一种基于数据分析的分类方法及系统与流程

本发明涉及基于数据分析的分类，尤其涉及一种基于数据分析的分类方法及系统。

背景技术：

1、通过收集、处理和分析地理信息数据来识别和分类地表覆盖类型的技术，源于对土地资源管理和规划的需求，以及对环境监测和可持续发展目标的关注。通过使用遥感数据、地理信息系统和机器学习等技术，可以提取土地利用的特征，并将地表覆盖类型划分为不同的类别，如农田、森林、城市等。这种分类方法不仅可以帮助政府部门进行土地规划和管理，还可以为环境监测、资源评估、自然灾害风险评估等提供支持。随着遥感技术和数据处理方法的不断发展，基于数据分析的分类方法将进一步提高其精度和效率，为可持续土地利用和生态保护提供更多有效的决策支持。然而，传统的基于数据分析的分类方法存在着对具有相似光谱特征的地物识别不清楚，以及对土地利用类型分类不精确的问题。

技术实现思路

1、基于此，有必要提供一种基于数据分析的分类方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种基于数据分析的分类方法，所述方法包括以下步骤：

3、步骤s1：获取土地分析区域；对土地分析区域进行光谱多段重采样，得到土地分析区域多段采样光谱；

4、步骤s2：对土地分析区域多段采样光谱进行光谱波段混合效应分析，得到光谱波段混合效应数据；根据光谱波段混合效应数据进行波段重叠干扰平滑正交多项式拟合，得到波段重叠干扰正交拟合数据；

5、步骤s3：根据波段重叠干扰正交拟合数据对土地分析区域多段采样光谱进行多段采样光谱结构差异性分析，得到多段采样光谱结构差异性数据；基于随机森林算法对多段采样光谱结构差异性数据进行光谱-地物混合识别模型构建，得到光谱-地物混合识别模型；

6、步骤s4：根据光谱-地物混合识别模型进行土地类型识别，得到土地类型识别数据；根据土地类型识别数据进行土地利用类型分类处理，得到土地利用类型分类数据。

7、本发明首先，确定需要分析的土地区域，这是进行后续分析的基础。通过获取土地分析区域，可以确保对特定地区的光谱数据进行精确的分析，针对土地分析区域的光谱数据，进行光谱波段混合效应分析。这一步骤能够帮助识别和理解不同波段之间的相互影响和混合效应，从而更好地处理后续的数据，利用光谱波段混合效应数据，进行波段重叠干扰平滑正交多项式拟合。这个过程可以有效地消除光谱数据中的波段重叠干扰，从而提高数据的准确性和可信度，最终，通过以上步骤得到的数据，即波段重叠干扰正交拟合数据，可以作为进一步土地分析的基础。这些数据相比原始光谱数据更加精确和清晰，能够为土地分析提供更可靠的依据；根据波段重叠干扰正交拟合数据，进行多段采样光谱结构差异性分析。这一步骤可以帮助理解不同土地类型的光谱特征差异，为后续的土地类型识别提供基础，基于随机森林算法，利用多段采样光谱结构差异性数据构建光谱-地物混合识别模型。通过这个模型，可以将光谱数据与具体的地物类型进行关联，从而实现对土地类型的识别，利用构建的光谱-地物混合识别模型，对土地分析区域的光谱数据进行识别，得到土地类型识别数据。这些数据反映了各个区域的土地类型，为土地资源管理和规划提供了重要信息，基于土地类型识别数据，进行土地利用类型分类处理。这一步骤可以将土地按照不同的利用类型进行分类，例如农田、林地、城市建设用地等，为土地资源的合理利用和规划提供支持。因此，本发明是对传统的基于数据分析的分类方法做出的优化处理，解决了传统的基于数据分析的分类方法存在着对具有相似光谱特征的地物识别不清楚，以及对土地利用类型分类不精确的问题，提高了对具有相似光谱特征的地物识别的能力，以及提高了对土地利用类型分类的精确度。

8、优选地，步骤s1包括以下步骤：

9、步骤s11：获取土地分析区域；

10、步骤s12：通过卫星遥感技术对土地分析区域进行土地分析区域光谱数据采集，得到土地分析区域光谱数据；

11、步骤s13：对土地分析区域光谱数据进行光谱多段重采样，得到土地分析区域多段采样光谱。

12、本发明确定需要进行分析的土地区域，这可以是针对特定地理区域或项目的土地分析，利用卫星遥感技术对土地分析区域进行光谱数据的采集。这些数据包含了土地表面在不同波段上的反射率或发射率信息，为后续分析提供了基础数据，通过卫星遥感技术获取的光谱数据具有较高的空间分辨率和覆盖范围，能够提供全面且准确的土地信息，多段重采样等处理步骤有助于提升光谱数据的准确性和可信度，从而提高土地分析的精度和可靠性，通过优选地方法获得的土地分析结果可用于优化土地资源利用规划和管理决策，有助于实现土地资源的可持续利用和保护。

13、优选地，步骤s2包括以下步骤：

14、步骤s21：对土地分析区域多段采样光谱进行连续光谱波段提取，得到土地分析区域连续波段数据；

15、步骤s22：根据土地分析区域连续波段数据对土地分析区域多段采样光谱进行光谱波段混合效应分析，得到光谱波段混合效应数据；

16、步骤s23：对光谱波段混合效应数据进行光谱波段重叠结构分析，得到光谱波段重叠结构数据；

17、步骤s24：根据光谱波段重叠结构数据以及光谱波段混合效应数据进行波段重叠干扰平滑正交多项式拟合，得到波段重叠干扰正交拟合数据。

18、本发明对土地分析区域的多段采样光谱进行连续波段提取，以获取连续波段数据。这一步骤有助于更全面地理解土地表面的光谱特征，基于土地分析区域的连续波段数据，对光谱波段进行混合效应分析。这一步骤可以帮助识别和理解不同波段之间的混合效应，为后续的数据处理提供基础，对光谱波段混合效应数据进行波段重叠结构分析。通过这一步骤，可以更加深入地了解光谱数据中存在的波段重叠结构情况，根据光谱波段重叠结构数据和光谱波段混合效应数据，进行波段重叠干扰的平滑正交多项式拟合。这个步骤有助于消除光谱数据中的波段重叠干扰，提高数据的准确性和可信度，通过波段重叠干扰的平滑正交多项式拟合，有效地消除了光谱数据中的波段重叠干扰，使得数据更加清晰和可靠，通过这些步骤，可以更准确地分析土地的光谱特征和结构，从而提高了土地分析的准确性和可靠性。

19、优选地，步骤s22包括以下步骤：

20、步骤s221：对土地分析区域连续波段数据进行不同波段间的波长范围分析，得到连续波段波长范围数据；

21、步骤s222：根据连续波段波长范围数据进行不同波段波长的相空间结构转换，得到连续波段波长相空间；根据连续波段波长相空间对波段波长相空间轨迹分析，得到波段波长相空间轨迹数据；

22、步骤s223：对波段波长相空间轨迹数据进行轨迹随机扰动性分析，得到波段波长轨迹随机扰动数据；根据波段波长轨迹随机扰动数据对波段波长相空间轨迹数据进行波段相位特性分析，得到波段波长相位特性数据；

23、步骤s224：根据波段波长轨迹随机扰动数据以及波段波长相位特性数据进行波段波长lyapunov指数计算，得到波段波长lyapunov指数；根据波段波长lyapunov指数以及波段波长相空间轨迹数据对土地分析区域多段采样光谱进行光谱波段波长空间无序性分析，得到波段波长空间无序性数据；

24、步骤s225：对波段波长空间无序性数据进行无序性空间梯度分布排序处理，得到无序性空间分布排序数据；

25、步骤s226：根据波段波长空间无序性数据以及波段波长空间分布等级排序数据对土地分析区域多段采样光谱进行光谱波段混合效应分析，得到光谱波段混合效应数据。

26、本发明对土地分析区域的连续波段数据进行波长范围分析，以获取不同波段的波长范围数据，基于连续波段波长范围数据，进行波长相空间转换并分析波段波长相空间轨迹，以理解光谱数据在相空间中的特征，对波段波长相空间轨迹数据进行轨迹随机扰动性分析，然后根据扰动数据进行波段相位特性分析，以探究光谱数据的波长相位特性，根据波段波长相位特性数据计算lyapunov指数，进而对土地分析区域的多段采样光谱进行光谱波段波长空间无序性分析，以量化数据的无序性特征，对波段波长空间无序性数据进行梯度分布排序处理，以获得无序性空间分布排序数据，根据波段波长空间无序性数据和分布等级排序数据，对土地分析区域的多段采样光谱进行光谱波段混合效应分析，以探索光谱数据的混合效应特征；通过多个复杂分析步骤，全面理解了土地分析区域的光谱数据特性和结构，为后续土地分析提供了更深入的理解和基础，通过lyapunov指数计算和无序性分析等步骤，将光谱数据的特征量化，使得数据的特征更具可比性和可解释性，通过光谱波段混合效应分析，探索了光谱数据中的混合效应特征，为进一步的数据处理和分析提供了依据。

27、优选地，对光谱波段波长空间无序性数据进行空间梯度分布密度量化排序处理包括以下步骤：

28、利用预设的光谱波段波长无序性评价模型对波段波长空间无序性数据进行不同空间区域的波长波段无序性等级划分，得到不同波长波段间的波段波长空间无序等级数据；

29、根据波段波长空间无序等级数据对波段波长空间无序性数据进行不同等级空间区域的波段波长无序性梯度变化分析，得到无序性空间梯度变化数据；

30、对无序性空间梯度变化数据进行相邻空间区域的梯度变化方差计算，得到相邻区域梯度变化方差区间；对相邻区域梯度变化方差区间进行方差平均差值计算，得到方差平均差值数据；

31、根据方差平均差值数据对相邻区域梯度变化方差区间进行区间范围限定，得到方差区间范围限定数据；

32、根据方差区间范围限定数据对无序性空间梯度变化数据进行相邻区域间的无序性方差区间限定泊松分布分析，得到梯度变化方差限定分布数据；

33、根据梯度变化方差限定分布数据对无序性空间梯度变化数据进行不同等级空间区域间的无序性梯度变化方差相对中心偏离度计算，得到不同等级空间区域间的梯度变化方差相对中心偏离度数据；

34、根据梯度变化方差相对中心偏离度数据以及无序性空间梯度变化数据对波段波长空间无序性数据进行无序性空间梯度分布排序处理，得到无序性空间分布排序数据。

35、本发明通过预设的光谱波段波长无序性评价模型，将波段波长空间无序性数据分为不同的无序性等级，这有助于对数据进行更精细的分类和理解，从而为后续分析提供了基础，根据无序性等级数据，对波段波长空间无序性数据进行了不同等级空间区域的梯度变化分析。这有助于了解不同区域之间的无序性变化情况，为后续处理提供了定量的变化数据，通过计算相邻空间区域的梯度变化方差并求取其平均差值，可以获得更细致的变化趋势，进一步提高了数据的可解释性和可操作性，根据方差平均差值数据对相邻区域梯度变化方差区间进行了限定，这有助于排除异常值或不相关数据，使得后续分析更加准确可靠，通过泊松分布分析相邻区域间的无序性方差区间限定，可以更好地理解数据的分布规律和概率分布特征，从而为后续的统计分析提供了基础，计算了不同等级空间区域间的梯度变化方差相对中心偏离度，这有助于了解数据在不同空间区域内的变化趋势和偏离程度，为进一步的分析提供了定量指标，最终通过梯度变化方差相对中心偏离度数据以及无序性空间梯度变化数据进行排序处理，得到了无序性空间分布排序数据，这有助于直观地了解不同区域间的无序性分布情况，为后续的决策提供了可视化的支持。

36、优选地，步骤s24包括以下步骤：

37、步骤s241：根据光谱波段重叠结构数据进行光谱波段重叠结构曲线绘制，得到光谱波段重叠结构曲线；

38、步骤s242：对光谱波段重叠结构曲线进行波段频率重叠位置分析，得到波段频率重叠位置数据；根据波段频率重叠位置数据对光谱波段重叠结构曲线进行重叠频率曲线交错密度分析，得到重叠曲线交错密度数据；

39、步骤s243：对重叠频率曲线交错密度数据进行频率相位差值计算，得到频率相位差值数据；根据频率相位差值数据以及光谱波段混合效应数据进行光谱波段干扰频率识别，得到波段干扰频率数据；

40、步骤s244：对波段干扰频率数据进行波段干扰频率插值处理，得到波段干扰频率插值数据；根据波段干扰频率插值数据以及光谱波段混合效应数据进行波段重叠干扰平滑正交多项式拟合，得到波段重叠干扰正交拟合数据。

41、本发明通过绘制光谱波段重叠结构曲线，可以直观地了解光谱波段之间的重叠情况，从而为后续分析提供了可视化的基础，通过分析波段频率重叠位置和重叠曲线交错密度，可以深入了解光谱波段之间的频率交错情况，从而为识别和处理波段重叠干扰提供了数据支持，计算频率相位差值和识别波段干扰频率有助于确定光谱波段中存在的干扰频率，为后续处理提供了关键信息，对波段干扰频率进行插值处理可以填补数据中存在的缺失或不连续的部分，使得数据更加完整和连续，通过进行平滑正交多项式拟合，可以有效地去除或减弱波段重叠干扰，从而提高光谱数据的质量和可用性。

42、优选地，步骤s3包括以下步骤：

43、步骤s31：根据波段重叠干扰正交拟合数据以及光谱波段混合效应数据对土地分析区域多段采样光谱进行多段采样光谱结构差异性分析，得到多段采样光谱结构差异性数据；

44、步骤s32：根据多段采样光谱结构差异性数据进行不同类型的多段采样光谱响应性分析，得到多段采样光谱响应数据；

45、步骤s33：基于随机森林算法对多段采样光谱结构差异性数据以及多段采样光谱响应数据进行光谱-地物混合识别模型构建，得到光谱-地物混合识别模型。

46、本发明通过分析多段采样光谱的结构差异性，可以识别不同土地覆盖类型之间在光谱特征上的差异，从而提供了基础数据用于后续的土地覆盖分类和监测，根据多段采样光谱的结构差异性数据，进一步分析不同类型土地在不同光谱波段上的响应特征，有助于理解土地覆盖类型与光谱特征之间的关系，为后续的分类与识别提供了基础，利用随机森林算法构建光谱-地物混合识别模型，结合多段采样光谱结构差异性数据和响应数据，能够更准确地识别土地覆盖类型，提高土地利用与覆盖的监测与管理效率。

47、优选地，步骤s33包括以下步骤：

48、步骤s331：对多段采样光谱结构差异性数据进行归一化处理，得到光谱结构差异归一化数据；

49、步骤s332：根据光谱结构差异归一化数据对多段采样光谱响应数据进行光谱响应偏差性估计，得到光谱响应偏差性估计数据；

50、步骤s333：对光谱响应偏差性估计数据进行响应性偏差非均匀性分布分析，得到响应性偏差非均匀性分布数据；

51、步骤s334：利用预设的地物参照光谱手册，并基于随机森林算法对光谱结构差异归一化数据以及响应性偏差非均匀性分布数据进行光谱-地物混合识别模型构建，得到光谱-地物混合识别模型。

52、本发明通过对多段采样光谱结构差异性数据进行归一化处理，可以消除不同光谱波段间的尺度差异，确保各个波段数据具有相同的权重，有助于提高后续分析的准确性和可比性，利用光谱结构差异归一化数据对多段采样光谱响应数据进行估计，可以评估不同波段间的响应偏差，即各个波段数据对土地覆盖类型的敏感程度，有助于理解光谱数据的特征和变化趋势，对光谱响应偏差性估计数据进行分析，可以揭示不同波段的响应性偏差在空间上的分布情况，即不同地物在光谱响应上的差异性，为地物分类提供了更为精细的信息，利用预设的地物参照光谱手册，并结合光谱结构差异归一化数据和响应性偏差非均匀性分布数据，采用随机森林算法构建光谱-地物混合识别模型，可以更准确地识别不同地物类型，提高土地覆盖分类的准确性和可靠性。

53、优选地，对多段采样光谱响应数据进行光谱响应偏差性估计包括以下步骤：

54、对光谱结构差异归一化数据进行光谱结构差异特征提取，得到光谱结构差异特征数据；

55、基于光谱结构差异特征数据对光谱结构差异归一化数据进行特征空间映射处理，得到光谱结构差异特征空间；

56、根据光谱结构差异特征空间对多段采样光谱响应数据进行不同空间结构的光谱响应聚类分析，得到光谱空间响应聚类数据；对光谱空间响应聚类数据进行不同空间结构的聚类中心差值计算，得到光谱响应聚类中心差值数据；

57、根据光谱响应聚类中心差值数据以及光谱结构差异特征空间对多段采样光谱响应数据进行光谱响应偏差性估计，得到光谱响应偏差性估计数据。

58、本发明通过对光谱结构差异归一化数据进行特征提取，可以捕获光谱数据中的关键特征，如光谱波段间的差异性和变化趋势，为后续分析提供重要信息，基于光谱结构差异特征数据进行特征空间映射处理，可以将光谱数据映射到一个新的特征空间中，从而更好地表征光谱数据的结构差异性，为后续分析提供更准确的数据基础，根据光谱结构差异特征空间对多段采样光谱响应数据进行聚类分析，可以将相似的光谱响应数据聚集在一起，从而识别出不同空间结构的光谱响应模式，有助于理解光谱数据的分布规律和特征变化，计算光谱响应聚类数据中不同空间结构的聚类中心差值，可以量化不同光谱响应模式之间的差异程度，进一步深入理解光谱数据的特征差异性，基于聚类中心差值数据以及光谱结构差异特征空间，对多段采样光谱响应数据进行光谱响应偏差性估计，可以量化不同空间结构下的光谱响应偏差程度，为光谱数据的分析和应用提供了可靠的基础。

59、优选地，本发明提供了一种基于数据分析的分类系统，用于执行如上所述的基于数据分析的分类方法，该基于数据分析的分类系统包括：

60、土地分析区域光谱采样模块，用于获取土地分析区域；对土地分析区域进行光谱多段重采样，得到土地分析区域多段采样光谱；

61、光谱波形分析模块，用于对土地分析区域多段采样光谱进行光谱波段混合效应分析，得到光谱波段混合效应数据；根据光谱波段混合效应数据进行波段重叠干扰平滑正交多项式拟合，得到波段重叠干扰正交拟合数据；

62、光谱-地物混合识别模型构建模块，用于根据波段重叠干扰正交拟合数据对土地分析区域多段采样光谱进行多段采样光谱结构差异性分析，得到多段采样光谱结构差异性数据；基于随机森林算法对多段采样光谱结构差异性数据进行光谱-地物混合识别模型构建，得到光谱-地物混合识别模型；

63、土地利用类型分类处理模块，用于根据光谱-地物混合识别模型进行土地类型识别，得到土地类型识别数据；根据土地类型识别数据进行土地利用类型分类处理，得到土地利用类型分类数据。

64、本发明的有益效果，首先，确定需要分析的土地区域，这是进行后续分析的基础。通过获取土地分析区域，可以确保对特定地区的光谱数据进行精确的分析，针对土地分析区域的光谱数据，进行光谱波段混合效应分析。这一步骤能够帮助识别和理解不同波段之间的相互影响和混合效应，从而更好地处理后续的数据，利用光谱波段混合效应数据，进行波段重叠干扰平滑正交多项式拟合。这个过程可以有效地消除光谱数据中的波段重叠干扰，从而提高数据的准确性和可信度，最终，通过以上步骤得到的数据，即波段重叠干扰正交拟合数据，可以作为进一步土地分析的基础。这些数据相比原始光谱数据更加精确和清晰，能够为土地分析提供更可靠的依据；根据波段重叠干扰正交拟合数据，进行多段采样光谱结构差异性分析。这一步骤可以帮助理解不同土地类型的光谱特征差异，为后续的土地类型识别提供基础，基于随机森林算法，利用多段采样光谱结构差异性数据构建光谱-地物混合识别模型。通过这个模型，可以将光谱数据与具体的地物类型进行关联，从而实现对土地类型的识别，利用构建的光谱-地物混合识别模型，对土地分析区域的光谱数据进行识别，得到土地类型识别数据。这些数据反映了各个区域的土地类型，为土地资源管理和规划提供了重要信息，基于土地类型识别数据，进行土地利用类型分类处理。这一步骤可以将土地按照不同的利用类型进行分类，例如农田、林地、城市建设用地等，为土地资源的合理利用和规划提供支持。因此，本发明是对传统的基于数据分析的分类方法做出的优化处理，解决了传统的基于数据分析的分类方法存在着对具有相似光谱特征的地物识别不清楚，以及对土地利用类型分类不精确的问题，提高了对具有相似光谱特征的地物识别的能力，以及提高了对土地利用类型分类的精确度。