[发明专利]遥感分类精度评价的样本点优化布设方法、系统和设备

说明书

技术领域

本发明涉及遥感分类精度评价技术领域，尤其涉及一种遥感分类精度评价的样本点优化布设方法、系统和设备。

背景技术

作为遥感数据处理和研发应用的一个关键环节，遥感分类精度评价不仅是进行遥感数据产品合理有效利用的基础和保证，而且可以帮助分析遥感数据分类的不确定性、适用范围、误差类型等，对促进遥感数据产品的广泛推广应用和提高科学决策水平具有重要作用。目前主要评价过程是依据统计学原理，在地理空间上布设若干有代表性的样点，采集能反映地面相对真值的参考数据，利用混淆矩阵或误差矩阵计算总体精度和Kappa系数等指标，进行遥感分类的精度评价。

用于遥感分类精度评价的传统采样方法主要包括简单随机采样、分层采样、系统采样等，这些方法不仅容易受到样本量大小、样本点空间布局的影响，而且忽视了地物在空间分布上的自相关性和异质性，存在采样效率低和样本信息冗余等问题。空间采样方法考虑了地物对象之间的相关性和变异性，提高了采样的精度和效率，但空间采样方法的样点布局大多采用随机分布，样点特征空间和地理空间代表性差。

目前，用于遥感分类精度评价的样本点一般无法实现特征空间和地理空间的均匀或无偏，也无法兼顾在特征空间和地理空间的双重代表性。因而，如何构建样点在特征空间和地理空间无偏的优化目标函数并综合集成样点在特征空间和地理空间的双重代表性成为进行遥感分类精度评价采样的关键。

发明内容

本发明为解决现有技术中存在的遥感分类精度评价过程中样本点特征空间和地理空间双重代表性差的问题，提供了一种遥感分类精度评价的样本点优化布设方法、系统和设备。

一方面，本发明提出一种遥感分类精度评价的样本点优化布设方法，包括：S1，基于研究区的遥感分类数据，对所述研究区中若干个样本点进行特征空间代表性优化，获取所述研究区中的若干个空间分层和各所述空间分层中的样本点数量；S2，基于平均最短距离最小化准则，对所有所述样本点进行地理空间代表性优化，根据地理空间代表性优化函数获取所述研究区中所有所述空间分层中样本点的优化布局，所述地理空间代表性优化函数计算公式如下：

其中，O_rs为平均最短距离，所述地理空间代表性优化函数的目标为获取平均最短距离最小化值；N_t为第t个空间分层中的样本点数量；t为1至L间的整数，L为所述空间分层的数量；X_i为所述空间分层中的任一一点，S(X_i)为距X_i最近的样本点，D(X_i,S(X_i))是X_i与S(X_i)间的距离；S3，集成所述研究区中的所有空间分层中样本点的优化布局，获取所述研究区的遥感分类精度评价样本点的优化布局。

优选地，所述步骤S1之前还包括：获取所述研究区的遥感分类数据，选取若干个样本点。

优选地，所述步骤S1进一步包括：根据所述研究区的遥感分类数据中的土地利用与土地覆盖类型，获取所述研究区中的空间分层，其中所述空间分层的数量等于所述土地利用与土地覆盖类型的数量；

各所述空间分层中的样本点数量计算公式如下：

其中，round()函数为自变量四舍五入取整运算；N为所述样本点总数；M为所述研究区中所有像元数量的总和，M_t为所述第t个空间分层中的像元数量。

优选地，所述步骤S2进一步包括：对每一所述空间分层中的样本点进行地理空间代表性优化，使得每一所述空间分层中的任一一点与距所述任一一点最近的样本点间的距离的平均值最小。

优选地，所述遥感分类数据的来源包括航天遥感、航空遥感、地面遥感、光学遥感和微波遥感中的至少一种。

优选地，所述步骤S2进一步包括：通过启发式模拟算法获取所述研究区中任一所述空间分层中样本点的优化布局，其中，所述启发式模拟算法包括蚁群算法、遗传算法、模拟退火算法和人工神经网络算法中的至少一种。