CN108287940A - 样点布设的方法、装置、电子设备和存储介质 - Google Patents
样点布设的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN108287940A CN108287940A CN201711407612.2A CN201711407612A CN108287940A CN 108287940 A CN108287940 A CN 108287940A CN 201711407612 A CN201711407612 A CN 201711407612A CN 108287940 A CN108287940 A CN 108287940A
- Authority
- CN
- China
- Prior art keywords
- unit
- attribute
- sampling point
- dummy cell
- dimension
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Complex Calculations (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明实施例提供一种样点布设的方法、装置、电子设备和存储介质。所述方法包括获取监测区域的所有候选点,并确定每个候选点的属性以及每个属性的分层;根据属性的分层,将每一候选点映射至预先构建的拉丁超立方体的单元,在立方体的单个维度上,每一单元对应一个属性的一个分层,并将映射成功的单元记为非空单元;针对拉丁超立方体的主维度上的每一单元的第一单元组,计算第一单元组中每一非空单元的影响度;在第一单元组中影响度最小的非空单元所映射的候选点中选择样点。所述方法对每一属性的每一分层均布设了样点,且只选取代表性强的样点进行布设,使得布设的样点既全面又符合实际情况,从而提高监测的可靠性。
Description
技术领域
本发明实施例涉及监测技术领域,特别是一种样点布设的方法、装置、电子设备和存储介质。
背景技术
监测是人类了解研究对象的一项重要手段,广泛应用于社会经济、资源环境、土地利用和公共健康等领域。随着社会经济发展,人类精确掌握社会经济动态、了解资源环境状况、优化配置土地和改善公共健康的需求不断增长,对监测的精度和可靠性要求越来越高。
样点是监测区域内指定的采集地点。通常情况下,采集的样点越多,监测结果越可靠。然而,由于人力物力的限制,无法实现针对所有的地点都进行监测,而是在监测区域中选择若干具有代表性的样点进行监测。监测网络是监测各个样点的系统,包括监测区域的属性以及各属性对应的样点在监测区域中的位置拓扑信息。监测不同于一次性的调查,当监测网络设计完成后,需要多次进行样点的数据获取。为了保持具有时间序列的数据,监测的样点不宜频繁变动。因此,需要在监测网络构建时就全面考虑,优化布设监测的样点的位置。
一个监测网络往往需要观测多个变量,以实现多目标监测。为了提高监测网络的效率,需要选择布设的样点能够较好反映各个变量的特征,对各个变量的总体具有较好的代表性。例如,在土壤重金属含量调查时,需要样点能够涵盖各种土地利用类型、各种土壤类型、各种种植模式和各种污染程度。但是如果分别在各种土地利用类型、土壤类型、种植模式和污染程度中抽样,会产生巨大的数据量,成本增加。为了降低数据量,增强样点的代表性,要求每个样点具有多个属性的代表性,如一个样点同时代表某种土地利用类型、土壤类型、种植模式和污染程度,而另一个样点代表另一种土地利用类型、土壤类型、种植模式和污染程度,尽量避免对属性代表性的重复。因此,需要一种能够尽可能提高监测样点代表性的布样方法。
现有技术中样点布设的方法中顾及属性代表性的方法主要包括两种:拉丁超立方体方法和条件拉丁超立方体方法。下面简单介绍这两种方法以及缺陷:
拉丁超立方体方法是一个正向的抽样方法,它首先使用各种属性构建一个属性空间,然后单独对属性进行选择,把选择后的属性类型随机进行组合,如[耕地,褐土,轮作,重度污染]、[草地,黑土,复种,重度污染],然后在实际中寻找具备这些属性的地点作为样点。
该方法的缺点在于所选取的属性组合往往在实际的监测区域中找不到实际对应的样点,如不存在具备[耕地,褐土,轮作,重度污染]属性组合的样点,也不存在[草地,黑土,复种,重度污染]属性组合的样点,因此拉丁超立方体方法一般用在试验(例如蒙特卡洛模拟试验)中,在实际的布样设计中由于找不到样点无法实现样点布设。
条件拉丁超立方体方法同样构建一个属性空间,但并不直接在属性空间中选择样点,而是通过设计一个反映样点对属性空间代表性的优化目标函数,使用优化算法(例如空间模拟退火)在监测区域中选择能够使目标函数达到最优的样点,作为优化结果。
该方法的缺点在于优化结果是优化算法有限次迭代所获得的一个较优方案,不能保证方案中选择的样点涵盖了每一个属性的每一个类别,尤其是当样本量较小时,经常出现某个属性的某个类别没有被涵盖的情况,导致某个属性的某个类别没有被监测,从而降低监测结果的可靠性。
发明内容
针对现有技术的缺陷,本发明实施例提供一种样点布设的方法、装置、电子设备和存储介质。
一方面,本发明实施例提供一种样点布设的方法,所述方法包括:
获取监测区域的所有候选点,并确定每个候选点的属性以及每个属性的分层;
根据所述属性的分层,将每一候选点映射至预先构建的拉丁超立方体的单元,在立方体的单个维度上,每一单元对应一个属性的一个分层,并将映射成功的单元记为非空单元;
针对所述拉丁超立方体的主维度上的每一单元的第一单元组,计算第一单元组中每一非空单元的影响度,所述影响度是非空单元在每一维度对应的非空单元个数,所述主维度是拉丁超立方体的属性的分层的个数最多的属性对应的维度,所述第一单元组包括主维度上的一个单元以及与该单元属于同一层的单元;
在所述第一单元组中影响度最小的非空单元所映射的候选点中随机选择样点。
另一方面,本发明实施例提供一种样点布设的装置,所述装置包括:
获取模块,用于获取监测区域的所有候选点,并确定每个候选点的属性以及每个属性的分层;
映射模块,用于根据所述属性的分层,将每一候选点映射至预先构建的拉丁超立方体的单元,在立方体的单个维度上,每一单元对应一个属性的一个分层,并将映射成功的单元记为非空单元;
计算模块,用于针对所述拉丁超立方体的主维度上的每一单元的第一单元组,计算第一单元组中每一非空单元的影响度,所述影响度是非空单元在每一维度对应的非空单元个数,所述主维度是拉丁超立方体的属性的分层的个数最多的属性对应的维度,所述第一单元组包括主维度上的一个单元以及与该单元属于同一层的单元;
布设模块,用于在所述第一单元组中影响度最小的非空单元所映射的候选点中随机选择样点。
另一方面,本发明实施例还提供一种电子设备,包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上方法的步骤。
另一方面,本发明实施例还提供一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上方法的步骤。
由上述技术方案可知,本发明实施例提供的样点布设的方法、装置、电子设备和存储介质,所述方法通过将每一候选点映射至拉丁超立方体的单元中,并对每一属性的每一分层均布设了样点,且只选取代表性强的样点进行布设,使得布设的样点既全面又符合实际情况,从而提高监测的可靠性。
附图说明
图1为本发明实施例提供的一种样点布设的方法的流程示意图;
图2为本发明实施例提供的二维图形的第一单元组示意图;
图3为本发明实施例提供的三维图形的第一单元组示意图;
图4为本发明实施例提供的一种样点布设的方法的部分步骤的示意图;
图5为本发明实施例提供的一种样点布设的方法的部分步骤的示意图;
图6为本发明实施例提供的一种样点布设的方法的部分步骤的示意图;
图7为本发明实施例提供的一种样点布设的方法的部分步骤的示意图;
图8为本发明实施例提供的一种样点布设的方法的部分步骤的示意图;
图9为本发明实施例提供的一种样点布设的方法的部分步骤的示意图;
图10为本发明实施例提供的一种样点布设的方法的部分步骤的示意图;
图11为本发明又一实施例提供的实际应用示意图;
图12为本发明又一实施例提供的一种样点布设的装置的结构示意图;
图13为本发明又一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明实施例一部分实施例,而不是全部的实施例。
术语解释
属性是通过监测的样点描述监测区域的特征,例如,监测区域是指定面积的陆地监测区域,监测区域具有多个属性,也就是说可以从不同的角度(属性)来描述这个监测区域,用土地利用类型、土壤类型、种植模式和污染程度等多个属性来描述。这个监测区域是农业用地,在农业用地中布设样点进行监测,这是从土地利用类型的属性来描述这个监测区域。属性是随着时间变化的,因此属性都是变量。
代表性是衡量监测结果可靠性的重要指标。用所有监测点的属性描述一个监测区域该属性的情况,且监测区域该属性的情况确实与监测点的属性描述的一致,则可用这套监测点来来描述监测区域、反映监测区域的对应属性,称该套监测点的代表性强,那么通过监测该套点的属性得到的关于监测区域的结果可靠性高。若一套监测点的属性描述与监测区域的对应属性情况不一致,则无法通过监测样点准确反映监测区域的情况,该套监测点的代表性弱。
图1示出了本发明实施例提供的一种样点布设的方法的流程示意图。
如图1所示,本发明实施例提供的方法具体包括以下步骤:
步骤11、获取监测区域的所有候选点,并确定每个候选点的属性以及每个属性的分层;
本发明实施例提供的方法在计算机上执行,可根据MATLAB软件实现样点的选取。
可选地,假设用多个属性来描述监测区域,则确定所有候选点,每个候选点在每个属性上都有一个取值,每个属性包括至少一个分层,一个分层就是一个属性的一个分类,每个候选点在该属性上的取值都属于一个确定的分层。
可选地,在一个监测区域内理论上可用于采样的地点叫做候选点,例如做种植土地的监测,则在农业用地,覆盖自然土壤的区域中设置候选点,在车行道路的部分区域则不设置候选点。
可选地,确定候选点的属性后,对该属性按照预设的规则进行分层。
可选地,可按照现有技术的方式进行分层。例如属性是土壤类型,红壤包括红壤、棕壤,候选点a为红壤,则该属性的分层为土壤类型的红壤,候选点b为棕壤,则该属性的分层为土壤类型的棕壤。再例如,对于土壤有机质含量,根据有机质含量累积概率分布的间距进行分层。
确定每个候选点的属性以及每个属性的分层后,接下来对所述候选点进行筛选,以确定候选点中哪些可作为样点,布设到监测区域中。
步骤12、根据所述属性的分层,将每一候选点映射至预先构建的拉丁超立方体的单元,立方体的单个维度上,每一单元对应一个属性的一个分层,并将映射成功的单元记为非空单元;
在立方体的所有维度上,每一个单元是所有属性单个分层的组合,一个候选点唯一对应一个单元。
在本步骤之前,预先构建拉丁超立方体。其中,所述拉丁超立方体是n维图形,也就是说所述拉丁超立方体包括n个坐标轴,每一坐标轴(即维度)上构建一个属性,n个坐标轴涵盖n个属性,n为正整数,拉丁超立方体包括预先确定的所有属性的所有可能存在的分层。
可选地,建立一个由候选点至拉丁超立方体的索引,使得在确定一个候选点的各个属性值的分层后,可将该候选点映射到具有相同属性分层的拉丁超立方体中的单元。
可选地,遍历各个候选点,将每个候选点按照其属性的分层分别映射至对应的拉丁超立方体的单元。
可选地,所述拉丁超立方体由多个单元构成,每一单元同时对应n个属性,在每个属性上每一单元对应一个分层。
若一个单元表示[草地,黑土,复种,重度污染],则该单元同时对应土地利用类型、土壤类型、种植模式和污染程度这四个属性,四个维度,但该单元仅对应土壤类型中的黑土这一个分层,对应了黑土,则不可能再对应红壤这一分层,因此可实现候选点与单元的映射。
可选地,由于拉丁超立方体包括预先确定的所有属性的所有可能存在的分层组合,然后结合实际监测区域的候选点进行匹配,查看实际存在哪些属性分层的组合。
若存在,则映射成功,将候选点的编号填充至相应的单元。
若不存在,则映射失败,则表示实际中没有这种属性分层的组合,则单元为空,将有填充的单元称为非空单元,将没有填充的单元称为空单元。也就是说,每一非空单元对应一个或多个候选点。
例如,拉丁超立方体的某个单元表示红壤,污染程度为[0,2),而候选点没有为红壤,污染程度为[0,2)的候选点,则该单元为空单元。
步骤13、针对所述拉丁超立方体的主维度上的每一单元的第一单元组,计算第一单元组中每一非空单元的影响度,所述影响度是非空单元在每一维度对应的非空单元个数,所述主维度是拉丁超立方体的属性的分层的个数最多的属性对应的维度,所述第一单元组包括主维度上的一个单元以及与该单元属于同一层的单元;
可选地,所述拉丁超立方体包括n个维度,每一维度上构建一个属性,各属性具有对应的分层,将每个属性按照分层数由大到小进行排序,确定属性的分层的个数最多的一个属性,将该属性对应的维度称为主维度,相应地,主维度的单元数比其他维度的单元数多。
可选地,先确定主维度上的一个单元,再确定该单元的第一单元组,可以理解的是,每一单元对应n个维度,除主维度以外还对应n-1个维度,在这n-1个维度上存在n-1个属性的多个层,第一单元组包括与该单元属于同一层的单元。
举例来说,主维度上的多个分层为[草地,耕地,林地,建设用地,…,在第一次执行步骤12时,该单元的第一单元组是该单元和拉丁超立方体中所有单元中包括草地的单元,再次执行步骤12时,该单元的第一单元组包括该单元和所有单元中包括耕地的单元,以此类推。
图2为本发明实施例提供的二维图形的第一单元组示意图。
如图2所示,从空间结构来看,如果拉丁超立方体是二维图形矩形,主维度为x轴,x轴上的一个单元的第一单元组为一个矩形,该矩形的宽是该单元,该矩形的长是y轴上与该单元同属一列的多个单元。
图3为本发明实施例提供的三维图形的第一单元组示意图。
如图3所示,如果拉丁超立方体是三维长方体,在右手坐标系的基础上,主维度为x轴,x轴上的一个单元的第一单元组为一个长方体,该长方体中包括多个图未示出的单元。
可选地,针对每一第一单元组,进行如下处理:
可选地,分别计算各个非空单元的影响度,影响度是用于衡量一个单元在一个属性的所有分层中的影响程度,与非空单元的个数相关。
可选地,针对每一非空单元,统计将该非空单元的每一维度的非空单元个数,将个数作为影响度。
如图2所示,第一单元组为一个矩形,每一非空单元对应两个维度,x轴和y轴。统计某一非空单元的在y维度中非空单元的个数(即自身),加上该非空单元所在x维度中非空单元的个数。
针对左上角第一个非空单元,在x轴这一维度上除了自身没有非空单元,只有右侧四个空单元,在y轴这一维度上共有两个非空单元,则该非空单元的影响度为3。
第一单元组为长方体,则统计某一非空单元的在x维度中非空单元的个数(即自身),加上该非空单元在y维度中非空单元的个数,再加上非空单元在z维度中非空单元的个数。
可选地,计算影响度时也可不包括自身,由于仅计算第一单元组中非空单元的影响度,统计每一维度中非空单元的个数是否包括自身并不影响计算的准确。
步骤14、在所述第一单元组中影响度最小的非空单元所映射的候选点中选择样点。
在得到第一单元组中每一个非空单元的影响度后,将各个影响度从小到大进行排序,获取影响度最小的非空单元。
可选地,每一非空单元由候选点映射得来,在确定影响度最小的非空单元后,在影响度最小的非空单元所映射的候选点中随机选择样点。
可选地,对主维度中的一个单元,进行影响度计算,并在一个第一单元组中选择一个候选点布设样点,相当于在主维度的一个单元对应的层中选择了一个候选点作为样点。
可以理解的是,在所有属性所有的分层都选择了样点,避免了遗漏了某一维度的某一个分层,所有分层均有样点布设。
同时,非空单元是实际的监测区域中的候选点映射得到的,因此非空单元的属性的代表性强,本发明实施例中选择的样点都是代表性强的样点,因此监测的可靠性高。
下面通过举例来说明本发明实施例。
各属性分别为X1,X2,…,Xn,属性X1是土壤类型,X1属于类别变量,假设中国主要的土壤类型有5种,将土壤类型为红壤的作为第一层,棕壤为第二层,以此类推,得到一个属性的5个层。属性X2是污染程度,X2属于连续变量,假设污染程度最高为8,将污染程度分为4层,污染程度为[0,2)作为第一层,污染程度为[2,4)作为第二层,以此类推。
其中,X1对应的分层数为5,X2对应的分层数为4。
图4为本发明实施例提供的一种样点布设的方法的部分步骤的示意图。
如图4所示,由属性X1和属性X2构成的二维坐标系统,x轴表示X1,其中,采用小写字母“x”表示X1的某一层,x1表示第一个变量X1的第一层(红壤),x2表示第一个变量X1的第二层(棕壤),采用小写字母“y”表示X2的某一层,y1表示第二个变量X2的第一层,污染程度为[0,2),以此类推。
可选地,二维坐标系上建立的拉丁超立方体包括5*4个单元(方格),其中,由x1和y1构成一个单元,x2和y1构成一个单元,由x1和y2构成一个单元,x1和y3构成一个单元等等。
确定监测区域的候选点的属性的分层后,若与拉丁超立方体的属性的分层一致,则映射至相应的单元,如x2和y1构成非空单元,若不存在与拉丁超立方体的属性的分层一致的候选点,则表示这一监测区域实际没有这种属性的分层组合,则单元为空,如x1和y1构成空单元。
图5为本发明实施例提供的一种样点布设的方法的部分步骤的示意图。
如图5所示,第一单元组包括四个单元,由x1和y1构成的单元,由x1和y2构成的单元,由x1和y3构成的单元以及由x1和y4构成的单元。
针对第一单元组,进行如下处理:
每一非空单元对应两个维度,x轴和y轴。
针对x1和y1构成的空单元,x1和y3构成的空单元,不进行影响度的计算,仅计算由x1和y2构成的非空单元,以及由x1和y4构成的非空单元的影响度。
由x1和y2构成的非空单元在x轴这一维度上包括2个非空单元,一个是自身,另一个是x3和y2构成的非空单元,则影响度为2,同理得到由x1和y4构成的非空单元的影响度为1,仅包括自身。
在由x1和y4构成的单元对应的属性是红壤,污染程度为[6,8),则仅在红壤,污染程度为[6,8)的候选点中随机选择样点,其他的由x1和y2构成的单元对应的属性是红壤,污染程度为[2,4)的候选点则不作为样点。
也就是说,针对第一单元组里四个单元,只在由x1和y4构成的单元对应的候选点中随机选择样点,其他的三个单元对应的候选点都不布设样点。
图6为本发明实施例提供的一种样点布设的方法的部分步骤的示意图。
如图6所示,针对x2对应的一列执行步骤13和步骤14。
图7为本发明实施例提供的一种样点布设的方法的部分步骤的示意图。
如图7所示,针对x2对应的第一单元组,选取一个影响度最小的非空单元(x2和y3)所对应的候选点作为样点。
图8为本发明实施例提供的一种样点布设的方法的部分步骤的示意图。
如图8所示,针对x3对应的第一单元组,选取一个影响度最小的非空单元(x3和y2)所对应的候选点作为样点。
图9为本发明实施例提供的一种样点布设的方法的部分步骤的示意图。
如图9所示,针对x3对应的第一单元组,选取一个影响度最小的非空单元(x3和y2)所对应的候选点作为样点。
图10为本发明实施例提供的一种样点布设的方法的部分步骤的示意图。
如图10所示,立方的维度降为1时,直接在剩余的非空单元中选择对应的候选点作为样点。剩余的两个单元均为非空单元,则分别在这两个非空单元对应的候选点中随机选择样点。
由此可见x轴上每一个非空单元在监测区域中都具有对应的样点,x1单元的样点是由x1和y4构成的单元对应的候选点(如图5),x2单元的样点是由x2和y3构成的单元对应的候选点(如图7),x3单元的样点是由x3和y2构成的单元对应的候选点(如图9),x4和x5单元的样点由x4、x5和y1构成的单元对应的候选点(如图10),同时,y轴上每一个非空单元在监测区域中也都具有对应的样点,y1单元选取了由x4和y1构成的单元以及由x5和y1构成的单元对应的候选点作为样点(如图10),y2单元选取了由x3和y2构成的单元的候选点作为样点(如图9),y3单元选取了由x2和y3构成的单元对应的候选点作为样点(如图7),y4单元选取了由x1和y4构成的单元对应的候选点作为样点(如图5)。
可见,应用本发明的实施例,在主维度上每一个属性X1,X2,…,Xn的每一个分层都选取了样点,避免了遗漏某一个分层,从而保障了监测的可靠性。
本发明实施例提供的样点布设的方法,通过将每一候选点映射至拉丁超立方体的单元中,并对每一属性的每一分层均布设了样点,且只选取代表性强的样点进行布设,使得布设的样点既全面又符合实际情况,从而提高监测的可靠性。
在上述实施例的基础上,本发明又一实施例提供的样点布设的方法,构建的拉丁超立方体的方式有多种,本实施例以其中一种方式为例进行说明。
步骤12之前,所述方法还包括:
确定预设的多个属性X1,X2,…,Xn,以及对应的分层的个数H1,H2,…,Hn,其中,X1,X2,…,Xn是根据分层的个数由大到小进行排序的序列;
将属性X1构成x轴,属性X2构成y轴,属性X3构成z轴,以此类推,构建n维坐标系;
在n维坐标系中,根据每个属性的分层,构建拉丁超立方体,所述拉丁超立方体包括H1*H2*…*Hn个单元。
可选地,假设用n类属性,也就是n个变量来描述监测区域,则样点布设需要考虑n类属性,各属性分别为X1,X2,…,Xn,其中采用大写字母“X”表示属性。
可选地,分层的方式有多种,本实施例以其中一种方式为例进行说明。
若所述属性为连续变量,则按照等等概率间距进行分层,若所述属性为类别变量,则按照类别进行分层。
可选地,将各个属性分为两类:连续变量和类别变量。其中,连续变量是在一定区间内可以任意取值的变量,取值是连续不断的,类别变量用于描述某一个属性与其他属性的区别。
可选地,每个属性X1,X2,…,Xn对应的分层数分别为H1,H2,…,Hn,采用大写字母“H”表示属性的分层数。
可选地,采用小写字母“h”表示其中的某一层,从而可采用属性X1,X2,…,Xn与层h1,h2,…的组合表示每一个属性的每一层,X1(h1)为第一个变量X1的第一层,X2(h3)为第二个变量的第三层。
可选地,将X1,X2,…,Xn按照分层数H由大到小进行排列,并假设排列的顺序恰好为X1,X2,…,Xn。
可选地,根据X1,X2,…,Xn构建拉丁超立方体(Latin Hypercube Sampling,LHS)。
可选地,将排序第一,即属性的层数最多(H1)对应的属性X1构成第一个维度:x轴,排序第二的属性X2构成第二个维度:y轴,排序第三的属性X3构成z轴,以此类推,构建n维坐标系。
可选地,在n维坐标系中,按照每个属性的分层,构建多个单元,由H1*H2*…*Hn个单元形成拉丁超立方体。
也就是说,将x轴等分为H1份,将属性X1的H1个层分别标注于x轴,将y轴等分为H2份,将属性X2的H2个层分别标注于y轴,以此类推。
可选地,对于一维坐标系,每一单元是一个间隔,对于二维坐标系,每一单元是一个二维图形,矩形方格,对于三维坐标系,每一单元是一个长方体,对于四维坐标系,每一单元是一个四维图形,对于五维坐标系,每一单元是一个五维图形,以此类推。
本实施例其他步骤与前述实施例步骤相似,本实施例不再赘述。
本实施例提供的样点布设的方法,通过构建n维坐标系,再构建拉丁超立方体,使得候选点可准确映射至拉丁超立方体的单元。
在所述第一单元组中影响度最小的非空单元所映射的候选点中选择样点的步骤具体为:
如果所述第一单元组中存在多个非空单元的影响度并列最小,则随机选择一个非空单元,在选中的非空单元中随机选择一个候选点作为样点。
在述第一单元组中影响度最小的非空单元所映射的候选点中选择样点的步骤之后,所述方法还包括:
若所述第一单元组包括一个非空单元,则在该非空单元所对应的候选点中随机选一个作为样点。
若所述第一单元组仅包括一个非空单元,无需计算该非空单元的影响度,直接将该非空单元所对应的候选点作为样点。
本实施例其他步骤与前述实施例步骤相似,本实施例不再赘述。
本实施例提供的样点布设的方法,通过对构建n维坐标系,再构建拉丁超立方体,使得候选点可准确映射至拉丁超立方体的单元。
在上述实施例的基础上,本发明又一实施例提供的样点布设的方法,选取样点的方式有多种,本实施例以其中两种方式为例进行说明。
在所述第一单元组中影响度最小的非空单元所映射的候选点中选择样点的步骤具体为:
针对所述拉丁超立方体的主维度上的第一个单元的第一单元组,在第一个单元的第一单元组中影响度最小的非空单元所映射的候选点中选择样点之后,删除影响度最小的非空单元的第二单元组,所述第二单元组包括影响度最小的非空单元的所有维度上的单元;
针对删除后的拉丁超立方体,若立方的维度降为1时,直接在剩余的非空单元中选择对应的候选点作为样点。
针对删除后的拉丁超立方体,进行降维,降维后的丁超立方体不包含该维度。
针对删除后的拉丁超立方体,只剩一个维度时,分别在剩余的非空单元对应的候选点中随机选择样点。
可选地,第一个单元是主维度从左向右数的第一个单元。从x轴的第一个单元(由x1和y1构成一个单元)开始,以一个单元为粒度,对立方体进行n-1维“切片”,得到第一单元组。
如图4所示,如果是二维图形矩形,则切片为一个矩形,第一单元组包括H2个单元。如图5所示,如果为三维长方体,则第一单元组包括H2*H3个单元。在右手坐标系的基础上得到的拉丁超立方体,切下的是z轴和y轴形成的纵面,纵面的“厚度”是x轴的一个单元。
可选地,针对第一单元组,进行如下处理:
可选地,对影响度最小的非空单元进行取样,在影响度最小的非空单元所对应的候选点中随机选择候选点作为样点。
可选地,在对一个第一单元组,样点布设完成后,删除影响度最小的非空单元的第二单元组。
可选地,每一单元在拉丁超立方体中都具有第二单元组,若拉丁超立方体为一维,则某一个单元的第二单元组为x轴所有单元;若拉丁超立方体为二维,则某一个单元的第二单元组为与该单元处于同一行的单元以及与该单元处于同一列的单元(如图5、7和9所示的两条交叉线)。
可选地,统计每个维度上的单元的个数。当某一个维度上的单元的个数为1时,进行降维,降维后的丁超立方体不包含该维度。
可选地,针对删除后的拉丁超立方体,只剩一个维度时,分别在剩余的非空单元对应的候选点中随机选择样点。
可选地,针对删除后的拉丁超立方体,若各个维度上的单元的个数都不为1,则针对所述拉丁超立方体的主维度上的第二个单元的第一单元组,在第二个单元的第一单元组中影响度最小的非空单元所映射的候选点中选择样点,直至立方的维度降为1。
也就是说,若各个维度上的单元的个数都不为1,对拉丁立方体进行消融,即删除选中单元所在每个坐标轴的间隔,使得立方体缩小,缩小到某一个维度上的单元的个数为1时,进行降维;直到拉丁立方体的维度降为1,在剩余的非空单元对应的候选点中随机选择样点。
当各个维度上的单元的个数都不为1,则针对从x轴的第二个单元开始,以一个单元为粒度,再对立方体进行“切片”,每次切片选取一个影响度最小的非空单元所对应的候选点作为样点,直至某一个维度上的单元为1。
如图5所示,选择由x1和y4构成的单元对应的候选点作为样点后,删除图5中由x1和y4构成的单元所处的行和列,即垂直相交的两条线所经过的单元。
如图6所示,删除第二单元组后得到的拉丁立方体。x轴和y轴的单元都不为1,针对剩余的单元进行布设样点。
如图7所示,x轴和y轴的单元都不为1,再对立方体进行“切片”,得到x2的第一单元组(x2对应的列),选取一个影响度最小的非空单元(x2和y3)所对应的候选点作为样点。
如图8所示,删除x2和y3构成的单元以及x2和y3构成的单元的第二单元组后得到的拉丁立方体。x轴和y轴的单元都不为1,再对立方体进行“切片”,针对x3对应的列,选取一个影响度最小的非空单元(x3和y2)所对应的候选点作为样点。
如图9所示,对立方体进行“切片”,得到x3的第一单元组,针对x3对应的列,选取一个影响度最小的非空单元(x3和y2)所对应的候选点作为样点。
如图10所示,删除x3和y2构成的单元以及x3和y2构成的单元的第二单元组后得到的拉丁立方体。此时y轴的单元为1,剩余的两个单元均为非空单元,则将这两个非空单元对应的候选点作为样点。
本实施例其他步骤与前述实施例步骤相似,本实施例不再赘述。
本实施例提供的样点布设的方法,通过在选取样点后,将第二单元组删除,可方便的观察各个维度上的单元的个数。
为了更充分理解本发明的技术内容,在上述实施例的基础上,详细说明本实施例提供的样点布设的方法。
本发明基于使用监测变量及其分层构建的拉丁超立方体进行,通过将实际的采样空间映射到拉丁超立方体中,并按顺序进行样点的选取和超立方体的消融,在逐步降低立方体的大小和维度的同时,选择出监测样点。主要实施方案介绍如下:
假设监测样点布设需要考虑n类属性的代表性,分别表示为X1,X2,…,Xn。对于连续变量,按照等概率等概率间距进行分层,对于类别变量,按照类别进行分层。设每个变量的分层数分别为H1,H2,…,Hn,具体的分层用h1,h2,…,hn表示。用变量与层的组合表示具体变量的某一层,如X1(h1)为第一个变量的第一层,X2(h3)为第二个变量的第三层。并假设X1,X2,…,Xn变量已经按照分层数目由大到小进行排列。按照如下步骤进行样本点选择:
(1)拉丁超立方体构建:将已经按照分层数目由大到小进行排列的变量X1,X2,…,Xn作为坐标轴,构建n为坐标系统。在n维坐标系统中,按照每个变量的分层,构建多维格网,形成拉丁超立方体。形成的超立方体由n维,单元数目为H1*H2*…*Hn个。
(2)映射采样空间:遍历采样空间中的候选点(x1,x2,..xn),将每个点按照其属性映射到上一步构建的拉丁超立方体的具体单元中,记录映射关系,建立候选点的索引。如图4所示,遍历结束后,立方体中没有包含映射候选点的格网设置为空。
(3)立方体切片:从X1轴开始,使用X1轴的第一个间隔对立方体进行切片,即选择X1=X1(h1)的n-1维切片。如果总共有两个坐标轴,则切片为一个矩形(如图5所示),如果总共有三维,则切片为长方体。以此类推。
(4)采样并消融:选择切片中不为空的单元。以如下方法计算每个单元的影响度:计算与单元相交的各个n-1维的面中非空单格个数。将切片中单元格的影响度按从小到大的顺序排列。选择附带非空单元格数最小的单元格,在单元格中随机选择样点。然后对拉丁立方体进行消融,即删除选中单元格所在每个坐标轴的间隔,使得立方体缩小。
(5)降维:如图6所示,计算消融后每个坐标轴间隔的数目,当某个坐标轴的剩余间隔等于1时,进行立方体的坍塌降维,转化为低一维度的超立方体。
(6)判断降维后的立方体的维度,如图10所示,如果维度等于一维,选择剩余的单元格并在单元格中随机选择样点;如图7所示,如果维度大于1维,回到步骤(3)继续。
图11为本发明又一实施例提供的实际应用示意图。
如图11所示,监测区域使用三个变量A、B、C来描述,其中变量A、B、C即为属性A、B、C,每个属性包括三个层,最后得到三个样点,每一个样点均可描述三个层。
本发明通过基于拉丁超立方体为候选采样点构建多维空间索引,并基于超立方体消融和降维进行多目标代表性监测样点的选择,能够快捷的实现多目标代表性监测的样本布设,保证涵盖多维属性的每个分层或分类,在提高监测样点监测代表性的同时,尽可能降低样点数量。
相比现有的相关方法,所述基于拉丁超立方体消融的多目标代表性监测样点布设方法能够直接在候选样点中选择监测样点,能够克服拉丁超立方体抽样方法生成实际中不存在的虚假监测样点的缺陷,同时能够解决条件拉丁超立方体不能保证对每个属性的都实现完全代表性监测的问题,并且不需要大量的迭代计算。能够应用于资源环境多目标监测网络设计中,提高监测网络效率,降低监测成本。
本发明实施例具有以下优点:
(1)在每个监测点同时实施对多个变量的代表性监测,能够在监测代表性不降低的情况下大幅降低冗余监测,提高监测样点的效率,降低监测网络建设成本。
(2)可以较快的筛选出实际存在的代表性监测样点,实现对多维属性各类别和概率分层的代表性监测。
(3)直接从监测变量的分类或分层出发选择监测点,能够保证每个监测变量的都有被涵盖。
图12示出了本发明又一实施例提供的一种样点布设的装置的结构示意图。
参照图12,在上述实施例的基础上,本实施例提供的样点布设的装置,所述装置包括获取模块121、映射模块122、计算模块123和布设模块124,其中:
获取模块121用于获取监测区域的所有候选点,并确定每个候选点的属性以及每个属性的分层;映射模块122用于根据所述属性的分层,将每一候选点映射至预先构建的拉丁超立方体的单元,在立方体的单个维度上,每一单元对应一个属性的一个分层,并将映射成功的单元记为非空单元;计算模块123用于针对所述拉丁超立方体的主维度上的每一单元的第一单元组,计算第一单元组中每一非空单元的影响度,所述影响度是非空单元在每一维度对应的非空单元个数,所述主维度是拉丁超立方体的属性的分层的个数最多的属性对应的维度,所述第一单元组包括主维度上的一个单元以及与该单元属于同一层的单元;布设模块124用于在所述第一单元组中影响度最小的非空单元所映射的候选点中随机作为样点。
可选地,假设用多个属性来描述监测区域,每个属性包括至少一个分层,一个分层就是一个属性的一个分类,每个候选点都具备这些属性,候选点的每一个属性值对应该属性的一个分层。
可选地,在一个监测区域内理论上可用于采样的地点叫做候选点,例如做种植土地的监测,则在农业用地,覆盖自然土壤的区域中设置候选点,在车行道路的部分区域则不设置候选点。
可选地,对所述候选点进行筛选,以确定多个候选点中哪些可作为样点,布设到监测区域中。
可选地,获取模块121确定候选点的属性后,对该属性按照预设的规则进行分层。
立方体的单个维度上,每一单元对应一个属性的一个分层,在立方体的所有维度上,每一个单元是所有属性单个分层的组合,一个候选点唯一对应一个单元。
预先构建拉丁超立方体。其中,所述拉丁超立方体是n维图形,也就是说所述拉丁超立方体包括n个坐标轴,每一坐标轴(即维度)上构建一个属性,n个坐标轴涵盖n个属性,n为正整数。
可选地,拉丁超立方体包括预先确定的所有属性的所有可能存在的分层,映射模块122建立一个由候选点至拉丁超立方体的索引,使得在确定一个候选点的属性的分层后,可将该候选点按照属性分层映射至拉丁超立方体中的单元。
可选地,遍历各个候选点,将每个候选点按照其属性的分层分别映射至对应的拉丁超立方体的单元。
可选地,所述拉丁超立方体由多个单元构成,每一单元同时对应n个属性,且在每个属性上每一单元对应一个分层。
若一个单元表示[草地,黑土,复种,重度污染],则该单元同时对应土地利用类型、土壤类型、种植模式和污染程度这四个属性,四个维度,但该单元仅对应土壤类型中的黑土这一个分层,对应了黑土,则不可能再对应红壤这一分层,因此可实现候选点与单元的映射。
可选地,由于拉丁超立方体包括预先确定的所有属性的所有可能存在的分层组合,然后结合实际监测区域的候选点进行匹配,查看实际存在哪些分层组合。
若存在,则映射成功,映射模块122将候选点的编号填充至相应的单元。
若不存在,则映射失败,则表示实际中没有这种属性分层组合,则单元为空,将有填充的单元称为非空单元,将没有填充的单元称为空单元。也就是说,每一非空单元对应一个或多个候选点。
可选地,所述拉丁超立方体包括n个维度,每一维度上构建一个属性,各属性具有对应的分层,将每个属性按照分层数由大到小进行排序,确定属性的分层的个数最多的属性,将该属性对应的维度称为主维度,相应地,主维度的单元数比其他维度的单元数多。
可选地,计算模块123先确定主维度上的一个单元,再确定该单元的第一单元组,可以理解的是,每一单元对应n个维度,除主维度以外还对应n-1个维度,在这n-1个维度上存在n-1个属性的多个层,第一单元组包括与该单元属于同一层的单元。
举例来说,主维度上的多个分层为[草地,耕地,林地,建设用地,…],在第一次执行步骤12时,该单元的第一单元组是该单元和拉丁超立方体中所有单元中包括草地的单元,再次执行步骤12时,该单元的第一单元组包括该单元和所有单元中包括耕地的单元,以此类推。
可选地,针对每一单元组,进行如下处理:
可选地,分别计算各个非空单元的影响度,影响度是用于衡量一个单元在一个属性的所有分层中的影响程度,与非空单元的个数相关。
可选地,针对每一非空单元,统计将该非空单元的每一维度的非空单元个数,将个数作为影响度。
在得到第一单元组中每一个非空单元的影响度后,布设模块124将各个影响度从小到大进行排序,获取影响度最小的非空单元。
可选地,每一非空单元由候选点映射得来,在确定影响度最小的非空单元后,布设模块124在影响度最小的非空单元所映射的候选点中随机选择样点。
可选地,对主维度中的一个单元,进行影响度计算,并在一个第一单元组中选择一个候选点布设样点,相当于在主维度的一个单元对应的层中选择了一个候选点作为样点。
对主维度中的每一个单元,都可得到一个样点,相当于在主维度的每一个层中都选择了一个候选点作为样点,该层可为主维度或其他维度的非空单元,相当于每一层都有样点。
可以理解的是,在主维度所有的分层都选择了样点,避免了遗漏了主维度的某一个分层,使得主维度的所有分层均有样点布设。
针对所述拉丁超立方体的主维度上的每一单元进行样点布设,主维度的所有的分层数最多,其他维度的部分非空单元的分层也布设了样点,则在一定程度上保证了样点布设的全面性。
同时,非空单元是实际的监测区域中的候选点映射得到的,因此非空单元的属性的代表性强,本发明实施例中选择的样点都是代表性强的样点,因此监测的可靠性高。
本实施例提供的样点布设的装置,可用于执行上述方法实施例的方法,本实施不再赘述。
本实施例提供的样点布设的装置,通过映射模块将每一候选点映射至拉丁超立方体的单元中,布设模块对主维度的每一单元的分层均布设了样点,且只选取代表性强的样点进行布设,使得布设的样点既全面又符合实际情况,从而提高监测的可靠性。
图13示出了本发明又一实施例提供的一种电子设备的结构示意图。
参阅图13,本发明实施例提供的电子设备,所述电子设备包括存储器(memory)131、处理器(processor)132、总线133以及存储在存储器131上并可在处理器上运行的计算机程序。其中,所述存储器131、处理器132通过所述总线133完成相互间的通信。
所述处理器132用于调用所述存储器131中的程序指令,以执行所述程序时实现如图1的方法。
在另一种实施方式中,所述处理器执行所述程序时实现如下方法:
根据所述属性的分层,将每一候选点映射至预先构建的拉丁超立方体的单元的步骤之前,所述方法还包括:
确定预设的多个属性X1,X2,…,Xn,以及对应的分层的个数H1,H2,…,Hn,其中,X1,X2,…,Xn是根据分层的个数由大到小进行排序的序列;
将属性X1构成x轴,属性X2构成y轴,属性X3构成z轴,以此类推,构建n维坐标系;
在n维坐标系中,根据每个属性的分层,构建拉丁超立方体,所述拉丁超立方体包括H1*H2*…*Hn个单元。
在另一种实施方式中,所述处理器执行所述程序时实现如下方法:若所述属性为连续变量,则按照等等概率间距进行分层,若所述属性为类别变量,则按照类别进行分层。
在另一种实施方式中,所述处理器执行所述程序时实现如下方法:在所述第一单元组中影响度最小的非空单元所映射的候选点中选择样点的步骤具体为:
如果所述第一单元组中存在多个非空单元的影响度并列最小,则随机选择一个非空单元,在选中的非空单元中随机选择一个候选点作为样点。
在另一种实施方式中,所述处理器执行所述程序时实现如下方法:在所述第一单元组中影响度最小的非空单元所映射的候选点中选择样点的步骤之后,所述方法还包括:
若所述第一单元组包括一个非空单元,则在该非空单元所对应的候选点中随机选择样点。
在另一种实施方式中,所述处理器执行所述程序时实现如下方法:在所述第一单元组中影响度最小的非空单元所映射的候选点中随机选择样点的步骤具体为:
针对所述拉丁超立方体的主维度上的第一个单元的第一单元组,在第一个单元的第一单元组中影响度最小的非空单元所映射的候选点中随机选择样点之后,删除影响度最小的非空单元的第二单元组;
针对删除后的拉丁超立方体,若某一个维度上的单元的个数为1时,进行降维,降维后的丁超立方体不包含该维度;
针对删除后的拉丁超立方体,只剩一个维度时,分别在各个非空单元所映射的候选点中随机选择样点。
在另一种实施方式中,所述处理器执行所述程序时实现如下方法:针对删除后的拉丁超立方体,若各个维度上的单元的个数都不为1,则针对所述拉丁超立方体的主维度上的第二个单元的第一单元组,在第二个单元的第一单元组中影响度最小的非空单元所映射的候选点中随机选择样点,直至立方的维度降为1。
本实施例提供的电子设备,可用于执行上述方法实施例的方法对应的程序,本实施不再赘述。
本实施例提供的电子设备,通过所述处理器执行所述程序时实现将每一候选点映射至拉丁超立方体的单元中,并对每一属性的每一分层均布设了样点,且只选取代表性强的样点进行布设,使得布设的样点既全面又符合实际情况,从而提高监测的可靠性。
本发明又一实施例提供的一种存储介质,所述存储介质上存储有计算机程序,所述程序被处理器执行时实现如图1的步骤。
在另一种实施方式中,所述程序被处理器执行时实现如下方法:
根据所述属性的分层,将每一候选点映射至预先构建的拉丁超立方体的单元的步骤之前,所述方法还包括:
确定预设的多个属性X1,X2,…,Xn,以及对应的分层的个数H1,H2,…,Hn,其中,X1,X2,…,Xn是根据分层的个数由大到小进行排序的序列;
将属性X1构成x轴,属性X2构成y轴,属性X3构成z轴,以此类推,构建n维坐标系;
在n维坐标系中,根据每个属性的分层,构建拉丁超立方体,所述拉丁超立方体包括H1*H2*…*Hn个单元。
在另一种实施方式中,所述程序被处理器执行时实现如下方法:
若所述属性为连续变量,则按照等等概率间距进行分层,若所述属性为类别变量,则按照类别进行分层。
在另一种实施方式中,所述程序被处理器执行时实现如下方法:
在所述第一单元组中影响度最小的非空单元所映射的候选点中随机选择样点的步骤具体为:
如果所述第一单元组中存在多个非空单元的影响度并列最小,则随机选择一个非空单元,在其所对应的候选点中随机选择样点。
在另一种实施方式中,所述程序被处理器执行时实现如下方法:
将所述第一单元组中影响度最小的非空单元所映射的候选点作为样点的步骤之后,所述方法还包括:
若所述第一单元组包括一个非空单元,则在该非空单元所对应的候选点中随机选择样点。
在另一种实施方式中,所述程序被处理器执行时实现如下方法:
在所述第一单元组中影响度最小的非空单元所映射的候选点中随机选择样点的步骤具体为:
针对所述拉丁超立方体的主维度上的第一个单元的第一单元组,在第一个单元的第一单元组中影响度最小的非空单元所映射的候选点中随机选择样点之后,删除影响度最小的非空单元的第二单元组;
针对删除后的拉丁超立方体,若某一个维度上的单元的个数为1时,进行降维,降维后的丁超立方体不包含该维度。
针对删除后的拉丁超立方体,只剩一个维度时,分别在各个非空单元所映射的候选点中随机选择样点。
在另一种实施方式中,所述程序被处理器执行时实现如下方法:
针对删除后的拉丁超立方体,若各个维度上的单元的个数都不为1,则针对所述拉丁超立方体的主维度上的第二个单元的第一单元组,在第二个单元的第一单元组中影响度最小的非空单元所映射的候选点中选择样点,直至立方的维度降为1。
本实施例提供的存储介质,所述程序被处理器执行时实现上述方法实施例的方法,本实施不再赘述。
本实施例提供的存储介质,通过将每一候选点映射至拉丁超立方体的单元中,并对每一属性的每一分层均布设了样点,且只选取代表性强的样点进行布设,使得布设的样点既全面又符合实际情况,从而提高监测的可靠性。
本发明又一实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:
获取监测区域的所有候选点,并确定每个候选点的属性以及每个属性的分层;
根据所述属性的分层,将每一候选点映射至预先构建的拉丁超立方体的单元,在立方体的单个维度上,每一单元对应一个属性的一个分层,并将映射成功的单元记为非空单元;
针对所述拉丁超立方体的主维度上的每一单元的第一单元组,计算第一单元组中每一非空单元的影响度,所述影响度是非空单元在每一维度对应的非空单元个数,所述主维度是拉丁超立方体的属性的分层的个数最多的属性对应的维度,所述第一单元组包括主维度上的一个单元以及与该单元属于同一层的单元;
在所述第一单元组中影响度最小的非空单元所映射的候选点中随机选择样点。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
本领域技术人员可以理解,实施例中的各步骤可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种样点布设的方法,其特征在于,所述方法包括:
获取监测区域的所有候选点,并确定每个候选点的属性以及每个属性的分层;
根据所述属性的分层,将每一候选点映射至预先构建的拉丁超立方体的单元,在立方体的单个维度上,每一单元对应一个属性的一个分层,并将映射成功的单元记为非空单元;
针对所述拉丁超立方体的主维度上的每一单元的第一单元组,计算第一单元组中每一非空单元的影响度,所述影响度是非空单元在每一维度对应的非空单元个数,所述主维度是拉丁超立方体的属性的分层的个数最多的属性对应的维度,所述第一单元组包括主维度上的一个单元以及与该单元属于同一层的单元;
在所述第一单元组中影响度最小的非空单元所映射的候选点中选择样点。
2.根据权利要求1所述的方法,其特征在于:根据所述属性的分层,将每一候选点映射至预先构建的拉丁超立方体的单元的步骤之前,所述方法还包括:
确定预设的多个属性X1,X2,…,Xn,以及对应的分层的个数H1,H2,…,Hn,其中,X1,X2,…,Xn是根据分层的个数由大到小进行排序的序列;
将属性X1构成x轴,属性X2构成y轴,属性X3构成z轴,以此类推,构建n维坐标系;
在n维坐标系中,根据每个属性的分层,构建拉丁超立方体,所述拉丁超立方体包括H1*H2*…*Hn个单元。
3.根据权利要求1或2所述的方法,其特征在于:若所述属性为连续变量,则按照等等概率间距进行分层,若所述属性为类别变量,则按照类别进行分层。
4.根据权利要求1所述的方法,其特征在于:在所述第一单元组中影响度最小的非空单元所映射的候选点中选择样点的步骤具体为:
如果所述第一单元组中存在多个非空单元的影响度并列最小,则随机选择一个非空单元,在选中的非空单元中随机选择一个候选点作为样点。
5.根据权利要求1所述的方法,其特征在于:在所述第一单元组中影响度最小的非空单元所映射的候选点中选择样点的步骤之后,所述方法还包括:
若所述第一单元组包括一个非空单元,则在该非空单元所对应的候选中随机选一个作为样点。
6.根据权利要求1所述的方法,其特征在于:在所述第一单元组中影响度最小的非空单元所映射的候选点中选择样点的步骤具体为:
针对所述拉丁超立方体的主维度上的第一个单元的第一单元组,在第一个单元的第一单元组中影响度最小的非空单元所映射的候选点中选择样点之后,删除影响度最小的非空单元的第二单元组,所述第二单元组包括影响度最小的非空单元的所有维度上的单元;
针对删除后的拉丁超立方体,若立方的维度降为1时,直接在剩余的非空单元中选择对应的候选点作为样点。
7.根据权利要求6所述的方法,其特征在于:针对删除后的拉丁超立方体,若各个维度上的单元的个数都不为1,则针对所述拉丁超立方体的主维度上的第二个单元的第一单元组,在第二个单元的第一单元组中影响度最小的非空单元所映射的候选点中选择样点,直至立方的维度降为1。
8.一种样点布设的装置,其特征在于,所述装置包括:
获取模块,用于获取监测区域的所有候选点,并确定每个候选点的属性以及每个属性的分层;
映射模块,用于根据所述属性的分层,将每一候选点映射至预先构建的拉丁超立方体的单元,在立方体的单个维度上,每一单元对应一个属性的一个分层,并将映射成功的单元记为非空单元;
计算模块,用于针对所述拉丁超立方体的主维度上的每一单元的第一单元组,计算第一单元组中每一非空单元的影响度,所述影响度是非空单元在每一维度对应的非空单元个数,所述主维度是拉丁超立方体的属性的分层的个数最多的属性对应的维度,所述第一单元组包括主维度上的一个单元以及与该单元属于同一层的单元;
布设模块,用于在所述第一单元组中影响度最小的非空单元所映射的候选点中选择样点。
9.一种电子设备,其特征在于,包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任意一项的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于:所述程序被处理器执行时实现如权利要求1-7任意一项的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711407612.2A CN108287940B (zh) | 2017-12-22 | 2017-12-22 | 样点布设的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711407612.2A CN108287940B (zh) | 2017-12-22 | 2017-12-22 | 样点布设的方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108287940A true CN108287940A (zh) | 2018-07-17 |
CN108287940B CN108287940B (zh) | 2020-02-18 |
Family
ID=62832265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711407612.2A Active CN108287940B (zh) | 2017-12-22 | 2017-12-22 | 样点布设的方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108287940B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109656889A (zh) * | 2018-12-26 | 2019-04-19 | 百度在线网络技术(北京)有限公司 | 基于区块链的文件系统实现方法、装置、设备和存储介质 |
CN111222742A (zh) * | 2019-11-14 | 2020-06-02 | 浙江省农业科学院 | 基于农田景观分区的土壤新增采样点补充布设方法 |
CN114461741A (zh) * | 2022-01-24 | 2022-05-10 | 北京师范大学 | 一种监测样点布设方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999620A (zh) * | 2012-11-30 | 2013-03-27 | 山东师范大学 | 一种基于地理信息系统技术分析土壤污染空间分布规律的方法 |
CN102542051B (zh) * | 2011-12-29 | 2013-07-10 | 武汉大学 | 一种随机分布型地理要素的多目标协同抽样方案设计方法 |
US20140372444A1 (en) * | 2013-06-14 | 2014-12-18 | Samsung Sds Co., Ltd. | Data clustering apparatus and method |
CN104239446A (zh) * | 2014-09-01 | 2014-12-24 | 北京农业信息技术研究中心 | 一种利用辅助变量数据进行采样点布局的方法 |
CN106844948A (zh) * | 2017-01-19 | 2017-06-13 | 北京辰安科技股份有限公司 | 滑坡预测方法和装置 |
-
2017
- 2017-12-22 CN CN201711407612.2A patent/CN108287940B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542051B (zh) * | 2011-12-29 | 2013-07-10 | 武汉大学 | 一种随机分布型地理要素的多目标协同抽样方案设计方法 |
CN102999620A (zh) * | 2012-11-30 | 2013-03-27 | 山东师范大学 | 一种基于地理信息系统技术分析土壤污染空间分布规律的方法 |
US20140372444A1 (en) * | 2013-06-14 | 2014-12-18 | Samsung Sds Co., Ltd. | Data clustering apparatus and method |
CN104239446A (zh) * | 2014-09-01 | 2014-12-24 | 北京农业信息技术研究中心 | 一种利用辅助变量数据进行采样点布局的方法 |
CN106844948A (zh) * | 2017-01-19 | 2017-06-13 | 北京辰安科技股份有限公司 | 滑坡预测方法和装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109656889A (zh) * | 2018-12-26 | 2019-04-19 | 百度在线网络技术(北京)有限公司 | 基于区块链的文件系统实现方法、装置、设备和存储介质 |
CN111222742A (zh) * | 2019-11-14 | 2020-06-02 | 浙江省农业科学院 | 基于农田景观分区的土壤新增采样点补充布设方法 |
CN111222742B (zh) * | 2019-11-14 | 2023-05-02 | 浙江省农业科学院 | 基于农田景观分区的土壤新增采样点补充布设方法 |
CN114461741A (zh) * | 2022-01-24 | 2022-05-10 | 北京师范大学 | 一种监测样点布设方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108287940B (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977179B (zh) | 一种分层的网格划分实现海量地物标记点聚散可视化方法 | |
CN108287940A (zh) | 样点布设的方法、装置、电子设备和存储介质 | |
Perret et al. | Three‐dimensional quantification of macropore networks in undisturbed soil cores | |
Chiang et al. | Dynamic algorithms in computational geometry | |
Openshaw et al. | A mark 1 geographical analysis machine for the automated analysis of point data sets | |
CN103995861B (zh) | 一种基于空间关联的分布式数据装置、方法及系统 | |
CN103049549B (zh) | 一种海岛数据管理方法和系统 | |
CN108460087A (zh) | 探索式高维数据可视化装置及方法 | |
CN107944086B (zh) | 一种基于钻孔数据的快速建模方法 | |
CN102693319B (zh) | 基于金字塔的海量激光雷达点云存储方法 | |
CN106919644A (zh) | 桥梁施工实时监控系统 | |
CN107977992A (zh) | 一种基于无人机激光雷达的建筑物变化检测方法及装置 | |
CN110489464A (zh) | 探索式图融合可视化方法和装置 | |
CN114461741B (zh) | 一种监测样点布设方法及装置 | |
CN106649339A (zh) | 离群点的挖掘方法及挖掘装置 | |
CN103714124B (zh) | 超大规模低压数据处理方法 | |
CN114611941A (zh) | 一种考虑空间危险性的滑坡灾害评价方法及系统 | |
CN113178004A (zh) | 一种基于超核八叉树海量点云显示方法 | |
CN108665513A (zh) | 基于用户行为数据的绘图方法和装置 | |
CN104537254B (zh) | 一种基于社会统计数据的精细化制图方法 | |
Ltifi et al. | Survey of information visualization techniques for exploitation in KDD | |
WO2018196214A1 (zh) | 一种地理影响民居建筑形态的统计系统及统计方法 | |
CN109359205A (zh) | 一种基于地理格网的遥感影像切分方法及设备 | |
CN102314606A (zh) | 无向图结点定位方法 | |
CN104331263B (zh) | 大量空间数据前端展示方法和装置 |
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 |