遥感大数据自动分析及数据挖掘的研究.docx

遥感大数据自动分析及数据挖掘的研究[摘要]随着科技的快速发展自动化和信息化的大范围应用遥感数据的获取能力也在不断提高数据的信息量逐渐呈现多元化和海量化这就对遥感影响分析和海量数据处理技术造成了冲击。为了满足遥感大数据的处理需求发展遥感大数据自动分析和信息挖掘的研究已成为世界性的问题。本文主要分析遥感大数据自动分析和数据挖掘技术的研究进展并对其发展进行了探讨。[关键词]遥感大数据；表达；检索；理解；数据挖掘中图分类号：C37文献标识码：A文章编号：1009-914X（2015）18-0267-011.大数据和遥感大数据随着信息化时代的到来数据呈现暴涨模式人们将非结构化或半结构化的不能使用传统数据处理方法进行处理的数据叫做大数据。大数据因为信息含量大解读困难等原因使得它的价值无法估量。对地观测技术越来越成熟遥感技术的信息获取越来越快使得遥感数据也表现出了大数据的特征数据的类型越来越复杂时效性越来越强。虽然遥感信息在不断增加但遥感信息的处理能力却不能同步。遥感大数据内包含对地表的全方位的知识解读遥感大数据的根本目的是掌握数据后的知识和隐藏的规律。由此可见进行遥感大数据的自动分析研究是十分必要的。2.遥感大数据的自动分析2.1遥感大数据的表达研究内容主要包括：（1）遥感大数据的多元离散特征提取：在大数据的框架下需要研究多分辨率、多数据源、多时空谱的遥感影像特征提取形成遥感大数据在不同传感器节点的离散、多元特征提取方法。（2）遥感大数据多元特征的归一化表达：遥感大数据的特征提取需要考虑多元离散特征的融合和降维。特征融合旨在把多元特征统一到同一个区分特征空间中用数据变换的方式将不同源、不同分辨率的离散特征同化到大数据的应用空间。同时多元特征的维数分析目的在于将遥感大数据的高维混合特征空间进行维数减少形成归一化的低维特征节点和数据流形以提高大数据处理的效率。2.2遥感大数据的检索（1）场景检索服务链的建立：由于遥感图像描述的是地表信息不存在明确或单一的主题信息而传感器和成像条件的多样化又导致了遥感图像的多样化因此需要在遥感影像语义特征提取、目标识别、场景识别与自主学习的基础上针对不同类型遥感数据的特点建立适合数据类型与用于需求的场景检索服务链获取不同类型遥感数据所共有的地学知识为检索多源异质数据提供知识基础。（2）融入用户感知信息的知识更新方法：相关反馈技术作为一种监督的自主学习方法是基于内容的图像检索中提高图像检索性能的重要手段。相关反馈是一种通过用户对检索结果的反馈把低层次特征与高层语义进行实时关联的机制其基本思想是：查询时首先由系统对用户提供查询结果然后用户反馈给系统其对于结果的满意程度从而锻炼和提高系统的学习能力以模拟人类的对图像的感知能力达到高层语义检索的目的。2.3遥感大数据的理解为了实现遥感大数据的场景高层语义信息的高精度提取在遥感大数据特征提取和数据检索的基础上应主要研究以下内容：（1）特征-目标-场景语义建模：为了实现遥感大数据的场景语义理解克服场景理解中的语义鸿沟问题需要发展从目标-场景关系模型、特征-视觉词汇-场景模型、特征-目标-场景一体化模型3个方向研究特征-目标-场景的语义模型。（2）遥感大数据的场景多元认知：以多源、多尺度等多元特征为输入以特征-目标-场景语义模型为基础研究遥感大数据的场景多元认知方法提供多元化语义知识输出。2.4遥感大数据云遥感云基于云计算技术将各种遥感信息资源进行整合建立基于遥感云服务的新型业务应用与服务模式提供面向公众的遥感资源一体化的地球空间服务。遥感云将各种空天地传感器及其获取的数据资源、数据处理的算法和软件资源以及工作流程等进行整合利用云计算的分布式特点将数据资源的存储、处理及传输等分布在大量的分布式计算机上使得用户能快速地获取服务。Openscloud是一个基于云计算的开放式遥感数据处理与服务平台可以直接利用其虚拟Web桌面进行快速的遥感数据处理和分析。GeoSquare利用高效的服务链网络为用户提供输入输出管理工具来构建可视化的服务链模型进行遥感数据处理。3遥感大数据挖掘3.1遥感大数据挖掘过程遥感大数据在进行挖掘时一般分为四步。第一进行数据的获取和存储。将从不同传感器中获得的大量信息进行去噪、采样、过滤将多源数据处理成数据集。第二对数据集进行处理和分析。一般是应用统计学方法进行数据的分类和分析观察数据和数据类别之间存在的关系。第三进行数据的挖掘工作。利用已有的数据处理方法对数据进行挖掘寻找数据之间的内在联系和潜在