农业用地土壤重金属样本点数据精化方法——以北京市顺义区为例

样本点空间分布是样点数据检测评价和挖掘分析的关键因素。以北京市顺义区为例,研发了一种农业用地土壤重金属样本点数据精化方法：首先构建样本点均匀变异指数和均匀因子离散图来共同检测样本点数据均匀性,进一步将样本点类型划分为均匀样本点、聚集样本点和稀疏样本点并确定其数量;其次删除聚集样本点,基于研究区历史数据加密稀疏样本点;最后基于地理空间样本点均匀变异指数、特征空间偏离指数和插值误差共同评价数据精化效果。结果表明,研究区样本点的均匀变异指数为0.429,存在一个聚集样本点和一个稀疏样本点,空间偏离指数为0.327,空间属性插值误差为6.538;冗余数据精化后进行均匀性检测没有发现聚集样本点和稀疏样本点,均匀变异指数下降到0.406,特征空间偏离指数微弱下降,空间属性插值误差下降到6.357。研究表明该方法可以对提高采样数据的均匀性和代表性提供理论指导,可以服务于土壤污染防治行动计划（土十条）、土壤污染状况详查等,为更加精确研究土壤空间信息变化提供一定的基础条件。     

兼顾面积属性与不确定性信息的样本点权重调整方法

样本点权重调整是遥感分类精度评价中样本点空间分配的关键环节。以北京市顺义区精度评价样本点为例,提出了一种兼顾面积属性与不确定性信息的样本点权重调整方法——模糊调整权重法,用于布设精度评价样本点。首先,构建用于表达不确定性信息的模糊中和指数及其权重,融合模糊中和指数权重和面积权重构建模糊调整权重,并计算各个分层的模糊调整权重结果,完成样本点特征空间分配;其次,设置不同梯度样本点集,结合平均最短距离最小化准则和空间模拟退火算法实现样本点地理空间优化布设;最后,构建权重调整效果评价指标,进行模糊调整权重效果评价,并与其他权重调整方法和未进行权重调整的布点方法进行对比分析。结果表明：顺义区不确定性大、中、小的层模糊调整权重分别为0.45、0.37、0.18,与面积权重相比,不确定性大的层权重显著增加、中层权重稍微增加、小层权重明显降低;5个不同数据集样本点权重调整的精度评价总体精度、相对精度、均方根误差和标准偏差结果分别为69.90%～73.48%、96.28%～99.82%、0.01和0.01;模糊调整权重布点方法评价效果优于面积权重、模糊中和指数权重、不确定性空间分层权重布点方法,以及空间...     

农用地土壤污染调查中采样和布点方法

农用地的数量、质量是我国粮食安全的基础。近几年,全国进行了多次农用地普查、祥查,各省份也建立了农用地信息数据库。农用地的管理正从数量管理向数量质量并重管理转变。农用地信息数据差异较大,布点分布不均,对数据库的建立和农用地质量评价均有影响。本文详细介绍了农用地布点的原则和采样的方法和步骤,旨在为农业调查人员提供一定的参考和指导。     

土壤Hg和NDVI全局均值估计的样本点权重调整方法

样本点权重调整是统计推断样本点属性全局均值的重要手段.以北京市顺义区农业用地样本点为例,提出了一种面向全局均值估计的样本点权重调整方法——泰森多边形权重调整法.首先构建样本点类型划分规则,将样本点划分为聚集样本点、稀疏样本点和均匀样本点;其次针对不同类型样本点,分别确定样本点权重调整量和调整规则并进行样本点权重调整;最...     

模式识别在化合物分类中的应用

本文设计了一个模式识别计算机程序。通过它可以识别无机氯化物是固体还是非固体。本程序根据模式识别原理，应用非线性映射的数学方法，在尽可能保持原样本点之间距离不变的条件下，将6维空间上的样本点映射到2维平面上，从而可以方便地通过视觉直接进行识别和分类。所用特性参数为非氯原子的电负性、电荷与离子(或共价)半径比、电荷、原子半径、第一电离势和电子构型。     

基于分形理论与数字滤波的曲面拟合

土壤调查中常常需要解决曲面拟合问题,即根据有一定分布的有限个体本网络点数值（比如高程,地下水深度,土壤ｐＨ值等）,计算研究区域中所有网格点的数值,这是一个经典的数学理论问题,本文将分形理论与数字滤波（数字信号处理）方法有机地结合起来,给出一种新型的曲面拟合计算方法,该算法可以适应研究区域中存在有隔离断裂曲面的复杂情况。     

数据驱动的农作物遥感分类地面样本点布设

地面样本点是农作物遥感分类模型训练的基础,样本点数量和质量是影响模型分类精度的2个主要因素。该研究构建了数据驱动的样本点布设方法,利用待分类影像的光谱、植被指数等特征构造分层抽样底图,结合分层随机抽样方法进行地面样本点布设,并分析不同抽样策略对农作物遥感分类结果的影响。采取基于k-means聚类分析的数据驱动方法,考虑6景哨兵2号影像提取的共78个分类特征,生成同一个最优k的聚类结果图;设计等量分配和按面积比分配2种样本量分配方式,样本点数量为25、49、100、169、225的5个总样本量;基于不同抽样策略获取地面样本点信息,利用同一个支持向量机模型对待分类影像进行监督分类,并通过与139个样本点的理论总样本量和400个样本点的传统方式总样本量对比分析,定量解析不同抽样策略对分类精度的影响。结果表明：1）在数据驱动非监督聚类生成的底图上进行抽样（按面积比分层抽样法、等量分层抽样法）获得的样本点质量和分类精度明显优于没有该底图的抽样策略（简单随机抽样法、系统抽样法）;2）当总样本量低于理论总样本量时,等量分层抽样法能获取比按面积比分层抽样法更高的分类精度。例如,当理论样本量为139时,总样本量为25、49和100时等量分层抽样法的分类精度均值（75.5%、80.5%和86.0%）均明显高于按面积比分层抽样法的分类精度均值（44.0%、69.0%和83.0%）,而当总样本量为169和225时,两种分层抽样的分类精度均值都在90.0%左右;3）当满足总体精度需求时,分层抽样法所需的实际总样本量小于理论样本量,可极大提高抽样效率。例如,等量分层抽样法的实际样本量为理论样本量的约70%便可满足85.0%的总体精度需求;当分类精度与人工选取方式分类精度一样时（97.5%）,等量分层抽样法的实际样本量仅为传统方式样本量的约90%。这同时印证了分类精度及稳定性随着总样本量的增加而增加这一普遍认识,但当总样本量超过一定值时,精度增长速度变慢。该方法可以获取类间均衡、类内多样化的样本集,为农作物遥感地面样本点布设、快速高效分类提供参考。