针对种植面积检测的空间采样设计——翻译.docx

针对种植面积检测的空间采样设计目录针对种植面积检测的空间采样设计21.介绍：31.1目标31.2回顾31.3 本文大纲42.网络性能算法42.1 采样网络的目标42.2 采样网络性能算法43.任务说明63.1 Data and notations数据与符号63.2 任务84实例84.1 静态空间抽样（表2）94.2 动态空间抽样（表3）95讨论与结论105.1 目标105.2 方法105.3 理论115.4 错误集115.5 工作展望13针对种植面积检测的空间采样设计摘要：关于耕地的更新信息对于中国中央和地方政府。若要全面详尽地覆盖区域信息TM数据等都太昂贵。空间采样 考虑到了 被检测对象的空间分布特征。针对空间离散分布的对象的检测 提出了 直接和间接空间采样模型。间接方法：每一个取样域等于规定区域，但不是直接与申报单位 有关，因此，申报单位估计 在申报区域内几乎没有样品采样。因此，间接采样模型可以针对 大范围申报区域+有限的样本单位和抽样预算 提供样本估计检测对象的分区基于关于变量的控制因素和空间同质性的先验知识。该方法被用于开发 针对检测耕地动态的抽样解决方案。例如，山东省和赵庄市Spatial sampling design for monitoring the area of cultivated landAbstract: Updated information on cultivated land is important for Chinese central and local governments. The data can be acquired using aerial photographs and Thematic Mapper (TM) images. But an exhaustive annual survey covering all of Chinas territory by these remote sensing images is too expensive, therefore a sampling technique has to be employed. Spatial sampling takes the spatial distribution characteristics of the object to be monitored into account. We propose both direct and indirect spatial sampling models for monitoring spatially discrete distributed objects. For the indirect method, each sampling domain is equal to a specified region but is not directly linked with the reporting unit, consequently, the report unit estimates may have few or perhaps even no samples within the report units. Therefore the indirect sampling model can provide sampling estimates for a large number of report units with a limited number of sample units and a limited sampling budget. The zoning of the monitored object is based on prior knowledge about the controlling factors and the spatial homogeneity of the variable. The method is used to develop a sampling solution for monitoring cultivated land dynamics. The models were tested in Shandon province and Zhaozhuang county.1.介绍1.1目标人均耕地在中国约1.6mu（1公顷），不到世界平均水平的三分之一，并且在有限的总耕地面积由于大量的薄非培养特性而进一步减少了，如小垄，小树木繁茂的地区，墓地，独立的房子和院子，小道路，溪流，沟渠，双柱立车等，可能会占用大约5-25的区域内耕地面积（刘1996年，页25-30）。此外，耕地面积由于城市化和社会经济改革，在过去的20年里迅速改变，在未来的几十年里，预计这一趋势会持续（刘，1996年，页262-275）。因此，真正的更新企图获得的净面积和耕地面积的变化率的数字是中国政府的关注，在国家，省，县的所有三个层次。一个关于全国各地耕地的详尽调查，于1984年开始，历时11年完成，花费十亿人民币（0.12亿美元）。我们的目标是制定必要的空间采样理论 通过 高空间分辨率的空中拍摄的照片 和 较低空间分辨率的专题制图仪（TM）图像，可以被同时用来监视耕地 和 报告信息给不同行政级别，更迅速，更低成本，以及要求的精度。1.2回顾目前，两个调查工具（管理向上申报程序及遥感）和两种核算方法（彻底的人口调查抽样调查），是可用于监视耕地面积。每个人都有自己的长处和局限性（见表1）。全面的人口调查是准确的，但更昂贵 和 更慢，而且地貌，气候，农业海关的复杂性 以及 中国规模的巨大，增加了困难。在计划经济社会下，由于缺乏严格的监管和政治原因，政府向上报告过程中通常有人为修改数据的情况。例如,在某些情况下,一个地方官员可能被敬仰如果根据他的报告而有更多的耕地开发,而在其他情况下,地方政府可以更容易地获得补充如果本地资源少报告。遥感技术，准确且快速，但如果TM图像用于调查每年覆盖中国所有领土的耕地面积是非常昂贵的，虽然它相较于一个在领域内测量土地的人口调查来说还是比较便宜的。采样技术可能会损失一些精度较详尽的调查，但它有着一些显著地优点科克伦1977年，第1-2页：（1）降低成本（2）提高速度（3）扩展精度因此，样品可能会产生更精确的结果，比一个完整的枚举。抽样技术总是包括 估计方差（取决于空间采样投影海宁1990年，页176，图5.1和P180，图5.2），样品数 与 监视的现象科克伦1977的离散方差483和Huijbregts的1978年，第48-51页，第61-68）。1.3 本文大纲在该文献中，使用遥感作为调查工具、取样技术被认为是对被监控对象的总结统计，耕地土地和它的属性，这些属性断续分布，但相互在空间相关。两个空间采样模型已经被开发用于监测空间离散对象：直接的方法是，在报告单位的人口估计是直接从样本单位直接和间接法估计单位报告是由样品单元的数据，通过使用预先所生产的监视对象的先验知识，特别是，它的值是相对均匀的空间中，每个区域内的区域（1997年，王等人1995年的中国农业区划研究）。2.网络性能算法2.1 采样网络的目标基于不同用法的监测网络，抽样目标可分为三类: (1) 估计非空间特性的空间人口；(2) 形成一个地图或概要的功能;(3) 获取观测数据分类（海宁1993,页171 - 172)。另外,空间信息基础设施可以被用来分类抽样目标，分为三个层次:Level 1:估计广泛的地区或国家规划资源库存的背景信息Level 2:提供规划数据的一般资源Level 3:收集数据进行具体规划和管理活动(Roddaet al. 1969, p. 12).在更多的量化语言中，采样网络设计的目标是可以被估计的。Aim 1：人口平均 (GriYth et al. 1994)或总(Barnett)Aim 2: 在其他地方比较采样点的值Aim 3：比率 或 该区域的各种其他特征对Aim 1，算术平均值和总的采样值（除了采样率）是人口平均和总和的无偏估计。对Aim 2，在其他地方（除了采样点的值）的值必须要使用基于空间分布的插值技术来估计，按照从采样中获取的信息。Aim 3 混合 Aim 1 and Aim 。2.2 采样网络性能算法监测或采样网络性能的测量可以使用根据监测网络的不同目的使用的不同索引。那里有至少有三种算法（三项措施）：Measure 1: MSE (mean square error均方误差) of the mean均方误差的平均； （1）其中，E表示数学期望,f（xi）表示一个变量,在空间域A中的采样点xi 。是超过A的真平均。在实践中，这个平均值被算数平均数的n点样本，以及给定的所估计。表达式（1）定义平均估值的均方误差。最优采样方法最小化函数（1），一个与n的关系函数。Measurement 2: MSE of discrepancy 均方误差的差异 （2）f（xi）表示点i的真值，是f（xi）的估计值，which，按照在一系列的站点Xi上采样获得的信息，被内插（interpolation）在站点i的。Measure 3: Maximum site error 最大站点错误 （3）Measure 1适合运用于 采样网络被用来监测平均值，或者在一个小修改之后，采样网络被用来监测总空间population（分布）。Measures 2 and 3 适合于 网络被插值在空间中。（interpolation in space）在监测耕地面积中，采样网络应该被设计成满足Aim 1，并且Measure 1应该被用来表明网络性能，基于估计误差的减少，采样密度和采样计划 三者这件的最优关系。3.任务说明3.1 Data and notations数据与符号 各个层之间的关系在图1 中表示。底层表示耕地被监视。从底部起第二层表示样本层，即空中拍摄的照片或TM图像。样本层以上的知识层（分层区）表示相对均匀性，即被检测变量要监视的变量在空间在每个区域与区域之间的比较。变量，例如，可以是薄的非栽培分量系数（thin-non-cultivated component coefficient）-在航空照片中被检测到的，变量，也可以是非耕地的比例-TM影像检测到的。在zoned layer上的是报告层，比如省或县报告的耕地面积及其动态。采样层，知识层和报告层重叠在一起，以形成一个综合性的架构 以便 空间采样设计。在本文中，运用空间抽样模型，被监测对象的分布（population）估计是沿着层次架构，从样本层到报告层。 在下面的文章中，TM耕地面积 是指从TM影像的耕地面积而确定。航拍照片耕地面积 是指从空中拍摄的照片-平等的净耕地面积的耕地面积而确定。航拍照片薄非耕地的分量系数 是指从空中拍摄的照片估计得到的薄非耕地的分量系数。 对于本文中的静态空间采样模型，我们的目标是每5年估计净耕地面积，使用，TM耕地面积的详尽数据，以及 航拍照片薄非耕地的分量系数的采样数据。这种方法应该比 估计航拍照片耕地面积的详尽数据 便宜的多。模型中所用的符号是在表2中列出：#or TNCC = 在一个耕地面积内的薄非耕地特性，是比30米30米大小还小的尺寸，被TM影像忽视，但可通过航拍照片来确定（identified）。Sp= 第p个省或县的总耕地面积 是从TM影像获取的，或者是从第p个报告层的TM耕地面积获取的。SP#= 第p个省或县的薄非耕地特性面积。Sa= 第a个样本的总耕地面积。Sa#= 薄非耕地特性面积（包括在航空照片采样a中的TM耕地面积）。SP0= Sp- SP#，第p个省或县的净耕地面积。a = 样本单位，如航空照片中的静态空间采样模式 或 TM影像中的动态空间采样模型z = 知识层分区单位zone unitp = 报告层，比如一个省或县a#= 包括样本单位a的薄非耕地的分量系数，从航空照片采样或者航空照片的薄非耕地分量系数中获得。pa#= 包括样本层a和报告层p的薄非耕地分量系数p# = 报告层p中的薄非耕地分量系数npa= 报告层p中的样本数，类似的， nza=知识层z中的样本数p#= Ep(p#-p#)2 ， p#的报告层p的标准估计方差p#= Ep(pa#-p#)2 ， a#的包括p的标准离散方差p#= p# /p# ， p#的相对估计方差 一个变量没有cap，例如，指的是一个真值，而一个变量有cap“”，例如 ，指的是真值的估计值。E2，指的是知识层z的数学期望，而“”给了一个定义。表2中的其他符号从这个定义中很好理解。 对于本文中的动态空间采样模型，我们的目标是 每年估计耕地面积，使用，TM耕地面积的最新的详尽数据，以及当前采样的TM非耕地比例。这种方法应该比 使用详尽的航拍照片或一年里详尽TM数据的估计 便宜的多。在模型中运用到的符号 与 表2中所罗列的是相同的，但有以下的替换：“a”代表TM图像，而不是在静态模型空中拍摄的照片；“#”替换为“#”，指的是从TM影像中确定的非耕地。样本层a的面积用A 表示，报告层p的面积用P 表示。Sp#表示p中的非耕地面积。a#表示TM影像中的非耕地比例，相当于 Sp#/Ap#表示p中的非耕地比例，相当于 Sp#/P。 3.2 任务我们第一个任务就是求每5年估计净耕地面积 SP0 。SP0= Sp- SP#= Sp- Spp#=（1-p#）Sp被检测的区域每5年被详尽的测量，通过TM影像获得总的耕地面积Sp ，航空照片用来估计p#=Sp#/Sp 。 p#的值主要是一个函数，关于地貌、气候、农民的习俗和该地区的大力发展，这些往往被认为是慢慢改变的东西(Liu and Yu 1990)。这些会通过每5年的航空照片采样更新，并且详尽涵盖了10年。我们第二个任务就是估计每年都会改变的耕地面积Sp 。Sp=PSp#=（1-p#）PTM影像采样被用来估计p#=Sp#/P .数值会每年通过TM影像采样更新，每5年详尽的报道。监测战略总结于 表3中。SP0可以被估计每一年， 使用 每年p#的值和每5年p#的值。SP0=（1-p#）Sp=（1-p#）（1-p#）P因此，我们试图估算 p# 、Sp#、p#、Sp#,以及它们的标准方差和相对方差，利用航空照片和TM图像的采样。空间抽样的理论基础是确定一种3者间的最佳关系： 估计误差、采样密度 和通过直接或间接地估算方法，连续或离散地分布在空间上下文对象中的 样品空间排列。最佳关系，考虑到了空间相关性，最小化了估计方差。(Journel and Huijbregts 1978, pp. 4861)本文开发的空间采样模型都列在了附录1、2、3中。模型的应用在下文中给出。4实例中国东部的山东省，占地150 000平方面积，以及山东省内的赵庄县，占地4550平方面积，都作为试点地区，来测试本文开发的模型。分析说明 静态直接抽样模型（附录1），静态间接抽样模型（附录2），动态直接抽烟模型和动态间接抽样模型（附录3）.静态和动态抽样在表2、3中被说明。（a）-（d）是针对省的，（e）-（f）是针对县的。“Radio”指的是静态模式中的薄非耕地的分量系数，和动态模型中的非耕地比例。表2中的“thin feature”指的是在耕地中的薄非耕地分量。表3 中的“non-farm”指的是每个区域的非耕地。括号中的“Non-zero”表示直接模型，而“zone”指的是间接模型。该县的分析数据显示 直接采样模型往往是无效的，而间接模型必须被使用，因为报告层太小太多以至于没有足够的每一个县的航拍照片或者TM影响作为样本 来提供可靠地统计数据。4.1 静态空间抽样在静态空间抽样中，航拍照片被用来确定（identify）由详尽的TM影像所确定的耕地面积的薄非耕地特性。“Static”意思是薄非耕地分量系数经过几年以后变化不大，并且通过每5年一次的航拍照片更新。表2中的符号被用于以下的数据中。航拍照片，作为a# 的样本，随机分布在山东省内，1996年。a#的zone map 是由 a#的先验知识所得，是一个集合 地貌、气候、经济水平以及农业海关 的功能，在区域内是相对均匀的。Report unit map建立在山东省和赵庄县的GIS矢量格式的边界上的。对于 静态直接空间抽样模型，薄非耕地分量系数（p#）和 它们的相应的相对误差（p#），分别使用公式（A 1.3）和（A 1.7）计算。薄非耕地分量面积（Sp#）和它们相应的相对误差（Sp#），分别使用公式（A 1.8） 和（A 1.10）计算。对于静态间接空间抽样模型，p#、p#、Sp#、Sp# 分别使用公式（A 2.7）、（A 2.10）、（A 2.11）、（A 2.13）计算。4.2 动态空间抽样在动态空间抽样中，TM影像用来确定报告层中的非耕地。“Dynamic”意思是 非耕地每年都会改变。针对 静态模型 和 在第三章结束处从静态到动态模型 的变量替换规则 的表2 中的符号用于下面的数据。TM影像，作为a#的样本，在山东省内空间随机分布，1996年。a#的zone map是先验知识的产物。Npz和Nza是自然而然被决定的。a#的map 是 在1992年和1996年之间的a#的差异，其中有两个通过TM影像的彻底调查。Report unit map使用山东省和赵庄县的GIS矢量格式的边界。 首先，将变量替换规则被用于动态空间采样模型。 其次，对于直接模型，非耕地比例（p#）和它们相应的相对误差（p#）分别用公式（A 1.3）和（A 1.7）计算。非耕地面积（Sp#）和它们相应的相对误差（Sp#）分别用公式（A 1.8）和（A 1.10）计算。对于间接模型，p#、p#、Sp#、Sp# 使用公式（A 2.7）、（A 2.10）、（A 2.11）、（A 2.13）计算。5讨论与结论5.1 目标 净耕地面积 和 耕地面积 在县内每年改变，在省内和县内对于行政机构是重要的信息。尽管 遥感技术 比 人工调查 和 行政报告程序 在获取信息方面更便宜、更快捷、更精确，但如果所有中国领土都详细覆盖航拍照片或者TM影像，它还是太昂贵了。这是获取净耕地面积和它的动态模型的最低成本的可行方法。因此，采样技术需要获得信息，在平衡监测操作费用和估计精度的同时。5.2 方法 空间采样模型在本文中开发的适合对象是离散分布空间中的对象，如耕地。为了获得净耕地面积，连续的照片被当做样品 来确定薄非耕地分量系数p# 。这些值被认为，在几年中，在相对大的面积区域内是相对稳定的，比如一个县和一个区域定义的变量的该值。因此，净耕地面积可以每5年估计一次 通过乘以总耕地面积（通过TM测量 每5年一次获得，1-p#，其中p#也通过航拍照片采样面积 每5年更新一次）。可以使用同样的方法，用一个简单的替代变量定义每年通过TM影像采样来每年确定耕地面积。 在本文中，样本层和报告层被认为是两个单独的层（并不一定在它们的边界重合）。因此，报告层的估算使用的样本 不一定是完全属于报告层的样本，由于隐式采样技术。(Rodriguez-Iturbe and Mejia 1974, Jones et al. 1979, Cochran 1977, Burgess et al. 1981, Haining 1988, Dunn and Harrison 1993, GriYth et al. 1994, Csillag et al. 1996, Henry and Hope 1998)。在中国有超过2700个县，一个完整的调查未免太昂贵的，即使是为了统计每一个县中的少数样本。因此，一个拥有来自样本层，经过知识层到报告层的数据 的 间接抽样模型是必要的。该区域是由被监测对象的先验知识所产生的。 薄非耕地分量系数被地貌、气候和农业海关控制，这个系数的区域由全中国少于400个区域构建，通过运用这些因素。同样的，少于300个区域被选定为中国耕地利用动态度（dynamic degree），而且区域主要由城市化进程和政府的农业政策控制。这两个区域的分布，用于开发间接采样模式，来估算 从样本层经过知识层到报告层的 结果。5.3 理论 多分辨率技术在监测评估程序上，正在吸引越来越多的关注。(Lee 1994, Csillag et al. 1996, Yang and Merchant 1997). 细颗粒和粗遥感影像的联合使用可以节省资金，同时满足所需的精度。例如，Sp#=p#Sp ，p# 是一个强度变量，通过 精细分辨率（较准确）的航拍照片样本获取；Sp 是一个扩展变量，通过 粗TM影像（较便宜）获取。估算Sp0的方法总结在表4中，p#（APsp）意思是p#由航拍照片样本获取；Sp（TMec）意思是 Sp由详尽分布的TM影像获取。5.4 错误集 从三种类型的TM像素来估算总耕地面积（图4中的第一列）：（1）纯像元（pure pixel），由净耕地和净非耕地形成;（2）混合像元1，耕地与非耕地混合土地;（3）混合像元2，由薄非耕地特性在内的耕地。 耕地面积建立于三种类型的TM象元 被表示为1Sp（TMec）、2Sp（TMec）、3Sp（TMec），包括所有的真值和错误：1Sp01Sp ，2Sp02Sp ，3Sp0+SP# 。前两个1Sp 和 2Sp 最可能发生在耕地和非耕地的边界上，因此，它们比面积Sp要小的多。这两种类型的错误是随机误差（由 人工识别方法和 边界上under/over预测的不确定性 引起的）。在这个问题上有很多调查和经验。(Haack et al. 1987, Russel 1991, Fish