尺度效应的介绍
尺度，亦称“缩尺效应”，是气动效应的一种。此效应是一种客观存在而用尺度表示的限度效应，只讲逻辑而不管尺度无条件推理和无限度外延，甚至用微观实验结果推论宏观运动和代替宏观规律，这是许多理论悖谬产生的重要哲学根源。
[create_time]2016-05-29 01:48:45[/create_time]2016-06-10 19:34:28[finished_time]1[reply_count]0[alue_good]爱刷crME98E[uname]https://himg.bdimg.com/sys/portrait/item/wise.1.f2f704d1.-jWnAWIUIk5qI2H37iFdgA.jpg?time=3635&tieba_portrait_time=3635[avatar]超过51用户采纳过TA的回答[slogan]这个人很懒，什么都没留下![intro]380[view_count]尺度效应的尺度效应
介观性能度效应的结构特征介观（Mesoscopic）是指介乎与原子结构对应的微观尺度和连续介质理论适用的宏观尺度之间的尺度范畴。介观尺度并非一个确定的尺度区间，而应随具体材料的结构种类和所需要表征的材料性质而发生变化，这个尺度的基本特征是量子状态和经典状态的交叉和混合，因而赋予材料或器件许多优异的结构和功能特性。尺度效应衍生的特异介观性能已日益引起世界范围科技界、产业界和政府部门的重视。材料的微结构特性是导致性能尺度效应的内禀原因，与材料中原子或分子键合状态有关，其敏感性从离子键到金属键到不同键合程度的高分子键到软物质。材料的此类微结构与晶体的最小结构单元（例如晶粒尺度、薄膜厚度等）、晶体缺陷（含缺陷复合体）及各种界面（晶界、相界）与表面有密切关联，同时强烈地受到材料服役外场条件的影响。尺度效应可引起主要相互作用力的不同，导致材料内禀性能及其规律和原理的质的区别。例如，薄膜材料发生形态演化的时间尺度在同等条件下远低于相应的体材料；随着线宽的降低，Cu膜蠕变行为发生的温度可由相应块体材料的高温区间逐渐降至室温；电子或声子的特征散射长度系纳米量级，当纳米微粒的尺度小于此平均自由途径时，电流或热的传递方式就发生质的改变；铁电与介电薄膜的介电响应、相变及疲劳机制对尺度效应亦极其敏感；纳米金属的重要力学性质如强度、延性等具有典型的尺度效应；铁磁材料的磁学性能及非线性光学材料的非线性参量也会随着材料尺度的变化而发生显著的改变。内陆河灌区土壤水分空间变异的尺度效应采用经典统计学和地统计学Kriging插值法研究了内陆河灌区土壤水分空间变异的尺度效应.结果表明，尺度对经典统计学参数中的中值和平均值的影响很小，对方差和变异系数的影响较大.在垂直剖面上，不同水平层次土壤含水量的方差和变异系数的变化规律随尺度而不同.土壤水分的等值线在垂直剖面上的分布规律在相同的尺度下是不同的，并且与经典统计学参数所反映的垂直变化规律也不相同，但相邻层次上具有相似性.在尺度变化的情况下，随着尺度的变大，土壤水分的等值线变得越来越稀疏，闭合中心的数量逐渐减少，位置发生移动.说明土壤水分空间变异性与采样点数目和采样尺度密切相关，随着采样尺度的增加，土壤性质的结构等级发生转变，不同结构性等级中，影响土壤水分的过程、因素不同。
[create_time]2016-05-29 01:48:46[/create_time]2016-06-10 19:34:29[finished_time]1[reply_count]0[alue_good]坦然又文雅的好汉7613[uname]https://himg.bdimg.com/sys/portrait/item/wise.1.bd526922.hIsduOeAjkTG2hvwesg0Hg.jpg?time=3596&tieba_portrait_time=3596[avatar]TA获得超过148个赞[slogan]这个人很懒，什么都没留下![intro]363[view_count]尺度效应的分类定义
更确切的说，尺度效应是指土壤特征(水分和盐分)的变化对采样网格尺度大小的依赖，某一种采样尺度只能揭示相应的变化规律，某一种空间结构特征只能在一定采样尺度下才能表现出来。源自：土壤水盐空间变异尺度效应的研究 《农业工程学报》 2004年 徐英、陈亚新、史海滨、魏占民。来源文章摘要：水文学和土壤学中的尺度问题是目前水土科学研究的前沿课题之一。该文利用空间信息科学——地质统计学、根据设计的各种田间网格,在一维和二维(平面)空间中初步研究了黄河河套平原长胜试验区中小尺度的土壤水分和盐分随采样尺度所表现出的空间变异(结构性)的某些规律，表明采样尺度的划分和选取与水分和盐分的空间变异性大小有密切关系，尺度效应的研究对于指导农业技术研究中野外采样系统设计、节省外业调查的工作量及科学地进行内业计算、评估和揭示农业工程中具有地学特征的区域性自然规律有重要作用。 概括地讲，尺度效应就是指:在微成形过程中，由于制品整体或局部尺寸的微小化引起的成形机理及材料变形规律表现出不同于传统成形过程的现象。源自：面向微细制造的微成形技术 《中国机械工程》 2004年 张凯锋、雷鹍来源文章摘要：综述了近年来微成形 (微尺度金属零件和微结构金属零件成形 )技术的发展概况 ，包括微成形工艺系统、成形中的微尺度效应、微尺度冲裁、挤压、拉深、超塑成形等工艺的试验和研究结果，以及已经提出和发展的考虑微尺度效应的各种力学本构模型 ，并简要介绍了微成形相关的工艺装备系统的发展现状，分析了微成形技术的发展趋势和经济潜力。 船模与实船之间的运动差异是由于模型与实物之间相似条件不能全部满足而给换算带来误差，故称为“尺度效应”.3.2 船舶操纵性的尺度效应由于通航船模的航行试验除水工模型、船模要求满足相似准则中提到的要求外，还必须使船模的操纵性能与实船的操纵性能相似。源自：通航船模试验方法及其在工程中的应用 《交通部上海船舶运输科学研究所学报》 2000年 倪士龙!运输系统部来源文章摘要：通航船模航行试验的优点是实际航道实船航行试验无法比拟的 ，但要使模型试验能较精确地表征实际航道实船航行试验的特性，就必须对模型试验中可能产生的误差进行分析并找出修正误差的方法。本文首先推导出船舶运动的方程和操纵性指数 k′、t′,然后引入船模与实船之间的相似理论 ，分析指出船模与实船的操纵性由于尺度影响而不相似 ，即存在尺度效应 ，接着介绍几种尺度效应的修正方法 ,最后以配合水工模型的通航船模航行试验的几个实例验证上述的尺度效应修正方法。结果表明 ，本文介绍的几种修正方法实用有效，可为大型水利枢纽和港湾设计提供有价值的依据。 起的称为尺度效应（3）.在（3）式中弥散系数与流速的方差成正比.类同于饱和介质弥散系数的表达（13设弥散系数与平均流速成正比。源自：野外非饱和土壤水流运动速度的空间变异性... 《水科学进展》 1994年 杨金忠，叶自桐来源文章摘要：根据野外非饱和溶质运移试验资料，分析了港质运移速度的空间变异性，求得了呈对数正态分布的流速分布函数，并依此推导出有效弥散系数α=0．068t。根据流速的随机分布特征，分别用带有随机参数的对流模型、对流一弥散模型和传统的对流－弥散模型，求得了区域平均浓度分布及其方差．计算结果与实测结果拟合良好。通过分析得到，浓度方差与浓度梯度成正比，与孔隙弥散系数成反比，方差最大值分布在浓度锋面附近。 当空间数据经聚合而改变其单元面积的大小、形状和方向时，分析结果也随之变化的现象。
[create_time]2016-05-29 01:48:46[/create_time]2016-06-10 19:34:29[finished_time]1[reply_count]0[alue_good]神勇且惟妙惟肖灬茱萸[uname]https://himg.bdimg.com/sys/portrait/item/wise.1.a564f8e1.jrlA3FjPKCse_Z6-z3YiCw.jpg?time=3679&tieba_portrait_time=3679[avatar][slogan]这个人很懒，什么都没留下![intro]358[view_count]天气系统的特征尺度
各类天气系统有一定的特征尺度。空间尺度主要以天气系统的水平尺度的大小来衡量，水平尺度系指天气系统的波长或扰动直径；时间尺度以天气系统的生命史的时间长短来衡量，生命史系指天气系统由新生到消亡的生消过程。一般天气系统的水平尺度越大，其时间尺度也越长。在20世纪40年代以前，地面观测站平均距离约为200～300公里，以此站距观测所得的资料分析出来的高、低压系统，称为天气系统，21世纪来称为天气尺度天气系统。20世纪40年代，发展了高空气象观测（平均站距约为500公里），把从高空天气图上发现的、波长与地球半径相当的波动，称为行星尺度天气系统。50年代前后，在研究对流性灾害天气时，发现了许多水平范围为一二百公里、几十公里甚至几公里的高、低压系统，统称为中小尺度天气系统。分析这类系统，必须建立稠密的观测网，比如在美国有所谓的α、β和γ观测网，站距分别约为50公里、8公里和2.5公里。到了70年代，用300～400公里格距进行数值天气预报时，往往因这种格距太大而分析不出一些具有对流性天气的系统，影响了预报效果。当格距缩小到100～200公里时，即可分析出来，后来就称这类尺度的系统为中间尺度天气系统。
[create_time]2016-05-18 07:06:08[/create_time]2016-06-01 21:45:34[finished_time]1[reply_count]3[alue_good]仔爱鬼95944[uname]https://himg.bdimg.com/sys/portrait/item/wise.1.3bcff875.1DMk0S7UqYuDjlEOaWMtNA.jpg?time=3684&tieba_portrait_time=3684[avatar][slogan]这个人很懒，什么都没留下![intro]1758[view_count]生态学中的尺度现象是什么意思
尺度现象是针对生态学实体、事件和过程在不同时间和空间尺度上表现出不同的特征和意义的现象。并不是生态学特有的，也是其他学科都需要注意的一个问题。
但是生态学中的尺度现象是当前生态学研究中非常重要和热点的一个问题。
举例来看，比如种群的分布格局，在100m2的范围内，森林里的数目可能表现为均匀的分布，但是在10000m2的范围内来看，森林内乔木的分布就可能是聚集分布；
再比如森林的演替，如果你的研究时间尺度短，你可能会发现森林是线性变化的，总是有物种的变化，但是如果时间够长，又可能发现它是循环变化的，总是会变回来的。
这就是尺度问题，研究不同的问题就要注意对应的尺度。
[create_time]2019-08-04 21:26:24[/create_time]2019-02-15 00:16:39[finished_time]1[reply_count]5[alue_good]严芷烟习然[uname]https://himg.bdimg.com/sys/portrait/item/wise.1.5071e78a.v3tTdjxbDjh9xtl_q55_Bw.jpg?time=10584&tieba_portrait_time=10584[avatar]游戏我都懂点儿，问我就对了[slogan]这个人很懒，什么都没留下![intro]1137[view_count]
生态学中的尺度现象是什么意思
尺度现象是针对生态学实体、事件和过程在不同时间和空间尺度上表现出不同的特征和意义的现象。并不是生态学特有的，也是其他学科都需要注意的一个问题。
但是生态学中的尺度现象是当前生态学研究中非常重要和热点的一个问题。
举例来看，比如种群的分布格局，在100m2的范围内，森林里的数目可能表现为均匀的分布，但是在10000m2的范围内来看，森林内乔木的分布就可能是聚集分布；
再比如森林的演替，如果你的研究时间尺度短，你可能会发现森林是线性变化的，总是有物种的变化，但是如果时间够长，又可能发现它是循环变化的，总是会变回来的。
这就是尺度问题，研究不同的问题就要注意对应的尺度。
[create_time]2016-10-14 17:47:30[/create_time]2010-12-13 19:52:41[finished_time]2[reply_count]11[alue_good]捡爱丽丝[uname]https://himg.bdimg.com/sys/portrait/item/wise.1.a9816032.2J9efrzXzk2SPmUWcG4M2g.jpg?time=2838&tieba_portrait_time=2838[avatar]TA获得超过1187个赞[slogan]这个人很懒，什么都没留下![intro]1717[view_count]
遥感信息尺度问题研究
遥感技术被广泛用于地理学、生态学、水文学以及气候气象等诸多学科的研究。在这些学科中，遥感数据是最重要的数据源之一。许多传统的通过点位观测的变量，现在都通过遥感观测，由于其多波段、大范围、周期性观测的特点，通过遥感观测能够解决在常规观测下不能解决的问题。遥感已经成为许多研究和应用中不可缺少的信息源。因为遥感也是对地表各种变量分布的一种特殊观测方式，而如前文所述，不同尺度上的观测可能会得出不同结论，因此应用遥感数据进行研究也存在尺度问题。遥感中的尺度问题早已成为遥感基础研究中的热点问题。早在20世纪80年代初期，许多科学家就开始关注遥感数据空间分辨率的遥感数据提取信息的精度问题。例如，Latty and Hoffer（1981），Welch（1982），Bizzell and Prior（1983），Toll（1983），Johnson and Howarth（1987）分别研究了遥感数据空间分辨率对土地覆被分类精度的影响。1987年，Woodcock and Strahler发表的“遥感中的尺度因子”一文，成为研究遥感中尺度问题的经典文献。与遥感的应用领域中（地理学，生态学等）尺度的定义相对应，遥感中所讲的尺度也有两方面意义：一是指遥感的空间分辨率（Woodcock and Strahler，1987），它对应于生态学中的粒径（grain），或Lam（1992）所定义的测量尺度，其实质是空间采样单元的大小；另一个意义是遥感研究的地表空间范围，对应于生态学中尺度定义中的范围（extent），或Lam（1992）所定义的地理尺度。如“利用遥感进行区域尺度和全球尺度的土地利用、覆被变化监测”这句话中，尺度就指研究区域的空间范围。在本文的讨论中，除非特别说明，遥感尺度的概念一般指遥感的空间分辨率。许多遥感应用问题都涉及遥感的尺度问题。在遥感信息提取过程中，从不同尺度遥感数据提取的信息可能具有不同的精度，或者不同尺度遥感数据中提取的信息反映不同的地表特性的空间分布结构。例如，对于土地利用分类，用不同分辨率的遥感数据分类的精度会有很大差别。在这种情况下，我们总是希望了解所关心的信息如何随着遥感数据空间尺度的变化而变化，并且希望了解在什么尺度下，从遥感数据中提取的信息的精度最高，或什么样尺度的遥感信息能真实反映我们所关心的地表特性的空间分布特性。遥感中的尺度问题主要体现在三个方面：①从遥感中获取的地表特性以及遥感信息模型如何随遥感尺度的变化而变化，即遥感信息和遥感模型的尺度效应问题；②对于特定的应用，如何选取合适空间分辨率的遥感数据；③如何将遥感信息从一个尺度转换到另一个尺度?1.遥感信息与遥感模型的尺度效应研究对于遥感信息的尺度效应问题已经有许多研究。Woodcock and Strahler（1987）研究了遥感中尺度因子与遥感分类精度的关系后指出，遥感分类精度受遥感图像空间分辨率与图像景的目标大小之间的相对关系决定。Marceau（1992，1994a，1994b）认为，遥感信息的尺度效应问题是可变面元问题（MAUP）的一个特例。MAUP问题源于将研究区划分为多个互不重叠的子区以进行空间分析时，可以有不同的划分方式，而不同的划分方式可能导致不同的分析结果，其实质是提出了分析结果对数据获取单元定义的灵敏性（Marceau，1999）。Jelinski and Wu（1996）指出，在遥感中，可变面元就是遥感图像的像元，当用不同的传感器或像元被集聚时，面元就被改变了，因此，这种集聚过程可能引入很大误差。Marceau（1994a）通过研究遥感数据空间分辨率对森林分类精度的影响来证实遥感信息的MAUP问题。她的研究结果表明，单个类别的分类精度受到尺度和集聚水平变化的显著影响。遥感数据并不独立于其获取时采样栅格大小，忽略遥感数据的尺度效应可能导致与景的地理实体不相对应的结果。Arbia等（1996）用模拟的方法研究了MAUP对遥感图像最大似然分类精度的影响，其结论显示遥感图像的最大似然分类误差随分辨率降低而增加，但其增加幅度受到像元间空间依赖的影响；分类误差的空间分布受分辨率降低的影响主要在类别的边缘部分。Benson and MacKenzie（1995）检验了当遥感数据空间分辨率从20 m增加到1.1 km时，所获得的描述景观结构的景观参数的变化。结果表明大部分的景观参数都对空间分辨率的变化反应明显，有些增大了，而有些减小了。O'Neill等（1996）用AVHRR遥感数据计算景观指数，结果发现当景观结构要素分散分布并小于像元大小时，许多组成景观的重要的斑块消失了。Moody and Woodcock（1994，1995）利用多元回归分析，评价当土地覆被数据被逐渐尺度转换到粗分辨率时，景观的空间结构与土地覆被类型面积百分比的估计误差之间的关系，其结果显示百分比的估计误差主要受景观的空间特征和聚集尺度间的相互作用决定。他们强调，标准的线性回归模型没有考虑估计的百分比的误差在不同方向的尺度依赖；理解景观的空间特征和分辨率之间的关系，对发展合适的尺度转换方法是必要的。He等（2002）研究了空间集聚方法对卫星遥感图像分类结果的影响。他们检验了基于随机规则的集聚方法对土地覆被类型的丰度和景观结构的影响，并与基于众数的集聚方法进行了对比。Niemann等（1997）通过Wald-Wolfowitz检验等方法，从更一般的意义上探讨了遥感尺度对遥感图像信息内容的影响。Narayanan 等（2002）根据图像分类精度，研究了空间分辨率对遥感图像信息内容的影响。他们根据目标和背景的对比度以及目标和像元大小之间的相对关系，提出了一个关于遥感图像信息内容的指数模型。对TM图像和SIR-C图像之间信息内容的对比显示，在像元较小时，TM图像的信息内容多于SIR-C图像；而当像元较大时，SIR-C图像的信息内容则多于TM图像。不同结果的转换尺度发生在图像像元大小为720 m时。Van Der Meer 等（2001）通过模拟不同分辨率的MERIS数据研究了从遥感数据中估计的各种植被指数和地面生物量随空间尺度的变化。Bian and Walsh（1993）检验了植被生物量与地形因子之间的关系随空间尺度变化的响应。他们通过回归分析探索变量之间的关系，用半方差和分形分析来描述空间尺度与空间依赖程度的有效范围。结果发现植被生物量与地形因子之间的关系随空间尺度的变化而变化，并且确定了一个特征尺度（characteristic scale）。当小于特征尺度时，变量是空间依赖的；而当大于特征尺度时，变量的空间依赖程度减小或变得独立。Walsh 等（1997）通过进一步的研究，检验了NDVI，土地覆被类型和高程之间关系的尺度依赖性。他们发现随着尺度的变化，决定NDVI变化的主导因子也不同。在较细的分辨率上（30～210 m），NDVI的变化主要受坡角以及太阳辐射的影响，说明了局部尺度的地形走向对植被生产力的重要性；当分辨率变粗时，高程成为描述NDVI和区域尺度植被生产力的主要因子。Wu等（1997）研究了景观统计特征随空间尺度的变化，他们发现不同采样大小的景观指数与TM波段和植被指数的关系受采样大小变化的影响。随着采样的增大，自变量和因变量之间的相关系数和统计显著性也随着增大；ANOVA分析的结果表明TM波段和植被指数在相关关系中的重要性也随着采样大小而变化。Friedl 等（1995）综合地面景的模型，大气模型和传感器模型模拟不同空间分辨率的图像，以检验叶面积指数、主动辐射光合作用吸收分量（fraction of absorbed photosynthetically active radiation，FPAR）和归一化植被指数之间关系的影响，结果显示NDVI是尺度不变的（scale invariant），LAI和FPAR之间的关系随尺度呈非线性变化，而LAI和NDVI之间的关系呈近似线性。除了遥感信息的尺度效应，在不同的领域遥感信息模型的尺度效应也得到研究。例如，Turner 等（1996）研究了空间分布的生物化学模型（Forest-BGC）的结果随空间尺度的变化。McNulty 等（1997）在立地、生态系统和区域三个尺度上检验了空间尺度对森林过程模型的影响，发现模型对生态系统变量预测的精度随测量尺度而变化。Friedl（1997）研究了遥感数据的尺度效应以及尺度效应在以这些数据为输入的生物物理模型中的传播。其结果显示，尺度变化对模拟的地表通量带来显著偏差。李小文等从物理学原理、定律在遥感像元尺度上的适用性出发，探讨了各种物理定律的尺度效应。如Albert，Strahler and Li（1990）探讨了Beer定律的尺度效应。Beer定律认为光在均匀介质中的传播按负指数规律衰减。但在植被遥感中，当遥感分辨率与叶片之间空隙大小相当或更小时，光线要么穿过空隙，要么被叶子截获，这时必须用二项式分布或其他方法描述光的衰减。当分辨率大于植株，而植株间存在明显空隙时，Beer定律必须进行向上的尺度纠正。Li and Wan（1999）探讨了Helmholtz互易原理的尺度效应。Helmholtz互易原理要求“源处”一对相互垂直的极化平面及其交线与测量处一对相应的垂直的极化平面及其交线位置互换。Li and Wan（1999）证明即使像元内处处满足Helmholtz互易原理，若空间均匀的入照由于像元内的多次散射形成空间不均一的反射，则互易原理在像元尺度上失效。类似地，李小文等（1999a，1999b）探讨了Planck定律的尺度效应问题，认为即使像元内处处为黑体表面，处处满足Planck定律，像元作为一个整体也可能不满足Planck定律。Hu Zhenglin 等（1997）致力于建立尺度不变（Scale Invariant）的遥感算法。他们给出了一种分析和设计尺度不变遥感算法的框架，以检验遥感算法的集聚和分解特性，提供了一种参数化地表异质性的系统方法。2.遥感应用中合适空间分辨率的选取问题研究由于遥感信息普遍存在尺度效应，因此，对于特定的应用目标，我们总是希望找到一个合适分辨率的遥感信息来反映特定尺度上研究目标的空间分布结构等特性。合适空间分辨率（appropriate spatial resolution）有时被称为最优分辨率。最优分辨率被定义为对应于所研究的地理实体的尺度或集聚水平特征的空间采样单元（Marceau et al.，1999b）。其实在地理学中研究MAUP问题时，就存在选取最优面元大小的问题。Openshaw（1977，1978，1984）将选取面元作为空间分析的组成部分之一。他首先假设对给定模型或分析方法的期望结果，然后将面元逐渐集聚直到得到期望的结果。这种思路为作为MAUP特例的遥感信息尺度问题中最优分辨率的选取奠定了理论基础。Marceau等（1994b）将类似的方法用于温带森林环境中针叶林类型判别时遥感数据最优分辨率的确定，其方法是首先定义所研究的地理实体，然后确定选取采样系统的优化标准，将数据从细的采样格网逐步进行空间集聚，用优化标准检验空间集聚的数据，选取最优的分辨率，最后根据研究目标，验证结果的合理性。在她的研究中，以各森林类别的类内方差作为选取最优分辨率的标准。当类内方差最小时的空间分辨率被认为最好地反映各森林类别的本质特征。其结果显示，对每一森林类别，都存在一个最小的类内方差，即存在最优分辨率。Woodcock and Strahler（1987）提出了一种用遥感图像平均局部方差（local variance）确定最优分辨率的方法。首先，计算不同分辨率图像的平均局部方差，然后比较平均局部方差随空间分辨率的变化，当局部方差达到最大时的分辨率被认为是最优的空间分辨率。此方法的基本前提之一是假设遥感图像中的景是由离散的互不重叠的目标（object）镶嵌而成。当图像空间分辨率小于景的目标时，相邻像元之间属于同一个目标而具有空间依赖；当像元大小等于景的目标时，相邻像元属于不同的景的对象，因此它们之间空间依赖程度最弱，因此局部方差最大；当像元进一步增大时，像元内都含有不同的目标，相邻像元之间的空间依赖程度又开始增强，局部方差开始减小。Hyppanen（1996）将此方法用于森林景观研究中最优空间分辨率的确定。局部方差方法的局限性之一是将图像从细分辨率逐步扩展到粗分辨率，并计算各分辨率的平均局部方差时存在的边界效应影响计算的局部方差的值。空间统计学，特别是地统计学（Geostatistics）被逐步用于最优分辨率的选取问题。Atkinson等（1997）通过计算不同分辨率的图像的变异函数（variogram）来确定最优分辨率。该方法首先计算最小分辨率图像的实验变异（experimental variogram）函数，并用理论变异函数模型拟合，然后通过去正则化（de-regularization）处理过程，从一定大小像元上的实验变异函数得到点的变异函数（punctual variogram），再通过正则化（regularization）过程从点的变异函数得到任意尺度上的变异函数。这时以空间分辨率为横坐标，以不同分辨率情况下一个像元步长时的半方差为纵坐标画图，当半方差达到最大时对应的空间分辨率即为最优空间分辨率。基于类似的计算过程，Wang Guangxing等（2001）以不同分辨率变异函数的块金方差（nugget variance）和基台方差（sill variance）的比作为确定最优分辨率的指标。随着像元增大，当块金方差和基台方差的比变得稳定时，意味着测量误差的方差相对与结构方差达到最小，此时的图像分辨率被认为是最优的空间分辨率。必须注意到，最优分辨率的选择是随所研究的问题而变化的。对研究某一变量时最优的分辨率对另一个变量可能不是最优的。不同的变量可能具有不同的空间特征，因此在涉及多个变量的地理模型中，很难确定惟一的最优分辨率。但是，每一个地理实体都具有其固有的空间特性，通过确定最优分辨率可以确定一个观测或测量地理实体的合适的尺度范围。3.遥感信息尺度转换方法研究遥感信息尺度转换方法是遥感尺度问题研究中的难点。在遥感信息分析和应用中，常常需要将遥感信息在不同尺度之间转换。例如，在用多源遥感信息进行专题分类时，常常需要不同类型的遥感数据（如多光谱数据和合成孔径雷达数据）共同参与分类以提高分类精度。不同类型的遥感数据一般具有不同的空间分辨率，这时就需要将遥感数据转换为统一的分辨率。再如，在地学、气候学、水文学或生态学等学科中，许多模拟或预测模型需要遥感数据提供模型的输入信息。对于不同的研究范围，这些模型的输入和输出要求有不同的空间分辨率。这时就需要将遥感信息从原始分辨率转换到模型要求的分辨率。也有一些情况下需要比较从不同类型的遥感数据中提取的信息。由于不同类型的遥感数据具有不同的分辨率，要求将这些信息转换到相同的空间分辨率。还有一些情况下，为了验证从遥感数据中提取的信息，需要在地面点的观测信息和遥感信息之间进行尺度转换。例如，柏延臣等（2001）在用地面点的观测值验证从SSM/I中反演的青藏高原雪深时就注意到不同尺度的信息之间比较带来的问题；Sanderson等（1998）用普通克里格空间插值方法将野外测量的植冠水分含量向上尺度扩展到遥感分辨率的尺度，以验证从遥感数据中估计的植冠水分含量。遥感信息的尺度转换包括向上尺度转换（upscaling）和向下尺度转换（downscaling）。向上尺度转换是将高分辨率的遥感信息转换为低分辨率的过程；反之，向下尺度转换是将低分辨率的信息转换为高分辨率的过程。有时，也将向上尺度转换称为尺度扩展，而将向下尺度转换成为尺度收缩。在大部分情况下，都是将遥感数据进行向上尺度转换。理想的向上尺度转换方法应该是将高分辨率信息转换到低分辨率上时能够保持高分辨率数据中的内在信息（inherent information）（Hay and Niemman et al.，1997）。遥感信息的尺度扩展方法有基于统计的方法和基于地学机理的方法。无论任何尺度转换方法，最大的挑战在于遥感信息所反映的地表特性的空间异质性（heterogeneity）。许多在小尺度上表现为均质的地理现象或过程在更大的尺度上可能表现出异质性。常用的基于统计的遥感信息尺度扩展的方法有局部平均方法，中值采样法，中心采样法，以及数字图像处理中常用的重采样方法，如最近邻法、双线性内插、立方卷积内插法等。局部平均法是将高分辨率的遥感信息中一定大小窗口内的像元值平均后作为转换后对应的低分辨率遥感信息的像元值。中值采样法是取高分辨率的遥感信息中一定大小窗口内像元值的中值作为转换后对应的低分辨率遥感信息的像元值。中心像元法则是将高分辨率遥感信息一定大小窗口内中心像元的像元值作为转换后对应的低分辨率的遥感信息的像元值。L.Bian等（1999）利用模拟图像，从图像信息均值的保持和标准差（代表图像结构信息）保持两个方面比较了局部平均法，中值采样法和中心采样法三种尺度转换方法。结果显示，局部平均法和中值采样法都能很好地保持原图像的均值，但标准差有很大变化；中心像元法的均值和标准差都有很大变化。在图像自相关范围内，局部平均方法能够揭示不同尺度上潜在的图像空间结构；在一定范围内，中心像元法能够保持原图像的对比度和空间结构；当图像分辨率大于图像空间自相关范围时，平均法和中值法的图像变为均质图像，而中心像元法则引入严重的误差。最近邻采样法，双线性内插和立方卷积内插是各种图像处理软件中的常用的方法，包括遥感图像处理软件。最近邻法也称零次插值法，它是将离原图像中像元位置最近的像元值赋予转换后对应位置的像元。双线性内插也称一次内插法，它将原图像中两个正交方向上的像元值按距离加权方法进行内插，然后赋予转换后对应位置的像元。其实质是以原图像中某像元的最近的4个像元的加权平均作为低分辨率图像中对应位置的像元值。立方卷积法的原理和双线性内插法类似，区别在于立方卷积法中是用原图像中某像元周围16个像元的加权平均作为转换后图像中对应位置的像元值。Hay 等（1997）的分析认为，最近邻采样，双线性内插和立方卷积内插法不适合于将遥感图像从高分辨率转换到低分辨率，特别是在尺度转换因子大于5时。Raffy（1994a）从地表特性的空间异质性出发，提出了一个多光谱遥感模型空间化的一般性框架，并将其用于NDVI和APAR等的尺度扩展（Raffy，1994b；Gregoire and Raffy，1994）。基于地学机理的遥感信息尺度转换因需要转换的信息不同而不同。由于从遥感数据中提取的不同的地学变量受不同的地学过程控制，不同变量的尺度扩展需要不同的模型。例如，Wood（1995）结合植被、土壤特性和地形等因子，探讨了从30 m分辨率的被动微波遥感数据中反演的土壤水分向更低分辨率进行尺度转换的方法。Hall等（1992）比较了用从遥感数据提取的地表辐射温度计算不同空间分辨率的地表通量的方法。Kustas 等（1996）探讨了利用遥感数据对感热通量进行尺度扩展的方法。Hipps等（1996）提出了一种结合高分辨率的遥感信息获取不同分辨率上平均地表通量的方法。张仁华等（2001）提出了具有物理基础的将点的气温观测资料扩展到区域的尺度转换方法以及以地面粗糙度和辐射温度为基础的地面2 m高处气温和风速的空间扩展算法。基于地学机理的尺度转换模型一般是通过建立多个变量的模型来预测低分辨率上某一地学变量的值，因此这种模型常常需要被转换变量以外的其他与该变量有物理联系的变量的信息。反过来，从遥感数据中提取的信息常常作为地学模型的输入以将各种点上的信息扩展到不同尺度的面上，或将基于点观测的地学模型扩展为不同空间尺度的空间模型。
[create_time]2020-01-15 13:23:00[/create_time]2020-01-30 13:11:18[finished_time]1[reply_count]1[alue_good]中地数媒[uname]https://iknow-pic.cdn.bcebos.com/38dbb6fd5266d0166fb0c0519b2bd40735fa3519?x-bce-process=image/resize,m_lfit,w_900,h_1200,limit_1/quality,q_85[avatar]技术研发知识服务融合发展。[slogan]中地数媒（北京）科技文化有限责任公司奉行创新高效、以人为本的企业文化，坚持内容融合技术，创新驱动发展的经营方针，以高端培训、技术研发和知识服务为发展方向，旨在完成出版转型、媒体融合的重要使命[intro]407[view_count]遥感数据分类不确定性的尺度效应分析
由于类别统计可分性反映了类别被正确分类的概率，因此，通过研究类别统计可分性的尺度效应来反映类别被正确分类的不确定性的尺度效应。我们用 Lanier湖区的 TM多光谱遥感数据作为研究遥感数据分类不确定性尺度效应的实验数据。不同尺度（空间分辨率）的数据通过将原始空间分辨率（30 m）的数据进行逐步尺度扩展得到。尺度扩展的方法是计算一定窗口内原始图像DN值的平均作为尺度扩展后空间分辨率为窗口大小的像元的 DN 值。类别统计可分性度量的计算利用遥感数据分类的训练数据计算。原始空间分辨率数据的分类训练数据通过层次随机采样方法选取。在训练数据选取过程中，记录每个样本点的空间位置形成一个空间掩模（mask），尺度扩展后的遥感数据的训练数据在同样的空间位置上选取，以保证计算类别统计可分性度量不会因采样差异而引入误差。类别统计可分性用TM数据1-5波段计算。图6-2和图6-3分别为各类对之间的变换离散度和 J-M距离随图像空间分辨率的变化。图中大写字母 W、U、B、A、G、C、S、P、D 分别代表图像分类中定义的各类别：水体（Water）、城镇（Urban and Developed）、裸地（Bare Ground）、农地（Agriculture）、草地（Grassland）、云（Cloud）、阴影（Shade）、针叶林（Pine）和阔叶林（Deciduous）。图6-2 类别之间变换离散度随图像空间分辨率的变化图6-3 类别之间 J-M距离随图像空间分辨率的变化从图中可以看出，变换离散度和J-M距离所反映的类对间统计可分性随空间分辨率变化的结构基本一致。图中所反映的统计可分性随空间分辨率变化的结构基本上有四种，任何一种情况都是随空间分辨率的降低，导致类别光谱变异程度的降低和混合像元数目增加，这两个对类对可分性作用相互矛盾的两个因子互动的结果。（1）统计可分性随空间分辨率的降低基本保持不变或略有降低。具有这种变化结构的类对之间，一般在初始空间分辨率就有很高的统计可分性。由于这些类别之间大都没有空间上直接的邻接关系，空间分辨率的降低并不能增加混合像元的数目，或混合像元数目增加非常有限，相反类别内部的光谱变异程度却随着空间分辨率的降低而降低，因此这些类对之间始终保持较高的统计可分性。属于这种结构的类对包括W-U，W-B，W-A，W-G，B-A，U-A，U-C，U-S，A-S，B-S，A-C，C-D，G-S以及C-S等。（2）统计可分性随图像空间分辨率的降低而增高，达到最大值后，随空间分辨率的继续降低而开始降低。在这种情况下，在统计可分性达到最大值之前，随着空间分辨率降低，类别内光谱特征变异程度减小对可分性变化的贡献大于混合像元数目的增加对可分性变化的贡献，超过一定空间分辨率后，混合像元增加对统计可分性变化的贡献大于类内光谱特征变异程度减小对统计可分性的贡献，因为类内光谱特征变异程度的减小到一定程度就不可能再无限减小。属于这种结构的类对间在空间结构上一般具有直接邻接关系，如水体和阴影之间（W-S），农地和草地之间（A-G）以及针叶林和阔叶林之间（P-D）。（3）类对间统计可分性随空间分辨率的降低而持续降低。属于这种结构的类对之间一般也具有直接邻接的空间关系。在初始高分辨率时，这些类对之间具有很高的统计可分性，随着空间分辨率的降低，这些类对间混合像元数目迅速增加，可分性也下降很快。属于这种结构的类对包括W-P，U-G，B-G，U-B，A-D，G-P等。（4）类对间统计可分性随空间分辨率的下降呈震荡结构。这种情况下类内光谱特征变异程度和混合像元数目随空间分辨率的变化对统计可分性的影响的互动比较复杂。在某些尺度上，类内光谱特征变异程度的变化对可分性的影响大于混合像元数目变化的影响，而在另一些尺度上正好相反。属于这种结构的类对包括W-S，A-G，P-D等。从图6-2和6-3还可以看出，不同的类对之间，其统计可分性最大的空间分辨率有所不同。虽然大部分类对间最大的统计可分性发生在原始分辨率，但有许多类对间的最大统计可分性发生在其他空间分辨率。如水体和阴影（W-S）之间的最大统计可分性发生在60 m空间分辨率，而农地和草地之间的最大统计可分性发生在240 m空间分辨率。这证明了并不一定是空间分辨率越高，分类精度越高。因此，要得到高的分类精度，不同的类别之间应该使用不同空间分辨率的数据。图6-4 平均的变换离散度随图像空间分辨率的变化图6-5 平均的 J-M距离随图像空间分辨率的变化图6-4和图6-5分别为平均的变换离散度和平均的 J-M 距离随空间分辨率的变化。平均的变换离散度的最大值出现在60 m分辨率，而平均 J-M 距离的最大值发生在30 m分辨率，但两个指标在30 m和 60 m分辨率的值都非常接近，二者确定的最大可分性发生的分辨率的差异只是这两个统计可分性指标计算方法的差异造成的。可以认为，在30 m和60 m分辨率上具有几乎相同的平均统计可分性。
[create_time]2020-01-14 20:57:01[/create_time]2020-01-29 20:50:23[finished_time]1[reply_count]0[alue_good]中地数媒[uname]https://iknow-pic.cdn.bcebos.com/38dbb6fd5266d0166fb0c0519b2bd40735fa3519?x-bce-process=image/resize,m_lfit,w_900,h_1200,limit_1/quality,q_85[avatar]技术研发知识服务融合发展。[slogan]中地数媒（北京）科技文化有限责任公司奉行创新高效、以人为本的企业文化，坚持内容融合技术，创新驱动发展的经营方针，以高端培训、技术研发和知识服务为发展方向，旨在完成出版转型、媒体融合的重要使命[intro]47[view_count]遥感数据分类不确定性的尺度效应研究
近年来，多尺度的遥感数据广泛用于区域乃至全球尺度的土地覆被制图，因此，人们越来越重视遥感数据分类精度尺度效应方面的研究。Woodcock and Strahler（1987）首次系统研究了遥感中的尺度因子。他们通过分析图像局部方差随图像分辨率的变化，研究遥感分类的尺度效应。一般来说，当遥感数据初始空间分辨率足够高时（像元远小于图像中景的目标物大小），随着图像空间分辨率的逐步降低，图像的局部方差会逐步增大，并在某一分辨率时局部方差达到最大；当图像空间分辨率继续降低时，图像局部方差又开始逐步减小。当图像局部方差达到最大时，表明图像的空间分辨率相当于地面景的目标物的大小。这时类别之间的可分性最大，混合像元最少。但这只是理想情况。由于地物类别的大小，形状和集聚水平有很大差异，实际选用的图像分辨率应高于局部方差方法所确定的最优分辨率。局部方差法研究遥感信息尺度效应的缺点在于，它只考虑了单一波段的图像局部方差变化，而不便应用于多光谱遥感数据；局部方差法的另一个局限性在于图像的局部方差与图像全局的方差有关，不同图像的局部方差直接对比没有意义。此外，局部方差的计算过程中的边界效应影响局部方差的精度。Arbia等（1996）通过图像模拟实验方法研究了尺度研究中著名的“可变面元问题（Modifiable areal unit problem，MAUP）”对多光谱遥感图像最大似然分类精度的影响。其研究结果表明最大似然分类误差的大小随数据空间分辨率的降低而增大，但像元之间的空间依赖性可以部分中和分类误差的增加；空间分辨率对分类误差空间分布的影响主要在类别之间的边缘部分。由于空间分辨率的增加可能同时引起类内光谱变异程度和边缘混合像元数目的变化，而这两者的变化对分类精度的影响又是相互矛盾的，因此系统的评价它们随遥感数据空间分辨率的变化对分类精度的综合影响是必要的。Hsieh等（2001）利用模拟图像，研究了遥感数据空间分辨率对“纯净像元（pure pixel）”和混合像元分类误差的影响。他们通过定义地面采样距离（GSD）（相应于空间分辨率）与目标大小的比值，将空间分辨率和地面目标的大小两个决定类内变异和混合像元数目的因子综合到一个变量中。他们的研究结果表明，当这个比值减小时，纯净像元的分类误差增大而混合像元的分类误差减小。这一结论其实与Markham and Townshend（1981）的分析结果是完全一致的。因为空间分辨率与地面目标比值的减小，可以理解为在空间目标不变时遥感数据空间分辨率提高，因此，类内光谱变异程度增加而混合像元减少。他们研究的另一个结果是随着所定义比值的减小，总体分类误差首先逐步降低，当总体分类误差达到最小值后，随着比值的进一步减小，总体分类误差开始逐步增加。很显然，这一结果与Woodcock and Strahler（1987）的局部方差方法的结论是一致的。因为地面采样距离与地面目标大小的比值逐步减小的效果相当于在地面目标不变时逐步提高遥感数据空间分辨率。随着空间分辨率的提高，局部方差会首先逐步增大，当达到最大值后，局部方差随空间分辨率提高而减小。因此可以预见，地面采样距离与地面目标大小的比值达到最小时的空间分辨率应该和局部方差达到最大值时的空间分辨率一致。但Hsieh等（2001）研究方法的优点在于此方法并不限于单波段遥感数据。Smith等（2002）研究了斑块大小和土地覆被的异质性对遥感图像专题分类精度的影响，将逻辑回归模型用于评价斑块大小和土地覆被的异质性对遥感图像专题分类精度的影响，结果表明当土地覆被异质性增加和斑块减小时，分类精度降低。这个结论实际上是对Markham and Townshend（1981）的理论的验证。因为对于一定空间分辨率的遥感数据，土地覆被异质性的增加和斑块减小的效果实际上是增加了混合像元的数目。Marceau等（1994a，1994b）以中纬度温带森林环境为例，研究了遥感数据测量尺度（空间分辨率）和空间集聚水平对遥感数据分类精度的影响。其研究结果表明：遥感数据空间分辨率的变化和空间集聚水平的变化都会显著影响各类别的统计特征，但空间分辨率变化的影响大于空间集聚水平变化的影响；单个类别的分类精度很大程度上与空间分辨率和集聚水平有关，在一定的集聚水平上，一些类别在高分辨率时，分类精度高，而另一些类别在低分辨率时，分类精度高，因此对于复杂的自然环境，不存在单一的适合于判别所有地理实体的空间分辨率。Moody and Woodcock（1994）研究了遥感土地覆被类型面积估计误差与空间分辨率的关系，发现土地覆被类型面积估计随空间分辨率的变化而变化。在美国北加利福尼亚州森林地区的实验表明，当空间分辨率大于90 m时，面积估计误差显著增大。面积估计误差是空间分辨率、土地覆被类型的大小和土地覆被类别空间结构的函数。Narayanan and Desetty（2002）发展了基于分类精度的遥感信息内容的研究方法，建立了一个基于目标和背景的对比程度以及目标和像元大小相对关系的遥感信息内容的指数模型。对 TM图像和 SIR-C图像的对比研究显示，在像元分辨率较高时，TM图像具有较高的信息内容，而当图像分辨率较低时，SIR-C图像具有较高的信息内容，二者对比关系的变化发生在分辨率为720 m左右。Ferro等（2002）研究了纹理图像分类中的纹理计算窗口的大小对图像分类精度的影响。纹理图像分类的误差主要发生在类别的边缘。大的纹理计算窗口产生比较稳定的纹理测量，但造成大的边缘效应；小的纹理计算窗口的边缘效应小，但一般难以产生稳定的纹理测量。用模拟数据进行纹理分类实验的结果表明，随着纹理计算窗口的增大，纹理的可分性增大，但选取边缘以外的像元评价的可分性可能被高估。总的来说，对于遥感数据分类不确定性的尺度效应研究主要集中在遥感数据空间分辨率的变化导致的混合像元数目的变化和类别内光谱变异程度的变化这两个互为矛盾的因子对遥感分类精度影响。遥感数据空间分辨率的变化对分类结果精度的影响是两个影响因子综合作用的结果。最直接得评价这种综合作用的指标也许是不同分辨率数据最终的专题分类精度。但在遥感图像实际分类中，最终的专题分类精度中包含了分类器本身带来的误差，正如本文第四章的研究结果所示，不同的分类器带来的分类误差是不同的。对于多光谱遥感数据分类来说，一个较好的评价遥感数据空间分辨率变化对分类精度综合作用的方法是进行类别之间光谱特征的统计可分性分析（Separability Analysis）。对训练数据进行统计可分性分析可以估计分类过程中不同特征的期望误差（Swain and Davis，1987）。统计可分性分析被广泛应用于遥感分类中的特征提取过程中。本文试图通过不同空间分辨率的分类训练数据的统计可分性分析来探讨遥感分类精度的尺度效应。
[create_time]2020-01-15 11:21:28[/create_time]2020-01-30 11:02:36[finished_time]1[reply_count]0[alue_good]中地数媒[uname]https://iknow-pic.cdn.bcebos.com/38dbb6fd5266d0166fb0c0519b2bd40735fa3519?x-bce-process=image/resize,m_lfit,w_900,h_1200,limit_1/quality,q_85[avatar]技术研发知识服务融合发展。[slogan]中地数媒（北京）科技文化有限责任公司奉行创新高效、以人为本的企业文化，坚持内容融合技术，创新驱动发展的经营方针，以高端培训、技术研发和知识服务为发展方向，旨在完成出版转型、媒体融合的重要使命[intro]104[view_count]遥感信息尺度效应的空间统计学分析
现有卫星遥感传感器的空间分辨率具有从1 m到数十公里的范围。不同分辨率的数据反映不同尺度的景观结构变化。不同的研究目标需要选用不同分辨率的遥感数据。但选取合适空间分辨率数据的标准是什么呢?理想情况下，应该是选取包含所需信息而且数据量最小的空间分辨率的数据（Atkinson and Curran，1997）。但如何确定哪个包含有所需要的信息而又数据量最小的数据的空间分辨率，并不是一个简单的问题。空间变量所表达的信息存在于对变量的测量之间的关系，这种关系可以由空间依赖或空间变异来表达（Atkinson and Curran，1997）。当我们关心某一变量的空间分布特征时，样本之间的空间变异决定估计的精确程度以及最终要显示的信息（Dungan et al.，1994）。估计的精确程度和信息都是选择空间分辨率的参考标准（Atkinson，1995）。但对于遥感数据，因为其样本覆盖整个研究区域，空间变化只决定所要显示的信息（Atkinson，1997）。因此，要选择合适的空间分辨率的遥感数据，首先需要了解遥感信息随空间分辨率变化而产生的变化。Strahler（1986）认为，遥感图像的景由覆盖整个区域的相互镶嵌或连续分布的离散目标组成。当遥感数据空间分辨率远小于景的目标时，相邻像元之间具有很大相似性；随着遥感图像空间分辨率的逐步变粗，相邻像元之间的相似性逐渐减弱，当像元大小等于景的目标大小时，由于相邻像元代表不同的目标，因此此时相邻像元的相似性最弱；当像元超过景的目标大小时，由于相邻像元中都含有不同目标物的信息，它们之间的相似性开始变大。衡量相邻像元间相似程度的一个指标是局部方差（Local Variance）。假设Z（Xij）是位于图像中Xij处的像元值，i和j为图像中的行列号，那么以Xij为中心的（2n+1）×（2m+1）大小窗口内的局部方差为：遥感信息的不确定性研究其中，μij为以Xij为中心，以（2n+1）×（2m+1）为大小窗口内像元的均值；以图像中的每一个像元为中心，计算该窗口的局部方差，然后计算其平均值，就可以算出该窗口下整个图像的平均局部方差。Woodcock and Strahler（1987）提出了利用局部方差（local variance）确定最优空间分辨率的方法。该方法首先计算不同分辨率数据的平均局部方差，当遥感图像的平均局部方差达到最大时，此时图像的空间分辨率为最优。利用局部方差确定图像最优分辨率的问题之一是：在图像局部方差的计算中，由于边界效应，总有m或n个像元宽的边界内像元没有计算其周围的局部方差（Atkin son and Curran，1997）。近年来，空间统计学，特别是地统计学（Geostatistics）方法被用于研究遥感信息的尺度效应问题。在地统计学中，半方差是对变量空间变异（或空间依赖性）的一个度量，它通过计算变量的变异函数（variogram or semi-variogram）得到。不同的变异函数揭示不同的变量空间变异特征。Atkinson（1999）指出，变量的变异函数与支集（support）的大小有关。在地统计学的术语中，支集的大小指变量的测量单元的大小。在遥感数据中，支集和空间分辨率相对应。因为变量的空间变异随支集的大小而变化，因此可以通过研究变异函数的结构来确定合适的空间分辨率。在地统计学的区域化变量理论中，变量在某一支集v上的观测可由如下模型表达：遥感信息的不确定性研究式中，Z（x）是一个定义在二维空间中x位置的随机函数（random function，RF）；mv是Z在区域V上的局部平均；e（x）是均值为零的随机函数。在满足内蕴平稳性假设（intrinsic hypothesis）时，有：遥感信息的不确定性研究式中，γ（h）为变异函数，它是一个区域化变量的半方差随步长h变化的函数。变异函数的结构刻画了变量的空间依赖性。式（7-7）所定义的变异函数是在点支集（punctual support）上的变异函数。但实际中的观测常常是在一定大小范围的支集上。一定大小支集 V 上的变异函数可以通过点支集上的变异函数正则化（regularization）来估计（Journel and Huijbregts，1978）：遥感信息的不确定性研究式中，为中心距离相距 h 的两个大小为V 的支集之间的平均点变异函数，代表支集之间的空间变异；为大小为 V 的支集内部的平均点变异函数，代表支集内部的空间变异。从式（7-8）可以看出，区域化变量的空间变异由区域的空间变异和支集内的空间变异两部分组成。对于遥感数据而言，由于所有的测量是在像元大小的支集上，因此，我们不能直接得到点的变异函数。但可以从支集V上的测量样本数据中得到支集V上的试验变异函数（experimental variogram）。设变量Z是以x1，x2，…为中心的大小为V的支集上的观测，那么变量V的实验变异函数为：遥感信息的不确定性研究将实验变异函数通过去正则化（de-regularization）处理，可以估计点的变异函数。实验变异函数的去正则化是一个复杂的迭代运算过程。Curran and Atkinson（1999）详细介绍了变异函数的去正则化过程。图7-2 典型变异函数中各参数的意义为便于数学表达和分析，实验变异函数一般可以用一个预先定义的变异函数模型拟合。常用的变异函数模型有指数模型，球状模型，高斯模型等（Deutsch and Journel，1998）。模型的参数，包括变程（range）、基台（sill）和块金效应（nugget），决定变量的空间变异结构（图7-2）。例如，球状模型的表达式为：遥感信息的不确定性研究式（7-10）中的参数 c0，c1和 a 分别表示变异函数的块金值，基台和变程。随着 h 的增大，变量的半方差也随着增加。当半方差达到最大时的 h 就是变异函数的变程。这个最大半方差叫做基台。块金值是 h 为零时的半方差。一般基台值代表变量本身的结构方差，块金主要是由测量误差引起（Atkinson，1995），而变程表示变量空间依赖的范围，距离大于变程的两点间的变量之间不再具有空间依赖。通过对遥感图像变异函数参数分析，可以探索图像中的信息随图像分辨率的变化。Atkinson 等（1997，1999）提出了通过计算不同像元大小情况下空间步长等于一个像元时的半方差的变化，选择最优分辨率的方法。不同分辨率图像的实验变异函数通过公式（7-9）计算。当式（7-9）中 h 等于图像分辨率时，所计算的半方差即为该分辨率的 h 等于一个像元时的半方差。以图像的分辨率为横坐标，不同分辨率的 h 等于一个像元时的半方差为纵坐标做图，当半方差随像元的增大而达到最大时，对应的像元大小就是最优的图像分辨率。显然，这个方法和平均局部方差法具有相同的意义。当图像分辨率较小时，相邻像元具有很大空间依赖性，因此其半方差也较小；当图像分辨率相当于图像中景的目标物大小时，相邻像元之间不具有空间依赖性，此时半方差达到最大。不同分辨率图像的半方差的计算可以通过分别计算不同分辨率图像的变异函数得到，也可以通过公式（7-8），通过将点变异函数正则化，得到不同分辨率图像的变异函数。后者的优点在于可以得到任意分辨率图像的变异函数（Atkinson and Curran，1997；1999）。Atkinson 等（1997）分别用将此方法和局部方差方法选取的图像的最优分辨率进行了比较，得到了相似的结果。但这个方法的问题在于其计算过程，包括实验变异函数的去正则化和点变异函数的正则化，都是非常复杂的过程，需要不断的迭代运算，而且需要人为给定一些参数，不便于实际应用。如式（7-8）所示，在支集 V 上的变量的变异函数由代表区域空间变异的部分和支集内部的空间变异两部分组成。对遥感数据来说，区域上的空间变异指像元之间的空间变异，而支集内部的空间变异则是像元内部的空间变异。一般随着像元尺度的增大，像元内部的空间变异和半方差也逐渐增大。当表示像元内的空间变异的变异函数用球状、指数或高斯等模型拟合时，其变程表示距离大于此变程的点之间不存在信息空间依赖。Wang Guangxing等（2001）以像元内变异函数的变程作为选择合适分辨率的一个指标。这种方法的前提是假定一定大小的像元内部有许多点的观测值。当像元较小时，由于其内部观测较少，很难计算出变异函数，或者即使有足够的观测值，由于一个小像元内点之间的空间依赖性很强，计算的变异函数没有明显的变程；而且，在每一个像元内算一个变异函数并做平均，其计算非常复杂。根据Strahler 等（1986）关于遥感图像中景的模型，遥感图像中的景由一系列互相镶嵌的离散目标组成。不同目标具有不同的光谱辐射或反射特性，因此遥感图像可以反映图像中景的空间结构。将遥感图像从一个较细的分辨率尺度扩展到不同分辨率时，选择最优分辨率的最基本标准是保持原图像的结构特征。如果同一像元内包含不同的目标时，原图像的空间结构就会被模糊。因此要保持原图像的空间结构，最大的分辨率不应该超过原图像中目标的大小。以上不论是局部方差方法，h等于一个像元时的半方差方法，还是计算像元内平均变异方差的方法，其实质都是选取相当于原图像中目标大小尺寸的分辨率作为最优分辨率。但如上文所讨论，这些方法在实际应用中存在许多问题。实际上，当原图像的分辨率远小于该图像景的目标大小时，根据托普勒（Tobler）地理学第一定律，相邻像元间具有很强的空间依赖性。随着像元间距离的增加，像元间的空间依赖性也减弱。反映在图像的变异函数上，则表现为随着h增大，半方差也随着增加。当像元之间的距离大于景的目标物大小时，由于像元属于不同的目标，它们之间不再具有空间依赖性，反映在变异函数上，表现为半方差达到最大，并随着像元间距离的进一步增大而保持基本不变。这时，图像半方差达到最大时的像元间距离应该是图像中景的目标的大小，表现在变异函数上，半方差达到最大时的h就是变异函数的变程a。因此，原图像变异函数的变程就相当于图像中景的目标的大小。当原图像分辨率相对于景的目标尺寸较小时，以原图像像元大小为空间步长，计算该图像的实验变异函数，就可以快速、方便地得到能保持该图像空间结构信息图像的最优分辨率。
[create_time]2020-01-15 04:03:52[/create_time]2020-01-30 03:44:23[finished_time]1[reply_count]0[alue_good]中地数媒[uname]https://iknow-pic.cdn.bcebos.com/38dbb6fd5266d0166fb0c0519b2bd40735fa3519?x-bce-process=image/resize,m_lfit,w_900,h_1200,limit_1/quality,q_85[avatar]技术研发知识服务融合发展。[slogan]中地数媒（北京）科技文化有限责任公司奉行创新高效、以人为本的企业文化，坚持内容融合技术，创新驱动发展的经营方针，以高端培训、技术研发和知识服务为发展方向，旨在完成出版转型、媒体融合的重要使命[intro]100[view_count]岩石结构的均质和非均质
岩石是构成地壳和上地幔的固态物质，是地球地质作用的产物。它由矿物的天然集合体组成。岩石内部的主要成分是矿物颗粒和胶接物质。根据成因，可将其划分为岩浆岩（或火成岩）、沉积岩和变质岩三大类［51～53］，它们的力学性质截然不同。岩浆岩主要有侵入岩和喷出岩两种。地壳之下的地幔物质处于高温高压状态，并在一定条件下以熔融岩浆形式沿着地壳的薄弱环节往地面运动。若于地下冷凝成岩，则称为侵入岩，若溢出地表冷凝成岩，则称为喷出岩。岩浆岩结构的显著特点是，颗粒边界起伏很大，可以相互嵌入；颗粒之间不仅联结力很大，接触也很紧密，几乎没有空隙。通常完整的岩浆岩强度都很高，容易产生脆性破坏。花岗岩是典型的一种岩浆岩（粗粒深成岩），图1-5是其组构示意图。沉积岩是指地壳上各种松散物质（机械或化学作用而破坏的岩石）以及溶解于水的化学物质，经过搬运、沉积和成岩作用而形成的层状岩石。砂岩是沉积岩的代表性岩石，其力学性质与颗粒和胶结物质有关。根据颗粒大小可分为粗砂岩、中砂岩、细砂岩和粉砂岩等，根据胶接物质又可分为泥质砂岩、石灰质砂岩、硅质砂岩等。图1-6是砂岩的组构示意图。地壳中的沉积岩或火成岩岩石在外界条件发生变化时，如地壳运行、岩浆入侵，受到高温、高压的作用，其成分、结构等发生变化，形成新的岩石，称为变质岩。通常，变质岩会保存原始岩石的某些特征，但有其自身独特的性质。大理岩是一种变质岩，由石灰岩热变质之后，经重结晶作用而形成。图1-7是大理岩的组构示意图。构成岩石的矿物颗粒具有多种形状和大小［52］。通常而言，在以毫米为尺度观察时，岩石是极端不均匀的；但若以厘米以上的尺度取样，则大致可以认为岩石材料是均匀的。这与四方连续的图案非常相似，即局部差异显著而整体均匀一致。因此，在进行岩石力学性质试验研究时，试样尺度在任何情况下不得小于最大矿物颗粒直径的3倍，通常要达到最大矿物颗粒直径的10倍。图1-5 花岗岩的组构示意图（据W.W.Moorhouse，1986）a—斑状花岗岩；b—黑云母花岗岩；c—白云母黑云母花岗岩图1-6 砂岩的组构示意图（据W.W.Moorhouse，1986）a—红色砂岩；b—石英砂岩；c—Penrith砂岩另一方面，岩石的形成过程以及其后的地质作用可能使其内部存在夹层、裂隙等各种缺陷。若研究的尺度与这些缺陷分布相当，则必定要认为岩石是非均质材料。当然，在考虑范围较大、使用更大的尺度（如增大有限元网格直径）时，岩石又可以认为是具有均匀缺陷的材料。最为显著的事实是，岩样尺度越大，强度的离散程度越小。当然，所谓的均匀缺陷只是相对而言的一种理想状态，离散性是始终存在的。由此说来，岩石材料结构的均匀与否同使用的研究尺度和所考察的范围有关。但是，从岩样得到的力学性质参数能否用于大尺度的岩石材料，是至关重要的问题。不可否认的是，从工程地质的观点看，岩体的强度主要取决于内部断层和节理的力学性质，实验室完整岩样的试验结果与工程实际相距甚远。图1-7 大理岩的组构示意图（据W.W.Moorhouse，1986）a—粉红色大理岩；b—白色大理岩；c—白云石大理岩岩石，尤其是沉积岩和变质岩，内部的层理、节理、裂隙和软弱夹层等具有明显的方向性，即力学性质的各向异性。这是岩石力学研究的又一重大问题［54］。
[create_time]2020-01-15 17:52:18[/create_time]2020-01-30 17:48:08[finished_time]1[reply_count]2[alue_good]中地数媒[uname]https://iknow-pic.cdn.bcebos.com/38dbb6fd5266d0166fb0c0519b2bd40735fa3519?x-bce-process=image/resize,m_lfit,w_900,h_1200,limit_1/quality,q_85[avatar]技术研发知识服务融合发展。[slogan]中地数媒（北京）科技文化有限责任公司奉行创新高效、以人为本的企业文化，坚持内容融合技术，创新驱动发展的经营方针，以高端培训、技术研发和知识服务为发展方向，旨在完成出版转型、媒体融合的重要使命[intro]1066[view_count]尺度效应的特点联系
有些学者和文献将景观、系统和生态系统等概念简单混同起来，并且泛化到无穷大或无穷小而完全丧失尺度性，往往造成理论的混乱。现代科学研究的一个关键环节就是尺度选择。在科学大综合时代，由于多元多层多次的交叉综合，许多传统学科的边界模糊了；因此，尺度选择对许多学科的再界定具有重要意义。等级组织是一个尺度科学概念，因此，自然等级组织理论有助于研究自然界的数量思维，对于景观生态学研究的尺度选择和景观生态分类具有重要的意义。尺度是研究客体或过程的空间维和时间维，可用分辨率与范围来描述，它标志着对所研究对象细节了解的水平。在景观学研究中，空间尺度是指所研究景观单元的面积大小或最小信息单元的空间分辨率水平，而时间尺度是其动态变化的时间间隔。景观生态学的研究基本上对应于中尺度范围，即从几平方公里到几百平方公里、从几年到几百年.格局与过程的时空尺度化是景观生态学的研究热点，尺度分析和尺度效应受到格外重视和发展。尺度分析一般是将小尺度上的斑块格局经过重新组合而在较大尺度上形成空间格局的过程，与之相伴的是斑块形状趋向规则化以及景观类型的减少。尺度效应表现为：最小斑块面积和随尺度增大而增大，其类型则有所转换，景观多样性减小。通过建立景观模型和应用GIS技术，可以根据研究目的选择最佳尺度，并对不同尺度的研究成果进行转换。由于景观尺度上进行控制性实验代价高昂，因此尺度的转换技术愈显重要。尺度外推涉及到如何穿越不同尺度约束体系的限制，至今仍是一难点。时空尺度的对应性、协调性和规律性是一重要特征，通常研究地区越大、相关的时间尺度越长，生态平衡即自然界在动荡中表现出的与尺度有关的协调性。生态系统在小尺度上常表现出非平衡特征，而大尺度上仍可体现出与平衡模型相似的结果，景观系统常常可以克服其中局部生物反馈的不稳定性。尺度性与持续性有着重要联系，细尺度生态过程可能会导致个别生态系统出现激烈波动，而粗尺度的自然调节过程可提供较大的稳定性。在较高尺度上，作为非线性耗散系统演化中一种普遍现象的混沌可提高景观生态系统的持续性而避免碎裂种群（Metapopulation）灭绝。大尺度空间过程包括土地利用和土地覆盖变化、生境破碎化、引入种的散布、区域性气候波动和流域水文变化等。在更大尺度的区域中，景观是互不重复、对比性强、粗粒格局的基本结构单元。景观和区域都在“人类尺度”上即在人类可辨识的尺度上来分析景观结构，把生态功能置于人类可感受的范围内进行表述，这尤其有利于了解景观建设和管理对生态过程的影响。在时间尺度上，人类世代即几十年的尺度是景观生态学关注的焦点。
[create_time]2016-05-29 01:48:46[/create_time]2016-06-10 19:34:29[finished_time]1[reply_count]0[alue_good]感人还傲然灬行家9661[uname]https://himg.bdimg.com/sys/portrait/item/wise.1.6cdeefd3.h-gzKQX4-RkUslVXvd37Xg.jpg?time=2868&tieba_portrait_time=2868[avatar]超过76用户采纳过TA的回答[slogan]这个人很懒，什么都没留下![intro]126[view_count]
