本發(fā)明涉及顧及POI數(shù)據(jù)空間異質(zhì)性的地表覆蓋驗(yàn)證方法及系統(tǒng)。
背景技術(shù)：
：地表覆蓋及變化是環(huán)境變化研究、地理國(guó)情監(jiān)測(cè)和可持續(xù)發(fā)展規(guī)劃等不可或缺的重要因素，其精度驗(yàn)證是地表覆蓋制圖的重要組成部分。目前，國(guó)內(nèi)外地表覆蓋分類精度驗(yàn)證工作主要是通過(guò)遙感影像目視解譯和野外實(shí)地調(diào)查等方式進(jìn)行，該方法耗時(shí)耗力，驗(yàn)證周期長(zhǎng)，難以滿足地表覆蓋產(chǎn)品快速驗(yàn)證的需求。為減少地表覆蓋驗(yàn)證成本，更好地滿足廣大用戶日快速驗(yàn)證的應(yīng)用需求，需要發(fā)展一種新的地表覆蓋驗(yàn)證方法。近年來(lái)，隨著地理時(shí)空大數(shù)據(jù)的發(fā)展和應(yīng)用，出現(xiàn)了諸如Geo-wiki、GlobeLand30、DegreesofConfluenceProject等地表覆蓋產(chǎn)品分享和驗(yàn)證平臺(tái)，同時(shí)，帶有地理標(biāo)記的文本、圖片等眾源地理數(shù)據(jù)，也被廣泛應(yīng)用于人造地表、森林和農(nóng)作物等地表覆蓋數(shù)據(jù)的精度驗(yàn)證?！癓eungD,NewsamS.Landcoverclassificationusinggeo-referencedphotos[J].MultimediaTools&Applications,2015:1-21.”中指出，通過(guò)獲取Flickr中帶有地理位置信息的圖片數(shù)據(jù)，利用數(shù)據(jù)中的圖像、文本以及地理位置等信息來(lái)識(shí)別不同類型的地表覆蓋產(chǎn)品。“HouD,ChenJ,WuH,etal.Activecollectionoflandcoversampledatafromgeo-taggedwebtexts[J].RemoteSensing,2015,7(5):5805-5827.”中提出了一種基于深度搜索的地表覆蓋驗(yàn)證信息獲取方法，自動(dòng)爬取搜房網(wǎng)的文本信息，進(jìn)行地表覆蓋中人造地表的分類精度驗(yàn)證?！癋oodyGM,BoydDS.Usingvolunteereddatainlandcovermapvalidation:MappingWestAfricanforests[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2013,6(3):1305-1312.”中提出利用DegreesofConfluenceProject地表覆蓋共享平臺(tái)，通過(guò)志愿者解譯圖片信息，驗(yàn)證非洲西部地表覆蓋中森林的分類精度。綜上所述，將眾源地理大數(shù)據(jù)應(yīng)用到地表覆蓋驗(yàn)證已成為當(dāng)前研究的熱點(diǎn)。然而，上述地表覆蓋驗(yàn)證結(jié)果很大程度上依賴于志愿者的先驗(yàn)知識(shí)，難以準(zhǔn)確地對(duì)結(jié)果做出客觀的評(píng)判。同時(shí)，這類眾源地理數(shù)據(jù)定位精度相對(duì)較低，在一定程度上影響了地表覆蓋的驗(yàn)證結(jié)果。而興趣點(diǎn)(PointofInterest，POI)作為一種開(kāi)放的空間數(shù)據(jù)源，由于其大多搭載于地圖導(dǎo)航平臺(tái)，具有地理位置相對(duì)準(zhǔn)確、更新速度快、分布范圍廣等特點(diǎn)，能夠彌補(bǔ)眾源地理數(shù)據(jù)定位精度低的不足。此外，POI文本中諸如“餐館”、“牧場(chǎng)”、“漁場(chǎng)”等分類，分別對(duì)應(yīng)于地表覆蓋類型中的人造地表、草地和水體，易于地表覆蓋類型的識(shí)別。然而，將POI數(shù)據(jù)應(yīng)用于地表覆蓋驗(yàn)證仍面臨諸多挑戰(zhàn)：一方面，某些POI類型諸如“未知分類”、“旅游景點(diǎn)”和“娛樂(lè)場(chǎng)所”等無(wú)法直接判斷地表覆蓋類型，需要對(duì)POI進(jìn)行數(shù)據(jù)清理與分類；另一方面，POI在城市區(qū)域分布密集，而在非城市區(qū)域分布稀疏，具有顯著的空間異質(zhì)性分布特征，在非城市區(qū)域由于過(guò)少的POI難以表示大面積的地表覆蓋，無(wú)法進(jìn)行地表覆蓋驗(yàn)證。因此，構(gòu)建一套顧及POI數(shù)據(jù)空間異質(zhì)性的地表覆蓋驗(yàn)證方法，具有重要的理論和現(xiàn)實(shí)意義。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供了顧及POI數(shù)據(jù)空間異質(zhì)性的地表覆蓋驗(yàn)證方法及系統(tǒng)，由于POI具有地理位置相對(duì)準(zhǔn)確、其文本信息易于地表覆蓋類型識(shí)別的特點(diǎn)，故可作為地表覆蓋的驗(yàn)證數(shù)據(jù)。但POI在分布較為密集，而在非城市區(qū)域的空間分布不均勻，部分區(qū)域POI分布數(shù)量較少，存在空間異質(zhì)性的特點(diǎn)，使得難以準(zhǔn)確識(shí)別地表覆蓋類型。為解決上述問(wèn)題，本發(fā)明提出了：顧及POI數(shù)據(jù)空間異質(zhì)性的地表覆蓋驗(yàn)證方法，包括如下步驟：步驟A：從新浪微博開(kāi)放平臺(tái)獲取POI數(shù)據(jù)集，將OSM(OpenStreetMap)提供的城區(qū)建筑物數(shù)據(jù)與POI數(shù)據(jù)集進(jìn)行疊加，劃分出城市區(qū)域與非城市區(qū)域的POI，對(duì)劃分結(jié)果進(jìn)行修正；步驟B：根據(jù)地表覆蓋分類標(biāo)準(zhǔn)，對(duì)步驟A中確定的城市區(qū)域POI進(jìn)行分類，得到城市區(qū)域的POI分類結(jié)果；步驟C：針對(duì)步驟A中確定的非城市區(qū)域POI，依據(jù)步驟B中城市區(qū)域POI的分類方法，對(duì)非城市區(qū)域不同類型的POI進(jìn)行分類，得到非城市區(qū)域的POI分類結(jié)果；在POI分類的基礎(chǔ)上，引入兩個(gè)分類結(jié)果修正變量：POI與最近村莊的距離、POI與最近道路的距離，利用C5.0決策樹(shù)算法構(gòu)建顧及POI空間異質(zhì)性的POI分類修正模型，得到非城市區(qū)域的POI分類結(jié)果；步驟D：根據(jù)步驟B確定的城市區(qū)域POI分類結(jié)果和步驟C確定的非城市區(qū)域POI分類結(jié)果，生成以30m*30m像元為單位的柵格數(shù)據(jù)，依據(jù)落入柵格中各類型POI的數(shù)量，采用多數(shù)投票算法，確定每個(gè)柵格的地表覆蓋類型，生成基于POI的地表覆蓋分類結(jié)果；步驟E：根據(jù)步驟D基于POI的地表覆蓋分類結(jié)果，以GlobeLand30地表覆蓋數(shù)據(jù)產(chǎn)品為驗(yàn)證數(shù)據(jù)，利用混淆矩陣，得到基于POI的GlobeLand30地表覆蓋數(shù)據(jù)產(chǎn)品的驗(yàn)證精度，實(shí)現(xiàn)顧及POI空間異質(zhì)性的地表覆蓋精度驗(yàn)證。所述步驟A包括：步驟A1：從新浪微博開(kāi)放平臺(tái)獲取POI數(shù)據(jù)集：利用其開(kāi)放平臺(tái)提供的API接口，以網(wǎng)絡(luò)爬蟲(chóng)的方式，獲取所需POI數(shù)據(jù)集，所述POI數(shù)據(jù)集包括描述POI類型的文本信息與表示空間位置的坐標(biāo)信息；步驟A2：利用ArcGIS軟件將OSM城區(qū)建筑物數(shù)據(jù)與POI點(diǎn)數(shù)據(jù)進(jìn)行空間疊加，使得同一地理坐標(biāo)下的POI與城區(qū)建筑物位于同一空間位置；步驟A3：通過(guò)判斷POI點(diǎn)數(shù)據(jù)是否落入城區(qū)建筑物數(shù)據(jù)，來(lái)劃分城市區(qū)域POI與非城市區(qū)域POI；若落入則為城市區(qū)域POI，若沒(méi)有落入，則為非城市區(qū)域POI；步驟A4：對(duì)劃分結(jié)果進(jìn)行人工修正：通過(guò)參考GoogleEarth中高分辨率遙感影像里的真實(shí)地物，對(duì)步驟A3中劃分錯(cuò)誤的POI進(jìn)行修改。所述根據(jù)地表覆蓋分類標(biāo)準(zhǔn)：參照GlobeLand30中的地表覆蓋類型的分類方式，將地表覆蓋分為耕地、林地、草地、灌木叢、沼澤、水體、苔原、人造地表、裸地、冰川10種地表覆蓋類型。諸如POI文本中“餐館”對(duì)應(yīng)地表覆蓋中的人造地表；“高爾夫球場(chǎng)”對(duì)應(yīng)地表覆蓋中的草地；“海濱浴場(chǎng)”對(duì)應(yīng)地表覆蓋中的水體。所述利用C5.0決策樹(shù)算法構(gòu)建顧及POI空間異質(zhì)性的POI分類修正模型，得到非城市區(qū)域的POI分類結(jié)果的步驟為：(C1)引入兩個(gè)分類結(jié)果修正變量：POI與最近村莊的距離、POI與最近道路的距離，利用OSM中待測(cè)區(qū)域的村莊數(shù)據(jù)與道路數(shù)據(jù)，計(jì)算各非城市區(qū)域POI到距離最近的村莊和道路的最短距離；(C2)利用C5.0決策樹(shù)算法，引入步驟(C1)所述分類結(jié)果修正變量，構(gòu)建顧及空間異質(zhì)性的POI分類修正模型；(C3)通過(guò)引入adaptiveboosting算法和懲罰矩陣costmatrix進(jìn)行分類修正模型的優(yōu)化；(C4)利用顧及空間異質(zhì)性的POI分類修正模型，將經(jīng)過(guò)步驟C得到的非城市區(qū)域的POI分類結(jié)果進(jìn)一步分類。由于C5.0決策樹(shù)算法為監(jiān)督分類算法，故將遙感影像分類結(jié)果作為POI正確分類，并將POI劃分為訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)，構(gòu)建顧及空間異質(zhì)性的POI分類修正模型。步驟E中，利用混淆矩陣的驗(yàn)證方法定義如下：其中，AC(accuracy)表示人造地表識(shí)別結(jié)果的精度，TP(truepositive)表示被模型預(yù)測(cè)為人造地表的正確樣本，TN(truenegative)表示被模型預(yù)測(cè)為非人造地表的錯(cuò)誤樣本，F(xiàn)P(falsepositive)表示被模型預(yù)測(cè)為人造地表的錯(cuò)誤樣本，F(xiàn)N(falsenegative)表示被模型預(yù)測(cè)為非人造地表的正確樣本。POI到最近的村莊的最短距離Dv計(jì)算公式如下：其中，Px為POI的坐標(biāo)經(jīng)度，Py為POI的坐標(biāo)緯度，Vx為村莊所在位置的坐標(biāo)經(jīng)度，Vy為村莊所在位置的坐標(biāo)緯度；POI距離最近的道路的最短距離Dr計(jì)算如下：其中，A、B、C為計(jì)算道路的可調(diào)參數(shù)。步驟(C2)：C5.0決策樹(shù)算法基于信息熵計(jì)算POI數(shù)據(jù)集S中各分類結(jié)果中POI類型分布狀況；信息熵的值越大，表示數(shù)據(jù)集包含POI類型越多，反之越少；信息熵的計(jì)算公式如下：其中，c為基于POI數(shù)據(jù)集S劃分的不同類別，pi為落入每一類POI的概率；i為POI數(shù)據(jù)集的類別；pi的計(jì)算公式如下：其中，ni為落入每一類POI的數(shù)量；為準(zhǔn)確將POI進(jìn)行分類，C5.0決策樹(shù)算法引入信息增益Gain修正為分類結(jié)果，具體計(jì)算公式如下：Gain(A)＝Entropy(S1)-Entropy(S2)(5)；其中，A為POI數(shù)據(jù)集S的用于分類的屬性，即為各非城市區(qū)域POI到距離最近的村莊和道路的最短距離；S1、S2分別為經(jīng)過(guò)分類前與分類后的數(shù)據(jù)集S；分類后數(shù)據(jù)集S2的信息熵計(jì)算公式如下：步驟(C3)的步驟為：adaptiveboosting算法通過(guò)構(gòu)建多個(gè)決策樹(shù)分類模型及計(jì)算每個(gè)決策樹(shù)分類模型的權(quán)重，構(gòu)建最優(yōu)地表覆蓋分類器；假設(shè)POI數(shù)據(jù)集S中有n個(gè)數(shù)據(jù)樣本，adaptiveboosting算法旨在構(gòu)建T個(gè)決策樹(shù)，每一輪決策樹(shù)訓(xùn)練t中得到的決策樹(shù)為Ct，為第t輪決策樹(shù)訓(xùn)練中POI樣本i的權(quán)重。同時(shí)，用于adaptiveboosting算法的指示函數(shù)indicatorfunction定義如下：adaptiveboosting算法參數(shù)初始化使得t＝1,C5.0決策樹(shù)算法在每一次訓(xùn)練中都會(huì)減少其訓(xùn)練誤差，其中，訓(xùn)練誤差函數(shù)如下：基于訓(xùn)練誤差函數(shù)εt的每個(gè)決策樹(shù)權(quán)重αt定義如下：更新第t輪決策樹(shù)訓(xùn)練中POI樣本i的權(quán)重如下：得到每輪決策樹(shù)訓(xùn)練中POI樣本i的權(quán)重后，最終的adaptiveboosting算法的最優(yōu)分類器構(gòu)建如下：其中，CT即為基于adaptiveboosting算法的地表覆蓋最優(yōu)分類器。為提高屬于人造地表的POI分類的準(zhǔn)確率，引入懲罰矩陣(costmatrix)，提高POI被錯(cuò)誤分類為人造地表的代價(jià)，降低POI被錯(cuò)誤分類為非人造地表的代價(jià)。懲罰矩陣構(gòu)建如下。分類為非人造地表分類為人造地表非人造地表0m人造地表n0由懲罰矩陣可知，POI被正確分類時(shí)的代價(jià)均為0，屬于人造地表的POI被錯(cuò)誤分類到非人造地表時(shí)，代價(jià)為n，屬于非人造地表的POI被錯(cuò)誤分類到人造地表時(shí)，代價(jià)為m。顧及POI數(shù)據(jù)空間異質(zhì)性的地表覆蓋驗(yàn)證系統(tǒng)，包括：劃分模塊：從新浪微博開(kāi)放平臺(tái)獲取POI數(shù)據(jù)集，將OSM(OpenStreetMap)提供的城區(qū)建筑物數(shù)據(jù)與POI數(shù)據(jù)集進(jìn)行疊加，劃分出城市區(qū)域與非城市區(qū)域的POI，對(duì)劃分結(jié)果進(jìn)行修正；第一分類模塊：根據(jù)地表覆蓋分類標(biāo)準(zhǔn)，對(duì)劃分模塊中確定的城市區(qū)域POI進(jìn)行分類，得到城市區(qū)域的POI分類結(jié)果；第二分類模塊：針對(duì)劃分模塊中確定的非城市區(qū)域POI，依據(jù)第一分類模塊中城市區(qū)域POI的分類方法，對(duì)非城市區(qū)域不同類型的POI進(jìn)行分類，得到非城市區(qū)域的POI分類結(jié)果；在POI分類的基礎(chǔ)上，引入兩個(gè)分類結(jié)果修正變量：POI與最近村莊的距離、POI與最近道路的距離，利用C5.0決策樹(shù)算法構(gòu)建顧及POI空間異質(zhì)性的POI分類修正模型，得到非城市區(qū)域的POI分類結(jié)果；分類結(jié)果生成模塊：根據(jù)第一分類模塊確定的城市區(qū)域POI分類結(jié)果和第二分類模塊確定的非城市區(qū)域POI分類結(jié)果，生成以30m*30m像元為單位的柵格數(shù)據(jù)，依據(jù)落入柵格中各類型POI的數(shù)量，采用多數(shù)投票算法，確定每個(gè)柵格的地表覆蓋類型，生成基于POI的地表覆蓋分類結(jié)果；驗(yàn)證精度獲取模塊：根據(jù)分類結(jié)果生成模塊基于POI的地表覆蓋分類結(jié)果，以GlobeLand30地表覆蓋數(shù)據(jù)產(chǎn)品為驗(yàn)證數(shù)據(jù)，利用混淆矩陣，得到基于POI的GlobeLand30地表覆蓋數(shù)據(jù)產(chǎn)品的驗(yàn)證精度，實(shí)現(xiàn)顧及POI空間異質(zhì)性的地表覆蓋精度驗(yàn)證。本發(fā)明的有益效果：本發(fā)明提出了一種顧及POI數(shù)據(jù)空間異質(zhì)性的地表覆蓋驗(yàn)證方法，利用所述基于POI文本信息的POI分類方法，根據(jù)地表覆蓋的分類標(biāo)準(zhǔn)，對(duì)不同類型的POI進(jìn)行分類；針對(duì)POI在非城市區(qū)域的空間異質(zhì)性的問(wèn)題，構(gòu)建所述顧及POI空間異質(zhì)性的POI分類修正模型，得到顧及空間異質(zhì)性的POI分類結(jié)果；繼而基于POI分類結(jié)果，利用多數(shù)投票法，生成地表覆蓋格網(wǎng)數(shù)據(jù)，從而用于顧及POI空間異質(zhì)性的地表覆蓋分類精度驗(yàn)證。附圖說(shuō)明圖1為北京地區(qū)新浪微博POI分布示意圖；圖2為城市區(qū)域與非城市區(qū)域POI劃分結(jié)果示意圖；圖3(a)為所有POI與村莊的最短距離示意圖；圖3(b)為所有POI與道路的最短距離示意圖；圖4為基于多數(shù)投票法的地表覆蓋類型分布示意圖。具體實(shí)施方式下面結(jié)合附圖與實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。為了對(duì)本發(fā)明的技術(shù)特征、目的和效果有更加清楚的理解，現(xiàn)以北京地區(qū)的新浪微博POI數(shù)據(jù)和GlobeLand30地表覆蓋數(shù)據(jù)為例，對(duì)照附圖說(shuō)明本發(fā)明的具體實(shí)施方式。下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。本發(fā)明所提出的一種顧及POI數(shù)據(jù)空間異質(zhì)性的地表覆蓋驗(yàn)證方法，所述方法用于基于POI的地表覆蓋驗(yàn)證；所述地表覆蓋驗(yàn)證方法包括基于文本信息的POI分類和顧及空間異質(zhì)性的POI分類修正模型；所述方法包括如下步驟：A、所述地表覆蓋分類方法從新浪微博開(kāi)放平臺(tái)獲取北京市POI數(shù)據(jù)集，使用OpenStreetMap(OSM)提供的城區(qū)建筑物數(shù)據(jù)與POI進(jìn)行疊加，劃分出城市區(qū)域與非城市區(qū)域的POI，并利用人工檢核的方式修正劃分結(jié)果；通過(guò)編寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)，利用新浪微博開(kāi)放平臺(tái)(網(wǎng)址)中獲取POI(網(wǎng)址)的API接口，獲得包括地理坐標(biāo)、類型等屬性的POI數(shù)據(jù)141745條，作為地表覆蓋驗(yàn)證的數(shù)據(jù)源。其中，POI數(shù)據(jù)部分屬性如表1所示。表1新浪微博POI數(shù)據(jù)部分屬性針對(duì)POI數(shù)據(jù)分布不均的問(wèn)題，本專利利用北京地區(qū)OMS建筑物數(shù)據(jù)，將POI劃分為城市區(qū)域和非城市區(qū)域。具體實(shí)施步驟如下：a.依據(jù)POI數(shù)據(jù)中經(jīng)度與緯度兩個(gè)屬性，將POI進(jìn)行空間可視化，從而進(jìn)一步分析北京地區(qū)POI的空間分布特征。POI空間分布如圖1所示；b.將北京地區(qū)OSM城區(qū)建筑物數(shù)據(jù)與POI數(shù)據(jù)進(jìn)行疊加分析，以此作為劃分城市區(qū)域POI與非城市區(qū)域POI的依據(jù)，與城區(qū)建筑物疊加的POI數(shù)據(jù)劃分為城市區(qū)域的POI，未與城區(qū)建筑物疊加的POI數(shù)據(jù)劃分為非城市區(qū)域的POI；c.由于OSM城區(qū)建筑物數(shù)據(jù)為眾源地理數(shù)據(jù)，難以保證數(shù)據(jù)覆蓋北京地區(qū)的所有城市區(qū)域，故采用人工檢核的方式，依據(jù)北京市遙感影像數(shù)據(jù)修正城市區(qū)域與非城市區(qū)域POI的劃分結(jié)果。城市區(qū)域與非城市區(qū)域POI劃分結(jié)果如圖2所示。B、針對(duì)步驟A中確定的城市區(qū)域與非城市區(qū)域的POI，依據(jù)所述基于文本信息的POI分類方法，根據(jù)地表覆蓋的分類標(biāo)準(zhǔn)，對(duì)不同類型的POI進(jìn)行分類，得到城市區(qū)域的POI分類結(jié)果。所述基于文本信息的POI分類方法實(shí)施步驟如下：如表2所示，提取POI的類型屬性這種文本信息作為分類依據(jù)，以GlobeLand30中的地表覆蓋分類作為POI的分類標(biāo)準(zhǔn)。依照基于文本信息的POI分類結(jié)果，統(tǒng)計(jì)各類型POI數(shù)據(jù)占比。未識(shí)別分類由于無(wú)法應(yīng)用于地表覆蓋驗(yàn)證，故被剔除；草地和水體所對(duì)應(yīng)的POI數(shù)量過(guò)少，僅占POI總數(shù)的0.91％和0.03％，故不作為驗(yàn)證數(shù)據(jù)。因此，本專利基于文本信息的POI分類結(jié)果，利用GlobeLand30為人造地表的POI數(shù)據(jù)，將其重分類為人造地表與非人造地表。其中，城市區(qū)域POI將被直接用于地表覆蓋中人造地表的分類精度驗(yàn)證。表2基于文本信息的POI分類結(jié)果C、針對(duì)步驟A中確定的非城市區(qū)域POI，由于POI分布范圍廣、數(shù)據(jù)稀疏、具有空間異質(zhì)性的特點(diǎn)，在步驟B所述POI分類的基礎(chǔ)上，引入兩個(gè)分類結(jié)果修正變量：POI與村莊的最近距離、POI與道路的最近距離，利用C5.0決策樹(shù)算法構(gòu)建所述顧及POI空間異質(zhì)性的POI分類修正模型，得到非城市區(qū)域的POI分類結(jié)果；顧及空間異質(zhì)性的POI分類修正模型構(gòu)建方法實(shí)施步驟如下：a.引入兩個(gè)分類結(jié)果修正變量：POI與村莊的最近距離、POI與道路的最近距離，利用OSM中北京地區(qū)的村莊數(shù)據(jù)與道路數(shù)據(jù)，計(jì)算各非城市區(qū)域POI到距離最近的村莊和道路的最短距離。POI到村莊的最短距離Dv計(jì)算公式如下。其中，Px,Py分別為POI的坐標(biāo)經(jīng)度和坐標(biāo)緯度，Vx,Vy則為村莊所在位置的經(jīng)緯度。POI距離道路的最短距離Dr計(jì)算如下.其中，A、B、C為計(jì)算道路的可調(diào)參數(shù)。兩分類結(jié)果修正變量的統(tǒng)計(jì)結(jié)果如圖3(a)、圖3(b)所示。POI與村莊的最短距離多集中于2000m內(nèi)，與道路的最短距離多集中于100m內(nèi)，而零散分布于遠(yuǎn)離村莊與道路的POI，由于空間異質(zhì)性的影響，不應(yīng)作為人造地表的驗(yàn)證數(shù)據(jù)源，應(yīng)被分為非人造地表的POI。故本專利將引入C5.0決策樹(shù)算法，構(gòu)建顧及空間異質(zhì)性的POI分類修正模型。b.利用C5.0決策樹(shù)算法，引入步驟a.所述分類結(jié)果修正變量，構(gòu)建顧及空間異質(zhì)性的POI分類修正模型。C5.0決策樹(shù)算法基于信息熵計(jì)算POI數(shù)據(jù)集S中各分類結(jié)果中POI類型分布狀況。信息熵的值越大，表示數(shù)據(jù)集包含POI類型越多，反之越少。信息熵的計(jì)算公式如下。其中，c為基于POI數(shù)據(jù)集S劃分的不同類別，pi為落入每一類POI的概率。pi的計(jì)算公式如下。其中，ni為落入每一類POI的數(shù)量。為準(zhǔn)確將POI進(jìn)行分類，C5.0決策樹(shù)算法引入信息增益(Gain)修正為分類結(jié)果，具體計(jì)算公式如下。Gain(A)＝Entropy(S1)-Entropy(S2)(5)其中，A為POI數(shù)據(jù)集S的用于分類的屬性，即為各非城市區(qū)域POI到距離最近的村莊和道路的最短距離。S1、S2分別為經(jīng)過(guò)分類前與分類后的數(shù)據(jù)集S。分類后數(shù)據(jù)集S2的信息熵計(jì)算公式如下。盡管C5.0決策樹(shù)算法能夠基于信息熵的計(jì)算實(shí)現(xiàn)POI的自動(dòng)分類，但為實(shí)現(xiàn)地表覆蓋分類模型的優(yōu)化以及提高屬于人造地表的POI分類的準(zhǔn)確率，本專利引入adaptiveboosting算法和懲罰矩陣(costmatrix)進(jìn)行分類修正模型的優(yōu)化。c.通過(guò)引入adaptiveboosting算法和懲罰矩陣(costmatrix)進(jìn)行分類修正模型的優(yōu)化。adaptiveboosting算法通過(guò)構(gòu)建多個(gè)決策樹(shù)分類模型及計(jì)算每個(gè)決策樹(shù)分類模型的權(quán)重，構(gòu)建最優(yōu)地表覆蓋分類器。假設(shè)POI數(shù)據(jù)集S中有n個(gè)數(shù)據(jù)樣本，adaptiveboosting算法旨在構(gòu)建T個(gè)決策樹(shù)，每一輪決策樹(shù)訓(xùn)練t中得到的決策樹(shù)為Ct，為第t輪決策樹(shù)訓(xùn)練中POI樣本i的權(quán)重。同時(shí)，用于adaptiveboosting算法的指示函數(shù)(indicatorfunction)定義如下。adaptiveboosting算法參數(shù)初始化使得t＝1,C5.0決策樹(shù)算法在每一次訓(xùn)練中都會(huì)減少其訓(xùn)練誤差，其中，訓(xùn)練誤差函數(shù)如下?；谟?xùn)練誤差函數(shù)εt的每個(gè)決策樹(shù)權(quán)重αt定義如下。更新第t輪決策樹(shù)訓(xùn)練中POI樣本i的權(quán)重如下。得到每輪決策樹(shù)訓(xùn)練中POI樣本i的權(quán)重后，最終的adaptiveboosting算法的最優(yōu)分類器構(gòu)建如下。其中，CT即為基于adaptiveboosting算法的地表覆蓋最優(yōu)分類器。為提高屬于人造地表的POI分類的準(zhǔn)確率，本專利引入懲罰矩陣(costmatrix)，提高POI被錯(cuò)誤分類為人造地表的代價(jià)，降低POI被錯(cuò)誤分類為非人造地表的代價(jià)。懲罰矩陣構(gòu)建如下。分類為非人造地表分類為人造地表非人造地表0m人造地表n0由懲罰矩陣可知，POI被正確分類時(shí)的代價(jià)均為0，屬于人造地表的POI被錯(cuò)誤分類到非人造地表時(shí)，代價(jià)為n，屬于非人造地表的POI被錯(cuò)誤分類到人造地表時(shí)，代價(jià)為m。d.利用顧及空間異質(zhì)性的POI分類修正模型，將經(jīng)過(guò)步驟B文本分類的北京地區(qū)18925個(gè)非城市區(qū)域的POI進(jìn)一步分類。由于C5.0決策樹(shù)算法為監(jiān)督分類算法，故本專利將遙感影像分類結(jié)果作為POI正確分類，并將POI劃分為訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)，構(gòu)建顧及空間異質(zhì)性的POI分類修正模型。表3為經(jīng)過(guò)文本分類后的POI訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)及其分類正確率。表3POI訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)及其正確率Adaptiveboosting算法迭代錯(cuò)誤率如表4.表4Adaptiveboosting算法迭代錯(cuò)誤率迭代數(shù)決策樹(shù)數(shù)量錯(cuò)誤率0525.20％1224.70％2423.50％3424.50％4536.90％5424.60％6636.80％7223.40％8224.90％9322.20％1020.40％依據(jù)表4各迭代數(shù)的錯(cuò)誤率，本專利采用10次迭代數(shù)來(lái)優(yōu)化C5.0決策樹(shù)模型。此外，懲罰矩陣定義如下。分類為非人造地表分類為人造地表非人造地表04人造地表10錯(cuò)誤分類為人造地表的代價(jià)為錯(cuò)誤分類為非人造地表的代價(jià)的4倍，以此提高人造地表的分類精度?；赑OI分類修正模型的訓(xùn)練數(shù)據(jù)分類結(jié)果與測(cè)試數(shù)據(jù)數(shù)據(jù)分類結(jié)果如表5、表6所示。表5基于POI分類修正模型的訓(xùn)練數(shù)據(jù)分類結(jié)果表6基于POI分類修正模型的測(cè)試數(shù)據(jù)分類結(jié)果D、根據(jù)步驟B、C確定的城市區(qū)域與非城市區(qū)域POI分類結(jié)果，生成以30m*30m像元為單位的柵格，依據(jù)落入柵格中各類型POI的數(shù)量，利用多數(shù)投票算法，確定每個(gè)柵格的地表覆蓋類型，生成基于POI的地表覆蓋分類結(jié)果；為了進(jìn)行GlobeLand30地表覆蓋分類精度的驗(yàn)證，需要將POI數(shù)據(jù)轉(zhuǎn)換為與GlobeLand30分辨率相同的以30m*30m的像元為單元的柵格數(shù)據(jù)。由于柵格數(shù)據(jù)精度限制，落入同一柵格的POI所屬地表覆蓋類型可能不會(huì)完全相同，故本專利多數(shù)投票算法，確定每個(gè)柵格的地表覆蓋類型，生成基于POI的地表覆蓋分類結(jié)果。計(jì)算每個(gè)柵格單元中中各類型POI的數(shù)量，存儲(chǔ)單元v用來(lái)存儲(chǔ)當(dāng)前正在計(jì)算的POI類型，并定義計(jì)數(shù)器k，當(dāng)前計(jì)算的POI類型與上一個(gè)POI類型相同時(shí)，計(jì)數(shù)器數(shù)目加1，否則，計(jì)數(shù)器k數(shù)目減1，直到k的值歸零。當(dāng)k的值為0時(shí)，當(dāng)前正在計(jì)算的POI類型為存儲(chǔ)單元v中的POI類型?；诙鄶?shù)投票法生成66058個(gè)代表不同地表覆蓋類型的柵格單元，其地表覆蓋空間分布分布如圖4所示。E、根據(jù)步驟D基于POI的地表覆蓋分類結(jié)果，以GlobeLand30地表覆蓋分類產(chǎn)品為驗(yàn)證數(shù)據(jù)，利用混淆矩陣，得到基于POI的GlobeLand30地表覆蓋分類產(chǎn)品的驗(yàn)證精度，實(shí)現(xiàn)所述顧及POI空間異質(zhì)性的地表覆蓋精度驗(yàn)證?；诨煜仃嚨尿?yàn)證方法定義如下。其中AC(accuracy)表示人造地表識(shí)別結(jié)果的精度，TP(truepositive)表示被模型預(yù)測(cè)為人造地表的正確樣本，TN(truenegative)表示被模型預(yù)測(cè)為非人造地表的錯(cuò)誤樣本，F(xiàn)P(falsepositive)表示被模型預(yù)測(cè)為人造地表的錯(cuò)誤樣本，F(xiàn)N(falsenegative)表示被模型預(yù)測(cè)為非人造地表的正確樣本。對(duì)GlobeLand30人造地表的分類精度驗(yàn)證結(jié)果見(jiàn)表7。表7人造地表分類精度驗(yàn)證本發(fā)明提出了一種顧及POI數(shù)據(jù)空間異質(zhì)性的地表覆蓋驗(yàn)證方法，利用所述基于POI文本信息的POI分類方法，根據(jù)地表覆蓋的分類標(biāo)準(zhǔn)，對(duì)不同類型的POI進(jìn)行分類；針對(duì)POI在非城市區(qū)域的空間異質(zhì)性的問(wèn)題，構(gòu)建所述顧及POI空間異質(zhì)性的POI分類修正模型，得到顧及空間異質(zhì)性的POI分類結(jié)果；繼而基于POI分類結(jié)果，利用多數(shù)投票法，生成地表覆蓋柵格數(shù)據(jù)，從而用于顧及POI空間異質(zhì)性的地表覆蓋分類精度驗(yàn)證。上述雖然結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。當(dāng)前第1頁(yè)1 2 3