监测范围动态界定，但传统方法的实时性不高，且动态辨识能力不强.

针对上述问题，本文提出基于多源遥感数据的环境监测范围动态界定模型.

1 环境监测多源遥感数据采样和特征分析

1.1 数据采样

为实现基于多源遥感数据的环境监测范围动态界定，首先构建环境监测多源遥感数据采集模型，采用高分辨率遥感识别和信息融合技术，进行环境监测多源遥感数据采样[7]，得到环境监测多源遥感数据采集的传感节点分布模型，如图1所示.

图1 环境监测多源遥感数据采集的节点分布模型Fig.1 Node distribution model of environmental monitoring multi-source remote sensing data collection

(1)

根据公式(1)得到环境监测多源遥感监测的递推公式如下:

(2)

式中：wr为环境监测范围数据采集参数;s(v)为环境监测多源遥感数据的边缘像素特征函数.

根据模糊序列离散调度，在语义分割模型下，得到环境监测多源遥感信息的散射分布集表示为：

(3)

式中：Δu为环境监测多源遥感数据的差分特征量；Ag为多尺度特征分布的细节参数；σ为环境监测多源遥感数据梯度分量在x和y两个方向的关联系数.

根据环境监测多源遥感数据的存储结构重组，采用解耦量化参数分析，得到特征图映射到高空间分辨率为：

v(b)=〈f,dγ0〉+Rj+Δu.

(4)

式中,〈f,dγ0〉表示环境监测多源遥感数据的多尺度Retinex结果.

在dγ0方向对环境监测多源遥感数据进行关联规则调度，得到环境监测多源遥感数据的动态融合输出结果f(gi)为：

(5)

由此获得环境监测多源遥感数据的结构重组模型，通过数据采集和动态组合控制，实现对环境监测多源遥感数据融合和特征检测[10-12].

1.2 特征分析

对采集的环境监测多源遥感数据采用子空间压缩方法进行动态压缩感知处理，提取环境监测多源遥感数据的边缘像素特征集，结合遥感图像的边缘轮廓特征检测方法，得到环境监测多源遥感的显著图特征分析模型[13]，通过高维向量的重构，得到环境监测多源遥感数据的相应特征层为：

(6)

yk(e)={α,β}+[xr1+xr2+xr3] .

(7)

其中,{α,β}为环境监测多源遥感数据的扩展因子，采用给定网格分块区域重组，得到分块网格系数一般取wstart=0.95，wend=0.05.通过对环境监测范围动态参数寻优，得到环境监测范围动态模糊特征重组分布集{xr1,xr2,xr3}，xr1为约束基向量构建环境监测范围动态范围匹配模型，{xr2,xr3}为环境监测范围动态界定的检测统计特征量，通过空间参数寻优，构建环境监测范围动态参数约束模型，提高环境监测范围动态界定能力[14].

2 环境监测范围动态界定模型

2.1 动态参数识别

结合特征重构和深度学习算法实现对环境监测多源遥感数据融合处理和动态寻优，构建环境监测多源遥感数据的差分融合模型，得到特征分量W的R、G、B分量，r(e)表示环境监测多源遥感图像的透射率，采用初始轮廓误差分析，在聚合局部信息分布区域，得到低级特征分量为：

(8)

其中，n为环境监测多源遥感数据采集节点的个数；Fi(v)为环境监测多源遥感数据子空间分布的法向量.通过遥感图像分析，构建环境监测多源遥感数据的特征重构模型，得到图像融合结果：

Z(a)=Si,j(t)+Ti,j(t)+Ui,j(t).

(9)

式中：Si,j(t)为环境监测多源遥感数据分布的边界轮廓线;Ti,j(t)为环境监测多源遥感数据差异化分布特征解;Ui,j(t)为环境监测对象细节信息分布的维数.通过测度融合，得到环境监测多源重组输出为：

(10)

式中：Lxx(x,σ)为环境监测范围动态参数分布的最佳正则化参数;Lxy和Lyy为环境监测范围动态融合特征量.

采用稀疏化的特征分解技术，得到环境监测范围动态节点的中值特征量为：

p(st)=f(X)+cos(a(m)+g).

(11)

根据多尺度信息融合结果，通过参数优化识别技术，得到环境监测范围动态参数的寻优函数f(X)，环境监测范围动态参数寻优的收敛条件参数为a(m).根据数据散射的局部特征统计结果，采用特征量重组技术，得到环境监测多源遥感融合输出描述为：

(12)

式中：Φ为局部特征统计结果参数;ϖ为特征量重组技术参数.

根据上述公式所得结果分析，构建环境监测多源遥感数据的差分融合模型，通过建立稀疏滤波器实现数据滤波检测和抗干扰处理[15].

2.2 环境监测范围动态界定的实现

根据环境监测多源遥感数据融合结果，实现对环境监测的范围界定，得到环境监测的范围界定模板函数为：

E(j)=Δl+[me(u)+zf].

(13)

式中：me(u)为使用卷积操作构建环境监测多源遥感分布的量化函数，采用稀疏性的卷积重构技术，得到环境监测多源遥感图像的尺度分解模型参数为zf.根据环境监测多源遥感图像的长度分解结果，构建环境监测多源遥感图像的灰度直方图，采用灰度图像序列重组，得到环境监测的动态范围分布为：

(14)

式中：f(π)为环境监测的原有数据检测结果参数，采用支持向量机学习技术，得到数据量的增量扩展输出结果参数为τ.综合考虑环境监测遥感数据的动态分布特征量G={P1,P2,…,Pn;u1,u2,…,un}，以此得到环境监测遥感影像动态界定范围输出为：

Nb=G+cosλ(z)+cm.

(15)

式中,cm为范围界定的约束优化解函数.

综上分析，创建稀疏滤波器实现对遥感数据的特征点标定，采用边缘轮廓特征提取方法，实现对环境监测范围动态界定，实现流程如图2所示.通过遥感数据多源信息融合进行自适应学习，得出环境监测的范围，对其进行验算，进一步得出边缘轮廓监测和范围界定的情况.

图2 环境监测范围动态界定实现流程Fig.2 Realization process of dynamic definition of environmental monitoring scope

3 仿真测试

仿真实验中设定环境监测遥感数据的采样样本数为20 000，环境监测遥感数据的模板训练集200，锐化特征分布系数为0.64，遥感数据采集的分辨率为500像素×500像素，对环境监测的范围动态界定迭代次数为400.

动态界定多源遥感数据采集和环境监测范围，得到遥感数据采集结果如图3所示，其中框内为监测目标.

图3 遥感数据采集结果Fig.3 Remote sensing data collection results

以图3的数据为研究对象，实现对环境监测范围动态界定，得到界定结果如图4所示.

图4 环境监测范围动态界定结果Fig.4 Results of dynamic definition of environmental monitoring scope

分析图4得知，文献[4]方法在进行环境监测范围动态界定时，与监测目标出现偏差，环境监测范围扩大，无法保证方法的应用精度.文献[6]方法在进行环境监测范围动态界定时，与监测目标偏差较小，但还是存在一定的偏差.相比之下，本文方法进行环境监测范围动态界定的准确性较高，界定范围的精度比传统方法优越.

基于此，为进一步测试不同方法的环境监测范围动态界定的精度，得到对比结果见表1.

表1 环境监测范围动态界定的精度对比

分析表1得知，在400次迭代实验过程中，文献[4]方法的环境监测范围动态界定的精度最高为0.915，最低为0.734；文献[6]方法的环境监测范围动态界定的精度最高为0.944，最低为0.852.结果表明传统方法在应用的开始阶段其精度不理想，稳定性不高.所提方法进行环境监测范围动态界定时，其精度始终高于0.9，且最高为0.992，表明在多次迭代实验下所提方法仍然保持较高精度，验证了所提方法的应用有效性.

4 结语

为了提高环境监测范围界定方法的适应性和监测精度，提出一种基于多源遥感数据的环境监测范围动态界定模型.与传统模型相比，本文采用高分辨率遥感识别和信息融合技术相结合，有效提高了环境监测多源遥感数据的采样质量，从而优化环境范围界定的精度.该方法促进了环境优化管理、土地资源管理，为相关领域提供了一定理论支持.但是，该研究主要针对地面环境进行界定探讨，空中环境的界定与管理也是目前热点话题，在日后的研究中会深入研究地-空一体化环境范围界定问题.