GWR应用探索

空间采样中的应用

空间采样的意义

对于一份空间范围数据，当全空间内分析要素过多的时候，利用有效的数据采样，使得对于局部数据的分析同样可以反映整体数据的特性。

一种特征：空间稀疏

比如在做矢量数据云计算叠加中，需要对空间数据进行分块，以获得相对均衡的空间单元，减少数据倾斜的现象。数据分块的标准相对重要。

通常对于分块标准的定义，需要考虑分块数据的计算量，而计算量的评估因为不同算法的区别而没有统一的标准，但大概在做矢量空间叠加运算中，分块内的矢量要素的复杂度是一个粗略的评估量。矢量要素的复杂度可以由矢量要素的点个数综合、面积、长度等指标来综合表示。

解决数据的分块，首先需要知道全局数据中的矢量数据疏密程度，如果选择全部数据进行疏密程度的计算，将会非常耗时。所以需要做有效的空间采样，通过对小样本的稀疏判断，快速分块，从而执行高性能分布式计算。

GWR应用

TODO:

多尺度分割中的应用

当前遥感影像分类主要采用面向对象分割来实现，主要包括多尺度分割、规则集指定、模糊分类三个步骤，改变以往对像素点的分类，实现对像素点集（图斑对象）进行分类，解决高精度影像的椒盐效应，并且获得更高精度的分类结果。

在多尺度分割中，即是将像素点进行合并，形成一块块连续的像素集合对的过程，直至最后超出合并阈值，合并中止。多尺度分割中最优尺度的选择中，采用：利用moranI指数（异质性）+均值光谱指数（同质性）之和，表示分割质量，通过遍历每个分割尺度，来计算分割质量。

GWR应用

可以考虑加入地理加权回归的模型，加入分割质量的计算或者分割进行中合并代价的计算

遥感分类中的应用

GWR在分类中的应用：相近则似，相远则异。即一个像素分类的概率和周围已经确认分类后的要素之间是有相关联的

面向对象分类也是一种超像素分类，和其他超像素分类方法的结合使用