一种面向浒苔灾害覆盖区域的多观测手段组网优化监测方法与流程

本发明属于地理资源规划领域，具体涉及一种面向浒苔灾害覆盖区域的多观测手段组网优化监测方法。

背景技术：

在面向浒苔灾害的应急处置与救援过程中，经常使用遥感卫星、监测船、监测飞机等多源监测手段共同监测。但现有的多源监测手段彼此较为独立，在浒苔态势图发展的监测上缺乏互补性，给现有的浒苔态势图等成图业务带来不便。浒苔的态势图、分布图等成图业务急需信息化手段来支撑。卫星遥感影像，尤其是modis影像因其覆盖范围大，时间分辨率(1-2天重访周期)，被广泛应用于浒苔灾害的监测中。但modis卫星的远距离监测方式、较低的空间分辨率(250m—1000m)和经常出现的云雨天气会导致遥感图像在某些部分无法很好监测浒苔灾害。监测船和监测飞机等受大气条件和监测范围的局限不能完成对整个海域的浒苔监测。相比于卫星遥感影像的监测方式，监测船与监测飞机为近距离探测，因而具有较高的准确度。因此监测船与监测飞机可以很好补充遥感卫星在浒苔灾害监测上的不足。如何有效组合卫星遥感、监测船和监测飞机进行浒苔灾害的组网监测，形成“空-天-地”一体化的监测系统是浒苔灾害监测过程中亟待解决的问题。

技术实现要素：

为解决上述问题，本发明充分考虑了进行浒苔灾害监测的多种监测手段的性能，结合modis数据和常用的监测飞机与监测船，提出了一种面向浒苔灾害覆盖区域的多观测手段组网优化监测方法。

本发明采用的技术方案是首先根据modis影像(空间分辨率为250m)进行表征浒苔生长的归一化差值植被指数(ndvi)的提取。其次将区域中的地物分为浒苔与海水两类，对ndvi图像进行模糊分类，并得到每个像素的模糊聚类熵(fce)。像素的模糊聚类熵越高，表示其不确定性越大，即此像素对应的实际位置更需要监测船与监测飞机的补充监测。接着使用本发明提出的一种结合nsga-ii、pso和成本路径分析的三层混合算法进行面向浒苔灾害覆盖区域的多观测手段组网优化监测。本发明以监测组合方案(监测船与监测飞机的组合)覆盖的模糊聚类熵(fce)最大、监测组合方案的覆盖范围(lpath)最大和监测组合方案的平均模糊聚类熵最大为目标，使用nsga-ii算法进行组合方案的多目标优化。在nsga-ii算法的适应度评价环节，使用pso算法优化监测船与监测飞机的路径。对于监测飞机考虑到其监测性能，直接使用点连线的方式生成路径。对于监测船则使用成本距离分析的方式规划其路径。本发明的流程图如图1所示，具体步骤如下：

步骤一，输入监测方式及其性能与算法参数，包括，

输入modis遥感影像，包含红波段数据和近红外波段数据；输入待使用的监测船和监测飞机的总数量nmethod、各自速度的集合v和各自最大监测距离的集合distance，其中输入监测船与监测飞机的停靠点，其数量为n；输入每种监测方式的起点集合o和终点集合d，其中

输入nsga-ii算法遗传代数maxgeneration、交叉概率pcross-over、变异概率pmutation、种群数量npopulation，pso算法鸟群数nswarm、最大迭代数maxiteration，惯性权值ω和加速因子c1,c2；

步骤二，归一化差值植被指数与模糊聚类熵提取；

步骤三，结合nsga-ii、pso和成本路径算法生成监测方案，其具体步骤如下：

步骤31，初始种群生成，初始种群population中每个元素为组合监测方案，同时生成population对应的路径点元组集合routepoint；

步骤32，利用pso算法规划routepoint集合中每个元素路径；

步骤33，分别生成监测飞机和监测船的路径；

步骤34，种群中监测方案适应度评价；

步骤35，种群选择、交叉、变异、重组操作；

步骤36，生成新种群，并重复执行32-36步，直到满足遗传代数满足要求；

步骤37，以监测方案适应度评价中覆盖的模糊聚类熵最大、覆盖范围最大和平均模糊聚类熵最大为目标，可视化三个目标各自最大的方案。

进一步的，步骤二的具体实现方式如下，

步骤21，归一化差值植被指数(ndvi)提取，根据公式(1)，利用modis的红波段、近红外波段进行计算；

其中nir为modis数据的近红外波段，red为modis数据的红波段；

步骤22，在ndvi的每个像素利用高斯混合模型进行模糊分类；

高斯混合模型是m个分量的高斯密度的加权和，其公式为(2)；

其中m是分类的个数，λ是分类类别，取浒苔和海水两类，x是一个连续数据的向量，指ndvi图像中的像素，wi是混合的权重，g(x|μi，σi)是第i类的高斯密度，其公式为(3)；

其中，d为数据的维度，使用高斯混合模型对ndvi进行模糊分类，经过分类后得到了每个像素对浒苔和海水两类地物的隶属度；

步骤23，模糊聚类熵计算，根据公式(4)，计算每个像素的模糊聚类熵，

其中，x为ndvi图像中的像素，uk(x)为x对第k类中心的隶属度。

进一步的，步骤31的具体过程如下，

随机生成npopulation个元素的集合作为初始种群，population中每个元素为监测方案的组合，将population中的任意元素的每种监测方案xt转换为长度为n二进制字符串，xt对应的二进制字符串第i位为0，表示xt生成的路径不会经过编号为n-i+1的停靠点，反之，若不为0，则表示xt生成的路径会经过编号为n-i+1的停靠点；对population中每个元组的每个监测方案xt执行上述操作，生成population对应的路径点元组集合routepoint；

进一步的，步骤32利用pso算法规划routepoint集合中每个元素路径，其过程如下：

将监测方式xt的起点ot和终点dt加入routepoint，若已存在，则不执行此操作，对routepoint中的任一元素随机生成一组数量为nswarm粒子集合swarm；设s为swarm中的任一元素，也称为粒子，s为中点的任意有序集合，即表示一种路径；设包含的点数量为nrp，则共有nrp！种可能的路径，对每种路径进行编号，得到所有路径编号的集合routeid；以路径s距离最短为目标，进行maxiteration次迭代，每次迭代记录下每个个体经历的最好的位置pbest和整个种群经历的最好的位置gbest，并根据公式(5)—(6)更新每个粒子速度v和位置x，其中每个粒子的初始速度和初始位置都为小于nrp！随机整数，其中x，pbest，gbest都是routeid中的元素，迭代完成后得到最佳的路径s′；

v′＝ω×v+c1×rand×(pbest-x)+c2×rand×(gbest-x)(5)

x′＝x+v′(6)

公式(5)和(6)中v′为更新后的速度，x′为更新后的位置，rand为随机数。

进一步的，步骤34种群中监测方案适应度评价，其过程如下，

执行步骤32-33后，得到population对应的监测路径集合以公式(7)—(9)为目标，对population中每个个体的监测方案进行评价；

公式(7)表示监测方案覆盖足够大的模糊聚类熵，公式(8)表示监测方案拥有足够长的监测距离，其中表示路径的距离，公式(9)表示监测方案的平均模糊聚类熵最大；

在评价过程中遵循的约束条件如下：

(1)各监测手段的最大监测距离不应超过其最大续航距离，即

(2)各监测手段的最大监测时间不应超过期最大监测时间，即

进一步的，步骤35中选择操作使用二元锦标赛方法根据每种监测方案的适应度进行选择，交叉操作使用sbx交叉方法，变异操作使用多项式变异方法，交叉的概率设置为pcross-over，变异的概率设置为pmutation。

本发明具有如下优点：充分结合卫星遥感、监测飞机和监测船舶各自的性能，实现对浒苔灾害的多观测手段组网优化监测，有效弥补了现行浒苔监测方案的不足。

附图说明

图1为本发明的流程图；

图2为本发明的实验数据；

图3为本发明模拟的飞机与船舶停靠点；

图4为本发明依据实验数据提取的ndvi与模糊聚类熵；

图5为本发明选取的三种优化监测方案。

具体实施方式

如图1所示，本发明提供一种面向浒苔灾害覆盖区域的多观测手段组网监测优化方法，具体包括以下步骤：

步骤一：输入监测方式及其性能与算法参数；

输入modis遥感影像，需包含红波段数据和近红外波段数据。输入待使用的监测船和监测飞机的总数量nmethod、各自速度的集合和各自最大监测距离的集合输入监测船与监测飞机的停靠点，其数量为n。输入每种监测方式的起点集合o和终点集合d，其中

输入nsga-ii算法遗传代数maxgeneration、交叉概率pcross-over、变异概率pmutation、种群数量npopulation，pso算法鸟群数nswarm、最大迭代数maxiteration，惯性权值ω和加速因子c1,c2；

步骤二：归一化差值植被指数与模糊聚类熵提取；

步骤21：归一化差值植被指数(ndvi)提取。根据公式(1)，利用modis的红波段、近红外波段进行计算；

其中nir为modis数据的近红外波段，red为modis数据的红波段；

步骤22：在ndvi的每个像素利用高斯混合模型进行模糊分类；

高斯混合模型是m个分量的高斯密度的加权和，其公式为(2)；

其中m是分类的个数，本研究中将各植被指数图像代表的地物分为浒苔和海水两类；x是一个连续数据的向量，本发明中为图像的像素值。wi是混合的权重，λ是分类类别，本发明取浒苔和海水两类；g(x|μi，σi)是第i类的高斯密度，其公式为(3)；

其中，d为数据的维度，由于高斯混合模型可以提供任意形状的整体分布拟合，因此本研究使用高斯混合模型对ndvi进行模糊分类，经过分类后得到了每个地点对浒苔和海水两类地物的隶属度；

步骤23：模糊聚类熵计算。根据公式(4)，计算每个像素的模糊聚类熵。

其中，x为ndvi图像中的像素，uk(x)为x对第k类中心(浒苔k＝1，海水k＝2)的隶属度；

步骤三：结合nsga-ii、pso和成本路径算法生成监测方案；

步骤31：初始种群生成，种群中每个个体为组合监测方案；

随机生成npopulation个元素的集合作为初始种群，population中每个元素为监测方案的组合。将population中的任意元素的每种监测方案xt转换为长度为n二进制字符串。xt对应的二进制字符串第i位为0，表示xt生成的路径不会经过编号为n-i+1的停靠点，反之，若不为0，则表示xt生成的路径会经过编号为n-i+1的停靠点。对population中每个元组的每个监测方案xt执行上述操作，生成population对应的路径点元组集合routepoint。

步骤32：利用pso算法规划routepoint集合中每个元素路径；

将监测方式xt的起点ot和终点dt加入routepoint，若已存在，则不执行此操作。对routepoint中的任一元素随机生成一组数量为nswarm粒子集合swarm。设s为swarm中的任一元素，也称为粒子，s为中点的任意有序集合，即表示一种路径。设包含的点数量为nrp，则共有nrp！(！指阶乘)种可能的路径，对每种路径进行编号，得到所有路径编号的集合routeid。以路径s距离最短为目标，进行maxiteration次迭代，每次迭代记录下每个个体经历的最好的位置pbest和整个种群经历的最好的位置gbest，并根据公式(5)—(6)更新每个粒子速度v和位置x，其中每个粒子的初始速度和初始位置都为小于nrp！随机整数，x，pbest，gbest都是routeid中的元素。迭代完成后得到最佳的路径s′；

v′＝ω×v+c1×rand×(pbest-x)+c2×rand×(gbest-x)(5)

x′＝x+v′(6)

公式(5)和(6)中v′为更新后的速度，x′为更新后的位置，rand为随机数；

步骤33：分别生成监测飞机和监测船的路径；

受限于飞机的飞行条件的影响，如果监测方式为监测飞机，将s′中的点使用连线的方式形成路径监测船舶的监测路径相对自由，本发明以路径覆盖的总模糊聚类熵最大为目标生成成本路径。设p1和p2为s′中连续的两点，利用arcengine10.2成本路径分析算法，以fce图像为栅格成本，求解出p1到p2的路径。对s′中所有相邻点执行上述操作，得到监测船的规划路径

步骤34：种群中监测方案适应度评价；

执行步骤32-33后，得到population对应的监测路径集合以公式(7)—(9)为目标，对population中每个个体的监测方案进行评价；

公式(7)表示监测方案覆盖足够大的模糊聚类熵，公式(8)表示监测方案拥有足够长的监测距离，其中表示路径的距离，公式(9)表示监测方案的平均模糊聚类熵最大；

在评价过程中遵循的约束条件如下：

(1)各监测手段的最大监测距离不应超过其最大续航距离，即

(2)各监测手段的最大监测时间不应超过期最大监测时间，即

步骤35：种群选择、交叉、变异、重组操作；

种群选择、交叉变异、重组操作与原始nsga-ii算法无异，选择操作使用二元锦标赛方法根据每种监测方案的适应度进行选择，交叉操作使用sbx交叉方法，变异操作使用多项式变异方法，交叉的概率设置为pcross-over，变异的概率设置为pmutation；

步骤36：生成新种群，并重复执行32-36步，直到满足遗传代数大于maxgeneration；

步骤37：以覆盖的模糊聚类熵最大、监测组合方案的覆盖范围最大和监测组合方案的平均模糊聚类熵最大为目标，可视化三个目标各自最大的方案。

本实例选取2018年6月3日黄海海域附近的modis遥感影像，数据格式为tiff格式，在arcmap中显示如图2。针对监测方式种类与性能输入与算法参数设置、植被指数与模糊聚类熵提取与监测方案生成的整个过程，给出本发明的一个实施例；

(一)监测方式种类与性能输入与算法参数设置；

本实例选择的modis影像为2018年6月25日，31°n-38°n，118°e-125°e区域的遥感影像。2018年6月25日浒苔灾害已出具规模，具有实验意义。本实例选择的监测飞机为中国海监b-70hd直升机和中国海监b-3843固定翼飞机，选择的监测船为中国海监81船和中国海监26船。监测飞机与监测船的性能见表1。飞机与船舶的模拟停靠点如附图3所示。本实施例设计的路径为闭合路径，起始点与终点相同，共选取了两组起始点，其编号分别为1和2；

表1本实例采用的监测飞机与监测船性能

nsga-ii算法遗传代数设置为1500、交叉概率设置为0.9、变异概率设置为0.001、种群数量设置为100，pso算法鸟群数设置为20、最大迭代数设置为200，惯性权值ω设置为0.9和加速因子c1,c2皆设置为2。

(二)归一化差值植被指数与模糊聚类熵提取

步骤21：利用modis红波段和近红外波段根据公式(1)计算出ndvi、图像，在arcmap中显示如图4(a)；

步骤22：设ndvi图像中仅包含浒苔与海水两类地物。根据公式(2)-(3)对ndvi图像进行高斯混合模型的模糊分类，得到ndvi中每个像素对浒苔和海水两类地物的隶属度。以第1756行，第1525列数据为例，其对浒苔的隶属度为73％，对海水的隶属度为27％；

步骤23：根据公式(4)计算每个像素的模糊聚类熵，以第1756行，第1525列的像素为例，其模糊聚类熵为0.5833，利用ndvi生成的fce图像如图4(b)所示；

(三)监测方案生成；

步骤31：初始化种群。随机生成包含100个元素的集合population作为初始种群，并生成每个个体每种监测方案的路径集合点routepoint。以随机生成的population中的第一个元素(40,59,65,14)为例，其对应的routepoint中的元素为((1，4，6)，(1，2，4，5，6)，(1，7)，(2，3，4))；

步骤32：利用pso算法规划routepoint集合中每个元素路径；

本步骤以给中国海监b-3843固定翼飞机(起点为1号点)需要经历编号为1,2,4,5,和6的点为例。由于1号点已经存在，因此不需加入。首先随机生成一组数量为20的粒子集合swarm。swarm中每个元素s表示一种路径。例如s＝(1,5,6,2,4)表示此粒子从点1出发，第一个停靠点为点5，第二个停靠点为点6，第三个停靠点为点2，第四个停靠点为点4，最后回到点1。以路径s距离最短为目标，进行200次迭代，每次迭代记录下每个个体经历的最好的位置pbest和整个种群经历的最好的位置gbest，并根据公式(5)—(6)更新每个粒子速度v和位置x。迭代完成后得到最佳的路径s′；

步骤33：分别生成监测飞机和监测船的路径；

如果监测方式为监测飞机，将s′中的点使用连线的方式形成路径routext，如图5中p1-p4。如果监测方式为监测船，则利用arcengine10.2成本路径分析算法，以fce图像为栅格成本，求解出s′中相邻两点的路径，如图5中的s1-s4的路径；

步骤34：种群中监测方案适应度评价；

执行步骤32-34后，得到population对应的监测路径集合route。以公式(7)—(9)为目标，对population中每个个体的监测方案进行目标评价。例如图5(a)方案的三个目标分别为1437×10⁴,2.79×10³km和4.099×10^-3，其均符合约束条件的要求；

步骤35：种群选择、交叉、变异、重组操作；

种群选择、交叉变异、重组操作与原始nsga-ii算法无异，选择操作使用二元锦标赛方法根据每种监测方案的适应度进行选择，交叉操作使用sbx交叉方法，变异操作使用多项式变异方法，交叉的概率设置为0.9,变异的概率设置为0.001；

步骤36：生成新种群，并重复执行32-36步，直到满足遗传代数大于1500代；

步骤37：可视化三个目标各自最大的方案如图5，图5(a)为模糊聚类熵最大的监测方案，图5(b)为监测距离最大的方案，图5(c)为平均模糊聚类熵最大的监测方案；

测试分析：通过测试分析，本发明得到的面向浒苔灾害覆盖区域的多观测手段组网优化监测方法对整体浒苔监测高不确定区域的覆盖率达50％以上，方案覆盖的高不确定性区域站方案本身60％以上，说明本方案的有效性。此外，与传统人工部署相比相比，本方法具有经济性、高效性和自动化程度高等特点。