CN114118835B - 一种定量遥感反演预测结果评价方法及系统 - Google Patents
一种定量遥感反演预测结果评价方法及系统 Download PDFInfo
- Publication number
- CN114118835B CN114118835B CN202111450618.4A CN202111450618A CN114118835B CN 114118835 B CN114118835 B CN 114118835B CN 202111450618 A CN202111450618 A CN 202111450618A CN 114118835 B CN114118835 B CN 114118835B
- Authority
- CN
- China
- Prior art keywords
- area
- value
- data
- evaluation
- remote sensing
- 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
Links
Images
Classifications
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Abstract
本发明公开一种定量遥感反演结果精度评价方法和系统,包括以下步骤:获取预设区域的目标元素含量实测数据;根据获取的预设区域的遥感图像反射率,通过遥感反演模型得到预设区域的目标元素含量预测数据;对实测数据及预测数据进行异常特征相似度的综合指数评价。采用本发明的技术方案,避免造成遥感定量反演精度评价在反演和实测对象含量在空间上分布的不一致性。
Description
技术领域
本发明属于遥感反演技术领域,尤其涉及一种基于空间信息相似度的遥感反演结果精度评价方法和系统。
背景技术
随着建模方法不断改进、以及遥感数据精度水平的提高,使用遥感数据反演元素含量的研究越来越多;与此同时,为评价反演效果,遥感定量反演结果精度评价应用日益广泛。对于遥感定量反演的结果评价,最重要的是其反演精度、稳定性及一致性,即实测值与预测值结果相似度评价,包括对反演模型的评价、实测数值与预测数值差异的评价及预设区域实测值与预测值可视化空间信息评价等。
现有技术有一种评价遥感定量反演精度的指标方法,采用R2、RMSE及MAE等评价指标,这些指标基于离散样本,通常用于对反演模型进行精度检验,但这种方式主要基于理论对模型进行检验,因此无法剔除假异常区,造成结果评价精度较好但实际可视化后结果较差。还有一种评价遥感定量反演结果的方法,该方法直接使用目视检查的方法对比高值区域位置的一致性,这种方法只适用于小区域对比,对于较大预设区域会耗费巨大人力物力。另外还有一种基于图片相似度计算价方法,一般采用基于哈希算法等计算图片间相似度的方法,这种方法在计算过程中将图片看作二维信号,进行全图普遍计算,无法满足遥感反演实际应用中所需要的异常区域即高值区域的一致性与稳定性检验。
综上所述,上述现有技术中的遥感反演结果精度评价相似度的方法大多采用模型评价指标及野外验证等方式,前者无法评价实际反演效果,后者耗费人力物力,故考虑采用地统计学插值的方式将实测数据与预测数据可视化并进行图片相似度计算的方法,但现有相似度计算方式是基于全图的相似度计算,无法根据需求选择性计算高值区域,因而造成了遥感定量反演精度评价在反演和实测对象含量在空间上分布的不一致性,并且带有主观性和局限性。
发明内容:
本发明要解决的技术问题是,提供一种基于空间信息相似度的遥感反演结果精度评价方法和系统,避免造成遥感定量反演精度评价在反演和实测对象含量在空间上分布的不一致性。
为实现上述目的,本发明采用如下的技术方案:
一种定量遥感反演结果精度评价方法,包括以下步骤:
获取预设区域的目标元素含量实测数据;
根据获取的预设区域的遥感图像反射率,通过遥感反演模型得到预设区域的目标元素含量预测数据;
对实测数据及预测数据进行异常特征相似度的综合指数评价。
作为优选,所述综合指数评价包含:基于高值区数量的评价精度、基于高值区距离的评价精度以及基于高值区面积的评价精度。
作为优选,将预测数据的高值区与实测数据的高值区进行比对,统计预测数据高值区与实测数据高值区的高值区数量,计算预测正确率、预测错误率、预测缺失率,得到基于高值区数量的评价精度。
作为优选,计算预测数据的高值区与实测数据的高值区之间的分布位置是否具有相似性,得到基于高值区距离的评价精度。
作为优选,基于预设区域的范围,计算预测数据的高值区与实测数据的高值区的面积重叠度,得到基于高值区面积的评价精度。
本发明还提供一种定量遥感反演结果精度评价系统,包括:
获取模块,用于获取预设区域的目标元素含量实测数据;
反演模块,用于根据获取的预设区域的遥感图像反射率,通过遥感反演模型得到预设区域的目标元素含量预测数据;
评价模块,用于对实测数据及预测数据进行异常特征相似度的综合指数评价。
作为优选,所述综合指数评价包含:基于高值区数量的评价精度、基于高值区距离的评价精度以及基于高值区面积的评价精度。
作为优选,评价模块包含:
统计单元,用于统计预测数据高值区与实测数据高值区的高值区数量;
第一计算单元,用于根据所述高值区数量计算预测正确率、预测错误率、预测缺失率,得到基于高值区数量的评价精度。
作为优选,评价模块还包含:
第一获取单元,用于获取预测数据的高值区与实测数据的高值区;
第二计算单元,用于计算预测数据的高值区与实测数据的高值区之间的分布位置是否具有相似性,得到基于高值区距离的评价精度。
作为优选,评价模块还包含:
第二获取单元,获取预设区域的范围;
第三计算单元,用于根据预设区域的范围,计算预测数据的高值区与实测数据的高值区的面积重叠度,得到基于高值区面积的评价精度。
本发明遥感定量反演结果精度评价方法和系统,弥补传统评价模型中仅基于数值评价的缺陷;使实测结果与预测结果均呈现可视化,在整体上进行评价;采用多种评价指标,使评价结果更具可靠性。
附图说明:
图1为本发明实施例遥感定量反演结果精度评价方法流程示意图;
图2为本发明实施例遥感定量反演结果精度评价系统结构示意图;
图3为预设区域与采样点分布图;
图4实测数据及预测数据可视化图;
图5为实测与预测各元素高值点空间分布图;
图6为区域空间拓扑关系图;
图7为提取各元素实测与预测结果含量较高的区域分布位置。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
如图1所示,本发明实施例提供一种定量遥感反演结果精度评价方法,包括以下步骤:
获取预设区域的目标元素含量实测数据;
根据获取的预设区域的遥感图像反射率,通过遥感反演模型得到预设区域的目标元素含量预测数据,所述遥感反演模型用于建立遥感图像反射率与实测点元素含量的对应关系;
利用实测数据通过地统计学方法进行插值彩色分割(可视化)得到实测元素异常分布图,利用遥感数据通过遥感反演模型得到预测元素含量,并通过地统计学方法进行插值彩色分割(可视化)得到预测元素异常分布图;
对于实测数据高值区与预测数据高值区,分别提取实测和预测元素异常的有关参数(异常位置、数量、大小、形态),所述有关参数用于计算实测和预测元素异常的相似度;
对实测数据及预测数据进行异常特征相似度的综合指数评价;所述综合指数评价包含:基于高值区数量的评价精度、基于高值区距离的评价精度以及基于高值区面积的评价精度。
作为本发明的一种实施方式,将预测数据的高值区与实测数据的高值区进行比对,统计预测数据高值区与实测数据高值区的高值区数量,计算预测正确率、预测错误率、预测缺失率,得到基于高值区数量的评价精度;根据以下公式获得正确率、错误率、缺失率:
其中,PCurrect是正确率,PFalse是错误率,PMissing是缺失率;ac表示正确反演出高值区域数量,af表示错误反演出高值区域数量,am表示未反演出的高值区域数量,Am表示该元素实测高值区数量;PCurrect、PFalse和PMissing取值范围均为[0,1]。
作为本发明的一种实施方式,计算预测数据的高值区与实测数据的高值区之间的分布位置是否具有相似性,得到基于高值区距离的评价精度;根据以下公式获得基于距离的评价精度:
其中,Dist为质心间距离,xi和yi是实测高值区横纵坐标,xj和yj是预测高值区质心的横纵坐标;质心间距离越小则说明位置精度越高。
作为本发明的一种实施方式,基于预设区域的范围,计算预测数据的高值区与实测数据的高值区的面积重叠度,得到基于高值区面积的评价精度。根据以下公式获得重叠指数:
其中,SM∩P表示实测与预测高值区域相交区域的面积,SM表示实测高值区域面积;POF取值范围为[0,1],通常以0.5为阈值;SM∩P为0时,POF=0,说明两高值区域分离,不存在相交区域;POF越接近1,说明两个区域重叠面积越大,精度越高。
对于以上基于数量、距离、面积三方面的反演结果精度评价,最终得到一个综合评价指数,即基于异常特征相似度的综合评价;根据以下公式获得综合评价指数:
其中,PN表示第N个子评价指数,P表示综合评价指数。
实施例2:
如图2所示,本发明实施例还提供一种遥感定量反演结果精度评价系统包括:
获取模块,用于获取预设区域的目标元素含量实测数据;
反演模块,用于根据获取的预设区域的遥感图像反射率,通过遥感反演模型得到预设区域的目标元素含量预测数据;
评价模块,用于对实测数据及预测数据进行异常特征相似度的综合指数评价;所述综合指数评价包含:基于高值区数量的评价精度、基于高值区距离的评价精度以及基于高值区面积的评价精度。
作为本发明的一种实施方式,评价模块包含:基于高值区数量精度评价模块、基于高值区距离精度评价模块、基于高值区面积精度评价模块、基于空间信息相似度综合评价模块。
基于高值区数量精度评价模块包含:统计单元,用于统计预测数据高值区与实测数据高值区的高值区数量;第一计算单元,用于根据所述高值区数量计算预测正确率、预测错误率、预测缺失率,得到基于高值区数量的评价精度。基于高值区数量精度评价模块用于评价预测高值区域数量与实测高值区域数量的一致性;从实测与反演结果中提取出个元素含量的高值区,分别统计正确反演出高值区域数量、错误反演出高值区域数量、实测高值区域数量;通过比值计算,计算出正确率、错误率及缺失率。
基于高值区距离精度评价模块包含:第一获取单元,用于获取预测数据的高值区与实测数据的高值区;第二计算单元,用于计算预测数据的高值区与实测数据的高值区之间的分布位置是否具有相似性,得到基于高值区距离的评价精度。基于高值区距离精度评价模块,用于评估预测结果与对应实测数据空间分布位置是否具有相似性,能够有效表现出预测结果的偏差;根据预设区域各元素实测与预测高值点分布位置,提取高值区质心位置进行计算,得到实测高值区横坐标xi和纵坐标yi和预测高值区横坐标xj及纵坐标yj,通过计算实测高值区与预测高值区二者质心间欧几里得距离,依据研究范围及实际测量距离,对高值区质心之间的距离进行分级并评分。
基于高值区面积精度评价模块包含:第二获取单元,获取预设区域的范围;第三计算单元,用于根据预设区域的范围,计算预测数据的高值区与实测数据的高值区的面积重叠度,得到基于高值区面积的评价精度。基于高值区面积精度评价模块,用于根据实测高值区与预测高值区的拓扑关机及重叠面积大小得到重叠指数从而得到基于面积精度的评价结果;判断实测高值区域和预测高值区域间拓扑关系是相离、相交还是包含,计算实测高值区和预测高值区的重叠面积,并与实测区域面积值进行比值计算,最终得到基于面积的评价精度--重叠指数;
基于空间信息相似度综合评价模块,用于对于以上基于数量、基于距离和基于面积三个方面评价结果的综合水平评价;选用以上各类精度的平均值代表综合水平;选用空间信息相似度综合评价能够表示预测结果和实测数据在空间分布上的一致性,有助于全面了解高值区域的反演精度,判断模型是否能够用于反演,进而评价反演结果的可靠性。
作为本发明的一种实施方式,遥感定量反演结果精度评价系统还包括:
遥感图像预处理模块,用于根据不同遥感图像进行相应的辐射定标、大气校正、几何校正等预处理,从而得到遥感图像反射率以便后续建立实测点元素含量与反射率间的模型;
建模模块,用于根据遥感图像预处理模块得到的遥感图像反射率和实测元素含量通过多元线性分析、多元逐步回归、BP神经网络、卷积神经网络方法进行模型建立,从而得到预设区域目标元素含量预测值;
实测数据与预测数据可视化模块,用于通过地统计学插值方法对原始实测数据及建模模块得到的预测数据进行插值分析,从实测与反演结果中提取出若干个元素含量的,从而实现实测数据及预测数据的可视化;
实施例3
本发明实施例提供遥感定量反演结果精度评价方法,包括:
遥感图像预处理和建模反演出预测值
如图3,为预设区域与采样点分布图,选取长株潭地区重金属含量实测值为原始数据,获取对应Landsat遥感数据,结合相关技术参数,对遥感影像进行辐射定标、大气校正及几何校正预处理;结合事先得到的长株潭地区重金属元素实测数据,在Landsat遥感影像中获取实测点的反射率,以原始实测数值及从遥感图像中获得的实测点反射率为基础进行不同模型的建模反演,反演出更大范围的元素含量以及各点预测值。
实测数据及预测数据可视化
图4为As、Cd、Cr、Cu、Hg、Ni、Pb、Mn、Zn九种元素实测数据及预测数据可视化图;根据原始实测数据与建模反演后获得的该元素预测数据,通过地统计学的插值方法,如克里金插值法、反距离权重法及贝叶斯插值法,获得原始实测数据及预测数据的插值图,完成数据可视化;其中,为达到更直观的评价效果,选取预测值时,与以往反演不同的时,本次预测值的可视化无需反演出整景遥感图像;主要选取实测值对应实测点的坐标位置进行相应预测值可视化,以便对比评价。
基于高值区数量的精度评价
根据得到的实测值与预测值可视化图,筛选出实测值可视化图与预测值可视化图中的高值区域,选择图中高值区域为操作对象,分别提取高值区质心作为其高值点,以此作为高值区位置的判断标准;实测值可视化图中高值点横坐标为xi,纵坐标为yi;预测值可视化图中高值点横坐标为xj,纵坐标为yj;提取高值区质心即高值点坐标之后,计算正确率、错误率、缺失率三个基于高值区数量的指标;正确率为正确反演出高值区域数量与该元素实测高值区数量之比,用公式表示为:错误率为错误反演出高值区域数量与反演高值区数量总和之比,采用公式表示为:缺失率为未反演出的高值区域数量与该元素实测高值区域数量之比,用公式表示为:其中,PCurrect是正确率,PFalse是错误率,PMissing是缺失率;ac表示正确反演出高值区域数量,af表示错误反演出高值区域数量,am表示未反演出的高值区域数量,Am表示该元素实测高值区数量;PCurrect、PFalse和PMissing取值范围均为[0,1]。
表1为基于高值区数量反演精度结果评价表;图5为实测与预测各元素高值点空间分布图;As元素反演正确的高值点共有7组,2个高值点预测错误,正确率为0.88,错误率为0.22,缺失率为0.13;Cd元素反演正确的高值点共3组,1个高值点预测错误,1个高值点未被反演出,正确率为0.75,错误率为0.25,缺失率为0.25;Cr元素基于数量的精度较高,其中反演正确高值点共6组,一个高值点未被反演出,正确率为0.86,缺失率为0.14;Cu元素预测正确的有2组,1个高值点预测错误,即正确率为1,错误率为0.33,缺失率为0;Hg元素反演正确的高值点共3组,,正确率0.6,缺失率为0.4;Ni元素正确预测高值点共4组,有2个高值点未被反演出来,正确率为0.67,缺失率为0.33;Pb元素基于数量的检验结果正确率为1;Mn元素反演结果的1个高值点预测错误,1个高值点位置存在较大偏差,预测正确率为0,错误率为1;Zn元素成功预测出2个高值点,正确率为1,错误率为0.33。
表1:
基于高值区距离的精度评价
根据得到的实测值与预测值可视化图,筛选出实测值可视化图与预测值可视化图中的高值区域,选择图中高值区域为操作对象,分别提取高值区质心,计算二者质心间欧几里得距离;欧几里得距离计算公式为:其中,Dist为质心间距离,xi和yi是实测高值区横纵坐标,xj和yj是预测高值区质心的横纵坐标;质心间距离越小则说明位置精度越高。
表2为基于高值区距离反演精度结果评价表;依据预设区域范围及实际测量距离,对高值区质心之间的距离进行分级评分,0-0.5km评分为1,0.5-1km评分为0.8,1km-2km评分为0.6,2-3km评分为0.4,3-4km评分为0.2,大于4km评分为0,各元素对应高值点的平均得分为最终评价结果;由图7显示,距离的评价结果差异较大。Pb、Ni、As、Hg元素高值区质心间平均距离较小,均小于2km;As元素质心距离平均值为1241.8m,最大值为2195m,最小距离仅为394.6m;Hg元素平均距离为1820.5m,最大距离为2558m,最小距离为386.3m;Ni元素平均距离为1010.8m,最大距离为1587m,最小距离为366.2m;Pb元素仅有一组高值点,平均距离与最大、最小距离均为164.7,偏差极小。Mn、Cd、Zn元素高值区质心间平均距离较大,均大于5km;Cd元素距离误差较大,平均距离为5725.1,最大距离为8766.3m,最小距离为3522.2m;Cr元素平均距离为2767.1m,最大距离为4811.4m,最小距离为1618.5m;Cu元素平均距离为3476.1m,最大距离与最小距离分别为4699.2和2253.1;Mn和Zn元素平均距离分别为6315.2和5047.3,Zn元素最大距离为6665.7m,最小距离误差为3371.1m。整体来看预设区域范围较大,各重金属元素预测高值区质心与实测高值区质心之间的距离偏差较小。As、Cr、Hg、Ni、Pb元素在基于距离的精度评价中表现较好,均高于0.5水平,Mn元素为最差,预测高值点的位置与实测比偏差较大,Cd、Zn元素预测与实测高值点位置偏差同样较大,精度评价水平仅为0.2。
表2:
基于高值区面积的精度评价
在对基于区域的对象进行精度评价时,需要考虑对象的范围大小;
图6为区域空间拓扑关系图;在空间上两个区域的拓扑关系主要3种,包括相交、分离和包含关系,M为实测区域,P为预测区域,M∩P为对应区域相交范围,M∩P的区域范围越大,说明二者重叠度越高,预测范围与实测范围越相似。
图7为提取各元素实测与预测结果含量较高的区域分布位置;以重叠指数来评价高值区面积的一致性,通过计算预测高值区与实测高值区重叠的面积,与实测高值区域范围进行对比。
重叠指数POF计算公式为:其中,SM∩P表示实测与预测高值区域相交区域的面积,SM为实测高值区域面积。OF取值范围为[0,1],通常以0.5为阈值;SM∩P为0时,OF=0,说明两高值区域分离,不存在相交区域;OF越接近1,说明两个区域重叠面积越大,精度越高。
各元素提取的反演高值区与实测高值区空间分布及二者的重叠区域,整体来看形状上存在一定差异,可以明显看到预测结果与实测结果相交区域,As元素两高值区重叠面积较大,OF为0.7;Cd元素OF为0.54,株洲市西北部大面积高值区重叠面积较小;Cr元素的重叠指数为0.4;Cu元素的重叠指数为0.31,株洲市地区Cu元素高值区反演结果存在较大的位置偏差;Hg元素同样在株洲市的高值区预测结果存在偏差,重叠指数为0.36;Ni元素的重叠指数为0.29,仅株洲市东南部实测高值区域未被成功预测出,但对OF精度影响较大;Pb元素的重叠指数为0.85,仅有株洲市西北部一处高值区域,预测结果成功反演出高值区;Mn元素实测高值区域面积较小,位于湘潭市北部,预测高值区与实测存在偏差,位于湘潭市南部,且二者为分离关系,株洲市高值区预测错误,重叠指数为0;Zn元素实测高值区于株洲市西北部,预测结果株洲市西北部存在两个高值区,且均与实际高值区存在相交,Zn元素OF为0.52。基于面积的精确度评价相较于其他方法呈现出明显差异,预测后与实测高值区数量较为一致,高值区空间分布位置也较近,但预测的高值区与实测高值区范围存在较大偏差,As、Cd、Pb和Zn元素重叠指数较高,其他元素OF值均小于0.5。
基于空间信息相似度的综合评价
对于以上多个方法的评价结果,模型检验效果较好的元素包括As和Pb元素,综合评价指数分别为0.81和0.95;Mn元素预测结果与实测在空间上存在一定偏差;Cd和Hg元素综合指数较低,这与模型检验结果存在一致性,但其空间分布存在一定相似;其他元素综合评价指标均高于0.5,各元素预测高值区空间分布上与实测数据存在一致性。
本发明遥感定量反演结果精度评价方法和系统,弥补传统评价模型中仅基于数值评价的缺陷;使实测结果与预测结果均呈现可视化,在整体上进行评价;采用多种评价指标,使评价结果更具可靠性。
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、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。基于本发明中的实施例,本领域普通技术人员在没有做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。
Claims (8)
1.一种定量遥感反演预测结果评价方法,其特征在于,包括以下步骤:
获取预设区域的目标元素含量实测数据;
根据获取的预设区域的遥感图像反射率,通过遥感反演模型得到预设区域的目标元素含量预测数据;
对实测数据及预测数据进行异常特征相似度的综合指数评价;
其中,利用实测数据通过地统计学方法进行插值彩色分割可视化得到实测元素异常分布图,利用遥感数据通过遥感反演模型得到预测元素含量,并通过地统计学方法进行插值彩色分割可视化得到预测元素异常分布图;
对于实测数据高值区与预测数据高值区,分别提取实测和预测元素异常的有关参数,所述有关参数包含:异常位置、数量、大小、形态,所述有关参数用于计算实测和预测元素异常的相似度;
对实测数据及预测数据进行异常特征相似度的综合指数评价;所述综合指数评价包含:基于高值区数量的评价精度、基于高值区距离的评价精度以及基于高值区面积的评价精度。
2.如权利要求1所述的定量遥感反演预测结果评价方法,其特征在于,将预测数据的高值区与实测数据的高值区进行比对,统计预测数据高值区与实测数据高值区的高值区数量,计算预测正确率、预测错误率、预测缺失率,得到基于高值区数量的评价精度。
3.如权利要求1所述的定量遥感反演预测结果评价方法,其特征在于,计算预测数据的高值区与实测数据的高值区之间的分布位置是否具有相似性,得到基于高值区距离的评价精度。
4.如权利要求1所述的定量遥感反演预测结果评价方法,其特征在于,基于预设区域的范围,计算预测数据的高值区与实测数据的高值区的面积重叠度,得到基于高值区面积的评价精度。
5.一种定量遥感反演预测结果评价系统,其特征在于,包括:
获取模块,用于获取预设区域的目标元素含量实测数据;
反演模块,用于根据获取的预设区域的遥感图像反射率,通过遥感反演模型得到预设区域的目标元素含量预测数据;
评价模块,用于对实测数据及预测数据进行异常特征相似度的综合指数评价;
其中,利用实测数据通过地统计学方法进行插值彩色分割可视化得到实测元素异常分布图,利用遥感数据通过遥感反演模型得到预测元素含量,并通过地统计学方法进行插值彩色分割可视化得到预测元素异常分布图;
对于实测数据高值区与预测数据高值区,分别提取实测和预测元素异常的有关参数,所述有关参数包含:异常位置、数量、大小、形态,所述有关参数用于计算实测和预测元素异常的相似度;
对实测数据及预测数据进行异常特征相似度的综合指数评价;所述综合指数评价包含:基于高值区数量的评价精度、基于高值区距离的评价精度以及基于高值区面积的评价精度。
6.如权利要求5所述的定量遥感反演预测结果评价系统,其特征在于,评价模块包含:
统计单元,用于统计预测数据高值区与实测数据高值区的高值区数量;
第一计算单元,用于根据所述高值区数量计算预测正确率、预测错误率、预测缺失率,得到基于高值区数量的评价精度。
7.如权利要求6所述的定量遥感反演预测结果评价系统,其特征在于,评价模块还包含:
第一获取单元,用于获取预测数据的高值区与实测数据的高值区;
第二计算单元,用于计算预测数据的高值区与实测数据的高值区之间的分布位置是否具有相似性,得到基于高值区距离的评价精度。
8.如权利要求7所述的定量遥感反演预测结果评价系统,其特征在于,评价模块还包含:
第二获取单元,获取预设区域的范围;
第三计算单元,用于根据预设区域的范围,计算预测数据高值区与实测数据高值区的面积重叠度,得到基于高值区面积的评价精度。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111450618.4A CN114118835B (zh) | 2021-12-01 | 2021-12-01 | 一种定量遥感反演预测结果评价方法及系统 |
US18/072,384 US20230169681A1 (en) | 2021-12-01 | 2022-11-30 | Quantitative evaluation method and system for prediction result of remote sensing inversion |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111450618.4A CN114118835B (zh) | 2021-12-01 | 2021-12-01 | 一种定量遥感反演预测结果评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114118835A CN114118835A (zh) | 2022-03-01 |
CN114118835B true CN114118835B (zh) | 2022-06-21 |
Family
ID=80368958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111450618.4A Active CN114118835B (zh) | 2021-12-01 | 2021-12-01 | 一种定量遥感反演预测结果评价方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230169681A1 (zh) |
CN (1) | CN114118835B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187848B (zh) * | 2023-02-23 | 2024-01-30 | 安徽星太宇科技有限公司 | 基于数据分析的遥感载荷综合效能评估系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063202A (zh) * | 2012-12-30 | 2013-04-24 | 同济大学 | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 |
CN104992068A (zh) * | 2015-08-13 | 2015-10-21 | 四川农业大学 | 一种表层土壤氮素分布的预测方法 |
CN107657262A (zh) * | 2016-12-30 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种计算机自动分类精度评价方法 |
CN108334989A (zh) * | 2018-02-09 | 2018-07-27 | 环境保护部卫星环境应用中心 | 基于遥感影像的湖库chl-a监测站点优化方法和装置 |
CN112666328A (zh) * | 2020-11-25 | 2021-04-16 | 广东省科学院广州地理研究所 | 基于遗传神经网络模型的叶绿素a遥感反演方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852722B (zh) * | 2010-05-20 | 2012-07-04 | 北京航空航天大学 | 一种实现水体叶绿素a遥感反演精度评估方法 |
CN104656098B (zh) * | 2015-02-03 | 2018-04-13 | 南京林业大学 | 一种遥感森林生物量反演的方法 |
CN109917098A (zh) * | 2019-04-09 | 2019-06-21 | 中国科学院深圳先进技术研究院 | 深圳海域水质评价方法及系统 |
-
2021
- 2021-12-01 CN CN202111450618.4A patent/CN114118835B/zh active Active
-
2022
- 2022-11-30 US US18/072,384 patent/US20230169681A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063202A (zh) * | 2012-12-30 | 2013-04-24 | 同济大学 | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 |
CN104992068A (zh) * | 2015-08-13 | 2015-10-21 | 四川农业大学 | 一种表层土壤氮素分布的预测方法 |
CN107657262A (zh) * | 2016-12-30 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种计算机自动分类精度评价方法 |
CN108334989A (zh) * | 2018-02-09 | 2018-07-27 | 环境保护部卫星环境应用中心 | 基于遥感影像的湖库chl-a监测站点优化方法和装置 |
CN112666328A (zh) * | 2020-11-25 | 2021-04-16 | 广东省科学院广州地理研究所 | 基于遗传神经网络模型的叶绿素a遥感反演方法和装置 |
Non-Patent Citations (4)
Title |
---|
Gong Cheng 等.Quantitative Remote Sensing of Metallic Elements for the Qishitan Gold Polymetallic Mining Area, NW China.《Remote Sensing》.2021,第13卷(第2519期),1-19. * |
刘焕军等.黑土典型区土壤有机质遥感反演.《农业工程学报》.2011,第27卷(第08期),211-215. * |
向明顺.地震重灾区生态环境遥感动态监测与评价研究——以四川省北川县为例.《中国博士学位论文全文数据库基础科学辑》.2019,(第01期),A012-20. * |
成功 等.基于样本数据的红土型铝土矿定量遥感建模与反演研究.《地学前缘》.2019,第26卷(第4期),109-116. * |
Also Published As
Publication number | Publication date |
---|---|
CN114118835A (zh) | 2022-03-01 |
US20230169681A1 (en) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Automatic indoor construction process monitoring for tiles based on BIM and computer vision | |
CN109949326B (zh) | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 | |
CN110333554B (zh) | Nriet暴雨智能相似分析方法 | |
CN108346144B (zh) | 基于计算机视觉的桥梁裂缝自动监测与识别方法 | |
CN113409314B (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
CN111368906B (zh) | 一种基于深度学习的指针式油位计读数识别方法 | |
CN114997534B (zh) | 基于视觉特征的相似降雨预报方法和设备 | |
CN110909738A (zh) | 一种基于关键点检测的指针仪表自动读数方法 | |
CN114118835B (zh) | 一种定量遥感反演预测结果评价方法及系统 | |
CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
CN114387332B (zh) | 一种管道测厚方法及装置 | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
CN114428110A (zh) | 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统 | |
CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
CN112017213A (zh) | 一种目标对象的位置更新方法及系统 | |
CN112556698A (zh) | 船舶行为变化及异常识别方法、设备及介质 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN115908370A (zh) | 一种基于图像逆透视变换实现水位检测的方法 | |
CN115861816A (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
CN115115889A (zh) | 一种仪表图像分析方法及装置 | |
CN114821165A (zh) | 一种轨道检测图像采集分析方法 | |
CN111667920A (zh) | 一种基于定位数据的人群密切接触排查方法 | |
CN111369508A (zh) | 一种金属三维点阵结构的缺陷检测方法及系统 | |
CN113762359B (zh) | 一种面向rd时频数据的深度学习模型评测系统及方法 |
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 |