欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2017101131244
申请人: 山东师范大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-01-05
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.顾及POI数据空间异质性的地表覆盖验证方法,其特征是,包括如下步骤:步骤A:从新浪微博开放平台获取POI数据集,将OSM(OpenStreetMap)提供的城区建筑物数据与POI数据集进行叠加,划分出城市区域与非城市区域的POI,对划分结果进行修正;

步骤B:根据地表覆盖分类标准,对步骤A中确定的城市区域POI进行分类,得到城市区域的POI分类结果;

步骤C:针对步骤A中确定的非城市区域POI,依据步骤B中城市区域POI的分类方法,对非城市区域不同类型的POI进行分类,得到非城市区域的POI分类结果;

在POI分类的基础上,引入两个分类结果修正变量:POI与最近村庄的距离、POI与最近道路的距离,利用C5.0决策树算法构建顾及POI空间异质性的POI分类修正模型,得到非城市区域的POI分类结果;

步骤D:根据步骤B确定的城市区域POI分类结果和步骤C确定的非城市区域POI分类结果,生成以30m*30m像元为单位的栅格数据,依据落入栅格中各类型POI的数量,采用多数投票算法,确定每个栅格的地表覆盖类型,生成基于POI的地表覆盖分类结果;

步骤E:根据步骤D基于POI的地表覆盖分类结果,以GlobeLand30地表覆盖数据产品为验证数据,利用混淆矩阵,得到基于POI的GlobeLand30地表覆盖数据产品的验证精度,实现顾及POI空间异质性的地表覆盖精度验证。

2.如权利要求1所述的顾及POI数据空间异质性的地表覆盖验证方法,其特征是,所述步骤A包括:步骤A1:从新浪微博开放平台获取POI数据集:利用其开放平台提供的API接口,以网络爬虫的方式,获取所需POI数据集,所述POI数据集包括描述POI类型的文本信息与表示空间位置的坐标信息;

步骤A2:利用ArcGIS软件将OSM城区建筑物数据与POI点数据进行空间叠加,使得同一地理坐标下的POI与城区建筑物位于同一空间位置;

步骤A3:通过判断POI点数据是否落入城区建筑物数据,来划分城市区域POI与非城市区域POI;若落入则为城市区域POI,若没有落入,则为非城市区域POI;

步骤A4:对划分结果进行人工修正:通过参考Google Earth中高分辨率遥感影像里的真实地物,对步骤A3中划分错误的POI进行修改。

3.如权利要求1所述的顾及POI数据空间异质性的地表覆盖验证方法,其特征是,所述根据地表覆盖分类标准:参照GlobeLand30中的地表覆盖类型的分类方式,将地表覆盖分为耕地、林地、草地、灌木丛、沼泽、水体、苔原、人造地表、裸地、冰川10种地表覆盖类型。

4.如权利要求1所述的顾及POI数据空间异质性的地表覆盖验证方法,其特征是,所述利用C5.0决策树算法构建顾及POI空间异质性的POI分类修正模型,得到非城市区域的POI分类结果的步骤为:(C1)引入两个分类结果修正变量:POI与最近村庄的最短距离、POI与最近道路的最短距离,利用OSM中待测区域的村庄数据与道路数据,计算各非城市区域POI到距离最近的村庄的最短距离和到最近的道路的最短距离;

(C2)利用C5.0决策树算法,引入步骤(C1)所述分类结果修正变量,构建顾及空间异质性的POI分类修正模型;

(C3)通过引入adaptive boosting算法和惩罚矩阵cost matrix进行分类修正模型的优化;

(C4)利用顾及空间异质性的POI分类修正模型,将经过步骤C得到的非城市区域的POI分类结果进一步分类。

5.如权利要求4所述的顾及POI数据空间异质性的地表覆盖验证方法,其特征是,由于C5.0决策树算法为监督分类算法,故将遥感影像分类结果作为POI正确分类,并将POI划分为训练数据与测试数据,构建顾及空间异质性的POI分类修正模型。

6.如权利要求1所述的顾及POI数据空间异质性的地表覆盖验证方法,其特征是,步骤E中,利用混淆矩阵的验证方法定义如下:其中,AC(accuracy)表示人造地表识别结果的精度,TP(true positive)表示被模型预测为人造地表的正确样本,TN(true negative)表示被模型预测为非人造地表的错误样本,FP(false positive)表示被模型预测为人造地表的错误样本,FN(false negative)表示被模型预测为非人造地表的正确样本。

7.如权利要求4所述的顾及POI数据空间异质性的地表覆盖验证方法,其特征是,POI到最近的村庄的最短距离Dv计算公式如下:其中,Px为POI的坐标经度,Py为POI的坐标纬度,Vx为村庄所在位置的坐标经度,Vy为村庄所在位置的坐标纬度;

POI距离最近的道路的最短距离Dr计算如下:

其中,A、B、C为计算道路的可调参数。

8.如权利要求4所述的顾及POI数据空间异质性的地表覆盖验证方法,其特征是,步骤(C2):C5.0决策树算法基于信息熵计算POI数据集S中各分类结果中POI类型分布状况;

信息熵的值越大,表示数据集包含POI类型越多,反之越少;

信息熵的计算公式如下:

其中,c为基于POI数据集S划分的不同类别,pi为落入每一类POI的概率;i为POI数据集的类别;

pi的计算公式如下:

其中,ni为落入每一类POI的数量;

为准确将POI进行分类,C5.0决策树算法引入信息增益Gain以修正分类结果,具体计算公式如下:Gain(A)=Entropy(S1)-Entropy(S2)     (5);

其中,A为POI数据集S的用于分类的属性,即为各非城市区域POI到距离最近的村庄的最短距离和到最近的道路的最短距离;S1、S2分别为经过分类前与分类后的数据集S;分类后数据集S2的信息熵计算公式如下:

9.如权利要求4所述的顾及POI数据空间异质性的地表覆盖验证方法,其特征是,步骤(C3)的步骤为:adaptive boosting算法通过构建多个决策树分类模型及计算每个决策树分类模型的权重,构建最优地表覆盖分类器;

假设POI数据集S中有n个数据样本,adaptive boosting算法旨在构建T个决策树,每一轮决策树训练t中得到的决策树为Ct, 为第t轮决策树训练中POI样本i的权重;同时,用于adaptive boosting算法的指示函数indicator function定义如下:adaptive boosting算法参数初始化使得t=1, C5.0决策树算法在每一次训练中都会减少其训练误差,其中,训练误差函数如下:基于训练误差函数εt的每个决策树权重αt定义如下:

更新第t轮决策树训练中POI样本i的权重 如下:

得到每轮决策树训练中POI样本i的权重 后,最终的adaptive boosting算法的最优分类器构建如下:其中,CT即为基于adaptive boosting算法的地表覆盖最优分类器;

为提高属于人造地表的POI分类的准确率,引入惩罚矩阵cost matrix,提高POI被错误分类为人造地表的代价,降低POI被错误分类为非人造地表的代价;惩罚矩阵构建如下: 分类为非人造地表  分类为人造地表

非人造地表        0         m

人造地表          n         0

由惩罚矩阵可知,POI被正确分类时的代价均为0,属于人造地表的POI被错误分类到非人造地表时,代价为n,属于非人造地表的POI被错误分类到人造地表时,代价为m。

10.顾及POI数据空间异质性的地表覆盖验证系统,其特征是,包括:

划分模块:从新浪微博开放平台获取POI数据集,将OSM(OpenStreetMap)提供的城区建筑物数据与POI数据集进行叠加,划分出城市区域与非城市区域的POI,对划分结果进行修正;

第一分类模块:根据地表覆盖分类标准,对划分模块中确定的城市区域POI进行分类,得到城市区域的POI分类结果;

第二分类模块:针对划分模块中确定的非城市区域POI,依据第一分类模块中城市区域POI的分类方法,对非城市区域不同类型的POI进行分类,得到非城市区域的POI分类结果;

在POI分类的基础上,引入两个分类结果修正变量:POI与最近村庄的距离、POI与最近道路的距离,利用C5.0决策树算法构建顾及POI空间异质性的POI分类修正模型,得到非城市区域的POI分类结果;

分类结果生成模块:根据第一分类模块确定的城市区域POI分类结果和第二分类模块确定的非城市区域POI分类结果,生成以30m*30m像元为单位的栅格数据,依据落入栅格中各类型POI的数量,采用多数投票算法,确定每个栅格的地表覆盖类型,生成基于POI的地表覆盖分类结果;

验证精度获取模块:根据分类结果生成模块基于POI的地表覆盖分类结果,以GlobeLand30地表覆盖数据产品为验证数据,利用混淆矩阵,得到基于POI的GlobeLand30地表覆盖数据产品的验证精度,实现顾及POI空间异质性的地表覆盖精度验证。