CN109815885A - 基于modis卫星数据的gdp估算方法及装置 - Google Patents
基于modis卫星数据的gdp估算方法及装置 Download PDFInfo
- Publication number
- CN109815885A CN109815885A CN201910052243.2A CN201910052243A CN109815885A CN 109815885 A CN109815885 A CN 109815885A CN 201910052243 A CN201910052243 A CN 201910052243A CN 109815885 A CN109815885 A CN 109815885A
- Authority
- CN
- China
- Prior art keywords
- sample
- land type
- gdp
- land
- value
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 6
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims 1
- 241001269238 Data Species 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- DFPOZTRSOAQFIK-UHFFFAOYSA-N S,S-dimethyl-beta-propiothetin Chemical compound C[S+](C)CCC([O-])=O DFPOZTRSOAQFIK-UHFFFAOYSA-N 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于MODIS卫星数据的GDP估算方法及装置，该方法包括步骤：接收MODIS卫星数据，并从MODIS表面反射影像中提取出多个波段，并对所述多个波段进行合成，使多个波段合为一个影像文件；对合成的影像进行目视解译，选择区域土地类型的分类样本；对最终选择的样本进行影像监督分类，得到的归属概率作为土地类型特征值；使用移动窗口法分别计算各类土地类型的土地类型分布密度；统计指定各区域的GDP、土地类型特征值、土地类型分布密度的平均值，对样本数据进行训练得到用于进行GDP值估算的GDP评估模型。本发明基于MODIS卫星数据实现GDP估算，可以解决夜间灯光影像分辨率较低的问题，突破了GDP估算对灯光影像的依赖性。
Description
技术领域
本发明涉及卫星数据处理技术领域，特别涉及一种基于MODIS卫星数据的GDP估算方法及装置。
背景技术
当前对于地区经济发展状况的统计主要依靠报表法，其空间异质性较差，因此很难刻画精细的经济发展状况，以了解区域的经济形势；而目前常用的表征经济的DMSP/OLS夜间灯光影像，尽管被视为反映经济发展最好的数据之一，但由于灰度级较低，无法捕捉灯光黑暗及饱和区域的亮度差异，因此在表征微观经济状况上失灵。
发明内容
本发明的目的在于改善现有技术中所存在的上述不足，提供一种基于MODIS卫星数据的GDP估算方法及装置。
为了实现上述发明目的，本发明实施例提供了以下技术方案：
一种基于MODIS卫星数据的GDP估算方法，包括以下步骤：
步骤1，接收MODIS卫星数据，并从MODIS表面反射影像中提取出多个波段，并对所述多个波段进行合成，使多个波段合为一个影像文件；
步骤2，对合成的影像进行目视解译，以确定采样区的土地类型，然后建立感兴趣区，并随机选取若干种土地类型样本，计算感兴趣区Jeffries-Matusita距离，并根据Jeffries-Matusita距离来确定最终选择的样本；
步骤3，对步骤2中最终选择的土地类型的样本进行影像监督分类，得到的归属概率作为土地类型特征值，概率最大值所对应的土地类型作为该样本所在的整个区域的土地类型；
步骤4，使用移动窗口法分别计算各类土地类型的土地类型分布密度；
步骤5，分别统计行政区域的GDP、土地类型特征值、土地类型分布密度的平均值，得到GDP与土地类型特征值、土地类型分布密度一一对应的样本数据，利用所述样本数据训练得到用于进行GDP值估算的GDP评估模型。
另一方面，本发明实施例还提供了一种基于MODIS卫星数据的GDP估算装置，包括以下模块：
预处理模块，用于接收MODIS卫星数据，并从MODIS表面反射影像中提取出多个波段，并对所述多个波段进行合成，使多个波段合为一个影像文件；
样本选择模块，用于对合成的影像进行目视解译，以确定采样区的土地类型，然后建立感兴趣区，并随机选取若干种土地类型样本，计算感兴趣区Jeffries-Matusita距离，并根据Jeffries-Matusita距离来确定最终选择的样本；
类型确定模块，用于对样本选择模块输出的土地类型的样本进行影像监督分类，得到的归属概率作为土地类型特征值，概率最大值所对应的土地类型作为该样本所在的整个区域的土地类型；
密度计算模块，用于使用移动窗口法分别计算各类土地类型的土地类型分布密度；
模型训练模块，用于接收统计出的行政区域的GDP、土地类型特征值、土地类型分布密度的平均值数据，并建立得到GDP与土地类型特征值、土地类型分布密度一一对应的样本数据，利用所述样本数据训练得到用于进行GDP值估算的GDP评估模型。
再一方面，本发明实施例还提供了一种电子设备，包括存储器、处理器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实施例中任一实施方式所述方法的步骤。
再一方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例中任一实施方式所述方法的步骤。
与现有技术相比，本发明采用MODIS表面反射率影像结合最大似然法提取省份的土地类型特征和土地类型分布密度，然后通过线性支持向量机模型建立了GDP与土地类型特征、土地类型分布密度的统计关系，以用于生成省份GDP格网数据，获得了经济发展状况尺度大、分辨率高、区域精确的GDP格网数据。GDP格网数据分辨率为MODIS表面反射率影像的分辨率，最高分辨率可达到500m。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1本发明较佳实施例提供的基于MODIS卫星数据的GDP估算方法的流程图。
图2a～图2e分别为建筑用地、耕地、林地、水体、云对应的图像特征展示图。
图3是本发明基于MODIS卫星数据的GDP估算装置的功能模块示意图。
图4为实施例中所述的电子设备的结构框图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本实施例中提供的基于MODIS(moderate-resolution imagingspectroradiometer，中分辨率成像光谱仪)卫星数据的GDP估算方法，包括以下步骤：
步骤1，接收MODIS卫星数据，并从MODIS表面反射影像(如MOD09A1)中提取出波段1-7(.hdf数据中的图层sur_refl_b01至sur_refl_b07)，并对波段1-7进行合成，使多个波段合为一个影像文件，以便于作为影像监督分类的样本数据。
步骤2，通过对步骤1中合成的影像的亮度、纹理、形状等特征的目视解译，来确定采样区的土地覆盖类型，土地覆盖类型解译标志以表1为例，建筑用地、耕地、林地、水体、云分别对应的图像特征请参阅图2a～图2e；确定采样的土地覆盖类型后，再应用ENVI软件中的ROI TOOL建立感兴趣区，全局随机选取了建筑用地、林地、耕地和水体四类样本，再利用ENVI中的compute ROI separability来计算感兴趣区Jeffries-Matusita距离，根据Jeffries-Matusita距离来确定最终选择的样本。例如，若两两土地类型的Jeffries-Matusita距离值大于1.9(第一阈值)，就表明两类土地类型区分度好，可作为样本，若在1.8以下，则应该重新选择样本，若在1(第二阈值)以下，则合并两类样本为一类土地类型的样本。
表1
步骤3，采用最大似然法对步骤2中选取的土地类型的样本进行影像监督分类，得到的归属概率作为土地类型特征值，概率最大值所对应的土地类型作为该样本所在的整个区域最后分类得到的土地类型，即建筑用地或林地或耕地或水体。
需要说明的是，步骤2基于目视解译提取的土地类型，仅是研究区一小部分区域，而获取的遥感影像无法让计算机知道每个像素是什么土地类型，因此为了获取整个区域的土地类型，就采用监督分类的方法，基于目视解译的样本来预测整个区域的土地类型(人工矢量化土地类型，工程量巨大，因此通过提取一部分区域作样本进行监督分类来获取全区域的土地类型是可靠的、高效的)。
步骤4，使用500m×500m移动窗口方法计算与建筑用地、林地、耕地和水体相邻的土地类型的百分比，比如计算某一个像素的土地类型分布密度，就包括建筑用地、林地、耕地和水体这四类分布密度，这个像素对应的建筑用地分布密度就通过计算这个像素周围(例如5公里内，就需要上下左右各移动10个像素，得到21×21个像素的矩形区域)的建筑用地百分比得到，其他土地类型分布密度计算同上，即每个像素会有4个土地类型分布密度值，该值用于反映该区域的邻近区域中的土地类型的分布密度(像素已经是最小区域，不能再细分土地类型(每个像素就对应一种确定的土地类型)，所以反应的是该像素和周边像素的关系，即与邻域的关系)。
举例说明，针对21*21个像素的方形区域，则有441个像素，假设其中包括150个建设用地，160个林地，70个耕地，61个水体，那么中心像素的建设用地分布密度为150/441，林地分布密度为160/441，耕地分布密度为70/441，水体分布密度为61/441。有多少种土地类型就有多少种土地类型分布密度，且该像素不同土地类型的分布密度之和为100％)。
说明，上述的移动窗口为500m×500m，代表的是MODIS数据的分辨率，若采用的是不同分辨率，则移动窗口的尺寸则相应改变。
步骤5，统计行政区域(例如县级矢量区域)各要素(GDP、土地类型特征值、土地类型分布密度)的平均值，得到样本数据(GDP与土地类型特征值和土地类型分布密度一一对应)，再将样本数据分为训练样本集(90％样本量)和验证样本集(10％样本量)，将训练样本代入到线性支持向量机模型以建立县级GDP与土地类型特征值、土地类型分布密度的关系模型，验证样本集的各要素值代入得到的关系，获得预测GDP，并将其与已知的实际GDP进行对比，计算平均绝对误差，当误差相对较大(大于设定的某阈值)，则优化模型参数继续训练，当误差相对较低(小于设定的某另一阈值)时，则得到最终的GDP评估模型。最后通过逐像素地将土地类型特征值和土地类型分布密度代入建立的关系中，以用于预测整个地区的像素水平的GDP值。
上述方法采用MODIS表面反射率影像结合最大似然法提取省份的土地类型特征和土地类型分布密度。然后通过线性支持向量机模型建立了GDP与土地类型特征、土地类型分布密度的统计关系，以用于生成省份GDP格网数据(支持向量机得到的是各个像素的GDP预测值，再加上像素的坐标信息，就能输出GDP栅格数据)。最后，对模型进行了不确定性分析，并与DMSP/OLS夜间灯光数据模拟的GDP进行了对比，以保证获得经济发展状况尺度大、分辨率高、区域精确的GDP格网数据。GDP格网数据分辨率为MODIS表面反射率影像的分辨率，最高分辨率可达到500m。
目前GDP预测技术对夜灯数据依赖性很强，不管是改进夜灯数据质量还是建立更优的模型来改善GDP估算结果，都无法避免夜灯数据本身的特征(灰度级较低，无法捕捉灯光黑暗及饱和区域的亮度差异)所造成的难以表征微观经济状况的问题。而本方法中采用MODIS数据，其为白天遥感影像，比夜灯数据分辨率高，空间区分度更好，同时也验证了MODIS也可以用于反应社会经济活动情况，在一定程度上突破了GDP估算对夜间灯光强依赖性的技术瓶颈。
请参阅图3，本实施例中同时提供了一种基于MODIS卫星数据的GDP估算装置包括预处理模块，样本选择模块，类型确定模块，密度计算模块和模型训练模块。
其中，预处理模块用于接收MODIS卫星数据，并从MODIS表面反射影像中提取出多个波段，并对所述多个波段进行合成，使多个波段合为一个影像文件。
其中，样本选择模块用于对合成的影像进行目视解译，以确定采样区的土地类型，然后建立感兴趣区，并随机选取若干种土地类型样本，计算感兴趣区Jeffries-Matusita距离，并根据Jeffries-Matusita距离来确定最终选择的样本。例如，在根据Jeffries-Matusita距离来选择样本时，若两两土地类型的Jeffries-Matusita距离值大于设定的第一阈值，则选择该两类土地类型样本；若两两土地类型的Jeffries-Matusita距离值小于设定的第二阈值，则合并该两类样本为一类土地类型的样本。
其中，类型确定模块用于对样本选择模块输出的土地类型的样本进行影像监督分类，得到的归属概率作为土地类型特征值，概率最大值所对应的土地类型作为该样本所在的整个区域的土地类型。例如，采用最大似然法对土地类型的样本进行影像监督分类，得到的归属概率作为土地类型特征值，概率最大值所对应的土地类型作为该样本所在的整个区域最后分类得到的土地类型。
其中，密度计算模块用于使用移动窗口法分别计算各种土地类型的土地类型分布密度。具体地，以窗口为中心，上下左右分别移动N个窗口，分别计算(2N+1)2个窗口范围内的各种土地类型的百分比，该百分比即为分布密度。
其中，模型训练模块用于接收统计出的行政区域的GDP、土地类型特征值、土地类型分布密度的平均值数据，并建立得到GDP与土地类型特征值、土地类型分布密度一一对应的样本数据，利用所述样本数据训练得到用于进行GDP值估算的GDP评估模型。具体地，将样本数据分为训练样本集和验证样本集，将训练样本代入到线性支持向量机模型进行训练，以建立GDP与土地类型特征值、土地类型分布密度的关系模型；将验证样本集的验证样本代入建立的关系模型以获得预测GDP值，并将预测GDP值与已知的实际GDP值进行对比，计算平均绝对误差，当平均绝对误差相大于设定的阈值，则优化模型参数继续训练，直到平均绝对误差小于设定的另一阈值时，得到最终的GDP评估模型。
上述GDP估算装置与前述GDP估算方法是基于相同的发明构思，因此，对于装置描述中不清楚之处可以参见前述GDP估算方法中的相关描述，此处不再赘述。
如图4所示，本实施例同时提供了一种电子设备，该电子设备可以包括处理器51和存储器52，其中存储器52耦合至处理器51。值得注意的是，该图是示例性的，还可以使用其他类型的结构来补充或替代该结构，实现数据提取、效果增强、车道线识别、通信或其他功能。
如图4所示，该电子设备还可以包括：输入单元53、显示单元54和电源55。值得注意的是，该电子设备也并不是必须要包括图4中显示的所有部件。此外，电子设备还可以包括图4中没有示出的部件，可以参考现有技术。
处理器51有时也称控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该处理器51接收输入并控制电子设备的各个部件的操作。
其中，存储器52例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其他合适装置中的一种或多种，可存储上述处理器51的配置信息、处理器51执行的指令、记录的表格数据等信息。处理器51可以执行存储器52存储的程序，以实现信息存储或处理等。在一个实施例中，存储器52中还包括缓冲存储器，即缓冲器，以存储中间信息。
输入单元53例如用于向处理器51提供待处理的PDF文档。显示单元54用于显示处理过程中的各种状态图，该显示单元例如可以为LCD显示器，但本发明并不限于此。电源55用于为电子设备提供电力。
本发明实施例还提供一种计算机可读指令，其中当在电子设备中执行所述指令时，所述程序使得电子设备执行本发明方法所包含的操作步骤。
本发明实施例还提供一种存储有计算机可读指令的存储介质，其中所述计算机可读指令使得电子设备执行本发明方法所包含的操作步骤。
应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于MODIS卫星数据的GDP估算方法，其特征在于，包括以下步骤：
步骤1，接收MODIS卫星数据，并从MODIS表面反射影像中提取出多个波段，并对所述多个波段进行合成，使多个波段合为一个影像文件；
步骤2，对合成的影像进行目视解译，以确定采样区的土地类型，然后建立感兴趣区，并随机选取若干种土地类型样本，计算感兴趣区Jeffries-Matusita距离，并根据Jeffries-Matusita距离来确定最终选择的样本；
步骤3，对步骤2中最终选择的土地类型的样本进行影像监督分类，得到的归属概率作为土地类型特征值，概率最大值所对应的土地类型作为该样本所在的整个区域的土地类型；
步骤4，使用移动窗口法计算各类土地类型的土地类型分布密度；
步骤5，统计行政区域的GDP、土地类型特征值、土地类型分布密度的平均值，得到GDP与土地类型特征值、土地类型分布密度一一对应的样本数据，利用所述样本数据训练得到用于进行GDP值估算的GDP评估模型。
2.根据权利要求1所述的方法，其特征在于，所述根据Jeffries-Matusita距离来选择样本的方法是：若两两土地类型的Jeffries-Matusita距离值大于设定的第一阈值，则选择该两类土地类型样本；若两两土地类型的Jeffries-Matusita距离值小于设定的第二阈值，则合并该两类样本为一类土地类型的样本。
3.根据权利要求1所述的方法，其特征在于，采用最大似然法对步骤2中选择的土地类型的样本进行影像监督分类。
4.根据权利要求1所述的方法，其特征在于，所述使用移动窗口法分别计算各种土地类型的土地类型分布密度的方法是：以窗口为中心，上下左右分别移动N个窗口，分别计算(2N+1)2个窗口范围内的各种土地类型的百分比，该百分比即为分布密度。
5.根据权利要求1所述的方法，其特征在于，所述利用所述样本数据训练得到用于进行GDP值估算的GDP评估模型的步骤，包括：
将样本数据分为训练样本集和验证样本集，将训练样本代入到线性支持向量机模型进行训练，以建立GDP与土地类型特征值、土地类型分布密度的关系模型；
将验证样本集的验证样本代入建立的关系模型以获得预测GDP值，并将预测GDP值与已知的实际GDP值进行对比，计算平均绝对误差，当平均绝对误差相大于设定的阈值，则优化模型参数继续训练，直到平均绝对误差小于设定的另一阈值时，得到最终的GDP评估模型。
6.一种基于MODIS卫星数据的GDP估算装置，其特征在于，包括以下模块：
预处理模块，用于接收MODIS卫星数据，并从MODIS表面反射影像中提取出多个波段，并对所述多个波段进行合成，使多个波段合为一个影像文件；
样本选择模块，用于对合成的影像进行目视解译，以确定采样区的土地类型，然后建立感兴趣区，并随机选取若干种土地类型样本，计算感兴趣区Jeffries-Matusita距离，并根据Jeffries-Matusita距离来确定最终选择的样本；
类型确定模块，用于对样本选择模块输出的土地类型的样本进行影像监督分类，得到的归属概率作为土地类型特征值，概率最大值所对应的土地类型作为该样本所在的整个区域的土地类型；
密度计算模块，用于使用移动窗口法计算各类土地类型的土地类型分布密度；
模型训练模块，用于接收统计出的行政区域的GDP、土地类型特征值、土地类型分布密度的平均值数据，并建立得到GDP与土地类型特征值、土地类型分布密度一一对应的样本数据，利用所述样本数据训练得到用于进行GDP值估算的GDP评估模型。
7.根据权利要求6所述的装置，其特征在于，所述样本选择模块在根据Jeffries-Matusita距离来选择样本时，若两两土地类型的Jeffries-Matusita距离值大于设定的第一阈值，则选择该两类土地类型样本；若两两土地类型的Jeffries-Matusita距离值小于设定的第二阈值，则合并该两类样本为一类土地类型的样本。
8.根据权利要求6所述的装置，其特征在于，所述密度计算模块具体用于：以窗口为中心，上下左右分别移动N个窗口，分别计算(2N+1)2个窗口范围内的各种土地类型的百分比，该百分比即为分布密度。
9.一种电子设备，包括存储器、处理器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权利要求1～5任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910052243.2A CN109815885A (zh) | 2019-01-21 | 2019-01-21 | 基于modis卫星数据的gdp估算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910052243.2A CN109815885A (zh) | 2019-01-21 | 2019-01-21 | 基于modis卫星数据的gdp估算方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109815885A true CN109815885A (zh) | 2019-05-28 |
Family
ID=66604705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910052243.2A Pending CN109815885A (zh) | 2019-01-21 | 2019-01-21 | 基于modis卫星数据的gdp估算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109815885A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910471A (zh) * | 2019-11-13 | 2020-03-24 | 江苏禹治流域管理技术研究院有限公司 | 城市水地图及其制作显示方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184328A (zh) * | 2011-05-10 | 2011-09-14 | 南京大学 | 一种土地利用演化ca模型转换规则优化方法 |
| CN106845808A (zh) * | 2017-01-10 | 2017-06-13 | 北京师范大学 | 基于遥感数据反演的灌区稻田智能灌排决策方法和系统 |
| CN107194504A (zh) * | 2017-05-09 | 2017-09-22 | 云南师范大学 | 土地使用状态的预测方法、装置和系统 |
| CN108268969A (zh) * | 2017-10-09 | 2018-07-10 | 浙江海洋大学 | 基于遥感数据的区域经济发展形式分析与预测方法及装置 |
| CN108334838A (zh) * | 2018-01-30 | 2018-07-27 | 天津中科智能识别产业技术研究院有限公司 | 基于灯光遥感数据国家宏观经济指标估测方法 |
| CN108960300A (zh) * | 2018-06-20 | 2018-12-07 | 北京工业大学 | 一种基于深度神经网络的城市土地利用信息分析方法 |
| CN109118001A (zh) * | 2018-08-09 | 2019-01-01 | 成都天地量子科技有限公司 | 一种基于卫星遥感数据的山火监测方法和系统 |
-
2019
- 2019-01-21 CN CN201910052243.2A patent/CN109815885A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184328A (zh) * | 2011-05-10 | 2011-09-14 | 南京大学 | 一种土地利用演化ca模型转换规则优化方法 |
| CN106845808A (zh) * | 2017-01-10 | 2017-06-13 | 北京师范大学 | 基于遥感数据反演的灌区稻田智能灌排决策方法和系统 |
| CN107194504A (zh) * | 2017-05-09 | 2017-09-22 | 云南师范大学 | 土地使用状态的预测方法、装置和系统 |
| CN108268969A (zh) * | 2017-10-09 | 2018-07-10 | 浙江海洋大学 | 基于遥感数据的区域经济发展形式分析与预测方法及装置 |
| CN108334838A (zh) * | 2018-01-30 | 2018-07-27 | 天津中科智能识别产业技术研究院有限公司 | 基于灯光遥感数据国家宏观经济指标估测方法 |
| CN108960300A (zh) * | 2018-06-20 | 2018-12-07 | 北京工业大学 | 一种基于深度神经网络的城市土地利用信息分析方法 |
| CN109118001A (zh) * | 2018-08-09 | 2019-01-01 | 成都天地量子科技有限公司 | 一种基于卫星遥感数据的山火监测方法和系统 |
Non-Patent Citations (5)
| Title |
|---|
| 李峰 等: "基于DMSP-OLS和Landsat8数据的省域GDP空间化方法——以北京市为例", 《重庆师范大学学报(自然科学版)》 * |
| 李峰 等: "基于DMSP-OLS和Landsat8数据的省域GDP空间化方法——以北京市为例", 《重庆师范大学学报(自然科学版)》, vol. 33, no. 1, 31 January 2016 (2016-01-31), pages 138 - 142 * |
| 李运蒙 等: "基于支持向量机的短期GDP预测模型与应用研究", 《内蒙古大学学报(自然科学版)》, vol. 35, no. 4, 31 July 2014 (2014-07-31), pages 438 - 441 * |
| 臧润国 等: "《北疆森林植被生态特征》", 现代教育出版社, pages: 340 - 341 * |
| 高万林: "《新农村信息化建设探索》", 31 March 2011, 中国农业大学出版社, pages: 337 - 344 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910471A (zh) * | 2019-11-13 | 2020-03-24 | 江苏禹治流域管理技术研究院有限公司 | 城市水地图及其制作显示方法 |
| CN110910471B (zh) * | 2019-11-13 | 2024-02-06 | 江苏禹治流域管理技术研究院有限公司 | 城市水地图及其制作显示方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Azzellino et al. | Optimal siting of offshore wind-power combined with wave energy through a marine spatial planning approach | |
| CN103034858B (zh) | 一种卫星云图的二次聚类分割方法 | |
| CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
| CN111610494B (zh) | 一种vts雷达配置信号覆盖优化方法 | |
| Shirowzhan et al. | Spatial compactness metrics and Constrained Voxel Automata development for analyzing 3D densification and applying to point clouds: A synthetic review | |
| CN102346015A (zh) | 基于视频差异分析的输电线路绝缘子覆冰厚度测量方法 | |
| CN104636118A (zh) | 基于光平衡的qr二维码自适应二值化处理方法和装置 | |
| CN113160150B (zh) | 线网异物入侵ai检测方法与装置 | |
| CN109726649A (zh) | 遥感影像云检测方法、系统及电子设备 | |
| CN115879630A (zh) | 基于土地利用的碳排放即时表征与预测的方法及装置 | |
| Rajasekaran et al. | PTRM: Perceived terrain realism metric | |
| CN109815885A (zh) | 基于modis卫星数据的gdp估算方法及装置 | |
| Anand et al. | The potential of remote sensing and GIS in urban building energy modelling | |
| CN113506315A (zh) | 运动物体的检测方法、装置及存储介质 | |
| CN109272560A (zh) | 一种电力线矢量化方法及装置 | |
| CN113963314A (zh) | 降雨量监测方法、装置、计算机设备及存储介质 | |
| CN115392137B (zh) | 一种基于岩溶塌陷水土耦合作用的三维模拟系统 | |
| Mylne | Scientific framework for the ensemble prediction system for the UKV | |
| JP4761825B2 (ja) | 海面画像生成装置 | |
| Kochanski et al. | Deep learning predictions of sand dune migration | |
| Joshi et al. | Predicting urban heat island mitigation with random forest regression in Belgian cities | |
| Katikas et al. | Spatial decision support system for offshore wind farm siting using Geographic Information Systems, spatial analysis and optimization | |
| CN116596934B (zh) | 接地网腐蚀检测方法、系统、存储介质及移动终端 | |
| Sládek | Application of K‐Nearest Neighbor Classification for Static Webcams Visibility Observation | |
| CN116958476B (zh) | 一种基于bim数据的建筑物可视化建模方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |