[发明专利]样点布设的方法、装置、电子设备和存储介质

说明书

本发明实施例提供一种样点布设的方法、装置、电子设备和存储介质。所述方法包括获取监测区域的所有候选点，并确定每个候选点的属性以及每个属性的分层；根据属性的分层，将每一候选点映射至预先构建的拉丁超立方体的单元，在立方体的单个维度上，每一单元对应一个属性的一个分层，并将映射成功的单元记为非空单元；针对拉丁超立方体的主维度上的每一单元的第一单元组，计算第一单元组中每一非空单元的影响度；在第一单元组中影响度最小的非空单元所映射的候选点中选择样点。所述方法对每一属性的每一分层均布设了样点，且只选取代表性强的样点进行布设，使得布设的样点既全面又符合实际情况，从而提高监测的可靠性。

技术领域

本发明实施例涉及监测技术领域，特别是一种样点布设的方法、装置、电子设备和存储介质。

背景技术

监测是人类了解研究对象的一项重要手段，广泛应用于社会经济、资源环境、土地利用和公共健康等领域。随着社会经济发展，人类精确掌握社会经济动态、了解资源环境状况、优化配置土地和改善公共健康的需求不断增长，对监测的精度和可靠性要求越来越高。

样点是监测区域内指定的采集地点。通常情况下，采集的样点越多，监测结果越可靠。然而，由于人力物力的限制，无法实现针对所有的地点都进行监测，而是在监测区域中选择若干具有代表性的样点进行监测。监测网络是监测各个样点的系统，包括监测区域的属性以及各属性对应的样点在监测区域中的位置拓扑信息。监测不同于一次性的调查，当监测网络设计完成后，需要多次进行样点的数据获取。为了保持具有时间序列的数据，监测的样点不宜频繁变动。因此，需要在监测网络构建时就全面考虑，优化布设监测的样点的位置。

一个监测网络往往需要观测多个变量，以实现多目标监测。为了提高监测网络的效率，需要选择布设的样点能够较好反映各个变量的特征，对各个变量的总体具有较好的代表性。例如，在土壤重金属含量调查时，需要样点能够涵盖各种土地利用类型、各种土壤类型、各种种植模式和各种污染程度。但是如果分别在各种土地利用类型、土壤类型、种植模式和污染程度中抽样，会产生巨大的数据量，成本增加。为了降低数据量，增强样点的代表性，要求每个样点具有多个属性的代表性，如一个样点同时代表某种土地利用类型、土壤类型、种植模式和污染程度，而另一个样点代表另一种土地利用类型、土壤类型、种植模式和污染程度，尽量避免对属性代表性的重复。因此，需要一种能够尽可能提高监测样点代表性的布样方法。

现有技术中样点布设的方法中顾及属性代表性的方法主要包括两种：拉丁超立方体方法和条件拉丁超立方体方法。下面简单介绍这两种方法以及缺陷：

拉丁超立方体方法是一个正向的抽样方法，它首先使用各种属性构建一个属性空间，然后单独对属性进行选择，把选择后的属性类型随机进行组合，如[耕地，褐土,轮作，重度污染]、[草地，黑土,复种，重度污染]，然后在实际中寻找具备这些属性的地点作为样点。

该方法的缺点在于所选取的属性组合往往在实际的监测区域中找不到实际对应的样点，如不存在具备[耕地，褐土,轮作，重度污染]属性组合的样点，也不存在[草地，黑土,复种，重度污染]属性组合的样点，因此拉丁超立方体方法一般用在试验(例如蒙特卡洛模拟试验)中，在实际的布样设计中由于找不到样点无法实现样点布设。

条件拉丁超立方体方法同样构建一个属性空间，但并不直接在属性空间中选择样点，而是通过设计一个反映样点对属性空间代表性的优化目标函数，使用优化算法(例如空间模拟退火)在监测区域中选择能够使目标函数达到最优的样点，作为优化结果。

该方法的缺点在于优化结果是优化算法有限次迭代所获得的一个较优方案，不能保证方案中选择的样点涵盖了每一个属性的每一个类别，尤其是当样本量较小时，经常出现某个属性的某个类别没有被涵盖的情况，导致某个属性的某个类别没有被监测，从而降低监测结果的可靠性。

发明内容

针对现有技术的缺陷，本发明实施例提供一种样点布设的方法、装置、电子设备和存储介质。