CN107194187A - 顾及空间组成与构型的地表覆盖样本量计算方法 - Google Patents
顾及空间组成与构型的地表覆盖样本量计算方法 Download PDFInfo
- Publication number
- CN107194187A CN107194187A CN201710418056.2A CN201710418056A CN107194187A CN 107194187 A CN107194187 A CN 107194187A CN 201710418056 A CN201710418056 A CN 201710418056A CN 107194187 A CN107194187 A CN 107194187A
- Authority
- CN
- China
- Prior art keywords
- pixel
- configuration
- mrow
- region
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明涉及一种顾及空间组成与构型的地表覆盖样本量计算方法,包括1)将待验证区域划分为多个等面积的矩形规则格网;2)计算每一个矩形规则格网的空间组成与构型的综合指数MFI;3)每一个矩形规则格网的空间组成与构型的综合指数MFI,进而计算待验证区域的总体空间组成与构型rMFI;4)获取所有待验证区域的样本总量N;5)将步骤4)获取得到的所有待验证区域的样本总量N按照步骤3)计算得到的待验证区域的总体空间组成与构型rMFI进行分配。本发明提出了一种通过对验证区域的地表覆盖空间组成与构型进行度量,描述其空间异质性,为验证区域样本量计算提供数据支持的顾及空间组成与构型的地表覆盖样本量计算方法。
Description
技术领域
本发明属于空间分析技术领域,涉及地表覆盖样本量计算方法,尤其涉及一种通过对比不同区域内地表覆盖空间异质性强弱进而可计算检验样本的样本量的顾及空间组成与构型的地表覆盖样本量计算方法。
背景技术
地表覆盖数据生产是利用航天、航空遥感影像中蕴含的丰富光谱、纹理特征及其时空关系,结合各种参考资料和相关知识,采用数理统计、交互解译等方法,提取其类型的属性信息和空间分布(参见陈军,陈晋,廖安平,等.2016全球地表覆盖遥感制图.科学出版社)。在数据生产时,往往因不适宜的遥感数据、制图技术与工具的限制,导致大尺度地表覆盖数据的质量问题,常常存在错分、漏分现象,造成地表覆盖数据的不确定性(参见宫鹏,张伟,俞乐,等.2016.全球地表覆盖制图研究新范式.遥感学报,20(5):1002-1016)。
为了检核地表覆盖数据生产的质量,往往将验证作为其生产最后一环,没有验证的地表覆盖生产是不完整的。验证是确定其生产质量的过程,通过比较地表覆盖数据与地面真实数据之间的一致性,对地表覆盖数据进行评价与定量描述,得出精度评价指标(参见Olofsson P,Stehman S V,Woodcock C E,et al.2012.A global land-cover validationdata set,part I:Fundamental design principles.International Journal of RemoteSensing,33(18):5768-5788.)。基本方法是据统计学原理,在地理空间上布设若干有代表性的样本点,采集能反映地面相对真值的参考数据,利用混淆矩阵(confusion matrix)等,去计算总体精度和Kappa系数等指标,进行地表覆盖数据的精度评估(参见陈军,张俊,张委伟,等.2016.地表覆盖遥感产品更新完善的研究动向.遥感学报,20(5):991-1001.)。检验样本的抽样是地表覆盖验证的基础环节,其主要任务是:一确定验证区域的样本量;二、计算样本的地理位置。
地表覆盖检验样本的数量与空间分布直接影响着其数据精度评价的科学性与准确性。现有的样本量计算方法主要依据验证费用、专家经验、经典抽样理论中的公式、基于验证AQL(接收质量限)计算样本量。在大区域地表覆盖验证时,采集样本的真实信息是极其昂贵的,因此验证的经费往往决定这样本量的大小(参见Zimmerman P L,Housman I W,Perry C H,et al.2013.An accuracy assessment of forest disturbance mapping inthe western Great Lakes.Remote Sensing of Environment,128(1):176-185)。而当验证区域内的地面情况比较复杂时,很难准确估算验证样本信息收集的单位费用,往往无法通过验证经费计算样本量。这种情况下,专家往往根据自己的经验,综合考虑精度评价的经费与其可靠性,给出一个经验的样本量(参见Scepan J.1999.Thematic validation ofhigh-resolution global land-cover data sets.Photogrammetric Engineering andRemote Sensing,65(9):1051-1060)。随着Google高分影像的广泛应用,降低了验证样本参考信息的收集成本,不再以验证费用为标准,许多专家利用经典抽样理论中的样本量计算公式,依据精度评价的置信度与误差范围计算样本数量(参见Foody G M,Boyd DS.2013.Using Volunteered Data in Land Cover Map Validation:Mapping WestAfrican Forests[J].IEEE Journal of Selected Topics in Applied EarthObservations&Remote Sensing,6(6):1305-1312)。除了经典抽样中的计算公式之外,还有专家通过定义接收质量限AQL计算样本量,AQL为可接收的批数据的最大不合格品率,是一种先验数据。(参见Tong X H,Wang Z H,Xie H,Liang D,Jiang Z Q,Li J C,LiJ.2011.Designing a two-rank acceptance sampling plan for quality inspectionof geospatial data products.Computers and Geosciences,7(10):1570–1583)。
此外,还有两种区域样本量计算方法(基于SW指数计算法与基于LSI指数计算法)考虑地表覆盖的空间异质性,能够给予异质区域更多的样本量(参见Mayaux P,Eva H,Gallego J,et al.2006.Validation of the global land cover 2000map[J].IEEETransactions on Geoscience and Remote Sensing,44(7):1728-1739.与Chen Fei,ChenJun,Wu Hao,et al.2016.A landscape shape index-based sampling approach forland cover accuracy assessment.Science China Earth Sciences,59(10):2263-2274)。但是,地表覆盖的空间异质性是由空间组成与空间构型组成的,其中SW指数仅仅度量空间组成,LSI指数仅仅度量空间构型,这两种指数都不能全面反映地表覆盖的空间异质性强度,因此基于SW指数与LSI指数的计算结果仍不完善。
发明内容
为了解决上述问题,本发明提出了一种通过对验证区域的地表覆盖空间组成与构型进行度量,描述其空间异质性,为验证区域样本量计算提供数据支持的顾及空间组成与构型的地表覆盖样本量计算方法。
为了实现上述目的,本发明采用如下技术方案:
一种顾及空间组成与构型的地表覆盖样本量计算方法,其特征在于:所述方法包括以下步骤:
1)将待验证区域划分为多个等面积的矩形规则格网,所述矩形规则格网的长宽相等;
2)计算每一个矩形规则格网的空间组成与构型的综合指数MFI;所述空间组成与构型的综合指数MFI的计算公式如下:
其中:
a是矩形规则格网的面积;所述a是矩形规则格网中像元的数量与矩形规则格网中像元的面积的乘积;所述矩形规则格网中像元的面积是地表覆盖数据空间分辨率的平方;
e是矩形规则格网中图斑的边长,所述矩形规则格网中图斑的边长的计算方法是:所述矩形规则格网中包括M行×N列个像元;首先随机找到矩形规则格网中的任一像元,判断该像元的类型与其相邻的上下左右四个像元的类型是否相同,若该像元与其相邻的上下左右四个像元的类型都相同,无需做出处理;若该像元与其相邻的上下左右四个像元的类型存在部分不同或全部不同,则计算类型不同的相邻像元的数量;然后根据类型不同的相邻像元的数量计算前述随机找到像元的边长;所述计算方式是类型不同的相邻像元的数量与地表覆盖数据空间分辨率的乘积;重复前述方法直至计算完成矩形规则格网中所有像元的边长;最后将矩形规则格网中所有像元的边长相加得到矩形规则格网中图斑的边长;
将矩形规则格网中图斑的边长e进行分类,共计分为m类,每一类的长度是ek,所述ek的计算方法是:随机找到矩形规则格网中的任一像元,判断该像元的类型与其相邻的上像元的类型是否相同,若该像元的类型与其相邻的上像元的类型相同,无需做出处理;若该像元的类型与其相邻的上像元的类型不同,则认为该像元的边长分类是像元类型A与B;所述像元类型A是该像元的类型,B是上像元的类型;所述像元类型A与B的像元边长为地表覆盖数据的空间分辨率;重复前述方法直至计算完成该像元的下、左、右像元;重复前述方法直至对矩形规则格网中所有像元的边长进行分类,统计所有像元的边长的分类的个数为m,将相同分类的像元边长相加为ek;
3)根据步骤2)计算得到的每一个矩形规则格网的空间组成与构型的综合指数MFI,进而计算待验证区域的总体空间组成与构型rMFI;
4)获取所有待验证区域的样本总量N;所述所有待验证区域包括一个或多个待验证区域;
5)将步骤4)获取得到的所有待验证区域的样本总量N按照步骤3)计算得到的待验证区域的总体空间组成与构型rMFI进行分配,所述分配公式是:
其中:
rMFIi、rMFIj分别为第i、j个待验证区域的总体空间组成与构型;
Ai、Aj分别为第i、j个待验证区域的面积;
Ni为第i个待验证区域的样本量。
作为优选,本发明所采用的步骤3)的具体实现方式是:
将待验证区域内的所有矩形规则格网的空间组成与构型综合指数MFI进行相加,继而计算平均数值,所述平均数值是待验证区域的总体空间组成与构型rMFI。
作为优选,本发明所采用的步骤4)中获取所有待验证区域的样本总量N的具体实现方式是:
依据经典抽样理论,设置置信度与相对误差计算每一待验证区域的样本量,并对其进行求和,得到所有待验证区域的样本总量N;或者,根据验证成本以及专家经验因素计算所有待验证区域的样本总量N。
本发明的优点是:
本发明提供了一种顾及空间组成与构型的地表覆盖样本量计算方法,该方法是利用度量地表覆盖的空间组成与构型,反映地表覆盖的空间异质性强弱。继而根据验证区域的总体空间组成与构型、面积大小,建立验证区域样本量的解析计算公式。使强空间异质性的验证区域具有较大的样本密度与样本量,顾及了验证区域内的空间异质性强弱。检验样本的数量计算与空间布设是地表覆盖验证的重要技术环节,合理的样本量往往应顾及其广袤地表覆盖景观的空间异质性。而现有的样本量计算方法无法跟前验证区域的空间异质性自适应地计算样本量。为了解决这一问题,本方法通过度量地表覆盖的空间构型与组成,有效地计算空间异质性强度,采用空间异质性强度值计算样本量大小,实现了顾及地表覆盖的空间构型与组成的样本量自适应计算。
具体实施方式
本发明提供了一种顾及空间组成与构型的地表覆盖样本量计算方法,该方法包括以下步骤:
1)将待验证区域划分为多个等面积的矩形规则格网,矩形规则格网的长宽相等;
2)计算每一个矩形规则格网的空间组成与构型的综合指数MFI;空间组成与构型的综合指数MFI的计算公式如下:
其中:
a是矩形规则格网的面积;a根据像元数量与空间分辨率的平方相乘得出;
e是矩形规则格网中图斑的边长,所述矩形规则格网中图斑的边长的计算方法是:所述矩形规则格网中包括M行×N列个像元;首先随机找到矩形规则格网中的任一像元,判断该像元的类型与其相邻的上下左右四个像元的类型是否相同,若该像元与其相邻的上下左右四个像元的类型都相同,无需做出处理;若该像元与其相邻的上下左右四个像元的类型存在部分不同或全部不同,则计算类型不同的相邻像元的数量;然后根据类型不同的相邻像元的数量计算前述随机找到像元的边长;所述计算方式是类型不同的相邻像元的数量与地表覆盖数据空间分辨率的乘积;重复前述方法直至计算完成矩形规则格网中所有像元的边长;最后将矩形规则格网中所有像元的边长相加得到矩形规则格网中图斑的边长;
将矩形规则格网中图斑的边长e进行分类,共计分为m类,每一类的长度是ek,所述ek的计算方法是:随机找到矩形规则格网中的任一像元,判断该像元的类型与其相邻的上像元的类型是否相同,若该像元的类型与其相邻的上像元的类型相同,无需做出处理;若该像元的类型与其相邻的上像元的类型不同,则认为该像元的边长分类是像元类型A与B;所述像元类型A是该像元的类型,B是上像元的类型;像元类型A与B的像元边长为地表覆盖数据的空间分辨率;重复前述方法直至计算完成该像元的下、左、右像元;重复前述方法直至对矩形规则格网中所有像元的边长进行分类,统计所有像元的边长的分类的个数为m,将相同分类的像元边长相加为ek;
3)根据步骤2)计算得到的每一个矩形规则格网的空间组成与构型的综合指数MFI,进而计算待验证区域的总体空间组成与构型rMFI;将待验证区域内的所有矩形规则格网的空间组成与构型综合指数MFI进行相加,继而计算平均数值,所述平均数值是待验证区域的总体空间组成与构型rMFI。
4)获取所有待验证区域的样本总量N;所有待验证区域包括一个或多个待验证区域:依据经典抽样理论,设置置信度与相对误差计算每一待验证区域的样本量,并对其进行求和,得到所有待验证区域的样本总量N;或者,根据验证成本以及专家经验因素计算所有待验证区域的样本总量N。
5)将步骤4)获取得到的所有待验证区域的样本总量N按照步骤3)计算得到的待验证区域的总体空间组成与构型rMFI进行分配,所述分配公式是:
其中:
rMFIi、rMFIj分别为第i、j个待验证区域的总体空间组成与构型;
Ai、Aj分别为第i、j个待验证区域的面积;
Ni为第i个待验证区域的样本量。
第i个验证区域的样本量Ni不仅与其面积大小Ai有关,而且取决于其总体空间组成与构型值,还受其它验证区域的总体空间组成与构型、面积的影响。
下面结合具体实施例,为了对本发明所记载的技术方案做明确的说明:
实例一:
计算沙漠河流、林草过渡区、植被混合区的样本量。
其中,沙漠河流的空间组成简单,空间构型简单,空间异质性最弱;林草过渡区的空间组成简单,空间构型复杂,空间异质性居中;植被混合区的空间组成复杂,空间构型复杂,空间异质性最强。
A、分别计算沙漠河流、林草过渡区、植被混合区的综合指数MFI,用于描述格网的空间异质性。
地表覆盖的空间异质性分为空间组成与空间构型。空间组成是指地表覆盖类型的种类、数量、面积比例等特征,空间构型是地表覆盖图斑的大小、形状、个数、密度等特征。在实际工作中,通常利用景观指数度量地表覆盖的空间组成与空间构型。目前,景观指数通常只度量空间组成或空间构型,缺乏综合指数。本发明结合空间组成指数Simpson与空间构型指数LSI,构造了综合指数MFI。
景观形状指数LSI仅仅度量空间构型:
E是图斑边长,A是图斑面积;
多样性指数Simpson仅仅度量空间组成:
共计m个类型,其中ek是k类型的属性值(例如长度、面积、大小等),e是m个类型的总值。
综合指数MFI结合上述两个指数,将地表覆盖边长类型的Simpson指数,引入LSI计算公式中:
其中,a是每一格网内的面积。ep是图斑边界中与验证区域边界重叠的长度(与验证区域边界重叠,约等于验证区域的边界长),en是不同地类的图斑边界之间重叠的长度(地类不同的像元相邻而成,属于内边长,按照相邻地类不同又分为若干类型,本实施例中只有林地/耕地边长一种类型)。根据图斑边界两次地类的差别,将en又划分为m个类型,每一类型的长度为ek,Simp为en的多样性指数。
计算实例一中沙漠河流、林草过渡区、植被混合区的MFI指数大小如表1所示。
表1
其中,沙漠河流与林草过渡区的SW指数近似相等,植被混合区与林草过渡区的LSI指数近似相等,只有MFI指数显示沙漠河流异质性最弱、植被混合区异质性最强。沙漠河流、林草过渡区的SW指数相近似,无法区分两图的空间异质性。林草过渡区、植被混合区的LSI指数相等,无法区分两图的空间异质性。只有MFI指数能够全面度量地表覆盖的空间异质性强弱,对于空间组成简单的地表覆盖(例如只有一两个地类)而言,S值接近0,沙漠河流、林草过渡区、植被混合区对应的MFI值分别是8、36.5、55,沙漠河流空间异质性最弱,植被混合区空间异质性最强。
B、计算沙漠河流、林草过渡区、植被混合区的样本总量N,总的来说,计算方法有很多,可以从下面三种计算方法中进行选择。
1)根据验证费用计算。大区域地表覆盖验证中,费用是样本量必选考虑的因素。通过估算每一样本验证的评价费用ch,利用总体经费C与ch的比值求出样本量N。
n=C/ch
2)根据经典抽样理论计算。当验证费用不再是主要决定因素时,验证结果的误差与可靠程度则成为样本量计算的首要因素。在经典抽样理论中,依据精度评价的置信度α与误差范围d计算样本量N,是应用最为广泛的方法。
其中,Z可以通过查询统计表得出来,P为先验精度,往往由专家自己设置。
3)基于验证AQL(接收质量限)计算。接收质量限AQL为可接收的批数据的最大不合格品率,属性先验数据。通过控制AQL的大小来控制样本量多少,假设N表示验证区域中像元的总量,r是验证相对误差,μ是置信度为α的查表结果,计算公式为
采用经典抽样理论,计算实例一中沙漠河流、林草过渡区、植被混合区的总样本量为173,其中Z是置信区间为0.8的查表值,为1.64,先验精度P为0.8,误差范围d为0.05。
C、计算实例一中沙漠河流、林草过渡区、植被混合区的样本量Ni。根据验证区域的面积与空间异质性强弱,将N分配到每一验证区域中。
验证区域地表覆盖的空间异质性越强,其单位面积上的样本数量应越多。若用样本密度表示单位面积上的样本数量,则两个验证区域i和j的样本密度ρi、ρj之比应近似地等同于它们异质性强弱之比。
验证区域的样本量Ni为其样本密度与面积Ai之乘积,
那么,n个验证区域的样本总量为N
根据上式求解Ni,
实例一中沙漠河流、林草过渡区、植被混合区的面积相等,上述公式可以转换为
得到实例一中沙漠河流、林草过渡区、植被混合区的样本量如表2所示。
表2
其中,沙漠河流与林草过渡区的样本量相等,植被混合区与林草过渡区的样本量相等,只有MFI指数显示沙漠河流样本量最小、植被混合区样本量最强。沙漠河流、林草过渡区的SW指数相近似,因此两地的样本量相同,都为40。林草过渡区、植被混合区的LSI指数相等,因此两地的样本量相同,都为77。只有MFI指数全面度量地表覆盖的空间异质性强弱,沙漠河流、林草过渡区、植被混合区对应的样本量值分别是14、62、95,沙漠河流空间异质性最弱,样本量最小。植被混合区空间异质性最强,样本量最高。符合区域样本量计算原则。
实例二:计算利比亚、索马里、津巴布韦的样本量。其中,利比亚空间组成简单,空间构型简单,空间异质性最弱;索马里空间组成简单,空间构型复杂,空间异质性居中;津巴布韦空间组成复杂,空间构型复杂,空间异质性最强。
A、因利比亚、索马里、津巴布韦的区域面积相差较大(利比亚面积176万平方公里,索马里面积64万平方公里,津巴布韦面积39万平方公里),应计算利比亚、索马里、津巴布韦的区域级MFI。将利比亚、索马里、津巴布韦划分为1×1km的规则格网,计算每一格网内地表覆盖的综合指数MFI,将所有格网MFI的均值作为区域级MFI指数。
MFI指数受验证区域面积影响,面积大的验证区域具有较高的MFI值,其空间构型与组成可能并不复杂。为了消除面积的影响,在等面积格网上计算MFI指数,其大小才能反映格网的空间异质性强弱。验证区域的总体空间构型与组成综合指数是基于等面积格网的,是格网MFI指数的平均大小。
假设验证区域内共有nu个等面积格网,其中第j个格网的综合指数为MFIj,验证区域内总体空间构型与组成指数为:
这一方法计算的验证区域的总体空间构型与组成指数不受面积影响,只有空间异质性强的验证区域才有较高的rMFI值,与面积大小无关。地表覆盖验证时,往往存在多个验证区域,利用上述步骤计算每一验证区域的总体空间构型与组成指数,描述每一验证区域内的空间异质性强弱。计算实例二中利比亚、索马里、津巴布韦的rMFI指数大小如表3所示。
表3
其中,利比亚95%以上分布着裸地,空间组成与构型简单,空间异质性极弱,rMFI为1.11。索马里境内主要是草地与灌木、以及两个地类之间的过渡地带,空间组成简单,空间构型复杂,空间异质性较强,rMFI为3.33。津巴布韦境内地类种类极多,许多地区都是耕地、林地、草地、灌木、水体等交织形成的马赛克景观,空间组成与构型都极为复杂,空间异质性极强,rMFI大于5。津巴布韦空间异质性最强,样本量应该最大,利比亚空间异质性最弱,样本量应该最小。只有MFI指数计算的结果符合这一原则。
B、计算利比亚、索马里、津巴布韦的样本总量N。采用成本法计算三个验证区域的样本总量为700。
C、计算实例二中利比亚、索马里、津巴布韦的样本量Ni。根据验证区域的面积与空间异质性强弱,将N分配到每一验证区域中。
验证区域地表覆盖的空间异质性越强,其单位面积上的样本数量应越多。若用样本密度表示单位面积上的样本数量,则两个验证区域i和j的样本密度ρi、ρj之比应近似地等同于它们的区域级MFI指数之比。
验证区域的样本量Ni为其样本密度与面积Ai之乘积,任意两个验证区域样本量之间与其rMFI指数的关系为
那么,n个验证区域的样本总量为N,与每一验证区域的rMFI有如下关系:
验证区域的样本量与rMFI、面积A有关:
得到实例二中利比亚、索马里、津巴布韦的样本量如表3所示。津巴布韦因国土面积较小,但其空间异质性最强,MFI方法得到的样本量最大(248个)。索马里境内存在大片的空间组成简单、空间构型复杂的地区,空间异质性稍强,MFI方法得到的样本量居中(243个)。利比亚存在大片的均质地区,空间异质性最弱,MFI方法得到的样本量最小(207个)。
而因SW指数度量地表覆盖空间异质性能力较差,给予面积最大、空间异质性最弱的利比亚最高的样本量(314),给予面积最小、异质性最强的津巴布韦最小的样本量,只有165。基于LSI计算的区域样本量中,面积居中、异质性稍强的索马里样本量最大,有255。而空间异质性最强的津巴布韦只有220个样本,样本量最小。
比较SW指数法与LSI指数法,基于综合指数MFI的区域样本量计算方法效果最好。
Claims (5)
1.一种顾及空间组成与构型的地表覆盖样本量计算方法,其特征在于:所述方法包括以下步骤:
1)将待验证区域划分为多个等面积的矩形规则格网,所述矩形规则格网的长宽相等;
2)计算每一个矩形规则格网的空间组成与构型的综合指数MFI;所述空间组成与构型的综合指数MFI的计算公式如下:
<mrow>
<mi>M</mi>
<mi>F</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>m</mi>
</mrow>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>e</mi>
<mi>k</mi>
</msub>
<mi>e</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
<mo>&times;</mo>
<mi>e</mi>
</mrow>
<mrow>
<mn>4</mn>
<msqrt>
<mi>a</mi>
</msqrt>
</mrow>
</mfrac>
</mrow>
其中:
e是矩形规则格网中图斑的边长;所述矩形规则格网中图斑的边长e分为m类,每一类的长度是ek;
3)根据步骤2)计算得到的每一个矩形规则格网的空间组成与构型的综合指数MFI,进而计算待验证区域的总体空间组成与构型rMFI;
4)获取所有待验证区域的样本总量N;所述所有待验证区域包括一个或多个待验证区域;
5)将步骤4)获取得到的所有待验证区域的样本总量N按照步骤3)计算得到的待验证区域的总体空间组成与构型rMFI进行分配,所述分配公式是:
<mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>rMFI</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>n</mi>
</mrow>
</msubsup>
<msub>
<mi>rMFI</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>A</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>&times;</mo>
<mi>N</mi>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
其中:
rMFIi、rMFIj分别为第i、j个待验证区域的总体空间组成与构型;
Ai、Aj分别为第i、j个待验证区域的面积;
Ni为第i个待验证区域的样本量。
2.根据权利要求1所述的顾及空间组成与构型的地表覆盖样本量计算方法,其特征在于:所述步骤3)的具体实现方式是:
将待验证区域内的所有矩形规则格网的空间组成与构型综合指数MFI进行相加,继而计算平均数值,所述平均数值是待验证区域的总体空间组成与构型rMFI。
3.根据权利要求2所述的顾及空间组成与构型的地表覆盖样本量计算方法,其特征在于:所述步骤4)中获取所有待验证区域的样本总量N的具体实现方式是:
依据经典抽样理论,设置置信度与相对误差计算每一待验证区域的样本量,并对其进行求和,得到所有待验证区域的样本总量N;或者,根据验证成本以及专家经验因素计算所有待验证区域的样本总量N。
4.根据权利要求3所述的顾及空间组成与构型的地表覆盖样本量计算方法,其特征在于:所述矩形规则格网中图斑的边长e的计算方法是:所述矩形规则格网中包括M行×N列个像元;首先随机找到矩形规则格网中的任一像元,判断该像元的类型与其相邻的上下左右四个像元的类型是否相同,若该像元与其相邻的上下左右四个像元的类型都相同,无需做出处理;若该像元与其相邻的上下左右四个像元的类型存在部分不同或全部不同,则计算类型不同的相邻像元的数量;然后根据类型不同的相邻像元的数量计算前述随机找到像元的边长;所述计算方式是类型不同的相邻像元的数量与地表覆盖数据空间分辨率的乘积;重复前述方法直至计算完成矩形规则格网中所有像元的边长;最后将矩形规则格网中所有像元的边长相加得到矩形规则格网中图斑的边长。
5.根据权利要求4所述的顾及空间组成与构型的地表覆盖样本量计算方法,其特征在于:所述ek的计算方法是:随机找到矩形规则格网中的任一像元,判断该像元的类型与其相邻的上像元的类型是否相同,若该像元的类型与其相邻的上像元的类型相同,无需做出处理;若该像元的类型与其相邻的上像元的类型不同,则认为该像元的边长分类是像元类型A与B;所述像元类型A是该像元的类型,B是上像元的类型;所述像元类型A与B的像元边长为地表覆盖数据的空间分辨率;重复前述方法直至计算完成该像元的下、左、右像元;重复前述方法直至对矩形规则格网中所有像元的边长进行分类,统计所有像元的边长的分类的个数为m,将相同分类的像元边长相加为ek。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418056.2A CN107194187B (zh) | 2017-06-06 | 2017-06-06 | 顾及空间组成与构型的地表覆盖样本量计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418056.2A CN107194187B (zh) | 2017-06-06 | 2017-06-06 | 顾及空间组成与构型的地表覆盖样本量计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194187A true CN107194187A (zh) | 2017-09-22 |
CN107194187B CN107194187B (zh) | 2019-08-06 |
Family
ID=59877188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710418056.2A Active CN107194187B (zh) | 2017-06-06 | 2017-06-06 | 顾及空间组成与构型的地表覆盖样本量计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194187B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398592A (zh) * | 2021-12-27 | 2022-04-26 | 中国人民武装警察部队警官学院 | 一种基于异质格网高程线性分解模型的高程值解算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324106A (zh) * | 2011-06-02 | 2012-01-18 | 武汉大学 | 一种顾及地表光谱信息的sfs三维重建加密稀疏dem方法 |
CN104851113A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多分辨率遥感影像的城市植被自动提取方法 |
CN104881677A (zh) * | 2015-05-08 | 2015-09-02 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
CN106650618A (zh) * | 2016-11-15 | 2017-05-10 | 中山大学 | 一种基于随机森林模型的人口数据空间化方法 |
-
2017
- 2017-06-06 CN CN201710418056.2A patent/CN107194187B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324106A (zh) * | 2011-06-02 | 2012-01-18 | 武汉大学 | 一种顾及地表光谱信息的sfs三维重建加密稀疏dem方法 |
CN104851113A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多分辨率遥感影像的城市植被自动提取方法 |
CN104881677A (zh) * | 2015-05-08 | 2015-09-02 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
CN106650618A (zh) * | 2016-11-15 | 2017-05-10 | 中山大学 | 一种基于随机森林模型的人口数据空间化方法 |
Non-Patent Citations (1)
Title |
---|
陈军 等: "面向大数据时代的地表覆盖动态服务计算", 《测绘科学技术学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398592A (zh) * | 2021-12-27 | 2022-04-26 | 中国人民武装警察部队警官学院 | 一种基于异质格网高程线性分解模型的高程值解算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107194187B (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Weng | Thermal infrared remote sensing for urban climate and environmental studies: Methods, applications, and trends | |
Ghulam et al. | Designing of the perpendicular drought index | |
Wang et al. | Comparison of geographically weighted regression and regression kriging for estimating the spatial distribution of soil organic matter | |
Baik et al. | Assessment of satellite-and reanalysis-based evapotranspiration products with two blending approaches over the complex landscapes and climates of Australia | |
CN107943880A (zh) | 一种基于层次分析法的地质灾害易发性改进评估方法 | |
CN101738620A (zh) | 从被动微波遥感数据amsr-e反演地表温度的方法 | |
Piri Sahragard et al. | Modeling habitat suitability of range plant species using random forest method in arid mountainous rangelands | |
CN114091613B (zh) | 一种基于高分联合组网数据的森林生物量估算方法 | |
Rosolem et al. | Towards a comprehensive approach to parameter estimation in land surface parameterization schemes | |
Wang et al. | Mapping soil organic matter with limited sample data using geographically weighted regression | |
Jiang et al. | Multi-site identification of a distributed hydrological nitrogen model using Bayesian uncertainty analysis | |
CN110334404A (zh) | 一种流域尺度骤发干旱精准识别方法 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
CN105046046B (zh) | 一种集合卡尔曼滤波局地化方法 | |
Wang et al. | A multilayer soil moisture dataset based on the gravimetric method in China and its characteristics | |
CN106503178A (zh) | 一种土地生态质量评价的自动化方法及装置 | |
Yu et al. | Spatial and temporal scale effect in simulating hydrologic processes in a watershed | |
CN105488805B (zh) | 多频双极化林地积雪被动微波混合像元分解方法 | |
Xu et al. | A 21-year time series of global leaf chlorophyll content maps from MODIS imagery | |
Yu et al. | Using a global reference sample set and a cropland map for area estimation in China | |
Li et al. | Improving estimation of forest aboveground biomass using Landsat 8 imagery by incorporating forest crown density as a dummy variable | |
Byambakhuu et al. | Spectral unmixing model to assess land cover fractions in Mongolian steppe regions | |
CN107194187B (zh) | 顾及空间组成与构型的地表覆盖样本量计算方法 | |
CN109033459A (zh) | 一种土壤容重数据空间格网化构建方法 | |
Zhou et al. | Comparison of object-oriented and Maximum Likelihood Classification of land use in Karst area |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |