曾泳諭 丘 泉

（廣東省國(guó)土資源測(cè)繪院，廣東 廣州 510000）

0.引言

隨著航空航天遙感技術(shù)和光學(xué)成像技術(shù)的不斷進(jìn)步和發(fā)展，遙感數(shù)據(jù)的來(lái)源廣泛、種類繁多，數(shù)據(jù)體量越來(lái)越多，這些數(shù)據(jù)涵蓋了空間TDICCD相機(jī)成像時(shí)產(chǎn)生的影像數(shù)據(jù)、衛(wèi)星監(jiān)測(cè)數(shù)據(jù)、物探數(shù)據(jù)、地質(zhì)環(huán)境監(jiān)測(cè)等遙感數(shù)據(jù)。隨著多源遙感數(shù)據(jù)的種類和規(guī)模越來(lái)越大，急切需要構(gòu)建優(yōu)化的多源遙感數(shù)據(jù)分頁(yè)查詢方法，對(duì)這些數(shù)據(jù)進(jìn)行特征分析和像移參數(shù)分析，從而實(shí)現(xiàn)對(duì)多源遙感數(shù)據(jù)的特征檢測(cè)和識(shí)別，降低多源遙感數(shù)據(jù)查詢和檢索開(kāi)銷，提高數(shù)據(jù)的實(shí)時(shí)分析能力[1]。

對(duì)多源遙感數(shù)據(jù)分頁(yè)查詢是通過(guò)用戶和數(shù)據(jù)的屬性參數(shù)檢測(cè)和識(shí)別實(shí)現(xiàn)的，結(jié)合對(duì)全局和局部的參數(shù)融合，采用分組和分塊檢測(cè)的方法，最終構(gòu)建多源遙感數(shù)據(jù)分頁(yè)檢索和特征分類集。當(dāng)前，查詢多源遙感數(shù)據(jù)的方法主要有擴(kuò)展類別檢測(cè)法、語(yǔ)義搜索法、圖像處理法等[2，3]。文獻(xiàn)[4]通過(guò)構(gòu)建基于HBase的遙感數(shù)據(jù)分布式存儲(chǔ)與查詢方法，利用HBase的過(guò)濾機(jī)制設(shè)計(jì)過(guò)濾列族，進(jìn)行詞語(yǔ)關(guān)聯(lián)規(guī)則挖掘；基于目標(biāo)遙感影像數(shù)據(jù)的分類屬性，通過(guò)擴(kuò)展算法，達(dá)到在查詢時(shí)篩選數(shù)據(jù)的目的，但該方法的聚類性較弱。文獻(xiàn)[5]中提出一種遙感柵格數(shù)據(jù)庫(kù)檢索高效的拓?fù)洳樵兎椒?，采用最小外接矩形（MBR）和最大內(nèi)接矩形（IR）的空間拓?fù)潢P(guān)系實(shí)現(xiàn)遙感數(shù)據(jù)查詢，但該方法易出現(xiàn)共現(xiàn)頻率結(jié)合形成新規(guī)則現(xiàn)象，導(dǎo)致查詢的穩(wěn)定性較低。

對(duì)此，本文提出基于群體智能的多源遙感數(shù)據(jù)分頁(yè)查詢方法。首先采用本體圖模型和關(guān)聯(lián)規(guī)則擴(kuò)展的方法構(gòu)建數(shù)據(jù)查詢的分布模型和數(shù)據(jù)結(jié)構(gòu)模型，并采用語(yǔ)義本體特征分析，實(shí)現(xiàn)對(duì)多源遙感數(shù)據(jù)分頁(yè)特征分析；然后采用群體智能進(jìn)行多源遙感數(shù)據(jù)分頁(yè)查詢過(guò)程聚類和分類識(shí)別；最后進(jìn)行仿真測(cè)試，驗(yàn)證了本文方法在提高多源遙感數(shù)據(jù)分頁(yè)查詢能力方面的優(yōu)越性。

1.多源遙感數(shù)據(jù)的分布結(jié)構(gòu)和特征分析

1.1 分布結(jié)構(gòu)

首先，為實(shí)現(xiàn)多源遙感數(shù)據(jù)分頁(yè)查詢，需要結(jié)合群體智能學(xué)習(xí)的方法，構(gòu)建多源遙感數(shù)據(jù)分頁(yè)特征檢測(cè)模型；其次，需要結(jié)合樣本參數(shù)的訓(xùn)練和語(yǔ)義結(jié)構(gòu)分析方法，進(jìn)行Word－Net本體的加權(quán)圖查詢和模型結(jié)構(gòu)參數(shù)分析；再次，通過(guò)語(yǔ)義相似度擴(kuò)展的方法，建立多源遙感數(shù)據(jù)的模型庫(kù)和語(yǔ)義特征本體庫(kù)，結(jié)合Web檢索的方法，構(gòu)建多源遙感數(shù)據(jù)的多維動(dòng)態(tài)特征分布集；最后，通過(guò)關(guān)鍵詞檢索和特征降維，降低多源遙感數(shù)據(jù)的存儲(chǔ)空間維數(shù)，同時(shí)提高多源遙感數(shù)據(jù)的查詢精準(zhǔn)度。在進(jìn)行多源遙感數(shù)據(jù)分頁(yè)查詢中，使用WordNet和其語(yǔ)義關(guān)聯(lián)度構(gòu)建知識(shí)本體庫(kù)，通過(guò)元素標(biāo)簽識(shí)別和擴(kuò)展詞應(yīng)用的方法，使查詢結(jié)果接近用戶意圖，滿足多源遙感數(shù)據(jù)的屬性分類性和特征聚類性，最終構(gòu)建多源遙感數(shù)據(jù)的存儲(chǔ)節(jié)點(diǎn)分布模型。根據(jù)存儲(chǔ)節(jié)點(diǎn)分布，采用多重檢索的自適應(yīng)搜索方法，進(jìn)行數(shù)據(jù)集成，構(gòu)建概率樹(shù)模型，并通過(guò)元素標(biāo)簽識(shí)別，分析遙感數(shù)據(jù)的特征量，得到多源遙感數(shù)據(jù)的特征分布結(jié)構(gòu)，如圖1所示。

圖1 多源遙感數(shù)據(jù)的特征分布結(jié)構(gòu)

在Map/Reduce模式下構(gòu)建多源遙感數(shù)據(jù)的時(shí)態(tài)分析模型，在時(shí)態(tài)對(duì)象模型中，采用動(dòng)態(tài)查詢結(jié)合非結(jié)構(gòu)化的數(shù)據(jù)處理機(jī)制，建立多源遙感數(shù)據(jù)的延遲預(yù)寫(xiě)日志，同時(shí)基于映射（key/value）和關(guān)系模型分析建立多源遙感數(shù)據(jù)的動(dòng)態(tài)分布集合，并通過(guò)遙感物探分布，采用全周期記錄和動(dòng)態(tài)存儲(chǔ)的方法，實(shí)現(xiàn)對(duì)多源遙感數(shù)據(jù)的動(dòng)態(tài)挖掘和編碼?；谡Z(yǔ)義概念分析的方法，進(jìn)行多源遙感數(shù)據(jù)查詢擴(kuò)展性分析。對(duì)多源遙感數(shù)據(jù)的查詢擴(kuò)展主要包括同義詞擴(kuò)展、語(yǔ)義擴(kuò)展、遙感衛(wèi)星數(shù)據(jù)擴(kuò)展、圖像邊緣性擴(kuò)展等。基于語(yǔ)義外延特征分析，采用規(guī)則性挖掘和調(diào)度的方法，得到多源遙感數(shù)據(jù)擴(kuò)展的相關(guān)規(guī)則詞。同時(shí)設(shè)置多源遙感數(shù)據(jù)的權(quán)重分量，在原查詢?cè)~中，采用語(yǔ)義消歧和圖像濾波檢測(cè)的方法，構(gòu)建多源遙感圖像濾波和降噪模型；在遙感動(dòng)態(tài)數(shù)據(jù)的相關(guān)規(guī)則集中，通過(guò)相關(guān)規(guī)則持續(xù)性爬取，實(shí)現(xiàn)遙感數(shù)據(jù)的分頁(yè)查詢檢索。多源遙感數(shù)據(jù)查詢總體技術(shù)路線如圖2所示：

圖2 多源遙感數(shù)據(jù)查詢總體技術(shù)路線

1.2 數(shù)據(jù)特征

結(jié)合數(shù)據(jù)特征分析，建立多源遙感數(shù)據(jù)的動(dòng)態(tài)查詢分析模型，采用本體圖模型和關(guān)聯(lián)規(guī)則擴(kuò)展的方法，建立多源遙感數(shù)據(jù)的語(yǔ)義索引通道，并設(shè)定數(shù)據(jù)初始步長(zhǎng)與初始稀疏度，定義數(shù)據(jù)查詢的鏈路分布映射為:X→Y，其中X，Y?I且是空間向量R中的一組正交基，D=｝是原始多源遙感數(shù)據(jù)的動(dòng)態(tài)事務(wù)特征分布集合，稱為數(shù)據(jù)庫(kù)。其中多源遙感數(shù)據(jù)的特征分布集t在I中是非空子集。X和Y分別為多個(gè)相同長(zhǎng)度數(shù)據(jù)的稀疏參量和重構(gòu)參數(shù)。其中supp（X∪Y）是聯(lián)合稀疏函數(shù)，包含X和Y的百分比，supp（X）、supp（Y）分別為最小效用閾值在X和Y的百分比，以相似度多源遙感數(shù)據(jù)查詢的特征關(guān)系如表1所示。

表1 多源遙感數(shù)據(jù)查詢的特征關(guān)系表

2.數(shù)據(jù)查詢算法優(yōu)化

2.1 群體智能學(xué)習(xí)算法

采用概念結(jié)構(gòu)圖模型分析的方法，進(jìn)行語(yǔ)義擴(kuò)展和數(shù)據(jù)的關(guān)聯(lián)性度量，結(jié)合群體智能學(xué)習(xí)算法，分析多源遙感數(shù)據(jù)的層次性結(jié)構(gòu)分量，同時(shí)使用基本粒子群算法作為智能群體。在遙感數(shù)據(jù)挖掘中，粒子初始化是隨機(jī)產(chǎn)生方式，挖掘得到的遙感數(shù)據(jù)解稱為個(gè)體極值pbest,迭代前期，粒子的自我認(rèn)知過(guò)程采用適應(yīng)度函數(shù)來(lái)控制。基于收斂控制，構(gòu)建多源遙感數(shù)據(jù)挖掘的位置之間的關(guān)系分布式，如式（1）所示：

式（1）中，xt=xt-1+vt為多次調(diào)整總效用；vt為適應(yīng)度；xt為離散粒子群更新規(guī)則；c1和c2分別為遙感數(shù)據(jù)分頁(yè)訓(xùn)練過(guò)程中的操作算子常數(shù)，一般取c1=c2=2；rand1（）和rand2（）是[0,1]之間的隨機(jī)數(shù)，為最小相對(duì)效用閾值；pbest、gbest分別為測(cè)試集和訓(xùn)練集粒子的最佳訓(xùn)練函數(shù)，通過(guò)隨機(jī)數(shù)進(jìn)行自適應(yīng)訓(xùn)練，對(duì)于每個(gè)Xi對(duì)應(yīng)的一個(gè)函數(shù)，在存在高效用項(xiàng)集的狀況下，得到雙重二元粒子群訓(xùn)練的迭代式，如式（2）所示：

式（2）中，ρ為Xi的最小支持度閾值；f（xi（k））為k時(shí)刻第i個(gè)粒子向其鄰居集合中第i個(gè)粒子移動(dòng)的概率；γ為粒子群的離群系數(shù)；li為挖掘頻繁項(xiàng)集；k為查詢擴(kuò)展的過(guò)程類別參數(shù)。

采用群體智能學(xué)習(xí)，得到粒子群個(gè)體之間的距離，并得到多源遙感數(shù)據(jù)分頁(yè)查詢的變異適應(yīng)度值，搜索全局最優(yōu)點(diǎn)，實(shí)現(xiàn)遙感數(shù)據(jù)挖掘過(guò)程中的粒子自適應(yīng)尋優(yōu)[6]。

2.2 數(shù)據(jù)分頁(yè)查詢輸出

以地理空間位置分布特性，結(jié)合遙感特征提取方法，通過(guò)群體智能學(xué)習(xí)算法建立多源遙感數(shù)據(jù)的分頁(yè)檢索和分類模型，并采用全域本體類型模型，在粒子群里智能尋優(yōu)下，數(shù)據(jù)查詢輸出公式如式（3）所示：

式（3）中，pad為所有的個(gè)體最優(yōu)位置的平均值；ω為在相同特征子集下的加權(quán)權(quán)重；c1和c2為正則項(xiàng)參數(shù)；r1和r2為回歸參數(shù)；pgd為最大相關(guān)系數(shù)；xtid為查詢最終特征子集；m為數(shù)據(jù)庫(kù)的分布維數(shù)；pid為穩(wěn)態(tài)特征量，根據(jù)排序索引集合，得到遙感數(shù)據(jù)分頁(yè)查詢后輸出的新粒子集｛x~ik｝Ni=1。

通過(guò)本文改進(jìn)算法設(shè)計(jì)，采用全局性領(lǐng)域本體特征分類，在群體智能性分類集中實(shí)現(xiàn)對(duì)多源遙感數(shù)據(jù)的分頁(yè)查詢。

3.試驗(yàn)測(cè)試

3.1 試驗(yàn)環(huán)境描述

對(duì)于多源遙感數(shù)據(jù)查詢的群體智能學(xué)習(xí)工具，采用PyTorch1.3.1。試驗(yàn)中取智能粒子群的種群個(gè)數(shù)為2000，狀態(tài)分布的關(guān)聯(lián)規(guī)則項(xiàng)為600，遙感數(shù)據(jù)的多源類別屬性為4，匯聚節(jié)點(diǎn)匯聚40個(gè)節(jié)點(diǎn)，訓(xùn)練周期設(shè)置為100 epoch，遙感數(shù)據(jù)的像素為1200×1200像素，包含10類場(chǎng)景。多源遙感數(shù)據(jù)的數(shù)據(jù)庫(kù)特征參數(shù)，如表2所示。

表2 數(shù)據(jù)庫(kù)特征參數(shù)

3.2 結(jié)果分析

在表2所建立的多源數(shù)據(jù)參數(shù)分布基礎(chǔ)上，進(jìn)行數(shù)據(jù)分頁(yè)查詢，得到10類場(chǎng)景的查詢結(jié)果，如圖3所示。

圖3 遙感數(shù)據(jù)分頁(yè)查詢結(jié)果

由圖3可知：采用本文方法進(jìn)行多源遙感數(shù)據(jù)查詢的分類性能較好，查詢輸出結(jié)果準(zhǔn)確可靠。測(cè)試采用不同方法進(jìn)行遙感數(shù)據(jù)查詢的查準(zhǔn)率，與采用本文方法進(jìn)行對(duì)比，結(jié)果如表3所示，可知采用本文方法的查準(zhǔn)率優(yōu)于傳統(tǒng)方法。

表3 查準(zhǔn)率對(duì)比測(cè)試 單位：%

4.結(jié)束語(yǔ)

本文提出基于群體智能的多源遙感數(shù)據(jù)分頁(yè)查詢方法。該方法的核心理念是構(gòu)建多源遙感數(shù)據(jù)的存儲(chǔ)節(jié)點(diǎn)分布模型，采用多重檢索的自適應(yīng)搜索的方法進(jìn)行數(shù)據(jù)集成，并結(jié)合群體智能學(xué)習(xí)算法分析多源遙感數(shù)據(jù)的層次性結(jié)構(gòu)分量，最終實(shí)現(xiàn)對(duì)多源遙感數(shù)據(jù)的分頁(yè)挖掘；同時(shí)通過(guò)10組遙感數(shù)據(jù)與傳統(tǒng)方法進(jìn)行對(duì)比測(cè)試，試驗(yàn)結(jié)果準(zhǔn)確可靠，查準(zhǔn)率明顯高于傳統(tǒng)方法，具備一定的應(yīng)用價(jià)值。