【技术实现步骤摘要】
本专利技术涉及地理信息科学，尤其涉及一种基于空间变参数机器学习的地理空间全覆盖数据生成方法和装置。
技术介绍
1、空间插值常用于将离散点的测量数据转换为连续的数据曲面，以便与其它空间现象的分布模式进行比较。建立气象、土壤等观测站点通常成本较高、数量有限，且无法获取到研究区内连续曲面数据，因此常使用空间插值技术将数量有限的观测站点数据推算至整个研究区。随着空间数据插值技术不断的推广，其应用得到广泛发展，使得对此技术的精准度有了更高的要求。然而，受制于复杂多变的地理环境，在进行大范围高空间分辨率插值时，当目标变量受到多种辅助变量的影响，且当目标变量与辅助变量之间的关系存在较强的空间异质性时，通过传统的空间插值方法获得的插值结果的精度较低。
2、在假定目标变量与辅助变量之间局部空间关系平稳的前提下，研究人员开发了地理加权回归模型和贝叶斯空间变系数模型，以利用空间自相关性来模拟空间非平稳关系。然而，前者严重依赖于预定义的空间核函数，极易受到共线性的影响，进而影响插值结果的精度；后者则需要为模型的每个系数预定义分布并为系数的空间随机部...
【技术保护点】
1.一种基于空间变参数机器学习的地理空间全覆盖数据生成方法，其特征在于，包括：
2.根据权利要求1所述的基于空间变参数机器学习的地理空间全覆盖数据生成方法，其特征在于，所述每次分区后基于所述目标区域中各观测站点中的各类辅助变量和目标变量，计算当前分区状态下各类辅助变量分别与目标变量间关系的空间分层异质性，包括：
3.根据权利要求2所述的基于空间变参数机器学习的地理空间全覆盖数据生成方法，其特征在于，所述针对所述目标区域中各所述观测站点，计算所述观测站点中的所述目标变量分别与各类所述辅助变量之间的双变量局部空间自相关系数，包括：
4....
【技术特征摘要】
1.一种基于空间变参数机器学习的地理空间全覆盖数据生成方法，其特征在于，包括：
2.根据权利要求1所述的基于空间变参数机器学习的地理空间全覆盖数据生成方法，其特征在于，所述每次分区后基于所述目标区域中各观测站点中的各类辅助变量和目标变量，计算当前分区状态下各类辅助变量分别与目标变量间关系的空间分层异质性，包括：
3.根据权利要求2所述的基于空间变参数机器学习的地理空间全覆盖数据生成方法，其特征在于，所述针对所述目标区域中各所述观测站点，计算所述观测站点中的所述目标变量分别与各类所述辅助变量之间的双变量局部空间自相关系数，包括：
4.根据权利要求2所述的基于空间变参数机器学习的地理空间全覆盖数据生成方法，其特征在于，所述每次对所述目标区域进行分区后，基于各所述双变量局部自相关系数分别计算当前分区状态下各类所述辅助变量分别与目标变量间关系的空间分层异质性，包括：
5.根据权利要求1至4任一项所述的基于空间变参数机器学习的地理空间全覆盖数据生成方法，其特征在于，所述基于每次分区后各类辅助变量分别与目标变量间关系的所述空间分层异质性，确...
【专利技术属性】
技术研发人员：高秉博，王雨雪，殷悦，王辰怡，刘燕青，谢东凯，姚晓闯，杨建宇，冯权泷，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。