(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210791734.0 (22)申请日 2022.07.05 (71)申请人 中国科学院地理科 学与资源研究所 地址 100101 北京市朝阳区大屯路甲1 1号 中科院地理所 (72)发明人 王浩　胡云锋　 (74)专利代理 机构 四川省方圆智云知识产权代 理事务所(普通 合伙) 51368 专利代理师 王悦 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06N 7/00(2006.01) G06N 7/02(2006.01) (54)发明名称 基于贝叶斯-模糊概率预测的LULC数据集融 合方法 (57)摘要 本发明提供一种基于贝叶斯 ‑模糊概率预测 的LULC数据集融合方法， 包括以下步骤： (1)构建 目标LULC分类体系与源数据集分类归并； (2)空 间升尺度； 对于具有不同空间分辨率的源数据 集， 通过升尺度， 统一到相同的空间分辨率； (3) 定义先验概率； (4)引入空间关系后的后验概率 计算； (5)模糊概率融合； (6)二级精细分类； 在获 取一级类融合结果的基础上， 根据构建的LU LC分 类体系进行二级分类。 本发明能够满足研究学者 和管理人员的LU LC数据集融合需要， 立足源数据 集本身， 对于源数据的要求更低， 具有更广泛的 适用性。 权利要求书2页 说明书6页 附图1页 CN 115100526 A 2022.09.23 CN 115100526 A 1.基于贝叶斯 ‑模糊概率预测的LULC数据集融合方法， 其特 征在于， 包括以下步骤： (1)构建目标LULC分类 体系与源数据集分类归并； (2)空间升尺度； 对于具有不同空间分辨率的源数据集， 通过升尺度， 统一到相同的空 间分辨率； (3)定义先验概 率； (4)引入空间关系后的后验概 率计算； (5)模糊概 率融合； (6)二级精细分类； 在获取一级类融合结果的基础上， 根据构 建的LULC分类体系进行二 级分类。 2.根据权利要求1所述的基于贝叶斯 ‑模糊概率预测的LULC数据集融合方法， 其特征在 于， 步骤(1)中， 构建目标LULC分类体系， 包括一级类和二级类； 将具有不同LULC分类体系、 不同LULC分类数量的源数据集统一归并到构建的目标LULC分类 体系。 3.根据权利要求1所述的基于贝叶斯 ‑模糊概率预测的LULC数据集融合方法， 其特征在 于， 步骤(3)中， 具体包括以下步骤： 用不同地类之间的错分比例表征错分概 率； 相关公式如下： PL(Ai|Aj)＝RL(Ai|Aj)                 (2) 其中， Ai和Aj分别是第i、 第j种地类； RL(Ai|Aj)为源数据集L中将Aj分类为Ai的比例； SL (Ai|Aj)为L中将Aj分类为Ai的面积， 单位为km2； SL(Aj)为L中Aj的面积， 单位为km2； PL(Ai|Aj) 为L中将Aj分类为Ai的概率； 对源数据集进行精度验证或者使用源数据集作者发布的精度验证结果， 获取误差矩 阵， 能够反映源 数据集总体的错分情况； 将这些数值用于公式1和公式2的计算， 确定错分比 例和错分概 率； 之后， 基于错分概 率， 通过公式3确定源数据集中各类土地的先验概 率： 其中， Ai和Aj分别是第i、 第j种地类； PL(Ai|Aj)为源数据集L中将Aj分类为Ai的概率； RL (Aj)为L中Aj的面积占比； M为一级类的数量， 依据构建的目标LULC分类体系确定； PL(Ai)为L 中将像元分类为Ai的先验概 率。 4.根据权利要求3所述的基于贝叶斯 ‑模糊概率预测的LULC数据集融合方法， 其特征在 于， 步骤(4)中， 具体包括以下步骤： 以目标像元为中心， 构建适当大小的邻域 窗口； 统计窗口内各地类像元的比例； 在后验 概率计算中， 使用该像元的比例替代先验概 率； 改进后的后验概 率计算公式为： 其中， Ai和Aj分别是第i、 第j种地类； PL′(Aj|Ai)为源数据集L将像元认定为Ai的情况下， 该像元实际是Aj的概率， 即后验概率； PL(Ai|Aj)为L中将 Aj分类为Ai的概率； PL(Ai)为L中将像权　利　要　求　书 1/2 页 2 CN 115100526 A 2元分类为Ai的先验概 率； w为邻域窗口； RL， w(Aj)为邻域窗口w中Aj的数量占比。 5.根据权利要求4所述的基于贝叶斯 ‑模糊概率预测的LULC数据集融合方法， 其特征在 于， 步骤(5)中， 依据 公式5， 得到各源数据集、 逐像元、 逐一级类的后验概率； 使用加 权平均 的方法综合各源数据集的后验概 率结果； 公式如下： 其中， Aj是第j种地类； Pc′(Aj)为像元c上Aj的后验概率； N为源数据集的数量； PL， c(Aj)为 第L套源数据集中的像元c上Aj的后验概率； OAL为第L套源数据集的总体精度， 可根据(3)中 的误差矩阵计算得到； 之后， 对于每一个像元， 比较各一级类的综合后验概率， 将 综合后验概率最大的地类的 属性赋予该像元， 实现模糊概 率融合： Λc＝{Λn|Pc′(Λn)＝MΛX(Pc′(Λi))， i＝1， 2，…， M}      (7) 其中， Λi和Aj分别是第i、 第j种地类； Pc′(Λi)为像元c上Λi的综合后验概率； M为一级 类的数量， 依据构建的目标LULC分类体系确定； MAX为最大值函数； Λc是像元c最终确定的 地类属性。 6.根据权利要求1所述的基于贝叶斯 ‑模糊概率预测的LULC数据集融合方法， 其特征在 于， 步骤(6)中， 具有二级地类信息的源数据集的数量， 分为以下两种情形： ①有2套及以上源数据集具有二级地类信 息； 在该情形下， 使用与一级类相同的模糊后 验概率融合方法， 融合产生 二级类结果； ②仅有1套源数据集具有二级地类信息； 在该情形下， 依据仅有的二级地类信息、 空间 相关性原理对一级类融合结果进行 逐地类的二级分类。权　利　要　求　书 2/2 页 3 CN 115100526 A 3