CN110837875A - 地表覆盖数据质量异常判断方法及装置 - Google Patents

地表覆盖数据质量异常判断方法及装置 Download PDF

Info

Publication number
CN110837875A
CN110837875A CN201911132861.4A CN201911132861A CN110837875A CN 110837875 A CN110837875 A CN 110837875A CN 201911132861 A CN201911132861 A CN 201911132861A CN 110837875 A CN110837875 A CN 110837875A
Authority
CN
China
Prior art keywords
data
surface coverage
current
quality
sample
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
Application number
CN201911132861.4A
Other languages
English (en)
Other versions
CN110837875B (zh
Inventor
杜娟
周旭
李力勐
贾云鹏
程滔
陶舒
李广泳
杨刚
白驹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NATIONAL GEOMATICS CENTER OF CHINA
Original Assignee
NATIONAL GEOMATICS CENTER OF CHINA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NATIONAL GEOMATICS CENTER OF CHINA filed Critical NATIONAL GEOMATICS CENTER OF CHINA
Priority to CN201911132861.4A priority Critical patent/CN110837875B/zh
Publication of CN110837875A publication Critical patent/CN110837875A/zh
Application granted granted Critical
Publication of CN110837875B publication Critical patent/CN110837875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Remote Sensing (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • General Factory Administration (AREA)

Abstract

本申请提供一种地表覆盖数据质量异常判断方法及装置，涉及地理测量技术领域。所述方法包括：在当期成果质量复核样本结果中确定样本区域；基于所述样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据；基于所述指标数据，以及所述当期成果质量复核样本结果中的分类精度结果获得地表覆盖数据质量异常判断模型；通过所述地表覆盖数据质量异常判断模型确定目标区域的地表覆盖数据质量是否异常。基于当期成果质量复核样本结果获得地表覆盖数据质量异常判断模型，然后通过该模型对地表覆盖数据质量进行灵活、快速的判断，提高了地表覆盖数据质量的检测效率。

Description

地表覆盖数据质量异常判断方法及装置
技术领域
本申请涉及地理测量技术领域，具体而言，涉及一种地表覆盖数据质量异常判断方法及装置。
背景技术
地表覆盖是地球表面各种物质类型及其自然属性与特征的综合体，其分布和变化反映着人类社会的经济活动进程。通过地表覆盖数据可以获得资源、生态环境变化趋势，为构建生态安全战略格局和强化生态环境保护与治理提供有效的地理信息支撑，为区域规划、气候变化、生态系统评估等国家重大战略提供重要依据。因此确保获得真实的地表覆盖信息，保证数据的质量显得尤为重要。
当前针对地表覆盖的质量评价方式可分为概查和详查，概查内容包括空间参考系、逻辑一致性等，详查内容包括采集精度、分类精度等。两相比较，概查较易自动化实现，可覆盖总体数据，但详查更多地需要人工参与，是数据质量的主要组成部分，限于人力和现实性，一般采取抽样的方法。也就是说，针对质量中更重要的内容，一般只能得到样本的质量情况，要获取以致控制总体的质量是低效且不现实的。
发明内容
有鉴于此，本申请实施例的目的在于提供一种地表覆盖数据质量异常判断方法及装置，以在现有技术的基础上提升地表覆盖数据质量判定效率。
本申请实施例提供了一种地表覆盖数据质量异常判断方法，所述方法包括：在当期成果质量复核样本结果中确定样本区域；基于所述样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据；基于所述指标数据，以及所述当期成果质量复核样本结果中的分类精度结果获得地表覆盖数据质量异常判断模型；通过所述地表覆盖数据质量异常判断模型确定目标区域的地表覆盖数据质量是否异常。
在上述实现方式中，通过样本区域的指标数据和当期成果质量复核样本结果获得地表覆盖数据质量异常判断模型，然后将目标区域的指标数据输入地表覆盖数据质量异常判断模型后就能基于该模型的输出结果确定地表覆盖数据质量是否异常。基于已有的质量评价结果与数据自身信息的关联关系为数据质量提供异常判断，能够提升地表覆盖数据质量控制效率，且能够提取指标数据的测区均能采用地表覆盖数据质量异常判断模型进行地表覆盖数据质量异常评估，具有更好地适用性，有利于对更大范围的区域进行地表覆盖数据质量异常评估。
可选地，所述指标数据包括地类转移均值面积、地类转移均值面积的绝对差值和地类转移均值面积占比，所述基于所述样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据，包括：基于所述样本区域的所述当期地表覆盖更新数据和所述前期地表覆盖本底数据获得地类转移矩阵；基于所述地类转移矩阵确定所述样本区域的地类转入面积和地类转出面积；基于所述地类转入面积和所述地类转出面积确定所述地类转移均值面积；基于所述地类转移均值面积确定所述地类转移均值面积的绝对差值和所述地类转移均值面积占比。
在上述实现方式中，将地类转移均值面积、地类转移均值面积的绝对差值和地类转移均值面积占比作为指标数据，使地表覆盖数据质量异常判断模型能够更加准确、真实地确定地表覆盖变化情况。
可选地，所述指标数据还包括更新率绝对差值，所述基于所述样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据，还包括：基于所述样本区域的所述当期地表覆盖更新数据的更新数量和所述前期地表覆盖本底数据的数量确定当期更新数量比例；基于所述样本区域的所述当期地表覆盖更新数据的更新面积和所述前期地表覆盖本底数据的面积确定当期更新面积比例；基于所述当期更新数量比例和所述当期更新面积比例确定当期更新率；基于所述当期更新率和前期更新率确定所述更新率绝对差值。
在上述实现方式中，基于当期地表覆盖更新数据和前期地表覆盖本底数据获得当期更新数量比例、当期更新面积比例、当期更新率和更新率绝对差值，能够更加准确地反映地表覆盖数据的更新特性。
可选地，所述指标数据还包括地类密度误差，所述基于所述样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据，还包括：确定所述样本区域的所述当期地表覆盖更新数据和基期地表覆盖本底数据中各个图斑的图斑点数及图斑长度；基于所述图斑点数和所述图斑长度确定各类别基期图斑点密度和各类别当期图斑点密度；基于所述各类别基期图斑点密度和所述各类别当期图斑点密度的大小关系对所述各类别当期图斑点密度进行分类调整，获得各类别调整当期图斑点密度；采用均方根误差公式，基于所述各类别调整当期图斑点密度和所述各类别基期图斑点密度确定所述地类密度误差。
在上述实现方式中，将图斑点数和图斑长度作为指标数据，能够更加准确地反映地表覆盖数据的采集特性。
可选地，所述基于所述指标数据，以及所述当期成果质量复核样本结果中的分类精度结果获得地表覆盖数据质量异常判断模型，包括：确定决策树分类算法；在所述样本区域的所述当期成果质量复核样本结果中进行随机抽样，获得平衡样本；根据所述平衡样本的所述当期成果质量复核样本中的分类精度判定结果和所述指标数据，采用交叉验证法获得基于所述决策树分类算法的所述地表覆盖数据质量异常判断模型。
在上述实现过程中，通过随机抽样采集平衡样本和决策树分类算法训练获得地表覆盖数据质量异常判断模型，能够保证地表覆盖数据质量异常判断模型对地表覆盖数据质量的判定准确性和适用性。
可选地，所述确定决策树分类算法，包括：确定所述决策树分类算法为ID3算法；将所述当期成果质量复核样本结果中所述样本区域的所述指标数据作为所述决策树分类算法的自变量，将所述当期地表覆盖数据质量复核结果中的所述样本区域的地表覆盖数据的分类精度判定结果作为所述决策树分类算法的因变量。
在上述实现方式中，基于ID3算法进行地表覆盖数据质量异常判断模型的训练，基于ID3算法的特性提高了该模型的判定效率。
可选地，所述在所述样本区域的所述当期成果质量复核样本结果中进行随机抽样，获得平衡样本，包括：获得所述因变量的数据，并将所述因变量的数据作为总体数据，所述因变量的数据包括第一分类数值和第二分类数值；确定所述第一分类数值的数量，将所述第一分类数值的数量除以第一预设数值K，对获得的商进行向下取整，获得第一中间值；通过随机抽样将所述总体数据分为K份；在K份数据的每份数据中所述第一分类数值的数量都大于或等于所述第一中间值时，将所述K份数据作为所述平衡样本。
在上述实现方式中，通过平衡取样避免样本中第二分类值所占比例过大，造成样本失衡从而影响地表覆盖数据质量异常判断模型的判断准确性，从而提高了模型判定结果的可信度和真实性。
本申请实施例还提供了一种地表覆盖数据质量异常判断装置，所述装置包括：区域选定模块，用于在当期成果质量复核样本结果中确定样本区域；指标选定模块，用于基于所述样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据；模型建立模块，用于基于所述指标数据，以及所述当期成果质量复核样本结果中的分类精度结果获得地表覆盖数据质量异常判断模型；异常判断模块，用于通过所述地表覆盖数据质量异常判断模型确定目标区域的地表覆盖数据质量是否异常。
在上述实现方式中，通过样本区域的指标数据和当期成果质量复核样本结果获得地表覆盖数据质量异常判断模型，然后将目标区域的指标数据输入地表覆盖数据质量异常判断模型后就能基于该模型的输出结果确定地表覆盖数据质量是否异常。基于已有的质量评价结果与数据自身信息的关联关系为数据质量提供异常判断，能够提升地表覆盖数据质量控制效率，且能够提取指标数据的测区均能采用地表覆盖数据质量异常判断模型进行地表覆盖数据质量异常评估，具有更好地适用性，有利于对更大范围的区域进行地表覆盖数据质量异常评估。
可选地，所述指标选定模块具体用于：基于所述样本区域的所述当期地表覆盖更新数据和所述前期地表覆盖本底数据获得地类转移矩阵；基于所述地类转移矩阵确定所述样本区域的地类转入面积和地类转出面积；基于所述地类转入面积和所述地类转出面积确定所述地类转移均值面积；基于所述地类转移均值面积确定所述地类转移均值面积的绝对差值和所述地类转移均值面积占比。
在上述实现方式中，将地类转移均值面积、地类转移均值面积的绝对差值和地类转移均值面积占比作为指标数据，使地表覆盖数据质量异常判断模型能够更加准确、真实地确定地表覆盖变化情况。
可选地，所述指标选定模块具体用于：基于所述样本区域的所述当期地表覆盖更新数据的更新数量和所述前期地表覆盖本底数据的数量确定当期更新数量比例；基于所述样本区域的所述当期地表覆盖更新数据的更新面积和所述前期地表覆盖本底数据的面积确定当期更新面积比例；基于所述当期更新数量比例和所述当期更新面积比例确定当期更新率；基于所述当期更新率和前期更新率确定所述更新率绝对差值。
在上述实现方式中，基于当期地表覆盖更新数据和前期地表覆盖本底数据获得当期更新数量比例、当期更新面积比例、当期更新率和更新率绝对差值，能够更加准确地反映地表覆盖数据的更新特性。
可选地，所述指标选定模块具体用于：确定所述样本区域的所述当期地表覆盖更新数据和基期地表覆盖本底数据中各个图斑的图斑点数及图斑长度；基于所述图斑点数和所述图斑长度确定各类别基期图斑点密度和各类别当期图斑点密度；基于所述各类别基期图斑点密度和所述各类别当期图斑点密度的大小关系对所述各类别当期图斑点密度进行分类调整，获得各类别调整当期图斑点密度；采用均方根误差公式，基于所述各类别调整当期图斑点密度和所述各类别基期图斑点密度确定所述地类密度误差。
在上述实现方式中，将图斑点数和图斑长度作为指标数据，能够更加准确地反映地表覆盖数据的采集特性。
可选地，所述模型建立模块具体用于：确定决策树分类算法；在所述样本区域的所述当期成果质量复核样本结果中进行随机抽样，获得平衡样本；根据所述平衡样本的所述当期成果质量复核样本中的分类精度判定结果和所述指标数据，采用交叉验证法获得基于所述决策树分类算法的所述地表覆盖数据质量异常判断模型。
在上述实现过程中，通过随机抽样采集平衡样本和决策树分类算法训练获得地表覆盖数据质量异常判断模型，能够保证地表覆盖数据质量异常判断模型对地表覆盖数据质量的判定准确性和适用性。
可选地，所述模型建立模块具体用于：确定所述决策树分类算法为ID3算法；将所述当期成果质量复核样本结果中所述样本区域的所述指标数据作为所述决策树分类算法的自变量，将所述当期地表覆盖数据质量复核结果中的所述样本测区的地表覆盖数据的分类精度判定结果作为所述决策树分类算法的因变量。
在上述实现方式中，基于ID3算法进行地表覆盖数据质量异常判断模型的训练，基于ID3算法的特性提高了该模型的判定效率。
可选地，所述模型建立模块具体用于：将所述自变量的数据输入所述决策树分类算法，获得所述因变量的数据，并将所述因变量的数据作为总体数据，所述因变量的数据包括第一分类数值和第二分类数值；确定所述第一分类数值的数量，将所述第一分类数值的数量除以第一预设数值K，对获得的商进行向下取整，获得第一中间值；通过随机抽样将所述总体数据分为K份；在K份数据的每份数据中所述第一分类数值的数量都大于或等于所述第一中间值时，将所述K份数据作为所述平衡样本。
在上述实现方式中，通过平衡取样避免样本中第二分类值所占比例过大，造成样本失衡从而影响地表覆盖数据质量异常判断模型的判断准确性，从而提高了模型判定结果的可信度和真实性。
本申请实施例还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行上述任一实现方式中的步骤。
本申请实施例还提供了一种可读取存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一实现方式中的步骤。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请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申请的某些实施例，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为本申请实施例提供的一种地表覆盖数据质量异常判断方法的流程示意图；
图2为本申请实施例提供的一种指标数据获取步骤的流程示意图；
图3为本申请实施例提供的一种平衡样本获取步骤的流程示意图；
图4为本申请实施例提供的一种地表覆盖数据质量异常判断装置的模块示意图。
图标：20-地表覆盖数据质量异常判断装置；21-区域选定模块；22-指标选定模块；23-模型建立模块；24-异常判断模块。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
经本申请人研究发现，在限于人力和现实条件的情况下，一般只能得到样本的质量情况，通过人工分析进行地表覆盖数据质量评估的效率较低，要获取以致控制总体的质量是低效且不现实的，数据总体的质量情况不可得，而其实数据本身某些方面可以间接反映质量情况，如果能够基于已有的质量评价结果与数据自身信息建立联系，根据关联关系为数据质量提供一种可能性判断，也就是异常判断，那么在数据可得的情况，就能快速高效对较大区域甚至全国进行推测。
因此，本实施例提供了一种地表覆盖数据质量异常判断方法，请参考图1，图1为本申请实施例提供的一种地表覆盖数据质量异常判断方法的流程示意图。该地表覆盖数据质量异常判断方法的具体步骤可以如下：
步骤S12：在当期成果质量复核样本结果中确定样本区域。
当期成果质量复核样本结果是对地表覆盖数据质量的复核结果，地表覆盖数据一般是采用基于像素分类-对象提取-知识检核的综合方法提取而成，其反应地表自然营造物和人工营造物的自然属性或状况。地表覆盖不同于土地利用，一般不侧重于土地的社会属性(人类对土地的利用方式和目的意图)等。地表覆盖数据中的分类类型可以包括耕地、园地、林地、草地、房屋建筑(区)、铁路与道路、构筑物、人工堆掘地、荒漠与裸露地表、水域等，具体可以参考《地理国情普查内容与指标》。
其中，当期成果质量复核样本结果是对多个抽样单位的地表覆盖数据质量评估的结果，其通过分数、星级、合格或不合格等标定方式表示各个抽样单位的地表覆盖数据质量情况。例如，采用分数表示地表覆盖数据质量情况。
可选地，当期成果质量复核样本结果一般以县级测区为抽样单位，原则上包含省级验收样本和非样本，同时兼顾不同监测生产单位、不同监测类别分区等因素，复核样本总量不低于省级验收样本的指定比例，例如20％。
本实施例可以选用指定年份(可为当前最新年份)的当期成果质量复核样本结果，以抽签样本50个县级测区为例，其中省级验收样本19个县级测区，非省级验收样本31个县级测区，根据数据可靠性、准确性等确定其中全部或部分测区作为样本区域，例如样本区域数量为48个。
步骤S14：基于样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据。
当期地表覆盖更新数据为当前时期的更新数据，前期地表覆盖本底数据为前一年度的全集数据，例如基于前期地表覆盖本底数据获知某区域在前期统计中地表覆盖类型为耕地，该区域在当期地表覆盖更新数据中地表覆盖类型变为草地，则该类型变化、变化面积等数据均为当期地表覆盖更新数据的一部分。
指标数据可以是针对本底和更新数据，从实际地表变化情况、作业单位人员稳定情况、作业人员工艺等角度出发，综合选取的一个或多个类型的指标。
可选地，指标数据可以包括地类转移均值面积、地类转移均值面积的绝对差值和地类转移均值面积占比。请参考图2，图2为本申请实施例提供的一种指标数据获取步骤的流程示意图。该指标数据获取步骤具体可以如下：
步骤S141：基于样本区域的当期地表覆盖更新数据和前期地表覆盖本底数据获得地类转移矩阵。
针对样本区域，将当期地表覆盖更新数据与前期地表覆盖本底数据进行相交剪裁，获得地类转移矩阵
Figure BDA0002277511770000101
其中，i表示前期地类类别，j表示当期地类类别，Aij表示前期i类转为当期j类的面积。
例如下标1表示耕地，下标2表示草地，A12＝12表示前期为耕地、当期转为草地的面积为12个单位，该单位可以是平方千米、公顷等。
步骤S142：基于地类转移矩阵确定样本区域的地类转入面积和地类转出面积。
具体地，
Figure BDA0002277511770000102
Figure BDA0002277511770000103
Figure BDA0002277511770000104
步骤S143：基于地类转入面积和地类转出面积确定地类转移均值面积。
具体地，
步骤S144：基于地类转移均值面积确定地类转移均值面积的绝对差值和地类转移均值面积占比。
具体地，地类转移均值面积的绝对差值＝|当期地类转移均值面积-前期地类转移均值面积|。
其中，前期地类转移均值面积可以基于前期地表覆盖更新数据以及两期前地表覆盖本底数据获得。
Figure BDA0002277511770000106
作为一种可选地实施方式，本实施例中的指标数据还可以包括更新率绝对差值，更新率绝对差值的具体获取步骤可以如下：
步骤S145：基于样本区域的当期地表覆盖更新数据的更新数量和前期地表覆盖本底数据的数量确定当期更新数量比例。
Figure BDA0002277511770000111
步骤S146：基于样本区域的当期地表覆盖更新数据的更新面积和前期地表覆盖本底数据的面积确定当期更新面积比例。
Figure BDA0002277511770000112
步骤S147：基于当期更新数量比例和当期更新面积比例确定当期更新率。
当期更新率＝a1*当期更新数量比例+a2*当期更新面积比例。
其中，a1，a2为权重，本发明实施例选择a1＝a2＝0.5。
步骤S148：基于当期更新率和前期更新率确定更新率绝对差值。
更新率绝对差值＝|当期更新率-前期更新率|，其中，前期更新率与当期更新率的求取步骤相同。
可选地，本实施例中的指标数据还可以包括地类密度误差，地类密度误差可以通过计算图斑点密度获得。在地表覆盖数据中，图像分割或者矢量图套合，将整个影像划分成若干个小的区域，这样的区域一般叫做图斑或者像斑，图斑的数据指标能够更加精确地体现地表覆盖数据的特征。因此本实施例采用其进行地类密度误差的获得。
具体地，通过地表覆盖数据中的图斑特征计算地类密度误差的具体步骤可以如下：
步骤S149：确定样本区域的当期地表覆盖更新数据和基期地表覆盖本底数据中各个图斑的图斑点数及图斑长度。
样本区域的范围内包含的各个图斑所含的点数为该图斑所对应的图斑点数。
步骤S1410：基于图斑点数和图斑长度确定图斑点密度。
具体地，
Figure BDA0002277511770000113
步骤S1411：对于图斑点密度分类别取平均值，获得各个类别的图斑点密度，计算各类别基期图斑点密度和各类别当期图斑点密度。
图斑点密度
Figure BDA0002277511770000121
图斑点密度ij/m，其中，i表示地类类别，m表示图斑类别为i类的总数量，图斑点密度ij表示图斑类别为i类的第j个图斑的图斑点密度。
根据当/基期数据可以计算相应时期的各类别图斑点密度，简称基期图斑点密度和当期图斑点密度，其中，基期指的是特定年份开展的地理国情普查获取的基期数据，后续数据是在此基础上逐年监测获得。
步骤S1412：基于各类别基期图斑点密度和各类别当期图斑点密度的大小关系对当期图斑点密度进行分类调整，获得调整当期图斑点密度。
Figure BDA0002277511770000122
其中i表示地类类别。
步骤S1413：采用均方根误差公式，基于各类别调整当期图斑点密度和各类别基期图斑点密度确定地类密度误差。
Figure BDA0002277511770000123
其中，i表示地类类别，N表示地类类别数量。
应当理解的是，除了上述五个类型的指标数据，还可以是上述五个类型数据的任意组合为指标数据，还可以将地表覆盖数据中的其他类型的数据作为指标数据。
步骤S16：基于指标数据，以及当期成果质量复核样本结果中的分类精度结果获得地表覆盖数据质量异常判断模型。
具体地，获得地表覆盖数据质量异常判断模型，该地表覆盖数据质量异常判断模型的获取步骤可以如下：
步骤S161：确定决策树分类算法。
决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。
可选地，可以采用ID3、C4.5、CART等决策树算法。由于ID3算法具有生成模式简单、计算效率高的特点，本实施例以ID3算法为例。
进一步地，将当期成果质量复核样本结果中样本区域的指标数据作为决策树分类算法的自变量，将当期地表覆盖数据质量复核结果中的样本测区的地表覆盖数据的分类精度判定结果作为决策树分类算法的因变量。其中，样本测区的地表覆盖数据的分类精度判定结果可以包含第一分类值和第二分类值，第一分类值表示分类精度不合格，第二分类值表示分类精度合格。在本实施例中，可以将分数低于预设分值的样本测区的质量复核样本结果归为第一分类值，将高于或等于预设分值的样本测区的质量复核样本结果归为第二分类值，该预设分值可以根据具体情况进行调整，例如60分、70分等。
可选地，第一分类值可以为0，第二分类值可以为1。
步骤S162：在样本区域的当期成果质量复核样本结果中进行随机抽样，获得平衡样本。
请参考图3，图3为本申请实施例提供的一种平衡样本获取步骤的流程示意图。具体地，步骤162可以包括如下步骤：
步骤S1621：获得因变量的数据，并将因变量的数据作为总体数据。
步骤S1622：确定第一分类数值的数量，将第一分类数值的数量除以第一预设数值K，对获得的商进行向下取整，获得第一中间值。
步骤S1623：通过随机抽样将总体数据分为K份。
步骤S1624：在K份数据的每份数据中第一分类数值的数量都大于或等于第一中间值时，将K份数据作为平衡样本。
在上述步骤S1621-S1624中，通过平衡取样避免样本中第二分类值所占比例过大，造成样本失衡从而影响地表覆盖数据质量异常判断模型的判断准确性，从而提高了模型判定结果的可信度和真实性。
步骤S163：根据平衡样本的当期成果质量复核样本中的分类精度判定结果和指标数据，采用交叉验证法获得基于决策树分类算法的地表覆盖数据质量异常判断模型。
交叉验证主要用于建模应用中，例如回归建模中。在给定的建模样本中，拿出大部分样本进行建模型，留小部分样本用刚建立的模型进行预报，并求这小部分样本的预报误差，记录它们的平方加和。
本实施例中可以将平衡样本中K份数据的K-1份作为训练集，将剩余的一份作为测试集，计算刚获得的模型的分类精度，然后对K个结果进行平均，记录分类精度最高的模型。
可选地，为了获得更加精确的地表覆盖数据质量异常判断模型，可以重复步骤S162-S163预设次数，例如50次等，然后选择分类精度最高的模型作为最终的地表覆盖数据质量异常判断模型。
步骤S18：通过地表覆盖数据质量异常判断模型确定目标区域的地表覆盖数据质量是否异常。
应当理解的是，目标区域可以根据具体需求确定，可以是省份甚至全国范围，但需注意，指标数据的计算还应以测区为单位，需要与模型建立时选取的单元保持一致，将指标数据代入模型得到异常与否的判断。此外，实际实施过程中还可结合其他类型数据进行综合判断分析。
地表覆盖数据质量异常判断模型在输入目标区域指标数据后，会输出第一分类数值或第二分类数值，以表征该目标区域的地表覆盖数据质量是否异常。
通过上述S12-S18的步骤，能够在地表覆盖数据质量评估时综合选取指标，根据质量评价结果，使用决策树得到最优模型为质量评估提供方法手段，在数据可得的基础上，能高效、快速应用至较大区域，提高了地表覆盖数据质量评估的效率和适用性。
为了配合上述地表覆盖数据质量异常判断方法，本实施例还提供了一种地表覆盖数据质量异常判断装置20。
请参考图4，图4为本申请实施例提供的一种地表覆盖数据质量异常判断装置的模块示意图。
地表覆盖数据质量异常判断装置20包括：
区域选定模块21，用于在当期成果质量复核样本结果中确定样本区域；
指标选定模块22，用于基于样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据；
模型建立模块23，用于基于指标数据，以及当期成果质量复核样本结果中的分类精度结果获得地表覆盖数据质量异常判断模型；
异常判断模块24，用于通过地表覆盖数据质量异常判断模型确定目标区域的地表覆盖数据质量是否异常。
指标选定模块22具体用于：基于样本区域的当期地表覆盖更新数据和前期地表覆盖本底数据获得地类转移矩阵；基于地类转移矩阵确定样本区域的地类转入面积和地类转出面积；基于地类转入面积和地类转出面积确定地类转移均值面积；基于地类转移均值面积确定地类转移均值面积的绝对差值和地类转移均值面积占比。
指标选定模块22具体用于：基于样本区域的当期地表覆盖更新数据的更新数量和前期地表覆盖本底数据的数量确定当期更新数量比例；基于样本区域的当期地表覆盖更新数据的更新面积和前期地表覆盖本底数据的面积确定当期更新面积比例；基于当期更新数量比例和当期更新面积比例确定当期更新率；基于当期更新率和前期更新率确定更新率绝对差值。
指标选定模块22具体用于：确定所述样本区域的所述当期地表覆盖更新数据和基期地表覆盖本底数据中各个图斑的图斑点数及图斑长度；基于所述图斑点数和所述图斑长度确定各类别基期图斑点密度和各类别当期图斑点密度；基于所述各类别基期图斑点密度和所述各类别当期图斑点密度的大小关系对所述各类别当期图斑点密度进行分类调整，获得各类别调整当期图斑点密度；采用均方根误差公式，基于所述各类别调整当期图斑点密度和所述各类别基期图斑点密度确定所述地类密度误差。
可选地，所述模型建立模块23具体用于：确定决策树分类算法；在所述样本区域的所述当期成果质量复核样本结果中进行随机抽样，获得平衡样本；根据所述平衡样本的所述当期成果质量复核样本中的分类精度判定结果和所述指标数据，采用交叉验证法获得基于所述决策树分类算法的所述地表覆盖数据质量异常判断模型。
进一步的，模型建立模块23具体用于：确定所述决策树分类算法为ID3算法；将所述当期成果质量复核样本结果中所述样本区域的所述指标数据作为所述决策树分类算法的自变量，将所述当期地表覆盖数据质量复核结果中的所述样本测区的地表覆盖数据的分类精度判定结果作为所述决策树分类算法的因变量。
模型建立模块23具体用于：获得因变量的数据，并将因变量的数据作为总体数据，因变量的数据包括第一分类数值和第二分类数值；确定第一分类数值的数量，将第一分类数值的数量除以第一预设数值K，对获得的商进行向下取整，获得第一中间值；通过随机抽样将总体数据分为K份；在K份数据的每份数据中第一分类数值的数量都大于或等于第一中间值时，将K份数据作为平衡样本。
本申请实施例还提供了一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行本实施例提供的地表覆盖数据质量异常判断方法中任一项所述方法中的步骤。
应当理解是，该电子设备可以是个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personal digital assistant，PDA)等具有逻辑计算功能的电子设备。
本申请实施例还提供了一种可读取存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行地表覆盖数据质量异常判断方法中的步骤。
综上所述，本申请实施例提供了一种地表覆盖数据质量异常判断方法及装置，所述方法包括：在当期成果质量复核样本结果中确定样本区域；基于所述样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据；基于所述指标数据，以及所述当期成果质量复核样本结果中的分类精度结果获得地表覆盖数据质量异常判断模型；通过所述地表覆盖数据质量异常判断模型确定目标区域的地表覆盖数据质量是否异常。
在上述实现方式中，通过样本区域的指标数据和当期成果质量复核样本结果获得地表覆盖数据质量异常判断模型，然后将目标区域的指标数据输入地表覆盖数据质量异常判断模型后就能基于该模型的输出结果确定地表覆盖数据质量是否异常。基于已有的质量评价结果与数据自身信息的关联关系为数据质量提供异常判断，能够提升地表覆盖数据质量控制效率，且能够提取指标数据的测区均能采用地表覆盖数据质量异常判断模型进行地表覆盖数据质量异常评估，具有更好地适用性，有利于对更大范围的区域进行地表覆盖数据质量异常评估。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的框图显示了根据本申请的多个实施例的设备的可能实现的体系架构、功能和操作。在这点上，框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图中的每个方框、以及框图的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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。因此本实施例还提供了一种可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行区块数据存储方法中任一项所述方法中的步骤。基于这样的理解，本申请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)执行本申请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-Only Memory)、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。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种地表覆盖数据质量异常判断方法，其特征在于，所述方法包括：
在当期成果质量复核样本结果中确定样本区域；
基于所述样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据；
基于所述指标数据，以及所述当期成果质量复核样本结果中的分类精度结果获得地表覆盖数据质量异常判断模型；
通过所述地表覆盖数据质量异常判断模型确定目标区域的地表覆盖数据质量是否异常。
2.根据权利要求1所述的方法，其特征在于，所述指标数据包括地类转移均值面积、地类转移均值面积的绝对差值和地类转移均值面积占比，所述基于所述样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据，包括：
基于所述样本区域的所述当期地表覆盖更新数据和所述前期地表覆盖本底数据获得地类转移矩阵；
基于所述地类转移矩阵确定所述样本区域的地类转入面积和地类转出面积；
基于所述地类转入面积和所述地类转出面积确定所述地类转移均值面积；
基于所述地类转移均值面积确定所述地类转移均值面积的绝对差值和所述地类转移均值面积占比。
3.根据权利要求2所述的方法，其特征在于，所述指标数据还包括更新率绝对差值，所述基于所述样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据，还包括：
基于所述样本区域的所述当期地表覆盖更新数据的更新数量和所述前期地表覆盖本底数据的数量确定当期更新数量比例；
基于所述样本区域的所述当期地表覆盖更新数据的更新面积和所述前期地表覆盖本底数据的面积确定当期更新面积比例；
基于所述当期更新数量比例和所述当期更新面积比例确定当期更新率；
基于所述当期更新率和前期更新率确定所述更新率绝对差值。
4.根据权利要求2所述的方法，其特征在于，所述指标数据还包括地类密度误差，所述基于所述样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据，还包括：
确定所述样本区域的所述当期地表覆盖更新数据和基期地表覆盖本底数据中各个图斑的图斑点数及图斑长度；
基于所述图斑点数和所述图斑长度确定各类别基期图斑点密度和各类别当期图斑点密度；
基于所述各类别基期图斑点密度和所述各类别当期图斑点密度的大小关系对所述各类别当期图斑点密度进行分类调整，获得各类别调整当期图斑点密度；
采用均方根误差公式，基于所述各类别调整当期图斑点密度和所述各类别基期图斑点密度确定所述地类密度误差。
5.根据权利要求1所述的方法，其特征在于，所述基于所述指标数据，以及所述当期成果质量复核样本结果中的分类精度结果获得地表覆盖数据质量异常判断模型，包括：
确定决策树分类算法；
在所述样本区域的所述当期成果质量复核样本结果中进行随机抽样，获得平衡样本；
根据所述平衡样本的所述当期成果质量复核样本中的分类精度判定结果和所述指标数据，采用交叉验证法获得基于所述决策树分类算法的所述地表覆盖数据质量异常判断模型。
6.根据权利要求5所述的方法，其特征在于，所述确定决策树分类算法，包括：
确定所述决策树分类算法为ID3算法；
将所述当期成果质量复核样本结果中所述样本区域的所述指标数据作为所述决策树分类算法的自变量，将所述当期地表覆盖数据质量复核结果中的所述样本测区的地表覆盖数据的分类精度判定结果作为所述决策树分类算法的因变量。
7.根据权利要求6所述的方法，其特征在于，所述在所述样本区域的所述当期成果质量复核样本结果中进行随机抽样，获得平衡样本，包括：
获得所述因变量的数据，并将所述因变量的数据作为总体数据，所述因变量的数据包括第一分类数值和第二分类数值；
确定所述第一分类数值的数量，将所述第一分类数值的数量除以第一预设数值K，对获得的商进行向下取整，获得第一中间值；
通过随机抽样将所述总体数据分为K份；
在K份数据的每份数据中所述第一分类数值的数量都大于或等于所述第一中间值时，将所述K份数据作为所述平衡样本。
8.一种地表覆盖数据质量异常判断装置，其特征在于，所述装置包括：
区域选定模块，用于在当期成果质量复核样本结果中确定样本区域；
指标选定模块，用于基于所述样本区域的当期地表覆盖更新数据和/或前期地表覆盖本底数据获得指标数据；
模型建立模块，用于基于所述指标数据，以及所述当期成果质量复核样本结果中的分类精度结果获得地表覆盖数据质量异常判断模型；
异常判断模块，用于通过所述地表覆盖数据质量异常判断模型确定目标区域的地表覆盖数据质量是否异常。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行权利要求1-7任一项所述方法中的步骤。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器运行时，执行权利要求1-7任一项所述方法中的步骤。
CN201911132861.4A 2019-11-18 2019-11-18 地表覆盖数据质量异常判断方法及装置 Active CN110837875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911132861.4A CN110837875B (zh) 2019-11-18 2019-11-18 地表覆盖数据质量异常判断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911132861.4A CN110837875B (zh) 2019-11-18 2019-11-18 地表覆盖数据质量异常判断方法及装置

Publications (2)

Publication Number Publication Date
CN110837875A true CN110837875A (zh) 2020-02-25
CN110837875B CN110837875B (zh) 2022-07-05

Family

ID=69576539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911132861.4A Active CN110837875B (zh) 2019-11-18 2019-11-18 地表覆盖数据质量异常判断方法及装置

Country Status (1)

Country Link
CN (1) CN110837875B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117095042A (zh) * 2023-08-02 2023-11-21 国家基础地理信息中心 地表覆盖的地类转移空间分异的确定方法和装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831440A (zh) * 2012-08-20 2012-12-19 中国测绘科学研究院 一种广域遥感影像决策树分类方法及装置
CN105069463A (zh) * 2015-07-17 2015-11-18 重庆交通大学 基于面向对象的多尺度山地城市土地覆盖信息的获取方法
CN107239759A (zh) * 2017-05-27 2017-10-10 中国科学院遥感与数字地球研究所 一种基于深度特征的高空间分辨率遥感图像迁移学习方法
CN107480698A (zh) * 2017-07-12 2017-12-15 广东旭诚科技有限公司 基于多个监测指标的质量控制方法
CN107506417A (zh) * 2017-08-15 2017-12-22 国家基础地理信息中心 高保真地表覆盖数据迭代更新方法和系统
CN108089850A (zh) * 2018-01-02 2018-05-29 北京建筑大学 一种基于影像协同分割与生态地理分区规则库的地表覆盖产品增量更新方法
US20180324199A1 (en) * 2017-05-05 2018-11-08 Servicenow, Inc. Systems and methods for anomaly detection
CN109087011A (zh) * 2018-08-09 2018-12-25 中国神华能源股份有限公司 评估生态环境状况的方法及装置、存储介质和处理器
US20190034834A1 (en) * 2016-03-31 2019-01-31 Alibaba Group Holding Limited Method and apparatus for training model based on random forest
CN109801296A (zh) * 2019-01-14 2019-05-24 中国科学院地理科学与资源研究所 一种海绵城市建设下垫面嵌套式遥感精细化制图方法
CN110363356A (zh) * 2019-07-17 2019-10-22 长安大学 一种面向生态的水土资源时空优化配置方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831440A (zh) * 2012-08-20 2012-12-19 中国测绘科学研究院 一种广域遥感影像决策树分类方法及装置
CN105069463A (zh) * 2015-07-17 2015-11-18 重庆交通大学 基于面向对象的多尺度山地城市土地覆盖信息的获取方法
US20190034834A1 (en) * 2016-03-31 2019-01-31 Alibaba Group Holding Limited Method and apparatus for training model based on random forest
US20180324199A1 (en) * 2017-05-05 2018-11-08 Servicenow, Inc. Systems and methods for anomaly detection
CN107239759A (zh) * 2017-05-27 2017-10-10 中国科学院遥感与数字地球研究所 一种基于深度特征的高空间分辨率遥感图像迁移学习方法
CN107480698A (zh) * 2017-07-12 2017-12-15 广东旭诚科技有限公司 基于多个监测指标的质量控制方法
CN107506417A (zh) * 2017-08-15 2017-12-22 国家基础地理信息中心 高保真地表覆盖数据迭代更新方法和系统
CN108089850A (zh) * 2018-01-02 2018-05-29 北京建筑大学 一种基于影像协同分割与生态地理分区规则库的地表覆盖产品增量更新方法
CN109087011A (zh) * 2018-08-09 2018-12-25 中国神华能源股份有限公司 评估生态环境状况的方法及装置、存储介质和处理器
CN109801296A (zh) * 2019-01-14 2019-05-24 中国科学院地理科学与资源研究所 一种海绵城市建设下垫面嵌套式遥感精细化制图方法
CN110363356A (zh) * 2019-07-17 2019-10-22 长安大学 一种面向生态的水土资源时空优化配置方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SUMING JIN ET AL.: "A comprehensive change detection method for updating the National Land Cover Database to circa 2011", 《REMOTE SENSING OF ENVIRONMENT》 *
武昊等: "地表覆盖信息服务标准研究", 《地理信息世界》 *
裴亮等: "基于马尔科夫模型的大凌河流域土地利用/覆被变化趋势研究", 《土壤通报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117095042A (zh) * 2023-08-02 2023-11-21 国家基础地理信息中心 地表覆盖的地类转移空间分异的确定方法和装置
CN117095042B (zh) * 2023-08-02 2024-02-23 国家基础地理信息中心 地表覆盖的地类转移空间分异的确定方法和装置

Also Published As

Publication number Publication date
CN110837875B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN113919448B (zh) 一种任意时空位置二氧化碳浓度预测影响因素分析方法
Martinez et al. Toward improved identification of hydrological models: A diagnostic evaluation of the “abcd” monthly water balance model for the conterminous United States
Bunting et al. Modelling pollen dispersal and deposition using HUMPOL software, including simulating windroses and irregular lakes
CN109472004B (zh) 气候变化和人类活动对水文干旱影响的综合评估方法、装置及系统
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
Chen et al. Comparison of feature selection methods for mapping soil organic matter in subtropical restored forests
Gemitzi Predicting land cover changes using a CA Markov model under different shared socioeconomic pathways in Greece
Eslamian et al. Application of L-moments for regional frequency analysis of monthly drought indexes
Massmann Identification of factors influencing hydrologic model performance using a top‐down approach in a large number of US catchments
CN117391727B (zh) 一种负碳排放的碳中和方法及系统
Tracy et al. Random subset feature selection for ecological niche models of wildfire activity in Western North America
Nussbaum et al. Mapping of soil properties at high resolution in Switzerland using boosted geoadditive models
CN116108758A (zh) 滑坡易发性评价方法
Bock et al. Quantifying uncertainty in simulated streamflow and runoff from a continental-scale monthly water balance model
CN115630567A (zh) 一种海岸带土壤有机碳储量模拟及预测方法
CN107679756B (zh) 土壤适宜性评价方法及装置
Xiang et al. Mapping potential wetlands by a new framework method using random forest algorithm and big Earth data: A case study in China's Yangtze River Basin
CN117035505A (zh) 一种基于斜坡式重力储能的技术经济性评估方法及系统
Triantakonstantis et al. A spatially heterogeneous expert based (SHEB) urban growth model using model regionalization
CN110837875B (zh) 地表覆盖数据质量异常判断方法及装置
CN110716998A (zh) 一种精细尺度人口数据空间化方法
Babaeian et al. Designing climate change dynamic adaptive policy pathways for agricultural water management using a socio-hydrological modeling approach
CN117808646A (zh) 一种量化水电工程建设对植被碳储量影响的方法及系统
Sun et al. A subjective and objective evaluation of model forecasts of Sumatra squall events
Putra et al. A Diversity Inventory Monitoring System of Riparian Vegetation

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