CN115309956A - 采样位置确定方法、装置、设备及存储介质 - Google Patents
采样位置确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115309956A CN115309956A CN202210715929.7A CN202210715929A CN115309956A CN 115309956 A CN115309956 A CN 115309956A CN 202210715929 A CN202210715929 A CN 202210715929A CN 115309956 A CN115309956 A CN 115309956A
- Authority
- CN
- China
- Prior art keywords
- data
- sampling unit
- sampling
- screening
- 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.)
- Pending
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 336
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 146
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 6
- 101150083232 Grid2 gene Proteins 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000003139 buffering effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101150004054 GRID1 gene Proteins 0.000 description 1
- 101100409194 Rattus norvegicus Ppargc1b gene Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种采样位置确定方法、装置、设备及存储介质，该方法包括：获取待检验真实性的遥感定量设备采集的遥感数据，以及空间分辨率高于所述遥感数据的先验数据；对先验数据进行分层处理并构建筛选网格，基于该筛选网格对分层处理得到的多分层数据进行多层级筛选，得到每一层中的预选采样单元；获取采样总数量并分配到各层数据中，根据各层数据分配的采样数量和所述预选采样单元，确定目标采样单元；根据所述目标采样单元的空间位置，确定所述遥感数据的采样位置。本发明提供的采样位置确定方法通过对先验数据进行分层处理和基于网格的多层级筛选处理，确保了采样单元的空间均质性，进而提高基于该采样单元的真实性检验结果的可靠性。
Description
技术领域
本发明涉及遥感技术领域，尤其涉及一种采样位置确定方法、装置、设备及存储介质。
背景技术
遥感技术凭借其观测范围广、连续性和实时性强等特点成为地球环境观测的重要手段，多源、多尺度遥感定量产品在全球气候变化、生态环境研究中发挥着越来越重要的作用。而真实性检验是保障遥感定量产品生产质量、支持遥感定量产品应用的重要环节，真实性是指遥感定量产品能够准确、真实地反映地表实际情况的能力。目前对遥感定量产品的真实性检验，最常用的方法是基于先验知识采用人工决策的方法，在大片连续分布均质地表设置基础采样单元，或者在地面实验之前通过实地勘样的方式确定采样单元，然后对遥感数据进行采样并利用采样数据进行验证，以检验遥感定量产品的真实性。上述真实性检验方法，对选取的采样单元的地表均质性，采样数据的样本代表性和空间代表性缺乏定量评价，从而导致真实性检验结果的可靠性不高。
发明内容
本发明提供一种采样位置确定方法、装置、设备及存储介质，用以解决现有技术选取的遥感数据的采样单元没有定量评价地表均质性，使得采样数据缺乏样本代表性和空间代表性，从而导致真实性检验结果的可靠性不高的技术问题。
本发明提供一种采样位置确定方法，包括：
获取待检验真实性的遥感定量设备采集的遥感数据，以及所述遥感数据对应的先验数据，所述先验数据的空间分辨率高于所述遥感数据；
对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据；
构建所述多分层数据的筛选网格，基于所述筛选网格对所述多分层数据进行多层级筛选，确定所述多分层数据每一层中的预选采样单元；
获取采样总数量，并将所述采样总数量分配到所述多分层数据中，根据所述多分层数据的每一层分配的采样数量和所述预选采样单元，确定目标采样单元；
根据所述目标采样单元的空间位置，确定所述遥感数据的采样位置。
根据本发明提供的一种采样位置确定方法，所述基于所述筛选网格对所述多分层数据进行多层级筛选，确定所述多分层数据每一层中的预选采样单元的步骤，包括：
根据所述多分层数据，计算所述筛选网格中各网格内的第一筛选参数；
获取第一参数范围，根据所述第一筛选参数和所述第一参数范围，从所述筛选网格的各网格中筛选出第一网格集合；
根据所述多分层数据，计算以所述第一网格集合中的各网格为中心，预设网格范围内的第二筛选参数；
获取第二参数范围，根据所述第二筛选参数和所述第二参数范围，从所述第一网格集合中筛选出第二网格集合；
根据所述第二网格集合中的各个网格确定所述多分层数据每一层中的预选采样单元，其中，所述第一筛选参数和所述第二筛选参数包括变异系数和像元覆盖比重，所述筛选网格的每个网格为一个基础采样单元。
根据本发明提供的一种采样位置确定方法，所述根据所述多分层数据的每一层分配的采样数量和所述预选采样单元，确定目标采样单元的步骤，包括：
对所述多分层数据的每一层分配的采样数量进行空间均衡分配，得到所述多分层数据各层中的采样单元集合；
计算所述采样单元集合中各采样单元两两之间的欧氏距离，筛选出所述欧氏距离小于预设距离阈值的采样单元对；
根据所述第一筛选参数中的变异系数，确定所述采样单元对中变异系数较小的第一采样单元和变异系数较大的第二采样单元；
以所述第一采样单元为中心，基于所述预选采样单元搜索所述第二采样单元的替代采样单元；
利用所述替代采样单元替换所述第二采样单元，得到目标采样单元。
根据本发明提供的一种采样位置确定方法，所述以所述第一采样单元为中心，基于所述预选采样单元搜索所述第二采样单元的替代采样单元的步骤，包括：
获取搜索参数，所述搜索参数包括搜索距离和搜索步长；
以所述第一采样单元为中心，根据所述搜索步长，在所述搜索距离处向外逐步搜索所述预选采样单元；
当搜索到所述预选采样单元时，根据所述第一筛选参数中的变异系数，从搜索到的各预选采样单元中，选取变异系数最小的作为所述第二采样单元的替代采样单元。
根据本发明提供的一种采样位置确定方法，所述根据所述目标采样单元的空间位置，确定所述遥感数据的采样位置的步骤，包括：
对所述目标采样单元进行空间联合处理，确定所述目标采样单元在所述先验数据中的空间位置；
将所述空间位置映射到所述遥感数据中，确定所述遥感数据的采样位置。
根据本发明提供的一种采样位置确定方法，所述对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据的步骤，包括：
获取所述遥感定量设备待检验的目标指标的梯度值，基于所述梯度值将所述目标指标划分为多个等级；
计算所述先验数据的目标指标，根据所述先验数据的目标指标对应的等级，对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据。
根据本发明提供的一种采样位置确定方法，所述对所述先验数进行分层处理的步骤之前，还包括：
根据所述遥感定量设备待检验的目标指标，确定所述先验数据的待检验区域和非检验区域；
对所述非检验区域进行掩膜处理，并根据掩膜边界对所述待检验区域进行单边缓冲处理。
本发明还提供一种采样位置确定装置，包括：
数据采集模块，用于获取待检验真实性的遥感定量设备采集的遥感数据，以及所述遥感数据对应的先验数据，所述先验数据的空间分辨率高于所述遥感数据；
分层处理模块，用于对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据；
网格筛选模块，用于构建所述多分层数据的筛选网格，基于所述筛选网格对所述多分层数据进行多层级筛选，确定所述多分层数据每一层中的预选采样单元；
筛选优化模块，用于获取采样总数量，并将所述采样总数量分配到所述多分层数据中，根据所述多分层数据的每一层分配的采样数量和所述预选采样单元，确定目标采样单元；
位置确定模块，用于根据所述目标采样单元的空间位置，确定所述遥感数据的采样位置。
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采样位置确定方法。
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采样位置确定方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述采样位置确定方法。
本发明提供的采样位置确定方法、装置、设备及存储介质，通过对先验数据进行分层处理，并在分层处理结果的基础上，进行基于网格的多层级筛选，确定各分层数据中的预选采样单元，基于该预选采样单元，对各分层中分配的采样单元进行空间布设的优化，确定最终用于采样的目标采样单元。基于该目标采样单元的空间位置进行采样得到的样本数据，可以综合考虑样本空间的异质性和待检验遥感定量设备的空间尺度，确保了采样单元的空间均质性，进而提高基于该采样单元的真实性检验结果的可靠性。
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是本发明提供的采样位置确定方法的流程示意图之一；
图2是本发明提供的采样位置确定方法的流程示意图之二；
图3是本发明提供的采样位置确定装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
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。
参照图1，图1为本发明提供的采样位置确定方法的流程示意图之一，基于图1，本发明提供的采样位置确定方法应用于待检验真实性的遥感定量设备，包括以下步骤：
步骤100，获取待检验真实性的遥感定量设备采集的遥感数据，以及所述遥感数据对应的先验数据，所述先验数据的空间分辨率高于所述遥感数据；
对于遥感定量设备的真实性检验，常用的方法就是通过将定量反演的设备与能够代表地面目标相对真值的参考数据，如通过实地勘测获取的地面实测数据，或者，通过更高空间分辨率的遥感定量设备采集的更高分辨率的遥感数据等进行对比分析，从而评价遥感定量设备能够准确、真实地反映地表实际情况的能力。对于中高分辨率的设备来说，基于地面实验的真实性检验，首先要选取与待检验设备像元尺度相当的同质区域作为基础采样单元，然后将采样单元内的测量样点通过空间聚合提升尺度的方法开展真实性检验。在严格按照测量规程的前提条件下，空间均质的基础采样单元及其合理的空间布设，是决定检验结果合理性和可靠性的关键因素。
基于此，提出了本发明的采样位置确定方法，能够综合考虑样本空间的异质性和待检验遥感定量设备的空间尺度，确保了采样单元的空间均质性，进而提高基于该采样单元的真实性检验结果的可靠性。首先获取待检验真实性的遥感定量设备采集的遥感数据，以及该遥感数据对应的先验数据，其中，获取的先验数据是与遥感数据时间临近物候期相同、能反映待检验参数的时空特征的，且分辨率高于遥感定量设备的遥感数据。先验数据的空间分辨率高于待检验的遥感定量设备的空间分辨率，例如，若待检验的遥感定量设备的空间分辨率为10m，先验数据的空间分辨率则可以为4m。选取时间临近、物候期相同，能反映待检验参数时空特征，比待检验产品空间分辨率更高的遥感数据作为先验知识，通过比较分析，能够确定待检验真实性的遥感定量设备的真实性。
进一步地，获取的先验数据不仅与待检验真实性的遥感定量设备相关，还与遥感定量设备的待检验参数相关，例如，植被类参数的验证可以选取归一化植被指数NDVI(Normalized Difference Vegetation Index)数据作为先验数据，光谱类参数的验证可以选取近似光谱范围的波段作为先验数据，在此不再赘述。
步骤200，对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据；
对获取的先验数据进行分层处理，将先验数据按照待检验参数划分为不同等级，得到多分层数据，在遥感数据的可视化图表中，该多分层数据的不同层显示信息不同。以颜色作为显示信息为例，待检验参数在同一等级的遥感数据为同一层，在可视化图表中通过同一种颜色表示，待检验参数在不同等级的遥感数据为不同层，通过不同的颜色表示。需要说明的是，在多分层数据中，同一层的数据在遥感数据对应的空间中并不一定是集中的，有可能是分散的。
进一步地，步骤200具体包括：
步骤201，获取所述遥感定量设备待检验的目标指标的梯度值，基于所述梯度值将所述目标指标划分为多个等级；
步骤202，计算所述先验数据的目标指标，根据所述先验数据的目标指标对应的等级，对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据。
在对先验数据进行分层处理时，首先获取遥感定量设备待检验的目标指标的梯度值，基于该梯度值将目标指标划分为多个等级，计算先验数据的目标指标，根据先验数据的目标指标对应的等级对先验数据进行分层处理，将先验数据划分为多层，得到对应的多分层数据，其中，目标指标对应的等级相同的数据为同一层。
以NDVI数据为例，若NDVI的梯度值为0.1，则按照该梯度值将NDVI对应的先验数据划分为多个等级，分别为Class0：NDVI(0,0.3)、Class 1:NDVI[0.3,0.4)、Class 2:NDVI[0.4,0.5)、Class 3:NDVI[0.5,0.6)、Class 4:NDVI[0.6,0.7)、Class 5:NDVI[0.7,0.8)、Class 6:NDVI[0.8,0.9)、Class 7:NDVI[0.9,1.0)。计算先验数据的NDVI值，根据计算出的NDVI值确定先验数据对应的NDVI等级，对先验数据进行分层处理，即将同一NDVI等级的先验数据划分到同一层中，从而得到多层数据。
步骤300，构建所述多分层数据的筛选网格，基于所述筛选网格对所述多分层数据进行多层级筛选，确定所述多分层数据每一层中的预选采样单元；
构建多分层数据的筛选网格，该筛选网格根据待检验的遥感定量设备的空间分辨率构建，例如，构建网格的空间分辨率为待检验遥感定量设备的空间分辨率的3倍，构建的筛选网格作为采样单元的筛选基础，其中的每一个网格为一个基础采样单元。基于构建的筛选网格，对分层处理得到的多分层数据进行多层级筛选，确定多分层数据中，每一层数据中的预选采样单元。根据预先建立的基于网格的多层级筛选规则，对分层处理结果中的每一层分别开展空间统计筛选，确定多分层数据每一分层中预选的基础采样单元及其空间位置。其中，多层级筛选的筛选条件，包括先验数据的空间异质性、待检验遥感定量设备的空间尺度等。
步骤400，获取采样总数量，并将所述采样总数量分配到所述多分层数据中，根据所述多分层数据的每一层分配的采样数量和所述预选采样单元，确定目标采样单元；
获取采样总数量，将采样总数量分配到多分层数据的各个分层中，根据每一分层分配的采样数量，以及筛选出的预选采样单元，确定目标采样单元。在将采样总数量分配大多分层数据的每一分层中时，是按照预设原则分配的，该预设原则包括内曼分配原则，内曼分配原则对应的分配方式如下列公式1所示：
其中，n表示采样总数量，该采样总数量为可配置参数，可以是提前设定的，L表示多分层数据中包含的分层数量，nh表示L层的多分层数据中第h层分配的采样数量，Nh表示第h层总的像元数量，σh表示第h层数据的标准差。
根据多分层数据的每一分层分配的采样数量和预选采样单元，确定目标采样单元，具体是基于筛选出的预选采样单元，对每一分层分配的采样单元进行优化，从而优化各分层中的采样位置的空间布设，得到最终的采样单元。
步骤500，根据所述目标采样单元的空间位置，确定所述遥感数据的采样位置。
根据多层级筛选出的目标采样单元的空间位置，确定遥感数据的采样位置，可知地，获取的先验数据，与待检验的遥感定量设备采集的遥感数据，具有相同的空间范围，且时间临近，物候期相同，通过对先验数据进行多层级筛选，根据筛选出的目标采样单元的空间位置，可以确定遥感数据的采样位置，基于该采样位置进行选址并采样，得到的样本数据综合考虑了空间异质性、待检验遥感定量设备的空间尺度等多个因素，使得样本数据具有代表性，提高基于该样本数据的真实性检验结果的可靠性。
进一步地，步骤500还包括：
步骤501，对所述目标采样单元进行空间联合处理，确定所述目标采样单元在所述先验数据中的空间位置；
步骤502，将所述空间位置映射到所述遥感数据中，确定所述遥感数据的采样位置。
根据目标采样单元的空间位置，确定遥感数据的采样位置时，具体是对目标采样单元进行空间联合处理，合并各目标采样单元，并确定其在先验数据对应的空间范围内的空间位置，基于该空间位置进行映射，将各目标采样单元映射到遥感数据中，从而得到遥感数据的采样位置。
进一步地，步骤200之前，还包括：
步骤210，根据所述遥感定量设备待检验的目标指标，确定所述先验数据的待检验区域和非检验区域；
步骤220，对所述非检验区域进行掩膜处理，并根据掩膜边界对所述待检验区域进行单边缓冲处理。
在进行多层级筛选之前，首先对先验数据进行预处理，该预处理包括掩膜缓冲处理和分层处理，在进行分层处理之前，首先对获取的先验数据进行掩膜缓冲处理，以避免先验数据与待检验遥感定量设备采集的遥感数据由于空间尺度差异产生的混合像元问题。
具体地，根据遥感定量设备待检验的目标指标，确定先验数据的待检验区域和非检验区域，对非检验区域进行掩膜处理，以掩膜边界为基础对待检验区域进行单边缓冲处理。在本实施例中，缓冲区的宽度为待检验的遥感定量设备的空间分辨率的两倍，例如，若待检验的遥感定量设备的空间分辨率为10m，则缓冲区的宽度为两个像元大小，即20m。
以上述对NDVI数据的分层处理为例，对先验数据中NDVI<0.3的区域即Class0做掩膜处理，以掩膜边界为基础做单边缓冲处理，在此基础上，对掩膜缓冲处理后的先验数据进行分层处理时，则对[0.3,0.4)范围的NDVI按照0.1的梯度值进行等级划分，将NDVI划分为7个等级(Class1至Class7，不含Class0)，根据计算出的先验数据的NDVI值，将先验数据划分为多个分层，并基于分层处理的结果，对先验数据进行基于网格的多层级筛选处理，在此不再赘述。
在本实施例中，通过对先验数据进行分层处理，并在分层处理结果的基础上，进行基于网格的多层级筛选，确定各分层数据中的预选采样单元，基于该预选采样单元，对各分层中分配的采样单元进行空间布设的优化，确定最终用于采样的目标采样单元。基于该目标采样单元的空间位置进行采样得到的样本数据，可以综合考虑样本空间的异质性和待检验遥感定量设备的空间尺度，确保了采样单元的空间均质性，进而提高基于该采样单元的真实性检验结果的可靠性。
进一步地，通过掩膜缓冲处理，避免了先验数据与待检验的遥感定量设备由于空间尺度差异产生的混合像元问题，确保了基于先验数据获取遥感数据的采样位置的准确性。
在一个实施例中，步骤300具体包括：
步骤301，根据所述多分层数据，计算所述筛选网格中各网格内的第一筛选参数；
步骤302，获取第一参数范围，根据所述第一筛选参数和所述第一参数范围，从所述筛选网格的各网格中筛选出第一网格集合；
步骤303，根据所述多分层数据，计算以所述第一网格集合中的各网格为中心，预设网格范围内的第二筛选参数；
步骤304，获取第二参数范围，根据所述第二筛选参数和所述第二参数范围，从所述第一网格集合中筛选出第二网格集合；
步骤305，根据所述第二网格集合中的各个网格确定所述多分层数据每一层中的预选采样单元，其中，所述第一筛选参数和所述第二筛选参数包括变异系数和像元覆盖比重，所述筛选网格的每个网格为一个基础采样单元。
在基于构建的筛选网格，对多分层数据进行多层级筛选时，根据多分层数据的各分层，计算筛选网格中各网格的第一筛选参数，该第一筛选参数包括各网格的变异系数和像元覆盖比重，其中，像元覆盖比重可以以各分层中的某一像元的覆盖比重表征。获取第一参数范围，根据计算出的筛选参数和获取参数范围，对筛选网格的网格进行筛选，得到第一网格集合，基于建立的网格的多层级筛选规则，首先将建立的筛选网格中所有的网格作为待选采样单元，计算每一个网格的变异系数和覆盖某一类像元的比重，然后对满足以下公式2所示的条件的网格进行记录，并标记为Grid2：
coef1<＝Quantile(coef1,20％)&Perc1>Quantile(Perc1,95％) (2)
其中，Quantile代表分位数函数，即参数范围，coef1为筛选网格的变异系数，Perc1为筛选网格内覆盖某一类像元的比重，在公式2中，变异系数的参数范围为20％，像元覆盖比重的参数范围为95％，公式2所示出的筛选条件，具体表示为按照百分位数筛选出变异系数前百分之20％且像元覆盖比重在后95％的各个网格。
基于各网格的变异系数和像元覆盖比重进行筛选，确保筛选出的网格具有良好的空间均质性，基于筛选出的第一网格集合，根据多分层数据，以第一网格集合中的各个网格为中心，计算预设网格范围内的第二筛选参数，确保第一网格集合中各网格的临近像元同样具有良好的空间均质性，减少由于遥感定量设备的几何误差导致的验证偏差。具体地，以Grid2为中心，计算预设网格范围内的变异系数(coef2)和该空间范围内某一像元的覆盖比重(Perc2)，该预设网格范围例如3Res_grid*3Res_grid，其中，Res_grid为筛选网格的空间分辨率。然后对满足以下公式3所示出的筛选条件的网格进行记录，并标记为Grid3：
coef2<＝Quantile(coef2,30％)&Perc12>Quantile(Perc2,60％) (3)
公式3具体表示从第一网格集合中筛选出3Res_grid*3Res_grid网格范围内变异系数的前30％，且该空间范围内某一像元的覆盖比重为后60％的网格。
根据筛选出的网格Grid3，确定多分层数据中每一分层中的预选采样单元，可知地，上述参数范围、筛选条件等仅用于示例性说明，在实际应用时，可以根据需要对各参数值进行设置，并且，多层级筛选的筛选层级数和筛选过程等，也不限于本实施例中所示出的部分，具体的筛选层级数、各层级的筛选条件和参数范围等均为可调参数，在此不做具体限定。
进一步地，步骤400中，根据所述多分层数据的每一层分配的采样数量和所述预选采样单元，确定目标采样单元，具体包括：
步骤401，对所述多分层数据的每一层分配的采样数量进行空间均衡分配，得到所述多分层数据各层中的采样单元集合；
步骤402，计算所述采样单元集合中各采样单元两两之间的欧氏距离，筛选出所述欧氏距离小于预设距离阈值的采样单元对；
步骤403，根据所述第一筛选参数中的变异系数，确定所述采样单元对中变异系数较小的第一采样单元和变异系数较大的第二采样单元；
步骤404，以所述第一采样单元为中心，基于所述预选采样单元搜索所述第二采样单元的替代采样单元；
步骤405，利用所述替代采样单元替换所述第二采样单元，得到目标采样单元。
在筛选出各分层的预选采样单元，并将采样总数量分配至各分层之后，根据各分层分配的采样数量，基于预选采样单元对各分层中分配的采样单元进行空间布设优化。具体地，首先将各分层中的采样数量进行空间均衡分配，确定各分层均衡分配后的采样单元的空间布设，得到各分层的采样单元集合，计算同一分层中，两两采样单元的欧氏距离，基于该欧氏距离对采样单元集合中的采样单元进行优化，从而优化采样单元的空间布设。采用空间均衡抽样模型确定每一分层中基础采样单元的初始空间布设，基于该初始空间布设，优化两两样点之间欧式距离低于预设距离阈值的采样单元，避免采样冗余，得到最终的基础采样单元的空间布设。
在优化欧式距离低于预设距离阈值的采样单元时，首先计算采样单元集合中，两两采样单元之间的欧式距离，从中选取欧氏距离小于预设距离阈值的采样单元对，该预设距离阈值例如两倍的Res_grid。通过比较其变异系数，确定采样单元对中变异系数较小的第一采样单元，以及变异系数较小的第二采样单元，然后以变异系数小的第一采样单元为中心，在Grid3上搜索第二采样单元的替代采样单元。利用搜索到的替代采样单元替换采样单元对中，变异系数较大的第二采样单元，得到目标采样单元。
进一步地，步骤404还可以包括：
步骤4041，获取搜索参数，所述搜索参数包括搜索距离和搜索步长；
步骤4042，以所述第一采样单元为中心，根据所述搜索步长，在所述搜索距离处向外逐步搜索所述预选采样单元；
步骤4043，当搜索到所述预选采样单元时，根据所述第一筛选参数中的变异系数，从搜索到的各预选采样单元中，选取变异系数最小的作为所述第二采样单元的替代采样单元。
在搜索第二采样单元的替代采样单元时，获取搜索参数，该搜索参数包括搜索步长和搜索距离，以采样单元对中，变异系数较小的第一采样单元为中心，根据搜索步长在搜索距离处向外逐步搜索预选采样单元Grid3，作为采样单元对中，变异系数较大的第二采样单元的替代采样单元。进一步地，当在某一步中搜索到多个Grid3时，根据计算出的各网格的变异系数，选取变异系数最小的Grid3，作为第二采样单元的替代采样单元。以搜索距离为3倍的Res_grid、搜索步长为1个Res_grid为例，以第一采样单元为中心，在3倍的Res_grid范围之外，逐步搜索Grid3，搜索步长为1个Res_grid，当在某一搜索步长范围内存在多个满足条件的Grid3网格时，选取变异系数最小的网格作为替代采样单元。在完成对各采样单元对的优化后，得到最终的目标采样单元及其空间布设，将每一分层选取的目标采样单元采用空间联合的方法进行合并，最终得到整个遥感数据对应的实验区域内的采样单元的空间位置。
进一步地，参照图2，图2为本实施例提供的采样位置确定方法的流程示意图之一，在图2中，需要获取的数据包括预先设置的采样点数，即采样总数量，相对于待检验的遥感定量设备的高空间分辨率的先验数据，以及待检验的遥感定量设备采集的遥感数据等。在获取数据后，需要对获取的数据进行预处理，该预处理包括对先验数据的掩膜缓冲处理和分层处理。基于分层处理结果，对先验数据进行基于网格的多层级采样单元筛选，其中，图2中给出了对筛选网格进行两层级筛选的过程，首先以建立的筛选网格中的所有网格作为第一层筛选网格(Grid1)，根据各网格的筛选参数确定Grid1的异质性，根据该异质性进行筛选，确保筛选出的网格(Grid2)具有良好的空间均质性；然后将Grid2作为第二层筛选网格，计算Grid2临近像元的筛选参数，并根据计算出的筛选参数确定Grid2临近区域的异质性进行第二层级筛选，确保筛选出的网格(Grid3)的临近像元，同样具有良好的空间均质性，减少由于遥感定量设备的几何误差导致的验证偏差。其中，网格的异质性根据网格的筛选参数，即变异系数和像元覆盖比重确定。最后将采样总数量分配到各分层中，并在各分层中进行空间均衡抽样，实现采样单元在各分层的空间分配。计算同一分层中两两采样单元之间的欧式距离，对于欧式距离小于预设距离阈值的采样单元对，去掉变异系数较大的采样单元，然后以变异系数较小的采样单元为中心，将Grid3作为第三层筛选网格，在Grid3上搜索替代采样单元，实现对各分层分配的采样点的空间布设，进行基于欧氏距离的优化。
在本实施例中，通过对采样单元进行多层级筛选，确保了筛选出的采样单元，及其临近像元具有良好的空间均质性，减少验证偏差。同时，对采用空间均衡抽样分配到各分层的采样单元，进行基于欧式距离的空间布设优化，避免了采样冗余，可以进一步提高基于筛选出的采样单元的真实性检验结果的可靠性。
下面对本发明提供的采样位置确定装置进行描述，下文描述的采样位置确定装置与上文描述的采样位置确定方法可相互对应参照。
参照图3，本发明实施例提供的采样位置确定装置包括：
数据采集模块10，用于获取待检验真实性的遥感定量设备采集的遥感数据，以及所述遥感数据对应的先验数据，所述先验数据的空间分辨率高于所述遥感数据；
分层处理模块20，用于对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据；
网格筛选模块30，用于构建所述多分层数据的筛选网格，基于所述筛选网格对所述多分层数据进行多层级筛选，确定所述多分层数据每一层中的预选采样单元；
筛选优化模块40，用于获取采样总数量，并将所述采样总数量分配到所述多分层数据中，根据所述多分层数据的每一层分配的采样数量和所述预选采样单元，确定目标采样单元；
位置确定模块50，用于根据所述目标采样单元的空间位置，确定所述遥感数据的采样位置。
在一个实施例中，所述筛选优化模块30，还用于：
根据所述多分层数据，计算所述筛选网格中各网格内的第一筛选参数；
获取第一参数范围，根据所述第一筛选参数和所述第一参数范围，从所述筛选网格的各网格中筛选出第一网格集合；
根据所述多分层数据，计算以所述第一网格集合中的各网格为中心，预设网格范围内的第二筛选参数；
获取第二参数范围，根据所述第二筛选参数和所述第二参数范围，从所述第一网格集合中筛选出第二网格集合；
根据所述第二网格集合中的各个网格确定所述多分层数据每一层中的预选采样单元，其中，所述第一筛选参数和所述第二筛选参数包括变异系数和像元覆盖比重，所述筛选网格的每个网格为一个基础采样单元。
在一个实施例中，所述筛选优化模块40，还用于：
对所述多分层数据的每一层分配的采样数量进行空间均衡分配，得到所述多分层数据各层中的采样单元集合；
计算所述采样单元集合中各采样单元两两之间的欧氏距离，筛选出所述欧氏距离小于预设距离阈值的采样单元对；
根据所述第一筛选参数中的变异系数，确定所述采样单元对中变异系数较小的第一采样单元和变异系数较大的第二采样单元；
以所述第一采样单元为中心，基于所述预选采样单元搜索所述第二采样单元的替代采样单元；
利用所述替代采样单元替换所述第二采样单元，得到目标采样单元。
在一个实施例中，所述筛选优化模块40，还用于：
获取搜索参数，所述搜索参数包括搜索距离和搜索步长；
以所述第一采样单元为中心，根据所述搜索步长，在所述搜索距离处向外逐步搜索所述预选采样单元；
当搜索到所述预选采样单元时，根据所述第一筛选参数中的变异系数，从搜索到的各预选采样单元中，选取变异系数最小的作为所述第二采样单元的替代采样单元。
在一个实施例中，所述位置确定模块50，还用于：
对所述目标采样单元进行空间联合处理，确定所述目标采样单元在所述先验数据中的空间位置；
将所述空间位置映射到所述遥感数据中，确定所述遥感数据的采样位置。
在一个实施例中，所述分层处理模块20，还用于：
获取所述遥感定量设备待检验的目标指标的梯度值，基于所述梯度值将所述目标指标划分为多个等级；
计算所述先验数据的目标指标，根据所述先验数据的目标指标对应的等级，对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据。
在一个实施例中，所述采样位置确定装置还包括预处理模块，用于：
根据所述遥感定量设备待检验的目标指标，确定所述先验数据的待检验区域和非检验区域；
对所述非检验区域进行掩膜处理，并根据掩膜边界对所述待检验区域进行单边缓冲处理。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行采样位置确定方法，该方法包括：
获取待检验真实性的遥感定量设备采集的遥感数据，以及所述遥感数据对应的先验数据，所述先验数据的空间分辨率高于所述遥感数据；
对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据；
构建所述多分层数据的筛选网格，基于所述筛选网格对所述多分层数据进行多层级筛选，确定所述多分层数据每一层中的预选采样单元；
获取采样总数量，并将所述采样总数量分配到所述多分层数据中，根据所述多分层数据的每一层分配的采样数量和所述预选采样单元，确定目标采样单元；
根据所述目标采样单元的空间位置，确定所述遥感数据的采样位置。
此外，上述的存储器430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计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的采样位置确定方法，该方法包括：
获取待检验真实性的遥感定量设备采集的遥感数据，以及所述遥感数据对应的先验数据，所述先验数据的空间分辨率高于所述遥感数据；
对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据；
构建所述多分层数据的筛选网格，基于所述筛选网格对所述多分层数据进行多层级筛选，确定所述多分层数据每一层中的预选采样单元；
获取采样总数量，并将所述采样总数量分配到所述多分层数据中，根据所述多分层数据的每一层分配的采样数量和所述预选采样单元，确定目标采样单元；
根据所述目标采样单元的空间位置，确定所述遥感数据的采样位置。
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采样位置确定方法，该方法包括：
获取待检验真实性的遥感定量设备采集的遥感数据，以及所述遥感数据对应的先验数据，所述先验数据的空间分辨率高于所述遥感数据；
对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据；
构建所述多分层数据的筛选网格，基于所述筛选网格对所述多分层数据进行多层级筛选，确定所述多分层数据每一层中的预选采样单元；
获取采样总数量，并将所述采样总数量分配到所述多分层数据中，根据所述多分层数据的每一层分配的采样数量和所述预选采样单元，确定目标采样单元；
根据所述目标采样单元的空间位置，确定所述遥感数据的采样位置。
以上所描述的装置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 (10)
1.一种采样位置确定方法，应用于待检验真实性的遥感定量设备，其特征在于，所述方法包括以下步骤：
获取待检验真实性的遥感定量设备采集的遥感数据，以及所述遥感数据对应的先验数据，所述先验数据的空间分辨率高于所述遥感数据；
对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据；
构建所述多分层数据的筛选网格，基于所述筛选网格对所述多分层数据进行多层级筛选，确定所述多分层数据每一层中的预选采样单元；
获取采样总数量，并将所述采样总数量分配到所述多分层数据中，根据所述多分层数据的每一层分配的采样数量和所述预选采样单元，确定目标采样单元；
根据所述目标采样单元的空间位置，确定所述遥感数据的采样位置。
2.根据权利要求1所述的采样位置确定方法，其特征在于，所述基于所述筛选网格对所述多分层数据进行多层级筛选，确定所述多分层数据每一层中的预选采样单元的步骤，包括：
根据所述多分层数据，计算所述筛选网格中各网格内的第一筛选参数；
获取第一参数范围，根据所述第一筛选参数和所述第一参数范围，从所述筛选网格的各网格中筛选出第一网格集合；
根据所述多分层数据，计算以所述第一网格集合中的各网格为中心，预设网格范围内的第二筛选参数；
获取第二参数范围，根据所述第二筛选参数和所述第二参数范围，从所述第一网格集合中筛选出第二网格集合；
根据所述第二网格集合中的各个网格确定所述多分层数据每一层中的预选采样单元，其中，所述第一筛选参数和所述第二筛选参数包括变异系数和像元覆盖比重，所述筛选网格的每个网格为一个基础采样单元。
3.根据权利要求2所述的采样位置确定方法，其特征在于，所述根据所述多分层数据的每一层分配的采样数量和所述预选采样单元，确定目标采样单元的步骤，包括：
对所述多分层数据的每一层分配的采样数量进行空间均衡分配，得到所述多分层数据各层中的采样单元集合；
计算所述采样单元集合中各采样单元两两之间的欧氏距离，筛选出所述欧氏距离小于预设距离阈值的采样单元对；
根据所述第一筛选参数中的变异系数，确定所述采样单元对中变异系数较小的第一采样单元和变异系数较大的第二采样单元；
以所述第一采样单元为中心，基于所述预选采样单元搜索所述第二采样单元的替代采样单元；
利用所述替代采样单元替换所述第二采样单元，得到目标采样单元。
4.根据权利要求3所述的采样位置确定方法，其特征在于，所述以所述第一采样单元为中心，基于所述预选采样单元搜索所述第二采样单元的替代采样单元的步骤，包括：
获取搜索参数，所述搜索参数包括搜索距离和搜索步长；
以所述第一采样单元为中心，根据所述搜索步长，在所述搜索距离处向外逐步搜索所述预选采样单元；
当搜索到所述预选采样单元时，根据所述第一筛选参数中的变异系数，从搜索到的各预选采样单元中，选取变异系数最小的作为所述第二采样单元的替代采样单元。
5.根据权利要求1所述的采样位置确定方法，其特征在于，所述根据所述目标采样单元的空间位置，确定所述遥感数据的采样位置的步骤，包括：
对所述目标采样单元进行空间联合处理，确定所述目标采样单元在所述先验数据中的空间位置；
将所述空间位置映射到所述遥感数据中，确定所述遥感数据的采样位置。
6.根据权利要求1所述的采样位置确定方法，其特征在于，所述对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据的步骤，包括：
获取所述遥感定量设备待检验的目标指标的梯度值，基于所述梯度值将所述目标指标划分为多个等级；
计算所述先验数据的目标指标，根据所述先验数据的目标指标对应的等级，对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据。
7.根据权利要求6所述的采样位置确定方法，其特征在于，所述对所述先验数进行分层处理的步骤之前，还包括：
根据所述遥感定量设备待检验的目标指标，确定所述先验数据的待检验区域和非检验区域；
对所述非检验区域进行掩膜处理，并根据掩膜边界对所述待检验区域进行单边缓冲处理。
8.一种采样位置确定装置，其特征在于，包括：
数据采集模块，用于获取待检验真实性的遥感定量设备采集的遥感数据，以及所述遥感数据对应的先验数据，所述先验数据的空间分辨率高于所述遥感数据；
分层处理模块，用于对所述先验数据进行分层处理，得到所述先验数据对应的多分层数据；
网格筛选模块，用于构建所述多分层数据的筛选网格，基于所述筛选网格对所述多分层数据进行多层级筛选，确定所述多分层数据每一层中的预选采样单元；
筛选优化模块，用于获取采样总数量，并将所述采样总数量分配到所述多分层数据中，根据所述多分层数据的每一层分配的采样数量和所述预选采样单元，确定目标采样单元；
位置确定模块，用于根据所述目标采样单元的空间位置，确定所述遥感数据的采样位置。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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7任一项所述采样位置确定方法。
10.一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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述采样位置确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210715929.7A CN115309956A (zh) | 2022-06-22 | 2022-06-22 | 采样位置确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210715929.7A CN115309956A (zh) | 2022-06-22 | 2022-06-22 | 采样位置确定方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115309956A true CN115309956A (zh) | 2022-11-08 |
Family
ID=83854684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210715929.7A Pending CN115309956A (zh) | 2022-06-22 | 2022-06-22 | 采样位置确定方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115309956A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116399820A (zh) * | 2023-06-07 | 2023-07-07 | 中国科学院空天信息创新研究院 | 植被遥感产品真实性校验方法、装置、设备及介质 |
| CN116912706A (zh) * | 2023-06-30 | 2023-10-20 | 中国科学院空天信息创新研究院 | 采样点确定、植被遥感产品真实性校验方法、装置及设备 |
-
2022
- 2022-06-22 CN CN202210715929.7A patent/CN115309956A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116399820A (zh) * | 2023-06-07 | 2023-07-07 | 中国科学院空天信息创新研究院 | 植被遥感产品真实性校验方法、装置、设备及介质 |
| CN116399820B (zh) * | 2023-06-07 | 2023-08-04 | 中国科学院空天信息创新研究院 | 植被遥感产品真实性校验方法、装置、设备及介质 |
| CN116912706A (zh) * | 2023-06-30 | 2023-10-20 | 中国科学院空天信息创新研究院 | 采样点确定、植被遥感产品真实性校验方法、装置及设备 |
| CN116912706B (zh) * | 2023-06-30 | 2024-02-02 | 中国科学院空天信息创新研究院 | 采样点确定、植被遥感产品真实性校验方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11346970B2 (en) | Automatic quality control of seismic travel time | |
| CN112819207B (zh) | 基于相似性度量的地质灾害空间预测方法、系统及存储介质 | |
| RU2391686C2 (ru) | Основанные на применении компьютера формирование и проверка тренировочных образов, предназначенных для многоточечного геостатистического анализа | |
| CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
| Hermosilla et al. | Regional detection, characterization, and attribution of annual forest change from 1984 to 2012 using Landsat-derived time-series metrics | |
| CN115309956A (zh) | 采样位置确定方法、装置、设备及存储介质 | |
| Lechner et al. | Remote sensing of small and linear features: Quantifying the effects of patch size and length, grid position and detectability on land cover mapping | |
| US9652684B2 (en) | Image processing for classification and segmentation of rock samples | |
| Unger et al. | A visual analysis concept for the validation of geoscientific simulation models | |
| CN108038081B (zh) | 基于特征函数空间滤值的滑坡灾害logistic回归分析方法 | |
| CN110441820B (zh) | 地质构造的智能解释方法 | |
| Veras et al. | Discriminability tests for visualization effectiveness and scalability | |
| CN111582387A (zh) | 一种岩石光谱特征融合分类方法及系统 | |
| Lindsay et al. | Inversion and geodiversity: searching model space for the answers | |
| CN109492775A (zh) | 一种地质构造解释的检测方法，检测装置及可读存储介质 | |
| CN112766301A (zh) | 一种采油机示功图相似性判断方法 | |
| Ovaskainen et al. | A new subsampling methodology to optimize the characterization of two-dimensional bedrock fracture networks | |
| CN117423013B (zh) | 基于地质大数据的成矿潜力预测方法 | |
| CN107316296A (zh) | 一种基于对数变换的遥感图像变化检测方法及装置 | |
| CN109740678A (zh) | 基于多级不均匀空间抽样的遥感影像分类精度检验方法 | |
| CN116883793A (zh) | 面向遥感分类结果精度评价的多粒度空间抽样方法 | |
| Zhou et al. | Mapping urban landscape heterogeneity: agreement between visual interpretation and digital classification approaches | |
| Fortin et al. | Delineation and analysis of vegetation boundaries | |
| Shao et al. | An explicit index for assessing the accuracy of cover-class areas | |
| Costa et al. | Integrating user needs on misclassification error sensitivity into image segmentation quality assessment |
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 |