CN113344105B - 采样点分配方法、装置、电子设备及可读存储介质 - Google Patents

采样点分配方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN113344105B
CN113344105B CN202110704199.6A CN202110704199A CN113344105B CN 113344105 B CN113344105 B CN 113344105B CN 202110704199 A CN202110704199 A CN 202110704199A CN 113344105 B CN113344105 B CN 113344105B
Authority
CN
China
Prior art keywords
grid
target area
grids
target
landscape
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.)
Active
Application number
CN202110704199.6A
Other languages
English (en)
Other versions
CN113344105A (zh
Inventor
黄翀
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202110704199.6A priority Critical patent/CN113344105B/zh
Publication of CN113344105A publication Critical patent/CN113344105A/zh
Application granted granted Critical
Publication of CN113344105B publication Critical patent/CN113344105B/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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于景观异质性的采样点分配方法、装置和电子设备，包括：采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图；基于目标区域的景观异质性以第一预设规则将所述土地覆被聚类结果图划分为多个网格，其中，所述多个网格的为全等的正方形网格；基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点；其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性。本发明提供的方法、装置和电子设备，实现了控制采样点的分配，降低采样成本且提高采样效率。

Description

采样点分配方法、装置、电子设备及可读存储介质
技术领域
本发明涉及遥感技术领域，尤其涉及一种采样点分配方法、装置、电子设备及可读存储介质。
背景技术
利用遥感卫星数据进行土地覆被分类制图已被广泛研究并用于生产土地覆被产品，目前对遥感影像分类得到的土地覆被精度评估方面也进行了一系列广泛研究，包括采样设计、参考数据收集和统计分析等。采样设计是用来获取精度评估测试集分布的，这些用于评估分类精度的测试集对于精度评估具有十分重要的作用，在进行精度评估时必须考虑采样设计方法。样本可以反映区域的统计特征，是区域的一个子集或一部分。采样设计则是选择那些具有代表性的样本，以真实的反映区域统计特征。
采样设计受抽样方案和样本容量的影响。现有抽样方案包括简单随机抽样、网格划分抽样和系统抽样等。简单随机抽样是一种较为通用的抽样方案，可以很容易地应用于选择样本。但利用简单随机抽样选取土地覆被图上的采样点，并判断一个样本是否被正确标记。在完成此过程后，样本会产生混淆矩阵，并得到一些基于混淆矩阵的指标。土地覆被精度可以通过总体精度，用户精度和制图精度等指标进行判断。这些样本的标签可以来自高分辨率遥感图像，例如谷歌地球的图像，也可以来自现场照片。由于获取地面真实数据具有一定困难，有效的采样点分布设计对于土地覆被图的验证具有重要意义。但由于简单随机抽样所需的采样点较多，因此简单随机抽样过程中获得其样本的标签参考数据成本较高。网格划分抽样中的“网格”通常是一组像元，每个像元属于一个“网格”，而“网格”是像元总体的一个分区。网格划分抽样不是随机性的，因为从某一阶“网格”抽取的样本概率，不等于从整体随机抽取的样本来自该“网格”的概率。然而，在网格内，取样概率和整体分布是相同的。系统抽样是一种从有序抽样框中选择样本的方法。只有在给定的总体逻辑上是均匀的时候才应用系统抽样，因为系统抽样要求样本在总体上是随机分布的。考虑抽样成本，样本容量也是样本设计中的一个重要问题。规模过小的抽样可能会浪费资源，因为过小规模的样本没有能力产生有用的结果，而规模过大的样本则会耗费过多的资源。
因此，如何避免现有的抽样技术中存在的成本高、资源耗费大及采样效率低的情况，仍然是本领域技术人员亟待解决的问题。
发明内容
本发明提供一种采样点分配方法、装置、电子设备及可读存储介质，用以解决现有的抽样技术中存在的成本高、资源耗费大及采样效率低的问题，通过将采集的卫星遥感影像进行聚类处理，得到目标区域的土地覆被聚类结果图，然后再基于目标区域的景观异质性为所述土地覆被聚类结果图选定适配大小的正方形网格对聚类结果图进行网格划分，还基于目标区域的景观异质性为划分得到的各个网格分配采样点个数，实现了网格划分采样，在景观异质性高区域分配多于景观异质性低区域的采样点，通过景观异质性对土地覆被聚类图进行地理网格划分，可以控制采样点的分配，减少重复的采样点在同类地区出现的频次，提高采样效率，同时，通过地理网格划分可以有效降低成本。
本发明提供一种基于景观异质性的采样点分配方法，包括：
采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图；
基于目标区域的景观异质性以第一预设规则将所述土地覆被聚类结果图划分为多个网格，其中，所述多个网格的为全等的正方形网格；
基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点；
其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性。
根据本发明提供的一种基于景观异质性的采样点分配方法，所述采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图，具体包括：
采集目标区域的初始卫星遥感影像，以预设条件筛选所述初始卫星遥感影像，得到目标卫星遥感影像；
对所述目标卫星遥感影像进行聚类，得到所述目标区域的土地覆被聚类结果图；
其中，所述预设条件为云量占比不超过预设阈值，所述聚类的土地覆被种类个数为预先设定。
根据本发明提供的一种基于景观异质性的采样点分配方法，所述第一预设规则为以预设划分网格中的土地覆被类别平均局部方差变化率作为指标描述景观异质性。
根据本发明提供的一种基于景观异质性的采样点分配方法，所述基于目标区域的景观异质性以第一预设规则将所述目标土地覆被聚类图划分为多个网格，其中，所述多个网格的为全等的正方形网格，具体包括：
确定N个面积依次相差预设间隔的待选定正方形网格面积；
对于任一待选定正方形网格m，通过如下公式计算该任一待选定正方形网格m对所述目标区域划分下的平均局部方差ALVm：
Figure GDA0003423380300000041
其中，Nm为所述任一待选定正方形网格m对所述目标区域划分下的总网格数，
Figure GDA0003423380300000042
为所述任一待选定正方形网格m对所述目标区域划分下的第g个网格中第i个土地覆被类别的面积，i＝1,2,…,n，n为所述聚类的土地覆被种类个数，
Figure GDA0003423380300000043
为所述任一待选定正方形网格m对所述目标区域划分下的所有网格土地覆被的平均面积；
通过如下公式确定目标网格mtarget:
mtarget＝argmax(ALV2’,…,ALVm’,…,ALVN’)
Figure GDA0003423380300000044
其中，任一待选定正方形网格m为所述N个面积依次相差预设间隔的待选定正方形网格中第m个正方形网格；
将所述目标土地覆被聚类图采用所述目标网格mtarget进行划分。
根据本发明提供的一种基于景观异质性的采样点分配方法，所述第二预设规则为以预设划分网格中的空间自相关莫兰指数作为指标描述景观异质性。
根据本发明提供的一种基于景观异质性的采样点分配方法，所述基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点，具体包括：
通过如下公式确定每个网格中分配的采样点：
Figure GDA0003423380300000045
其中，ni为采用目标网格mtarget对所述目标土地覆被聚类图进行划分后得到的所有网格中第i个网格的分配采样点数，Ns为预设总采样点数，Mi为所述第i个网格的空间自相关莫兰指数。
根据本发明提供的一种基于景观异质性的采样点分配方法，所述预设总采样点数为实验得到的经验值。
本发明还提供一种基于景观异质性的采样点分配装置，包括：
采集聚类单元，用于采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图；
划分网格单元，用于基于目标区域的景观异质性以第一预设规则将所述土地覆被聚类结果图划分为多个网格，其中，所述多个网格的为全等的正方形网格；
分配采样单元，用于基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点；
其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性。
本发明还提供一种电子设备，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如上述任一种所述的基于景观异质性的采样点分配方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的基于景观异质性的采样点分配方法的步骤。
本发明提供的采样点分配方法、装置、电子设备及可读存储介质，通过采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图；基于目标区域的景观异质性以第一预设规则将所述土地覆被聚类结果图划分为多个网格，其中，所述多个网格的为全等的正方形网格；基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点；其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性。由于得到目标区域的土地覆被聚类结果图后，基于目标区域的景观异质性为所述土地覆被聚类结果图选定适配大小的正方形网格对聚类结果图进行网格划分，还基于目标区域的景观异质性为划分得到的各个网格分配采样点个数，实现了网格划分采样，在景观异质性高区域分配多于景观异质性低区域的采样点，通过景观异质性对土地覆被聚类图进行地理网格划分，可以控制采样点的分配，减少重复的采样点在同类地区出现的频次，提高采样效率，同时，通过地理网格划分可以有效降低成本。因此，本发明提供的方法、装置和电子设备，实现了控制采样点的分配，降低采样成本且提高采样效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1为本发明提供的一种基于景观异质性的采样点分配方法的流程示意图；
图2为本发明提供的采样点经验值获取实验图；
图3为本发明提供的不同网格单元Morans’I平均值所需要的验证采样点数实验结果图；
图4为本发明提供的分辨率为10m，土地覆被分类精度分别20％、50％、90％和100％的两种方法中精度随采样点数量增加的变化趋势对比结果图；
图5为本发明提供的分辨率为30m，土地覆被分类精度分别20％、50％、90％和100％的两种方法中精度随采样点数量增加的变化趋势对比结果图；
图6为本发明提供的分辨率为250m，土地覆被分类精度分别20％、50％、90％和100％的两种方法中精度随采样点数量增加的变化趋势对比结果图；
图7为本发明提供的分辨率为1000m，土地覆被分类精度分别20％、50％、90％和100％的两种方法中精度随采样点数量增加的变化趋势对比结果图；
图8为本发明提供的基于景观异质性的采样点分配装置的结构示意图；
图9为本发明提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
由于现有的抽样技术中普遍存在成本高、资源耗费大及采样效率低的问题。下面结合图1-图7描述本发明的一种基于景观异质性的采样点分配方法。图1为本发明提供的一种基于景观异质性的采样点分配方法的流程示意图，如图1所示，该方法包括：
步骤110，采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图。
具体地，首先是获取目标区域的卫星遥感影像数据，使用Google Earth Engine的Landsat或Sentinel获取目标区域的卫星遥感影像，然后对卫星遥感影像进行预处理，所述预处理包括删除无效影像，而无效影像通常是由于云雨遮挡引起的，即删除云量超过一定阈值的影像。然后将预处理后得到的有效影像进行聚类，其中，所述聚类处理还是在GoogleEarth Engine中进行，由其自带的聚类算法进行处理，只需要人工预设聚类的土地覆被种类个数即可。例如，人工设定土地覆被种类个数为10，那么经过该聚类处理得到的目标区域的土地覆被聚类结果图则是将其中的像元分为了十种类型，聚类结果中任一类型的聚类结果区域包括多个相同该任一类型的像元。
步骤120，基于目标区域的景观异质性以第一预设规则将所述土地覆被聚类结果图划分为多个网格，其中，所述多个网格的为全等的正方形网格。
具体地，然后基于目标区域的景观异质性将目标区域的遥感影像土地覆被聚类结果图划分成若干个方格单元，每个网格单元为面积相等的正方形。此时划分方法中使用了第一预设规则来选择划分时网格的规格，如何能在遥感影像土地覆被聚类结果图将景观异质性不同的区域更好的区别出来，即选定的网格可以最好的将景观异质性高的区域划分到一个网格里，将景观异质性低的区域划分到另一个网格里，如此为后续的不同网格分配不同的采样点数量做准备，例如，选定网格能划分出景观异质性高的区域尽量在一个网格，景观异质性低的区域尽量在一个网格，那么后续进行每个网格中的采样点数量分配时，则可以重新计算每个网格中的景观异质性指标，然后根据该指标将景观异质性高的划分更多的采样点。
步骤130，基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点；
其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性。
具体地，在步骤120中选定了划分网格且进行了网格划分后，需要根据第二预设规则重新计算每个网格中的景观异质性，然后基于最终计算得到的每个网格中的景观异质性指标的数值，为每个网格分配采样点个数。其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性，例如，第一预设规则和第二预设规则可以分别是土地覆被类别平均局部方差变化率和空间自相关莫兰指数，也可以分别是空间自相关莫兰指数和土地覆被类别平均局部方差变化率，此处不作具体说明；但是第一预设规则和所述第二预设规则是配合实现了网格划分抽样，第一预设规则中构建的景观异质性衡量指标可以使选定的网格大小尽量将景观异质性接近的聚类结果图区域划分进同一个网格，第二预设规则中的景观异质性衡量指标是为了准确的计算网格划分后的每个网格中的景观嘈杂程度，如果任一网格中的景观嘈杂度高，里面包含复杂的土地覆被类型区域，例如，包括树林、高楼、街道等等，那么会判定该网格的景观异质性高，从而分配更多的采样点。第一预设规则和第二预设规则是配合使用使得划分后的网格，能尽量包括相似景观异质性的区域，而且能为划分后的网格精确计算出各自的景观异质性数值，然后给与每个网格精确的采样点份额。
本发明提供的基于景观异质性的采样点分配方法，通过采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图；基于目标区域的景观异质性以第一预设规则将所述土地覆被聚类结果图划分为多个网格，其中，所述多个网格的为全等的正方形网格；基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点；其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性。由于得到目标区域的土地覆被聚类结果图后，基于目标区域的景观异质性为所述土地覆被聚类结果图选定适配大小的正方形网格对聚类结果图进行网格划分，还基于目标区域的景观异质性为划分得到的各个网格分配采样点个数，实现了网格划分采样，在景观异质性高区域分配多于景观异质性低区域的采样点，通过景观异质性对土地覆被聚类图进行地理网格划分，可以控制采样点的分配，减少重复的采样点在同类地区出现的频次，提高采样效率，同时，通过地理网格划分可以有效降低成本。因此，本发明提供的方法，实现了控制采样点的分配，降低采样成本且提高采样效率。
基于上述实施例，该方法中，所述采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图，具体包括：
采集目标区域的初始卫星遥感影像，以预设条件筛选所述初始卫星遥感影像，得到目标卫星遥感影像；
对所述目标卫星遥感影像进行聚类，得到所述目标区域的土地覆被聚类结果图；
其中，所述预设条件为云量占比不超过预设阈值，所述聚类的土地覆被种类个数为预先设定。
具体地，基于Google earth engine的Landsat或Sentinel获取目标区域的第一卫星遥感影像，并以云量少于10％为预设条件进行筛选，得到第二卫星遥感影像，对所述第二卫星遥感影像进行聚类，得到所述目标区域的遥感影像土地覆被聚类结果图。
在将土地覆被聚类图进行网格划分之前，首先通过谷歌地球引擎获得土地覆被聚类图，土地覆被聚类图可以通过多种遥感图像产品得到，如Landsat和Sentinel。
例如，Google earth engine平台上的Landsat 8OLI卫星图像产品系列“LANDSAT/LC08/C01/T1_TOA”对获得的卫星遥感影像进行云过滤，以便检索试验区域的高质量遥感图像。对筛选得到的高质量遥感图像再进行聚类，得到土地覆被聚类结果，即目标区域的遥感影像土地覆被聚类结果图。
基于上述实施例，该方法中，所述第一预设规则为以预设划分网格中的土地覆被类别平均局部方差变化率作为指标描述景观异质性。
具体地，确定每个网格单元的面积大小的实施方式可为：
将遥感影像土地覆被聚类图划分S次，每一次划分成若干网格单元，每一次划分的网格单元大小不同，即得到S种大小不同的网格单元，按照网格单元面积从小到大的顺序，依次分别计算每一种网格单元对应的遥感影像土地覆被聚类图的景观局部方差；
将平均局部方差变化率最大值对应的窗口值确定为所述遥感影像土地覆被聚类图划分成的网格单元的面积大小。
基于上述实施例，该方法中，所述基于目标区域的景观异质性以第一预设规则将所述目标土地覆被聚类图划分为多个网格，其中，所述多个网格的为全等的正方形网格，具体包括：
确定N个面积依次相差预设间隔的待选定正方形网格面积；
对于任一待选定正方形网格m，通过如下公式计算该任一待选定正方形网格m对所述目标区域划分下的平均局部方差ALVm：
Figure GDA0003423380300000111
其中，Nm为所述任一待选定正方形网格m对所述目标区域划分下的总网格数，
Figure GDA0003423380300000112
为所述任一待选定正方形网格m对所述目标区域划分下的第g个网格中第i个土地覆被类别的面积，i＝1,2,…,n，n为所述聚类的土地覆被种类个数，
Figure GDA0003423380300000113
为所述任一待选定正方形网格m对所述目标区域划分下的所有网格土地覆被的平均面积；
通过如下公式确定目标网格mtarget:
mtarget＝argmax(ALV2’,…,ALVm’,…,ALVN’)
Figure GDA0003423380300000114
其中，任一待选定正方形网格m为所述N个面积依次相差预设间隔的待选定正方形网格中第m个正方形网格；
将所述目标土地覆被聚类图采用所述目标网格mtarget进行划分。
具体地，将遥感影像土地覆被聚类图划分S次，每一次划分成若干网格单元，每一次划分的网格单元大小不同，即得到S种大小不同的网格单元，按照网格单元面积从小到大的顺序，依次分别计算每一种网格单元对应的遥感影像土地覆被聚类图的景观局部方差；
将平均局部方差变化率最大值对应的窗口值确定为所述遥感影像土地覆被聚类图划分成的网格单元的面积大小，其中任一待选定正方形网格m对所述目标区域划分下的平均局部方差ALVm由下式计算：
Figure GDA0003423380300000121
Figure GDA0003423380300000122
其中，Nm为所述任一待选定正方形网格m对所述目标区域划分下的总网格数，
Figure GDA0003423380300000123
为所述任一待选定正方形网格m对所述目标区域划分下的第g个网格中第i个土地覆被类别的面积，i＝1,2,…,n，n为所述聚类的土地覆被种类个数，
Figure GDA0003423380300000124
为所述任一待选定正方形网格m对所述目标区域划分下的所有网格土地覆被的平均面积。
例如，S＝6，分别测试网格单元面积大小为30、25、20、15、10和5(单位：km2)对应的遥感影像土地覆被聚类图的景观局部方差。表1为示例6种网格的ALV和RC1计算结果，表1列出了由上述公式计算出的ALV及ALV变化率RC1：
表1示例6种网格的ALV和RC1计算结果
Figure GDA0003423380300000125
从表1可知，当网格大小为20km2时，RC1(即ALV变化率)最大，因此使用20km2的网格作为网格大小。
可以理解的是，试验区域的景观相对均匀，所以如果研究区域的景观较本发明实施例的试验区域的景观不均匀，则应该使用较小的网格单元，或者如果研究区域的景观较本发明实施例的试验区域的景观更加均匀，比如大型农田、森林或沙漠，则应该使用较大的网格单元。
基于上述实施例，该方法中，所述第二预设规则为以预设划分网格中的空间自相关莫兰指数作为指标描述景观异质性。
具体地，这里的空间自相关莫兰指数指的是全局莫兰指数，Morans’I指数计算公式：
Figure GDA0003423380300000131
其中，zi是要素i的属性与其平均值
Figure GDA0003423380300000132
的偏差，xi是随机变量x在地理单元i和j上的属性值。
Figure GDA0003423380300000133
为n个空间单元样本属性值的平均值。wi,j是要素i和j之间的空间权重，n等于要素总数，空间权重矩阵可以根据邻接标准或距离标准来度量，邻接标准将空间单元的1，把不连接的定义为0。距离标准是根据一定范围内的定义为1，把距离之外的定义为0。S0是所有空间权重的聚合：
Figure GDA0003423380300000134
统计的zI得分按以下形式计算：
Figure GDA0003423380300000135
其中：
E[I]＝-1/(n-1)
V[I]＝E[I2]-E[I]2
莫兰指数I的取值范围为[-1,1]；当全局莫兰指数I在0至1取值，为正相关，表示具有相似的属性聚集在一起；当全局莫兰指数I在-1至0取值，为负相关，表示具有相异的属性聚集在一起；当全局莫兰指数接近于0，表示随机分布，或不存在空间自相关性。
基于上述实施例，该方法中，所述基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点，具体包括：
通过如下公式确定每个网格中分配的采样点：
Figure GDA0003423380300000141
其中，ni为采用目标网格mtarget对所述目标土地覆被聚类图进行划分后得到的所有网格中第i个网格的分配采样点数，Ns为预设总采样点数，Mi为所述第i个网格的空间自相关莫兰指数。
具体地，计算每个网格单元的空间自相关莫兰指数，通过ArcGIS软件可以计算土地覆被图划分的每个网格单元的空间自相关指数(Morans’I指数)，Morans’I指数可以反映其景观异质性，空间自相关指数越高，对应的Morans’I值越接近于|1|，则景观异质性越低，相反，空间自相关指数越低，对应的Morans’I值越接近于0，此时景观分布更倾向于是随机分布的，则景观异质性越高。
具体的实施方式可为：通过ArcGIS在计算Morans’I时，要求使用矢量数据，因此我们将栅格值转换成点，然后输入到ArcGis中，以获得每个网格单元的Morans’I指数。
以蒙河流域为试验区域举例说明，蒙河流域位于泰国东北部，东经101°30`-105°30`，北纬14°-16°之间的湄公河盆地，蒙河流域具有东南亚典型的土地覆被状况。主要的土地覆被类型有稻田，常绿林，落叶林，湿地等。
基于空间自相关指数为每个网格单元分配采样点，根据下式为每个网格单元分配采样点：
Figure GDA0003423380300000142
其中，ni为采用目标网格mtarget对所述目标土地覆被聚类图进行划分后得到的所有网格中第i个网格的分配采样点数，Ns为预设总采样点数，Mi为所述第i个网格的空间自相关莫兰指数。
一个网格单元作为一个单一的层，景观异质性越高的网格单元分配越多的采样点，景观异质性越低的网格单元分配越少的采样点。
基于上述实施例，该方法中，所述预设总采样点数为实验得到的经验值。
具体地，总采样点数量为实验得到的经验值，实验过程中获得该经验值的具体方法为：对目标区域的多个不同分辨率的遥感影像分别模拟多个不同精度的遥感影像土地覆被聚类图；采用依次递增采样点数量的方式分别对所述多个不同精度的遥感影像土地覆被聚类图的模拟结果进行验证，直至模拟结果趋于稳定；将模拟结果趋于稳定时的采样点数量确定为总采样点的数量。
具体的，下面通过模拟10米、30米、250米和1000米分辨率，制作精度分别为20％、50％、90％和100％的遥感影像土地覆被聚类图，分别对需要多少采样点总数进行验证。根据网格中的Morans’I值分配0到5,000个采样点，图2为本发明提供的采样点经验值获取实验图，验证结果如图2所示，展示了对大小为20km2的网格单元进行分配采样点，随着采样点数量增加而土地覆被分类精度的变化情况。当采样点数接近1000时，精度变化有所减缓。当采样点数接近1,500时，土地覆被分类精度基本保持不变。该结果表明，该试验区域1000m分辨率的数据和250m分辨率的数据的最佳土地覆被分类准确率分别为74.6％和84.9％。表2为不同分辨率数据可取得的最大土地覆被分类精度，表2如下所示：
表2不同分辨率数据可取得的最大土地覆被分类精度
Figure GDA0003423380300000151
尽管由于研究区域不同，表2不能代表所有区域的情况，这是由于不同区域的景观异质性不同，不同研究区域的土地覆被类别也可能不同。但根据表2所得到的土地覆被分类精度表可以作为不同分辨率影像能够达到的最大分类精度参考。
因此，由上可知，对于试验区域，1500个点就足以进行土地覆被分类精度验证。表3为大小为20km2的不同网格单元Morans’I平均值所需要的验证采样点数，则对于大小为20km2的不同网格单元Morans’I平均值所需要的验证采样点数如下表3所示：
表3大小为20km2的不同网格单元Morans’I平均值所需要的验证采样点数
Figure GDA0003423380300000161
图3为本发明提供的不同网格单元Morans’I平均值所需要的验证采样点数实验结果图，如图3所示，图中展示了模拟测试大小为10km2的不同网格单元Morans’I平均值所需要的验证采样点数，可知，采样点数量大于3000时，验证土地覆被分类精度趋于稳定。因此，给10km2的网格分配了3000个点，每个网格单元的Morans’I平均值不同，表4为不同网格单元Morans’I平均值所需要的验证点数，表4如下所示不同10km2的网格单元Morans’I平均值所需要的验证点数：
表4不同网格单元Morans’I平均值所需要的验证点数
Figure GDA0003423380300000162
从表3和表4可以看出，当Morans’I平均值相近似时，不同网格大小所需的验证点数是不同的。因此，对于遥感影像土地覆被分类聚类图像的Morans’I值不能直接决定采样点数的数量，需要根据网格单元大小和对应的空间自相关指数共同确定总采样点的数量。
下面通过与传统的随机抽样方法进行比较说明：
使用5000个采样点为例进行比较，图4为本发明提供的分辨率为10m，土地覆被分类精度分别20％、50％、90％和100％的两种方法中精度随采样点数量增加的变化趋势对比结果图，图4中的分辨率为10m，土地覆被分类精度分别20％、50％、90％和100％的两种方法中精度随采样点数量增加的变化趋势对比结果图分别为左上的图(4-a)、右上的图(4-b)、左下的图(4-c)和右下的图(4-d)，图5为本发明提供的分辨率为30m，土地覆被分类精度分别20％、50％、90％和100％的两种方法中精度随采样点数量增加的变化趋势对比结果图，图5中的分辨率为30m，土地覆被分类精度分别20％、50％、90％和100％的两种方法中精度随采样点数量增加的变化趋势对比结果图分别为左上的图(5-a)、右上的图(5-b)、左下的图(5-c)和右下的图(5-d)，图6为本发明提供的分辨率为250m，土地覆被分类精度分别20％、50％、90％和100％的两种方法中精度随采样点数量增加的变化趋势对比结果图，图6中的分辨率为250m，土地覆被分类精度分别20％、50％、90％和100％的两种方法中精度随采样点数量增加的变化趋势对比结果图分别为左上的图(6-a)、右上的图(6-b)、左下的图(6-c)和右下的图(6-d)，图7为本发明提供的分辨率为1000m，土地覆被分类精度分别20％、50％、90％和100％的两种方法中精度随采样点数量增加的变化趋势对比结果图，图7中的分辨率为1000m，土地覆被分类精度分别20％、50％、90％和100％的两种方法中精度随采样点数量增加的变化趋势对比结果图分别为左上的图(7-a)、右上的图(7-b)、左下的图(7-c)和右下的图(7-d)；图4-图7给出了现有随机抽样方法和本发明的一种基于遥感影像土地覆被聚类图的采样点分配方法中土地覆被分类精度随采样点数量增加的变化趋势对比，由图4-图7展示的结果图可知，随着采样点数量的增加，本发明实施例提供的一种基于遥感影像土地覆被聚类图的采样点分配方法比随机抽样方法采用了更少的采样点却得到了更为接近真实精度的土地覆被分类评价结果，有利于节约成本。
以上实施例提供的基于景观异质性的采样点分配方法，达到了以下4种有益效果：
1、基于景观异质性将目标区域的遥感影像土地覆被聚类图进行分层，并为每个分层单元分配采样点，景观异质性较高的分层单元分配更多的采样点，反之，则为景观异质性较低的分层单元分配较少的采样点，能有效地控制采样点的分配，避免重复的采样点在同类地区出现的频次，不仅提高土地覆被分类评价结果的精度，且能有效的提高采样效率；
2、使用更少的采样点得到更为接近真实精度的土地覆被分类评价结果，有利于降低成本；
3、利用谷歌地球引擎平台计算景观异质性，实现对土地覆被图进行地理分层，计算量大，即使是巨大区域的景观异质性计算也很容易获得土地覆被聚类图的分层结果，效率高；
4、通过Google earth engine将获取的土地覆被图进行云过滤，再对筛选得到的符合质量要求的遥感影像土地覆被图进行聚类，得到所述目标区域的遥感影像土地覆被聚类图，进一步提高采样点的分配精度。
下面对本发明提供的基于景观异质性的采样点分配装置进行描述，下文描述的基于景观异质性的采样点分配装置与上文描述的一种基于景观异质性的采样点分配方法可相互对应参照。
图8为本发明提供的基于景观异质性的采样点分配装置的结构示意图，如图8所示，基于景观异质性的采样点分配装置包括采集聚类单元810、划分网格单元820和分配采样单元830，其中，
所述采集聚类单元810，用于采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图；
所述划分网格单元820，用于基于目标区域的景观异质性以第一预设规则将所述土地覆被聚类结果图划分为多个网格，其中，所述多个网格的为全等的正方形网格；
所述分配采样单元830，用于基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点；
其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性。
本发明提供的基于景观异质性的采样点分配装置，通过采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图；基于目标区域的景观异质性以第一预设规则将所述土地覆被聚类结果图划分为多个网格，其中，所述多个网格的为全等的正方形网格；基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点；其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性。由于得到目标区域的土地覆被聚类结果图后，基于目标区域的景观异质性为所述土地覆被聚类结果图选定适配大小的正方形网格对聚类结果图进行网格划分，还基于目标区域的景观异质性为划分得到的各个网格分配采样点个数，实现了网格划分采样，在景观异质性高区域分配多于景观异质性低区域的采样点，通过景观异质性对土地覆被聚类图进行地理网格划分，可以控制采样点的分配，减少重复的采样点在同类地区出现的频次，提高采样效率，同时，通过地理网格划分可以有效降低成本。因此，本发明提供的装置，实现了控制采样点的分配，降低采样成本且提高采样效率。
在上述实施例的基础上，该基于景观异质性的采样点分配装置中，所述获取单元，具体用于：
获取待研究区域的哨兵2号Sentinel-2影像数据和哨兵1号Sentinel-1 SAR影像数据。
在上述实施例的基础上，该基于景观异质性的采样点分配装置中，所述采集聚类单元，具体用于：
采集目标区域的初始卫星遥感影像，以预设条件筛选所述初始卫星遥感影像，得到目标卫星遥感影像；
对所述目标卫星遥感影像进行聚类，得到所述目标区域的土地覆被聚类结果图；
其中，所述预设条件为云量占比不超过预设阈值，所述聚类的土地覆被种类个数为预先设定。
在上述实施例的基础上，该基于景观异质性的采样点分配装置中，所述第一预设规则为以预设划分网格中的土地覆被类别平均局部方差变化率作为指标描述景观异质性。
在上述实施例的基础上，该基于景观异质性的采样点分配装置中，所述网格划分单元，具体用于：
确定N个面积依次相差预设间隔的待选定正方形网格面积；
对于任一待选定正方形网格m，通过如下公式计算该任一待选定正方形网格m对所述目标区域划分下的平均局部方差ALVm：
Figure GDA0003423380300000201
其中，Nm为所述任一待选定正方形网格m对所述目标区域划分下的总网格数，
Figure GDA0003423380300000202
为所述任一待选定正方形网格m对所述目标区域划分下的第g个网格中第i个土地覆被类别的面积，i＝1,2,…,n，n为所述聚类的土地覆被种类个数，
Figure GDA0003423380300000204
为所述任一待选定正方形网格m对所述目标区域划分下的所有网格土地覆被的平均面积；
通过如下公式确定目标网格mtarget:
mtarget＝argmax(ALV2’,…,ALVm’,…,ALVN’)
Figure GDA0003423380300000203
其中，任一待选定正方形网格m为所述N个面积依次相差预设间隔的待选定正方形网格中第m个正方形网格；
将所述目标土地覆被聚类图采用所述目标网格mtarget进行划分。
在上述实施例的基础上，该基于景观异质性的采样点分配装置中，所述第二预设规则为以预设划分网格中的空间自相关莫兰指数作为指标描述景观异质性。
在上述实施例的基础上，该基于景观异质性的采样点分配装置中，所述采样分配单元，具体用于：
通过如下公式确定每个网格中分配的采样点：
Figure GDA0003423380300000211
其中，ni为采用目标网格mtarget对所述目标土地覆被聚类图进行划分后得到的所有网格中第i个网格的分配采样点数，Ns为预设总采样点数，Mi为所述第i个网格的空间自相关莫兰指数。
在上述实施例的基础上，该基于景观异质性的采样点分配装置中，所述预设总采样点数为实验得到的经验值。
图9为本发明提供的一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行基于景观异质性的采样点分配方法，该方法包括：采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图；基于目标区域的景观异质性以第一预设规则将所述土地覆被聚类结果图划分为多个网格，其中，所述多个网格的为全等的正方形网格；基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点；其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性。
此外，上述的存储器930中的逻辑指令可以通过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-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。
另一方面，本发明还提供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所提供的基于景观异质性的采样点分配方法，该方法包括：采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图；基于目标区域的景观异质性以第一预设规则将所述土地覆被聚类结果图划分为多个网格，其中，所述多个网格的为全等的正方形网格；基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点；其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于景观异质性的采样点分配方法，该方法包括：采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图；基于目标区域的景观异质性以第一预设规则将所述土地覆被聚类结果图划分为多个网格，其中，所述多个网格的为全等的正方形网格；基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点；其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性。
以上所描述的服务器实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于景观异质性的采样点分配方法，其特征在于，包括：
采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图；
基于目标区域的景观异质性以第一预设规则将所述土地覆被聚类结果图划分为多个网格，其中，所述多个网格的为全等的正方形网格；
基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点；
其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性；
所述第一预设规则为以预设划分网格中的土地覆被类别平均局部方差变化率作为指标描述景观异质性；
所述第二预设规则为以预设划分网格中的空间自相关莫兰指数作为指标描述景观异质性。
2.根据权利要求1所述的基于景观异质性的采样点分配方法，其特征在于，所述采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图，具体包括：
采集目标区域的初始卫星遥感影像，以预设条件筛选所述初始卫星遥感影像，得到目标卫星遥感影像；
对所述目标卫星遥感影像进行聚类，得到所述目标区域的土地覆被聚类结果图；
其中，所述预设条件为云量占比不超过预设阈值，所述聚类的土地覆被种类个数为预先设定。
3.根据权利要求1所述的基于景观异质性的采样点分配方法，其特征在于，所述基于目标区域的景观异质性以第一预设规则将所述目标土地覆被聚类图划分为多个网格，其中，所述多个网格的为全等的正方形网格，具体包括：
确定N个面积依次相差预设间隔的待选定正方形网格面积；
对于任一待选定正方形网格m，通过如下公式计算该任一待选定正方形网格m对所述目标区域划分下的平均局部方差ALVm：
Figure FDA0003376281180000021
其中，Nm为所述任一待选定正方形网格m对所述目标区域划分下的总网格数，
Figure FDA0003376281180000022
为所述任一待选定正方形网格m对所述目标区域划分下的第g个网格中第i个土地覆被类别的面积，i＝1,2,…,n，n为所述聚类的土地覆被种类个数，
Figure FDA0003376281180000023
为所述任一待选定正方形网格m对所述目标区域划分下的所有网格土地覆被的平均面积；
通过如下公式确定目标网格mtarget:
mtarget＝argmax(ALV2’,…,ALVm’,…,ALVN’)
Figure FDA0003376281180000024
其中，任一待选定正方形网格m为所述N个面积依次相差预设间隔的待选定正方形网格中第m个正方形网格；
将所述目标土地覆被聚类图采用所述目标网格mtarget进行划分。
4.根据权利要求3所述的基于景观异质性的采样点分配方法，其特征在于，所述基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点，具体包括：
通过如下公式确定每个网格中分配的采样点：
Figure FDA0003376281180000025
其中，ni为采用目标网格mtarget对所述目标土地覆被聚类图进行划分后得到的所有网格中第i个网格的分配采样点数，Ns为预设总采样点数，Mi为所述第i个网格的空间自相关莫兰指数。
5.根据权利要求4所述的基于景观异质性的采样点分配方法，其特征在于，所述预设总采样点数为实验得到的经验值。
6.一种基于景观异质性的采样点分配装置，其特征在于，包括：
采集聚类单元，用于采集目标区域的卫星遥感影像，并进行聚类处理，得到所述目标区域的土地覆被聚类结果图；
划分网格单元，用于基于目标区域的景观异质性以第一预设规则将所述土地覆被聚类结果图划分为多个网格，其中，所述多个网格的为全等的正方形网格；
分配采样单元，用于基于每个网格中对应区域的景观异质性以第二预设规则确定每个网格中分配的采样点；
其中，所述第一预设规则和所述第二预设规则中以不同的指标描述景观异质性；
所述第一预设规则为以预设划分网格中的土地覆被类别平均局部方差变化率作为指标描述景观异质性；
所述第二预设规则为以预设划分网格中的空间自相关莫兰指数作为指标描述景观异质性。
7.一种电子设备，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如权利要求1至5中任一项所述的基于景观异质性的采样点分配方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于景观异质性的采样点分配方法的步骤。
CN202110704199.6A 2021-06-24 2021-06-24 采样点分配方法、装置、电子设备及可读存储介质 Active CN113344105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110704199.6A CN113344105B (zh) 2021-06-24 2021-06-24 采样点分配方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110704199.6A CN113344105B (zh) 2021-06-24 2021-06-24 采样点分配方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113344105A CN113344105A (zh) 2021-09-03
CN113344105B true CN113344105B (zh) 2022-01-21

Family

ID=77478406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110704199.6A Active CN113344105B (zh) 2021-06-24 2021-06-24 采样点分配方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113344105B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7844687B1 (en) * 1999-10-06 2010-11-30 Gelvin David C Method for internetworked hybrid wireless integrated network sensors (WINS)
CN102645350B (zh) * 2012-03-08 2013-11-13 浙江大学 基于高分卫星遥感数据的土壤采样方法
CN103745222B (zh) * 2013-12-11 2017-08-25 深圳先进技术研究院 一种遥感数据采样的方法及系统
CN105261014B (zh) * 2015-09-30 2018-01-12 西南交通大学 一种多传感器遥感影像匹配方法
CN108446636A (zh) * 2018-03-20 2018-08-24 中国科学院地理科学与资源研究所 地物识别方法及系统
CN112257626A (zh) * 2020-10-29 2021-01-22 辽宁工程技术大学 一种遥感数据采样的方法及系统
CN112712276B (zh) * 2021-01-08 2021-09-28 中国地质大学（北京） 一种构建用于矿产勘查的地理加权回归模型的方法及装置

Also Published As

Publication number Publication date
CN113344105A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
Sauquet et al. Comparison of catchment grouping methods for flow duration curve estimation at ungauged sites in France
CN108540988B (zh) 一种场景划分方法及装置
CN106919680B (zh) 一种利用poi数据进行地表覆盖分类的方法及系统
CN109782373A (zh) 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法
CN114997547B (zh) 气象采集终端布点方法和装置
CN111612055A (zh) 天气形势的分型方法、空气污染状况的预测方法及装置
CN106780503A (zh) 基于后验概率信息熵的遥感图像最优分割尺度确定方法
Su et al. A new hierarchical moving curve-fitting algorithm for filtering lidar data for automatic DTM generation
CN101710331A (zh) 一种人口抽样调查样本分层系统及方法
CN110134907B (zh) 一种降雨缺失数据填补方法、系统及电子设备
Xie et al. A multilevel stratified spatial sampling approach for the quality assessment of remote-sensing-derived products
CN102073867A (zh) 一种遥感图像分类方法及装置
Zhang et al. Effects of topographic attributes on landscape pattern metrics based on redundancy ordination gradient analysis
CN113240257A (zh) 一种基于最小累积阻力模型的国土空间分区方法和装置
CN113344105B (zh) 采样点分配方法、装置、电子设备及可读存储介质
CN107194942B (zh) 一种确定影像分类分割尺度阈值的方法
CN113139717A (zh) 作物苗情分级遥感监测方法及装置
CN116934139A (zh) 城镇化进程中水生态功能空间响应识别方法、装置及设备
CN111444824A (zh) 一种基于无人机技术的植被空间分布格局调查方法及植被分类方法
CN116561509A (zh) 顾及植被类型的城市植被地上生物量精确反演方法及系统
CN108597013B (zh) 一种特定区域气象水文资料抽点填图方法
Dubois How representative are samples in a sampling network
WO2020258951A1 (zh) 用户常驻位置的获取方法、装置以及计算机可读存储介质
CN109559053B (zh) 一种基于路径距离的植被可达性度量方法
Fariza et al. Spatial-Temporal Visualization of Dengue Haemorrhagic Fever Vulnerability in Kediri District, Indonesia, Using K-means Algorithm

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