CN103018403B - 一种基于复合维度提高车载系统的动态测量方法 - Google Patents

Abstract

本发明涉及一种基于复合维度提高车载系统的动态测量方法，属于空间遥感分析技术领域。本发明首先利用车载系统得到被测区域的生物信息空间分布状况，形成相应的矩阵，并对该矩阵进行插值处理，对被测区域进行定点采样，将样品进行实验室分析，确定其生物量的准确值，并进行同样的插值处理，然后对车载测量结果和定点采样测量结果进行比较和分析，得到车载动态测量的精确度，最后通过评估调整车载系统的采集策略，最终提高车载系统的动态测量结果。该方法能够直接对数据进行建模、分析、成图，对配置要求较低，算法冗余度小，响应速度快，成本低，具有较好的算法合理性和软件平台的兼容性。

Description

一种基于复合维度提高车载系统的动态测量方法

技术领域

本发明涉及一种基于复合维度提高车载系统的动态测量方法，属于空间遥感分析技术领域。

背景技术

采用遥感方法对农业的信息进行采集已经得到了广泛的应用，相关的分析方法也比较成熟，普通的遥感手段诸如航空遥感、航天遥感、低空遥感等数据采集手段和数据分析手段由于成本较高不适合普通农户的使用，常用的遥感分析方法多用于空间大尺度分析，不适用于近地遥感尤其是车载系统作业过程中同步采集的信息的遥感分析。而近地遥感具有配置简单，价格低廉，能够配置在各种农用机具上使用等特点，具有良好的应用前景，因此急需一种适合小区域近地遥感数据分析的分析方法。

发明内容

本发明的目的是提供一种基于复合维度提高车载系统的动态测量方法，以解决目前近地遥感数据分析由于采用空间遥感分析软件分析造成的车本高不适合普通农户使用的问题。

本发明为解决上述技术问题而提供一种基于复合维度提高车载系统的动态测量方法，该方法的步骤如下：

1）利用车载系对被测区域进行采集，获取相关生物数据信息和车辆坐标位置信息，并将获取的生物数据信息和车辆坐标位置信息进行匹配，以得到被测区域相关生物数据空间分布信息，形成相应的矩阵空间；

2）对上述获得的生物数据分布信息进行插值处理，得到得到插值后的高密度矩阵；

3）在车载系统检测的区域按照车辆行驶方向顺序选取采样点，在每个采样点进行样品采集，采用理化手段在实验室中获取样品的相关生物数据信息，并将该信息分别与对应采样点的位置信息相结合，从而得到采样样品的空间分布信息；

4）对由步骤3）中获得的采样样品空间分布信息进行与步骤2）相同的插值处理，得到相对应的高密度矩阵；

5）对步骤2）和步骤4）中相对应的矩阵元素进行运算，以得到同一坐标位置下车载系统动态测量值和真实测量值之间的偏差度，形成相应的偏差度矩阵，用于反映预测偏差的空间分布情况；

6）根据上述偏差度矩阵调整车载系统的采集策略，以提高车载系统的动态测量结果。

所述步骤5）还包括对形成的偏差度矩阵中的偏差度进行偏差比数计算，并形成相应的偏差比数矩阵，用于描述偏差程度的分布空间，

${\mathrm{\Δ}}_i\%=\frac{{\mathrm{\σ}}_i}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\σ}}_i}\×100\%$

其中σ_i为车载系统动态测量值与真实测量值之间的偏差度，Δ_i%为不同偏差程度在总偏差中所占的比例，称为偏差比数，i＝1,2…N，N偏差度矩阵中元素的个数。

所述的步骤2）和4）中的插值处理所采用的方法为克里格插值法或者加权反距离插值法。

所述步骤1）中车辆位置信息是由车载系统配置的GPS定位设备获取，其采样速度与生物数据信息采样速度相同。

所述步骤1）中检测数据的采样个数与步骤3）中采样点的个数相同。

本发明的有益效果是:本发明首先利用车载系统得到被测区域的生物信息空间分布状况，形成相应的矩阵，并对该矩阵进行插值处理，对被测区域进行定点采样，将样品进行实验室分析，确定其生物量的准确值，并进行同样的插值处理，然后对车载测量结果和定点采样测量结果进行比较和分析，得到车载动态测量的精确度，最后通过评估调整车载系统的采集策略，最终提高车载系统的动态测量结果。该方法能够直接对数据进行建模、分析、成图，对配置要求较低，算法冗余度小，响应速度快，成本低，具有较好的算法合理性和软件平台的兼容性。

附图说明

图1是本发明的一种基于复合维度提高车载系统的动态测量方法实施例中的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的说明。

本发明通过引入复合维度矩阵分析方法对数据的空间分布进行分析，快速估算车载系统采样结果的空间分布准确度。根据准确度调节车载系统的采样设备状态和软件决策方法，进一步修正数据的空间分析结果。其具体过程如下：

1利用车载系对被测区域进行采集，获取相关生物数据信息和车辆坐标位置信息，并将获取的生物数据信息和车辆坐标位置信息进行匹配，以得到被测区域相关生物数据空间分布信息,形成相应的矩阵，其中车辆位置信息是由车载系统配置的GPS定位设备获取，其采样速度与生物数据信息采样速度相同。

2对上述获得的车载测量生物数据分布信息矩阵进行克里格插值法（或加权反距离插值法）处理，得到插值后的高密度二维矩阵。

3在车载系统检测的区域按照车辆行驶方向顺序选取采样点，采样点的个数与车载系统检测点的个数相同，在每个采样点进行样品采集，采用理化手段在实验室中获取样品的相关生物数据信息，并将该信息分别与对应采样点的位置信息相结合，从而得到采样样品的空间分布信息，形成采样点样品空间分布信息矩阵；

4对由步骤3中获得的采样样品空间分布信息矩阵进行克里格插值法（或加权反距离插值法）处理，处理后得到的矩阵元素的个数与步骤2中矩阵元素的个数相同。

5对步骤2和步骤4中相对应的矩阵元素进行运算，以得到同一坐标位置下车载系统动态测量值和真实测量值之间的偏差度，表示同一坐标位置下（大约位置）车载系统动态测量值与真实测量值之间的偏差度，用下式表示：

${\mathrm{\σ}}_i\%=\frac{{C_i}^{\′}-C_i}{C_i}\×100\%$

式中i=1、2、…..nm。

位置信息取平均位置 ${\stackrel{\‾}{X}}_i=\frac{X_i+{X_i}^{\′}}{2},$ ${\stackrel{\‾}{Y}}_i=\frac{Y_i+{Y_i}^{\′}}{2}$

由上述可以得到偏差度的分布矩阵如7所示

$\left(\begin{array}{c}({\mathrm{\σ}}_1\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_1),({\mathrm{\σ}}_2\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_1),\·\·\·\·\·\·({\mathrm{\σ}}_n\%,{\stackrel{\‾}{X}}_n,{\stackrel{\‾}{Y}}_1)\\ ({\mathrm{\σ}}_{n+1}\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_2),({\mathrm{\σ}}_{n+2}\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_2),\·\·\·\·\·\·({\mathrm{\σ}}_{2n}\%,{\stackrel{\‾}{X}}_n,{\stackrel{\‾}{Y}}_2)\\ \·\\ \·\\ \·\\ \·\\ \·\\ \·\\ ({\mathrm{\σ}}_{\mathrm{nm}-n+1}\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_m),({\mathrm{\σ}}_{\mathrm{nm}-n+2}\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_m),\·\·\·\·\·\·({\mathrm{\σ}}_{\mathrm{mn}}\%,{\stackrel{\‾}{X}}_n,{\stackrel{\‾}{Y}}_m)\end{array}\right)$

其中，n矩阵的列数，m为矩阵的行数，

6.由于预测偏差的数值往往分布较广，为此我们将预测偏差的按分布范围进行划分，得到偏差比数为：

${\mathrm{\Δ}}_i\%=\frac{{\mathrm{\σ}}_i}{\underset{i=1}{\overset{600}{\mathrm{\Σ}}}{\mathrm{\σ}}_i}\×100\%$

Δ_i%表示不同偏差程度在总偏差中所占的比例，称为偏差比数，偏差比数表示了整体的偏差程度的数量分布，偏差比数与GPS平均位置信息组成形式如下：

$\left(\begin{array}{c}({\mathrm{\Δ}}_1\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_1),({\mathrm{\Δ}}_2\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_1),\·\·\·\·\·\·({\mathrm{\Δ}}_n\%,{\stackrel{\‾}{X}}_n,{\stackrel{\‾}{Y}}_1)\\ (\mathrm{\Δ}{\mathrm{\σ}}_{n+1}\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_2),({\mathrm{\Δ}}_{n+2}\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_2),\·\·\·\·\·\·({\mathrm{\Δ}}_{2n}\%,{\stackrel{\‾}{X}}_n,{\stackrel{\‾}{Y}}_2)\\ \·\\ \·\\ \·\\ \·\\ \·\\ \·\\ ({\mathrm{\Δ}}_{\mathrm{nm}-n+1}\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_m),({\mathrm{\Δ}}_{\mathrm{nm}-n+2}\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_m),\·\·\·\·\·\·({\mathrm{\Δ}}_{\mathrm{nm}}\%,{\stackrel{\‾}{X}}_n,{\stackrel{\‾}{Y}}_m)\end{array}\right)$

上式表达了偏差程度的空间分布情况，Δ_i可以用圆饼图或者条状图表示，能够直观的观察各偏差程度占总偏差的百分比，能够全面的了解车载系统动态测量数据与真实数据之间的差异情况。

实施例

本实施例中我们以车载系统的光学传感系统对采集的作物冠层叶片的反射数据为例来详细说明本发明的一种基于复合维度的提高车载系统动态测量方法。

1.利用车载系统沿大田种植作物行的方向对作物冠层叶片光谱数据进行快速的采集，同时利用配置的GPS定位系统实时的获取车辆的坐标位置，位置信息采集速度与作物冠层叶片光谱数据采集速度相匹配，并将冠层叶片的光谱信息与GPS位置信息进行匹配，从而获得一组离散的多维数据，记为（Pi，Xi，Yi），i为数据个数，i=60.将实验数据用矩阵表示如形式1所示：

$\left(\begin{array}{c}(P_1,X_1,Y_1),(P_2,X_2,Y_1),\·\·\·\·\·\·(P_6,X_6,Y_1)\\ (P_7,X_1,Y_2),(P_8,X_2,X_2),\·\·\·\·\·\·(P_{12},X_6,Y_2)\\ \·\\ \·\\ \·\\ \·\\ \·\\ \·\\ (P_{55},X_1,Y_{10}),(P_{56},X_2,Y_{10}),\·\·\·\·\·\·(P_{60},X_6,Y_{10})\end{array}\right)\·\·\·\left(1\right)$

其中P_i为光谱反射率，X_i，Y_i表示采样点坐标。

2.根据光谱反射率-叶绿素质量浓度回归模型由反射率P_i得到叶绿素质量浓度C_i形式1转化为形式2：

$\left(\begin{array}{c}(C_1,X_1,Y_1),(C_2,X_2,Y_1),\·\·\·\·\·\·(C_6,X_6,Y_1)\\ (C_7,X_1,Y_2),(C_8,X_2,X_2),\·\·\·\·\·\·(C_{12},X_6,Y_2)\\ \·\\ \·\\ \·\\ \·\\ \·\\ \·\\ (C_{55},X_1,Y_{10}),(C_{56},X_2,Y_{10}),\·\·\·\·\·\·(C_{60},X_6,Y_{10})\end{array}\right)\·\·\·\left(2\right)$

3.形式2中得到了车载系统动态测量点冠层叶片的叶绿素质量浓度，形式2中有60组数据，根据坐标点（X_i，Y_i）对形式2中的数据进行克里格插值法和加权反距离插值法的插值分析得到形式3

$\left(\begin{array}{c}(C_1,X_1,Y_1),(C_2,X_2,Y_1),\·\·\·\·\·\·(C_{60},X_{60},Y_1)\\ (C_{61},X_1,Y_2),(C_{62},X_2,X_2),\·\·\·\·\·\·(C_{120},X_{60},Y_2)\\ \·\\ \·\\ \·\\ \·\\ \·\\ \·\\ (C_{541},X_1,Y_{10}),(C_{56},X_2,Y_{10}),\·\·\·\·\·\·(C_{600},X_{60},Y_{10})\end{array}\right)\·\·\·\left(3\right)$

形式3是车载系统采集到的冠层叶片叶绿素质量浓度，经过克里格插值法（或加权反距离插值法）插值处理得到的叶绿素质量浓度分布矩阵。该矩阵中共有600个复合维度数据元素。

为了能够准确的判断形式3中各个元素的准确程度，据此判断车载系统采集策略以及经过克里格插值（或加权反距离）法插值后的数据准确程度，需要寻找一组标数值进行对比分析。

4.在车载系统检测的区域按照车辆行驶方向顺序选取采样点，共选取60个采样点，采样点位置大致均匀分配。采样点样品采用理化手段在实验室中获取其叶绿素质量浓度。其数值分布如形式4所示：

$\left(\begin{array}{c}({C_1}^{\′},{X_1}^{\′},{Y_1}^{\′}),({C_2}^{\′},{X_2}^{\′},{Y_1}^{\′}),\·\·\·\·\·\·({C_6}^{\′},{X_6}^{\′},{Y_1}^{\′})\\ ({C_7}^{\′},{X_1}^{\′},{Y_2}^{\′}),({C_8}^{\′},{X_2}^{\′},{Y_2}^{\′}),\·\·\·\·\·\·({C_{12}}^{\′},{X_6}^{\′},{Y_2}^{\′})\\ \·\\ \·\\ \·\\ \·\\ \·\\ \·\\ ({C_{55}}^{\′},{X_1}^{\′},{Y_{10}}^{\′}),({C_{56}}^{\′},{X_2}^{\′},{Y_{10}}^{\′}),\·\·\·\·\·\·({C_{60}}^{\′},{X_6}^{\′},{Y_{10}}^{\′})\end{array}\right)\·\·\·\left(4\right)$

其中形式4中的C_i′是采样点样品的叶绿素质量浓度，X_i′,Y_i′是与X_i,Y_i位置坐标想接近的坐标值，因此形式4与形式2在坐标位置上具有一定的可比性，在叶绿素质量浓度上形式4由于是采用实验室理化方式得到的叶绿素质量浓度，因此具有一定的参考价值，可以用来作为回归方程得到的叶绿素质量浓度值的标准参照。

5.对形式4采用插值法进行细化得到形式5

$\left(\begin{array}{c}({C_1}^{\′},{X_1}^{\′},{Y_1}^{\′}),({C_2}^{\′},{X_2}^{\′},{Y_1}^{\′}),\·\·\·\·\·\·({C_{60}}^{\′},{X_{60}}^{\′},{Y_1}^{\′})\\ ({C_{61}}^{\′},{X_1}^{\′},{Y_2}^{\′}),({C_{62}}^{\′},{X_2}^{\′},{Y_2}^{\′}),\·\·\·\·\·\·({C_{120}}^{\′},{X_{60}}^{\′},{Y_2}^{\′})\\ \·\\ \·\\ \·\\ \·\\ \·\\ \·\\ ({C_{541}}^{\′},{X_1}^{\′},{Y_{10}}^{\′}),({C_{56}}^{\′},{X_2}^{\′},{Y_{10}}^{\′}),\·\·\·\·\·\·({C_{600}}^{\′},{X_{60}}^{\′},{Y_{10}}^{\′})\end{array}\right)\·\·\·\left(5\right)$

形式5是经过插值后的实验室测量样品叶绿素质量浓度矩阵，该矩阵的数值虽为插值而得但由于其基准数值为实测的叶绿素质量浓度值，因此形式5具有较强的参考价值。

6.将形式3与形式5中相对应的矩阵元素进行运算，得到偏差率σ_i%，表示同一个坐标位置下（大约位置）车载系统动态测量值与真实测量值之间的偏差度。如式6所示：

${\mathrm{\σ}}_i\%=\frac{{C_i}^{\′}-C_i}{C_i}\×100\%---\left(6\right)$

式中i=1、2、…..600。

位置信息取平均位置 ${\stackrel{\‾}{X}}_i=\frac{X_i+{X_i}^{\′}}{2},$ ${\stackrel{\‾}{Y}}_i=\frac{Y_i+{Y_i}^{\′}}{2}$

由上述可以得到偏差度的分布矩阵如7所示

$\left(\begin{array}{c}({\mathrm{\σ}}_1\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_1),({\mathrm{\σ}}_2\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_1),\·\·\·\·\·\·({\mathrm{\σ}}_{60}\%,{\stackrel{\‾}{X}}_{60},{\stackrel{\‾}{Y}}_1)\\ ({\mathrm{\σ}}_{61}\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_2),({\mathrm{\σ}}_{62}\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_2),\·\·\·\·\·\·({\mathrm{\σ}}_{120}\%,{\stackrel{\‾}{X}}_{60},{\stackrel{\‾}{Y}}_2)\\ \·\\ \·\\ \·\\ \·\\ \·\\ \·\\ ({\mathrm{\σ}}_{541}\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_{100}),({\mathrm{\σ}}_{542}\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_{100}),\·\·\·\·\·\·({\mathrm{\σ}}_{600}\%,{\stackrel{\‾}{X}}_{60},{\stackrel{\‾}{Y}}_{10})\end{array}\right)\·\·\·\left(7\right)$

形式7为偏差度矩阵，能够反映预测偏差的空间分布情况。

预测偏差可以通过上述方法分析，预测偏差的数值往往分布较广，分布的范围划分方法如式8所示：

${\mathrm{\Δ}}_i\%=\frac{{\mathrm{\σ}}_i}{\underset{i=1}{\overset{600}{\mathrm{\Σ}}}{\mathrm{\σ}}_i}\×100\%\·\·\·\left(8\right)$

式8中所示Δ_i%为不同偏差程度在总偏差中所占的比例，称为偏差比数。偏差比数表示了整体的偏差程度的数量分布，偏差比数与GPS平均位置信息组成形式（9）

$\left(\begin{array}{c}({\mathrm{\Δ}}_1\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_1),({\mathrm{\Δ}}_2\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_1),\·\·\·\·\·\·({\mathrm{\Δ}}_{60}\%,{\stackrel{\‾}{X}}_{60},{\stackrel{\‾}{Y}}_1)\\ (\mathrm{\Δ}{\mathrm{\σ}}_{61}\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_2),({\mathrm{\Δ}}_{62}\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_2),\·\·\·\·\·\·({\mathrm{\Δ}}_{120}\%,{\stackrel{\‾}{X}}_{60},{\stackrel{\‾}{Y}}_2)\\ \·\\ \·\\ \·\\ \·\\ \·\\ \·\\ ({\mathrm{\Δ}}_{541}\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_{100}),({\mathrm{\Δ}}_{542}\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_{100}),\·\·\·\·\·\·({\mathrm{\Δ}}_{600}\%,{\stackrel{\‾}{X}}_{60},{\stackrel{\‾}{Y}}_{10})\end{array}\right)\·\·\·\left(9\right)$

形式9表达了偏差程度的空间分布情况。

形式9中的Δ_i可以用圆饼图或者条状图表示，能够直观的观察各偏差程度占总偏差的百分比，与形式9相结合能够全面的了解车载系统动态测量数据与真实数据之间的差异情况。通过矩阵的相关运算得到车载系统的作物冠层叶片生物量动态测量的精确度预测结果，根据精确度修正采样的策略，从而进行一步提高车载系统的动态测量效果。

本发明阐述的矩阵形式表示遥感数据的方法能够将传统的遥感数据分析方法转换为直接的矩阵的形式进行分析，此种方法适合小区域的近地遥感数据分析，因为小区域近地遥感的数据不适合使用通常的空间遥感分析软件进行分析，而近地遥感具有配置简单，价格低廉，能够配置在各种农用机具上使用等特点，具有良好的应用前景，因此急需一种适合小区域近地遥感数据分析的分析方法，本发明阐述的方法能够很好满足小区域近地遥感的数据分析需求，具有较好的应用前景。

Claims (5)

1.一种基于复合维度提高车载系统的动态测量方法，其特征在于：该方法的步骤如下：

1)利用车载系统对被测区域进行采集，获取光谱数据信息、叶绿素质量浓度信息和车辆坐标位置信息，并将获取的光谱数据信息、叶绿素质量浓度信息和车辆坐标位置信息进行匹配，以得到被测区域相关生物数据空间分布信息，形成相应的矩阵空间；

2)对步骤1)获得的相关生物数据分布信息进行插值处理，得到插值后的高密度矩阵；

3)在车载系统检测的区域按照车辆行驶方向顺序选取采样点，在每个采样点进行样品采集，采用理化手段在实验室中获取样品的叶绿素质量浓度数据信息，并将该信息分别与对应采样点的位置信息相结合，从而得到采样样品的空间分布信息；

4)对由步骤3)中获得的采样样品空间分布信息进行与步骤2)相同的插值处理，得到相对应的高密度矩阵；

5)对步骤2)和步骤4)中相对应的矩阵元素进行运算，以得到同一坐标位置下车载系统动态测量值和真实测量值之间的偏差度，形成相应的偏差度矩阵，用于反映预测偏差的空间分布情况；

所述偏差度用下式表示： ${\mathrm{\σ}}_i\%=\frac{{C_i}^{\′}-C_i}{C_i}\×100\%,$

坐标位置取平均位置： ${\stackrel{\‾}{X}}_i=\frac{X_i+{X_i}^{\′}}{2},{\stackrel{\‾}{Y}}_i=\frac{Y_i+{Y_i}^{\′}}{2},$

偏差度矩阵如下所示：

$\left(\begin{array}{c}({\mathrm{\σ}}_1\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_1),({\mathrm{\σ}}_2\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_1),......({\mathrm{\σ}}_n\%,{\stackrel{\‾}{X}}_n,{\stackrel{\‾}{Y}}_1)\\ ({\mathrm{\σ}}_{n+1}\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_2),({\mathrm{\σ}}_{n+2}\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_2),......({\mathrm{\σ}}_{2n}\%,{\stackrel{\‾}{X}}_n,{\stackrel{\‾}{Y}}_2)\\ .\\ .\\ .\\ .\\ .\\ .\\ ({\mathrm{\σ}}_{\mathrm{nm}-n+1}\%,{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{Y}}_m),({\mathrm{\σ}}_{\mathrm{nm}-n+2}\%,{\stackrel{\‾}{X}}_2,{\stackrel{\‾}{Y}}_m),......({\mathrm{\σ}}_{\mathrm{nm}}\%,{\stackrel{\‾}{X}}_n,{\stackrel{\_}{Y}}_m)\end{array}\right)$

其中，σ_i％为车载系统动态测量高密度矩阵中第i个数据C_i与真实测量高密度矩阵中第i个数据C_i′的偏差度，为第i个采样点平均坐标值，(X_i，Y_i)为车载系统动态测量第i个采样点坐标值，(X_i′，Y_i′)为真实测量第i个采样点坐标值，i＝1、2、…..nm，n为矩阵的列数，m为矩阵的行数；

6)根据上述偏差度矩阵调整车载系统的采集策略，以提高车载系统的动态测量结果。

2.根据权利要求1所述的一种基于复合维度提高车载系统的动态测量方法，其特征在于：所述步骤5)还包括对形成的偏差度矩阵中的偏差度进行偏差比数计算，并形成相应的偏差比数矩阵，用于描述偏差程度的分布空间，

${\mathrm{\Δ}}_i\%=\frac{{\mathrm{\σ}}_i}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\σ}}_i}\×100\%$

其中σ_i为车载系统动态测量值与真实测量值之间的偏差度，Δ_i％为不同偏差程度在总偏差中所占的比例，称为偏差比数，i＝1,2…N。

3.根据权利要求1或2所述的一种基于复合维度提高车载系统的动态测量方法，其特征在于：所述的步骤2)和4)中的插值处理所采用的方法为克里格插值法或者加权反距离插值法。

4.根据权利要求1或2所述的一种基于复合维度提高车载系统的动态测量方法，其特征在于：所述步骤1)中车辆位置信息是由车载系统配置的GPS定位设备获取，其采样速度与光谱数据信息采样速度相同。

5.根据权利要求1或2所述的一种基于复合维度提高车载系统的动态测量方法，其特征在于：所述步骤1)中检测数据的采样个数与步骤3)中采样点的个数相同。