面向遥感分类结果精度评价的多粒度空间抽样方法

1.本发明涉及数据处理技术领域，尤其涉及面向遥感分类结果精度评价的多粒度空间抽样方法、系统、计算机设备及存储介质。


背景技术：

[0002]“空、天、地、低”立体观测体系的建立，使得空间数据的“量”呈爆炸式增长，与此同时，空间数据产品的“质”也受到各领域的重视。遥感分类结果作为遥感数据应用的一种产品形式，其精度评价是对遥感分类结果质量是否符合应用要求的必经环节，精度评价的准确性和时效性制约了遥感数据应用的可信度。
[0003]
抽样检验对遥感分类结果进行精度评价的常用方法。抽样检验就是通过样本推测总体，其是指从全部产品中抽取部分样本进行检验。抽样检验的原理是以“用尽量少的样本量来尽量准确地评判总体(批)”。现有的抽样检验方法包括简单随机抽样、分层抽样和系统抽样等，但这些抽样方法多是由针对工业产品的质量检验，待检产品需具有独立的样本单元。遥感数据具有空间相关性和异质性，具有粒度不确定性和样本单元不独立特征，直接将这些抽样方法应用于遥感分类结果的精度评价，存在信息冗余或准确性不高等问题。
[0004]
结合遥感分类结果的特征，亦有学者提出了基于空间特征的精度评价抽样方法。如胡潭高等通过计算破碎度指标和面积规模指标的相关系数，探讨景观破碎度在遥感分层抽样中的适用性；chen等根据空间异质性自适应推导样本大小和分布空间，提出了基于三级景观形状指数的抽样方法；plotkin等研究采样期望随物种丰度分布和空间分布的变化规律，设计了景观尺度的抽样方法；wang等提出了三明治空间抽样模型，根据方差计算各层抽样成本；王振华等提出了利用空间异质性的遥感分类结果精度评价抽样方法，降低样本点的信息冗余，提高样本点的代表性；黄冬梅等基于灰度共生矩阵(glcm)量化遥感像元间的关系，推导了基于空间相关性的遥感分类结果精度评价抽样方法；di等研究不同尺寸采样单元下两种农作物的空间相关性，制定农作物面积估算的空间抽样方案；林芳芳利用gf-1号遥感影像，制定了农作物种植面积的分层抽样方法。基于空间特征的精度评价抽样方法缓解了样本点的信息冗余现象。但现有方法多数基于像元级的精度评价抽样，未考虑不同地物在空间上的形态差异。同时，与传统工业产品质量检验不同的是，遥感分类结果的精度评价原则是尽量多的检查出错误并将之改正。


技术实现要素：

[0005]
为了解决上述现有技术中存在的技术问题，本发明提供了一种面向遥感分类结果精度评价的多粒度空间抽样方法、系统、计算机设备及存储介质。
[0006]
为实现上述目的，本发明实施例提供了如下的技术方案：
[0007]
第一方面，在本发明提供的一个实施例中，提供了面向遥感分类结果精度评价的多粒度空间抽样方法，该方法包括以下步骤：
[0008]
利用空间异质性将遥感分类结果进行分层，以获得分层结果；
[0009]
利用空间相关性，确定分层结果中各层不同粒度的抽样单元；
[0010]
通过将各层内的不同粒度的抽样单元与参考数据进行比较，对遥感分类结果进行精度评价。
[0011]
作为本发明的进一步方案，所述利用空间异质性将遥感分类结果进行分层，以获得分层结果，包括：
[0012]
利用聚集度指数量化遥感分类结果的空间异质性，以获得遥感分类结果的聚集度指数；并根据聚集度指数对整幅遥感分类结果进行分层。
[0013]
作为本发明的进一步方案，所述聚集度指数通过如下公式计算获得：
[0014][0015][0016]
式中，n为遥感数据中地物类型总数；p
ij
为地物类型i与j相邻的概率；pi为地物类型i所占比例；p
j/i
为在给定地物类型i的情况下，地物类型j与其相邻的条件概率；m
ij
为遥感数据中地物类型i和j相邻的边数；mi为地物类型i的总边数。
[0017]
作为本发明的进一步方案，所述利用空间相关性，确定分层结果中各层不同粒度的抽样单元，包括：
[0018]
面向分层结果，利用全局空间自相关指数量化遥感分类结果的空间相关性，并结合标准正态分数确定各层内不同粒度的抽样单元。
[0019]
作为本发明的进一步方案，全局空间自相关指数通过如下公式进行计算:
[0020][0021][0022]
式中，i是全局空间自相关指数，zi是要素i的属性与其平均值w
i,j
是要素i和j之间的空间权重，n等于要素总数，s0是所有空间权重的聚合。
[0023]
作为本发明的进一步方案，所述面向分层结果，利用全局空间自相关指数量化遥感分类结果的空间相关性，并结合标准正态分数确定各层内不同粒度的抽样单元，包括：
[0024]
基于不同聚集度指数层的遥感分类结果，计算多种粒度抽样单元下的全局空间自相关指数和标准正态分数；
[0025]
根据标准正态分数筛选粒度抽样框，使空间相关性具有显著性；并利用全局空间自相关指数量化遥感分类结果的空间相关性；
[0026]
基于抽样单元间相互独立原则，选取全局空间自相关指数最小的粒度抽样框，确定为各遥感分类结果层内的不同粒度的抽样单元。
[0027]
作为本发明的进一步方案，所述通过将各层内的不同粒度的抽样单元与参考数据
进行比较，对遥感分类结果进行精度评价，包括：
[0028]
以不同粒度抽样单元为样本点，在各层内布设样本点，通过与参考数据对比，确定各层遥感分类结果的精度，推导出整幅遥感分类结果的精度。
[0029]
第二方面，在本发明提供的又一个实施例中，提供了面向遥感分类结果精度评价的多粒度空间抽样系统，该系统包括：分层模块、抽样模块和评价模块；
[0030]
所述分层模块，用于利用空间异质性将遥感分类结果进行分层，以获得分层结果；
[0031]
所述抽样模块，用于利用空间相关性，确定分层结果中各层不同粒度的抽样单元；
[0032]
所述评价模块，用于通过将各层内的不同粒度的抽样单元与参考数据进行比较，对遥感分类结果进行精度评价。
[0033]
第三方面，在本发明提供的又一个实施例中，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器加载并执行所述计算机程序时实现面向遥感分类结果精度评价的多粒度空间抽样方法的步骤。
[0034]
第四方面，在本发明提供的再一个实施例中，提供了一种存储介质，存储有计算机程序，所述计算机程序被处理器加载并执行时实现所述面向遥感分类结果精度评价的多粒度空间抽样方法的步骤。
[0035]
本发明提供的技术方案，具有如下有益效果：
[0036]
本发明提供的面向遥感分类结果精度评价的多粒度空间抽样方法、系统、计算机设备及存储介质，本发明面向遥感分类结果精度评价的多粒度空间抽样方法，以多粒度抽样框为抽样单元，对每个抽样单元中的地物类型采用面积占优法确定样本的地物类型。通过与参考数据的真实值进行对比，确定每一抽样单元分类是否正确，最终完成基于多粒度样本单元的精度检验混淆矩阵计算，完成遥感分类结果的精度评价；通过量化遥感分类结果的空间异质性和空间相关性，提出了一种多粒度空间抽样的精度评价方法，包括兼顾地物空间相关性的多粒度抽样单元确定，以及根据地物空间聚集度程度的样本点布设。
[0037]
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
[0038]
图1为本发明一个实施例的面向遥感分类结果精度评价的多粒度空间抽样方法的流程图。
[0039]
图2为本发明一个实施例的面向遥感分类结果精度评价的多粒度空间抽样方法中步骤s20的具体流程图。
[0040]
图3为本发明一个实施例的面向遥感分类结果精度评价的多粒度空间抽样系统中结构框图。
[0041]
图4为本发明一个实施例的面向遥感分类结果精度评价的多粒度空间抽样方法的具体实施例图。
[0042]
图5为待检验遥感数据(30m分辨率)。
[0043]
图6为验证遥感数据(10m分辨率)。
[0044]
图7为待检验的遥感分类结果(30m分辨率)。
[0045]
图8为用于验证的遥感分类结果(10m分辨率)。
[0046]
图9为聚集度指数频率直方图。
[0047]
图10为ⅰ级聚集度指数层(0.00-50.19)。
[0048]
图11为ⅱ级聚集度指数层(50.20-73.72)。
[0049]
图12为ⅲ级聚集度指数层(73.73-90.58)。
[0050]
图13为ⅳ级聚集度指数层(90.59-100.00)a。
[0051]
图14为ⅳ级聚集度指数层(90.59-100.00)b。
[0052]
图15为ⅰ级聚集度指数层的抽样单元下空间相关性a。
[0053]
图16为ⅰ级聚集度指数层的抽样单元下空间相关性b。
[0054]
图17为ⅱ级聚集度指数层的抽样单元下空间相关性a。
[0055]
图18为ⅱ级聚集度指数层的抽样单元下空间相关性b。
[0056]
图19为ⅲ级聚集度指数层的抽样单元下空间相关性a。
[0057]
图20为ⅲ级聚集度指数层的抽样单元下空间相关性b。
[0058]
图21为ⅳ级聚集度指数层的抽样单元下空间相关性。
[0059]
图22为ⅰ级聚集度指数层的基于空间异质性和空间相关性的多粒度样本点布设。
[0060]
图23为ⅱ级聚集度指数层的基于空间异质性和空间相关性的多粒度样本点布设。
[0061]
图24为ⅲ级聚集度指数层的基于空间异质性和空间相关性的多粒度样本点布设。
[0062]
图25为ⅳ级聚集度指数层的基于空间异质性和空间相关性的多粒度样本点布设。
[0063]
图26为简单随机抽样的样本点空间布设。
[0064]
图27为分层抽样的样本点空间布设。
[0065]
图28为系统抽样的样本点空间布设。
[0066]
图29为三明治空间抽样的样本点空间布设。
[0067]
图30为灰度共生矩阵抽样的样本点空间布设。
[0068]
图31为多粒度空间抽样的样本点空间布设a。
[0069]
图32为多粒度空间抽样的样本点空间布设b。
[0070]
图中：分层模块-100、抽样模块-200、评价模块-300。
具体实施方式
[0071]
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。
[0072]
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[0073]
具体地，下面结合附图，对本发明实施例作进一步阐述。
[0074]
请参阅图1，图1是本发明实施例提供的一种面向遥感分类结果精度评价的多粒度空间抽样方法的流程图，如图1所示，该面向遥感分类结果精度评价的多粒度空间抽样方法包括步骤s10至步骤s30。
[0075]
s10、利用空间异质性将遥感分类结果进行分层，以获得分层结果；
[0076]
在本发明的实施例中，所述利用空间异质性将遥感分类结果进行分层，以获得分层结果，包括：
[0077]
利用聚集度指数量化遥感分类结果的空间异质性，以获得遥感分类结果的聚集度指数；并根据聚集度指数对整幅遥感分类结果进行分层。
[0078]
需要说明的是，遥感分类结果在空间分布上存在不平衡现象，其与地物的复杂度相关，即具有空间异质性。本发明利用聚集度指数量化遥感分类结果的空间异质性，对整幅遥感分类结果进行分层处理。聚集度指数(aggregation index,ai)反映地物在空间区域内的聚集程度。所述地物包括建筑、道路、草地、树木和人造地表等。
[0079]
其中，所述聚集度指数通过如下公式计算获得：
[0080][0081][0082]
式中，n为遥感数据中地物类型总数；p
ij
为地物类型i与j相邻的概率；pi为地物类型i所占比例；p
j/i
为在给定地物类型i的情况下，地物类型j与其相邻的条件概率；m
ij
为遥感数据中地物类型i和j相邻的边数；mi为地物类型i的总边数。当m
ij
越大，即该计算窗口的地物类型越多，则p
j/i
随之增大，p
ij
反而越小；已知in(p
ij
)是一个单调递增函数，此时ai随着m
ij
的增加而减小；若该范围有不同类型的地物组成，则其聚集度指数就低；反之，若该范围内地物类型单一，则其聚集度指数就高。
[0083]
聚集度高的层内，地物类型单一且面积大，其地物分类出错率较低；聚集度低的层内，地物类型较多且面积偏小，其地物分类出错率较高。本发明利用聚集度指数量化遥感分类结果的空间异质性，对整幅遥感分类结果进行分层，并分别设计不同层内的不同粒度的抽样单元。
[0084]
s20、利用空间相关性，确定分层结果中各层不同粒度的抽样单元；
[0085]
在本发明的实施例中，所述利用空间相关性，确定分层结果中各层不同粒度的抽样单元，包括：
[0086]
面向分层结果，利用全局空间自相关指数量化遥感分类结果的空间相关性，并结合标准正态分数确定各层内不同粒度的抽样单元。
[0087]
需要说明的是，根据地理学第一定律“任何事物都是与其他事物相关的，只不过相近的事物关联更紧密”。面向聚集度各异的遥感分类结果，本发明利用全局空间自相关指数量化各分层内地物的空间相关性，结合标准正态分数确定各层内不同粒度的抽样单元。
[0088]
所述空间相关性是通过全局空间自相关指数反映。所述全局空间自相关指数反映一定区域范围内地物类型区域化变量的空间相关性。
[0089]
其中，全局空间自相关指数通过如下公式进行计算：
[0090][0091][0092]
式中，i是全局空间自相关指数，zi是要素i的属性与其平均值wi,j是要素i和j之间的空间权重，n等于要素总数，s0是所有空间权重的聚合。
[0093]
需要说明的是，本发明中选取标准正态分数，即z-score统计量，能够检验遥感分类结果的空间自相关显著性。
[0094]
其中，所述标准正态分数通过如下公式进行计算：
[0095][0096][0097]
v[i]＝e[i2]-e[i]2(7)
[0098]
式中，zi代表标准正态分数。
[0099]
需要说明的是，全局空间自相关指数i取值范围为(-1,1)，当全局空间自相关指数i》0表示地物呈空间正相关，当i＝0表示地物相互独立，当i《0表示地物呈空间负相关。当置信区间为95％，标准正态分数》1.96，表示地物具有明显的空间自相关性。
[0100]
所述面向分层结果，利用全局空间自相关指数量化遥感分类结果的空间相关性，并结合标准正态分数确定各层内不同粒度的抽样单元，包括：
[0101]
s201、基于不同聚集度指数层的遥感分类结果，计算多种粒度抽样单元下的全局空间自相关指数和标准正态分数。
[0102]
s202、根据标准正态分数筛选粒度抽样框，使空间相关性具有显著性；并利用全局空间自相关指数量化遥感分类结果的空间相关性。
[0103]
需要说明的是，可以筛选标准正态分数》1.96的粒度抽样框。
[0104]
s203、基于抽样单元间相互独立原则，选取全局空间自相关指数最小的粒度抽样框，确定为各遥感分类结果层内的不同粒度的抽样单元。
[0105]
s30、通过将各层内的不同粒度的抽样单元与参考数据进行比较，对遥感分类结果进行精度评价。
[0106]
在本发明的实施例中，所述通过将各层内的不同粒度的抽样单元与参考数据进行比较，对遥感分类结果进行精度评价，包括：
[0107]
以不同粒度抽样单元为样本点，在各层内布设样本点，通过与参考数据对比，确定各层遥感分类结果的精度，进而推导出整幅遥感分类结果的精度。在此，参考数据可为高分辨率遥感数据分类结果，可为现场调查结果，亦可由专家判断等。
[0108]
示例性的，请参阅图4，图4提供一个实施例的面向遥感分类结果精度评价的多粒度空间抽样方法示例具体流程图，如图4所示，面向遥感分类结果精度评价的多粒度空间抽
样方法以2022年8月4日美国威斯康星州杰斐逊县为研究区域，选取分辨率30m的landsat9遥感数据,位置约88
°9′
w，42
°
58
′
n，传感器是operational land imager(oli)and thermal infrared sensor2(tirs2)。如图5所示为遥感影像数据中波段3、10、11的合成图像，大小为312
×
312个像素。
[0109]
选取该区域同时期分辨率为10m的哨兵2号遥感数据作为验证数据，如图6所示。所有数据均采用：wgs_1984_utm_zone_16n坐标系；数据均来源于：https://earthexplorer.usgs.gov。
[0110]
在利用本发明面向遥感分类结果精度评价的多粒度空间抽样方法之前还需要对遥感数据进行分类，获得遥感分类结果。
[0111]
需要说明的是，利用软件envi5.3中的支持向量机(svm)分类方法对研究区域进行分类，共分为5种不同地物类型，分别为建筑、道路、草地、树木和人造地表。图7所示为待检验的遥感分类结果图，面积占比分别为2.453％，14.486％，46.215％，34.640％和2.204％。图8所示为用于验证的遥感分类结果图，面积占比为0.857％，15.557％，40.909％，41.526％和1.149％。
[0112]
示例性，其方法步骤包括：
[0113]
步骤一、利用空间异质性将遥感分类结果进行分层，以获得分层结果；
[0114]
具体的，针对待检验的遥感分类结果，本发明根据公式(1)-(2)计算得出研究区域的聚集度指数。采用自然段点分级法对研究区域的聚集度指数进行分层，根据相似值进行分组，使各类之间的差异最大。表1为聚集度指数分布个数。图9为聚集度指数频率直方图。图10-13为基于研究区域聚集度指数的各划分图。
[0115]
表1各级聚集度指数分布个数
[0116][0117]
步骤二、基于全局空间自相关指数的多粒度抽样单元确定。
[0118]
具体的，本发明以各级聚集度指数层为基础，利用全局空间自相关指数量化各层抽样单元间的空间相关性，结合标准正态分数确定各层多粒度抽样单元，并推导不同分层内的样本量。为保证样本的代表性，本发明样本点分配原则为聚集度指数高的区域少分配样本，聚集度指数低的区域多分配样本。根据样本量计算公式，本发明以精度要求为85％、允许误差为1％，最终确定各级用于精度评价的样本批量为468、745、764、803、802。
[0119]
本发明基于不同级聚集度指数层建立3
×
3、5
×
5、7
×
7、9
×
9共4种多粒度抽样单元，根据公式(3)-(7)计算各级聚集度指数层内不同粒度抽样单元下的全局空间自相关指数和标准正态分数。图15-21分别为各级聚集度指数层内不同粒度抽样单元下的全局自相关指数和相应标准正态分数结果的折线图。
[0120]
基于“抽样单元间相互独立”原则，根据全局空间自相关指数和相应标准正态分布
z(i)得分的结果，结合样本批量选取各级聚集度指数层内的多粒度抽样单元以及样本量。表2为各级聚集度指数层样本量分配结果。图22-25分别为各级聚集度指数层内基于多粒度的空间抽样方法布样结果。
[0121]
表2各区域样本量分配
[0122][0123]
结果分析与比较：
[0124]
为验证本发明面向遥感分类结果精度评价的多粒度空间抽样方法的可行性和优越性，将遥感分类结果精度评价的过程和结果与简单随机抽样、分层抽样、系统抽样、三明治空间抽样、灰度共生矩阵抽样等相关空间抽样方法进行比较。
[0125]
不同抽样方法比较
[0126]
根据样本量计算公式，本发明以精度要求为85％、允许误差为1％，确定简单随机抽样、分层抽样、系统抽样、三明治空间抽样的样本量个数为813，灰度共生矩阵抽样选取676样本点。基于研究区域待检验的遥感分类结果图，采用简单随机抽样等相关抽样方法分配样本点。图26-32为不同抽样方法的样本点布设结果图。
[0127]
由图26-32不同抽样方法的样本点空间布设图可知，基于简单随机抽样的样本点布设随机性强，未考虑样本代表性和样本分配空间特征，对遥感分类结果的精度评价具有不确定性；基于分层抽样的样本点依据不同地物类型所占像元个数比例分层，更多布设在大面积地物类型层中，造成样本信息冗余；基于系统抽样的样本点按照等间隔距离进行布设，分布均匀，提高了样本代表性，但未结合遥感影像特征分析考虑小面积地物类型分布及不同地物布局；基于三明治空间抽样和基于灰度共生矩阵抽样的样本点根据网格分层，考虑不同地物类的样本距离，打破了空间相关性；基于多粒度空间抽样的样本点布设考虑遥感分类结果的空间异质性，大多在聚集度指数低的区域即地物类型复杂的区域，大面积相同地物类型区域内样本点布设较少，同时考虑抽样单元间的空间相关性，合理分配抽样单元粒度，提高样本代表性。
[0128]
步骤三：遥感分类结果精度评价。
[0129]
具体的，对于本发明面向遥感分类结果精度评价的多粒度空间抽样方法，以多粒度抽样框为抽样单元，对每个抽样单元中的地物类型采用面积占优法确定样本的地物类型。通过与参考数据的真实值进行对比，确定每一抽样单元分类是否正确，最终完成基于多粒度样本单元的精度检验混淆矩阵计算，完成遥感分类结果的精度评价。表3为遥感分类结果的精度检验混淆矩阵。
[0130]
表3遥感分类结果的精度检验混淆矩阵
[0131][0132][0133]
表4不同抽样方法的样本量分配
[0134][0135]
与简单随机抽样等相关抽样方法进行遥感分类结果精度评价对比，表4为不同抽样方法的样本量分配情况，图10为不同抽样方法的整体分类精度和kappa系数比较。
[0136]
由表4不同抽样方法的样本量分配可知，基于简单随机抽样和基于系统抽样的样本量呈随机分配，未考虑不同地物类型的分布情况，具有不确定性；基于分层抽样的样本量与不同地物类型像元个数占比相关，未考虑小面积占地地物类型；基于三明治空间抽样和基于灰度共生矩阵抽样的样本量和不同地物类型像元个数占比无关，更多考虑各样本之间
距离；基于多粒度空间抽样的样本量分配依据不同级的聚集度指数层考虑抽样单元，降低抽样单元间的空间相关性，多分配在地物类型复杂区域，通过多粒度体现样本量分配的合理性。
[0137]
由图10不同抽样方法的遥感分类结果精度评价可知基于多粒度空间抽样的样本点分配考虑遥感分类结果的空间异质性，多分布在异质区即地物类型复杂区域，同时考虑不同级聚集度指数层内抽样单元的空间相关性，扩大样本点信息，控制样本点数量，得到优于简单随机抽样等相关抽样方法的总体精度和kappa系数。
[0138]
虑遥感分类结果的空间异质性和空间相关性，本发明提出一种面向遥感分类结果精度评价的多粒度空间抽样方法。该方法利用聚集度指数对整幅遥感分类结果进行分层，根据“抽样单元间相互独立”原则，结合全局空间自相关指数和标准正态分数确定各层内的多粒度抽样单元，实现不同粒度的样本点布设。
[0139]
对比相关抽样方法，该方法布设少数样本点，通过扩大抽样单元提高样本点代表性，考虑多种地物类型在不同分辨率遥感影像中的空间形态，扩大样本点信息，减少样本点信息冗余。该方法针对高分辨率遥感影像，进一步提高了遥感分类结果的精度评价效率，更适用于精度要求高的遥感分类结果的精度评价。
[0140]
应该理解的是，上述虽然是按照某一顺序描述的，但是这些步骤并不是必然按照上述顺序依次执行。除非本发明中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，本实施例的一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0141]
在一个实施例中，参见图3所示，在本发明的实施例中还提供了面向遥感分类结果精度评价的多粒度空间抽样系统，该系统包括分层模块100、抽样模块200和评价模块300。
[0142]
所述分层模块100，用于利用空间异质性将遥感分类结果进行分层，以获得分层结果。
[0143]
所述抽样模块200，用于利用空间相关性，确定分层结果中各层不同粒度的抽样单元。
[0144]
所述评价模块300，用于通过将各层内的不同粒度的抽样单元与参考数据进行比较，对遥感分类结果进行精度评价。
[0145]
在一个实施例中，在本发明的实施例中还提供了一种计算机设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信。
[0146]
存储器，用于存放计算机程序；
[0147]
处理器，用于执行存储器上所存放的计算机程序时，执行所述的面向遥感分类结果精度评价的多粒度空间抽样方法，该处理器执行指令时实现上述方法实施例中的步骤。
[0148]
＝通信接口用于上述终端与其他设备之间的通信。
[0149]
存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0150]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specificintegrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0151]
＝还应当进理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0152]
在本发明的一个实施例中还提供了一种存储介质，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上述方法实施例中的步骤。
[0153]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

技术特征：
1.一种面向遥感分类结果精度评价的多粒度空间抽样方法，其特征在于，该方法包括：利用空间异质性将遥感分类结果进行分层，以获得分层结果；利用空间相关性，确定分层结果中各层不同粒度的抽样单元；通过将各层内的不同粒度的抽样单元与参考数据进行比较，对遥感分类结果进行精度评价。2.如权利要求1所述的面向遥感分类结果精度评价的多粒度空间抽样方法，其特征在于，所述利用空间异质性将遥感分类结果进行分层，以获得分层结果，包括：利用聚集度指数量化遥感分类结果的空间异质性，以获得遥感分类结果的聚集度指数；并根据聚集度指数对整幅遥感分类结果进行分层。3.如权利要求2所述的面向遥感分类结果精度评价的多粒度空间抽样方法，其特征在于，所述聚集度指数通过如下公式计算获得：于，所述聚集度指数通过如下公式计算获得：式中，n为遥感数据中地物类型总数；p
ij
为地物类型i与j相邻的概率；p
i
为地物类型i所占比例；p
j/i
为在给定地物类型i的情况下，地物类型j与其相邻的条件概率；m
ij
为遥感数据中地物类型i和j相邻的边数；m
i
为地物类型i的总边数。4.如权利要求2所述的面向遥感分类结果精度评价的多粒度空间抽样方法，其特征在于，所述利用空间相关性，确定分层结果中各层不同粒度的抽样单元，包括：面向分层结果，利用全局空间自相关指数量化遥感分类结果的空间相关性，并结合标准正态分数确定各层内不同粒度的抽样单元。5.如权利要求4所述的面向遥感分类结果精度评价的多粒度空间抽样方法，其特征在于，全局空间自相关指数通过如下公式进行计算:于，全局空间自相关指数通过如下公式进行计算:式中，i是全局空间自相关指数，z
i
是要素i的属性与其平均值w
i,j
是要素i和j之间的空间权重，n等于要素总数，s0是所有空间权重的聚合。6.如权利要求4所述的面向遥感分类结果精度评价的多粒度空间抽样方法，其特征在于，所述面向分层结果，利用全局空间自相关指数量化遥感分类结果的空间相关性，并结合标准正态分数确定各层内不同粒度的抽样单元，包括：基于不同聚集度指数层的遥感分类结果，计算多种粒度抽样单元下的全局空间自相关指数和标准正态分数；
根据标准正态分数筛选粒度抽样框；并利用全局空间自相关指数量化遥感分类结果的空间相关性；基于抽样单元间相互独立原则，选取全局空间自相关指数最小的粒度抽样框，确定为各遥感分类结果层内的不同粒度的抽样单元。7.如权利要求6所述的面向遥感分类结果精度评价的多粒度空间抽样方法，其特征在于，所述通过将各层内的不同粒度的抽样单元与参考数据进行比较，对遥感分类结果进行精度评价，包括：以不同粒度抽样单元为样本点，在各层内布设样本点，通过与参考数据对比，确定各层遥感分类结果的精度，推导出整幅遥感分类结果的精度。8.一种面向遥感分类结果精度评价的多粒度空间抽样系统，其特征在于，该系统包括：分层模块、抽样模块和评价模块；所述分层模块，用于利用空间异质性将遥感分类结果进行分层，以获得分层结果；所述抽样模块，用于利用空间相关性，确定分层结果中各层不同粒度的抽样单元；所述评价模块，用于通过将各层内的不同粒度的抽样单元与参考数据进行比较，对遥感分类结果进行精度评价。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器加载并执行所述计算机程序时实现如权利要求1-7任一项所述的面向遥感分类结果精度评价的多粒度空间抽样方法的步骤。10.一种存储介质，存储有计算机程序，所述计算机程序被处理器加载并执行时实现如权利要求1-7任一项所述的面向遥感分类结果精度评价的多粒度空间抽样方法的步骤。

技术总结
本发明涉及数据处理技术领域，具体涉及面向遥感分类结果精度评价的多粒度空间抽样方法、系统、计算机设备及存储介质。该方法包括以下步骤：利用空间异质性将遥感分类结果进行分层，以获得分层结果；利用空间相关性，确定分层结果中各层不同粒度的抽样单元；通过将各层内的不同粒度的抽样单元与参考数据进行比较，对遥感分类结果进行精度评价。本发明面向遥感分类结果精度评价的多粒度空间抽样方法，以多粒度抽样框为抽样单元，对每个抽样单元中的地物类型采用面积占优法确定样本的地物类型。类型采用面积占优法确定样本的地物类型。类型采用面积占优法确定样本的地物类型。


技术研发人员：王振华 赵晓雨 易丛琴 陈明 郑宗生 卢鹏
受保护的技术使用者：上海海洋大学
技术研发日：2023.07.05
技术公布日：2023/10/15