1.一种基于高斯混合模型的遥感时序数据拟合方法,包括以下步骤:
步骤1:获取遥感时序数据;对同一地区的多景遥感影像确定采样点,依次读取各遥感影像在采样点处的NDVI值,并按时间顺序组织成NDVI时序数据;
步骤2:估算概率值;以时间为横轴,NDVI值为纵轴,绘制NDVI时序数据散点图,N个元素的NDVI时序数据,按采集顺序把横轴分割为N-1个区间T,即T为[1,2),[2,3),[3,4),…,[N-
1,N);分别计算相邻时序点和横轴构成的梯形的面积,再求得各个区间梯形面积占总面积的百分比,以此作为当前区间的概率值进行后续计算;
步骤3:概率值转化;约定一个放大比例M,各个区间的概率值乘以M取整后得到A={a1,a2,…,aN},依次分割各个对应的区间为等间隔子区间t,其中i∈N,1≤i≤N-1;构成新序列t序列,
t序列={t[1,2),t[2,3),……,t[N-1,N)};
步骤4:高斯混合模型参数求解;将新时间序列t序列作为观察数据,求解高斯混合模型(GaussianMixture Model,简称GMM);高斯混合模型P(x)是概率分布模型,具有如下形式:其中,x是自变量,共有K个一维高斯模型,k为其中的一个;αk是权重系数,为正数且所有系数和为1,即 φ(x|θk)是密度函数,符合高斯分布,θk满足均值和方差为(μk,σk2);通过Expectation Maximum(EM)算法对高斯混合模型参数进行估计,得到各个单高斯函数及其权重比值,从而组成遥感时序数据的多峰高斯拟合函数。
2.根据权利要求1所述的基于高斯混合模型的遥感时序数据拟合方法,其特征在于以下两个方面:(1)以各区间面积占比作为概率估计值重构序列;(2)采用高斯混合模型对遥感时序数据进行多峰高斯拟合。