連續型柵格數據的預測系統研究與應用

閆富松　張小峰　孫成寶

摘 要： 地理信息系統中許多數據都用柵格格式來表示。隨著計算機技術、衛星、傳感器等科技快速發展，柵格數據的生產能力大幅度提高，大量應用于各行各業。主要研究對柵格數據信息的進一步挖掘應用，從系統原理、系統組成、應用分析三方面，介紹了一種連續型柵格數據預測系統。通過該系統的方法，可以得到未來時間點的預測柵格數據，觀察到柵格數據發展演變的趨勢，從而給相應決策提供科學依據。

關鍵詞： 柵格數據； 預測系統； 地理信息系統； 計算機技術

中圖分類號： TN911?34； TP751.1 文獻標識碼： A 文章編號： 1004?373X（2017）20?0014?04

Abstract： Many data in geographic information system （GIS） are represented in the raster format. With the rapid development of computer technology， satellite， sensors and other technologies， the production capacity of raster data is greatly improved， and raster data is widely applied to all walks of life. In this paper， further mining and application of raster data is mainly studied. A continuous raster data prediction system is introduced in the three aspects of system principle， system composition and application analysis. With this system， the predicated raster data in the future time point can be obtained， and the trend of raster data development and evolution can be observed， so as to provide scientific basis for relevant decisions.

Keywords： raster data； prediction system； geographic information system； computer technology

0 引 言

柵格數據是用一個規則格網來描述與每一個格網單元位置相對應的空間現象特征的位置和取值，每個格網單元稱之為像素，每個像素對應存儲一個數值，表示描述該像素對應空間現象特征的屬性信息。像素數值主要有兩類，一類是像素數值表示實際物理意義的數值，比如數字高程模型（Digital Elelation Model，DEM）柵格數據的像素值代表地表高度，坡度柵格數據的像素值代表地表坡度值等，稱之為連續型柵格數據；另一類是像素數值表示分類代碼值，比如植被類型柵格數據的像素值1，2，3等分別代表某類植被類型，稱之為分類型柵格數據。地理信息系統中許多數據都用柵格格式來表示。隨著計算機技術、衛星、傳感器等科技的快速發展，柵格數據的生產能力大幅度提高，大量應用于各行各業，衍生出對柵格數據信息的進一步挖掘應用。如何根據現有的一定時間序列的連續型柵格數據，對未來柵格數據的發展演變進行預測，是本領域技術人員重點研究的一個技術問題。

1 連續型柵格數據的預測系統原理

1.1 預測粒度

預測粒度為由M×N個像素組成的最小預測單元。剔除每個預測粒度中M×N個像素中誤差最大的像素，計算剩余M×（N-1）個像素的像素平均值L。

1.2 確定時間影響函數

依據時間影響函數，計算時間序列中每個時間序列點的時間影響因子P，P（t）=[ftft]。其中f（t）為時間序列為點t時對應的時間影響函數的值，t取整數。

1.3 獲得粒度預測值

根據時間影響因子P和像素平均值L計算預測粒度的預測值V，V=[Lt]*P（t）。其中，L（t），P（t）分別是時間序列點為t時預測粒度的像素平均值和對應的時間影響因子，如圖1所示。最后將預測值V組織為預測柵格數據。

2 連續型柵格數據的預測系統組成

（1） 柵格數據劃分模塊

用于按預測粒度劃分給定時間序列的連續型柵格數據，預測粒度為由像素組成的最小預測單元。

（2） 像素平均值計算模塊

用于計算每個預測粒度的像素平均值L。

① 誤差最大像素剔除子模塊，用于剔除誤差最大像素；

② 剩余像素平均值計算子模塊，用于計算剩余M×（N-1）個像素的像素平均值L。

（3） 時間影響因子計算模塊

用于確定時間影響函數，依據時間影響函數計算時間序列中每個時間序列點的時間影響因子P。

（4） 預測值計算模塊

用于根據時間影響因子P和像素平均值L計算預測粒度的預測值V。

（5） 預測柵格數據組織模塊

用于將預測值V組織為預測柵格數據。

3 連續型柵格數據的預測系統應用分析

下面以北京市土壤侵蝕量為參考，進行說明。圖2～圖4分別是北京市2009—2011年部分土壤侵蝕量柵格數據。

北京市2009—2011年土壤侵蝕量柵格數據的分辨率都為10 m，柵格像素大小為：行像素17 959×列像素17 777。將3年的土壤侵蝕量柵格數據按3×3像素預測粒度進行劃分，每個柵格數據由5 987×5 926個預測粒度組成。endprint

以圖2所示的北京市2009年土壤侵蝕量部分柵格數據中的兩個預測粒度：預測粒度1和預測粒度N為例進行說明。

3.1 劃分連續型柵格數據

按最小預測單元3×3像素對北京市2009年土壤侵蝕量柵格數據進行劃分，結果如圖2所示。

3.2 計算每個預測粒度的像素平均值L1

圖2中預測粒度1的9個像素值分別為22.3，12.6，24.1，21.8，19.4，22，24，187.2，21.8，計算預測粒度1的像素平均值L1=39。

3.3 剔除每個預測粒度誤差最大的像素

將預測粒度1的每個像素值分別與像素平均值L相減后取絕對值，絕對值最大對應的像素值為187.2，剔除該像素。

3.4 計算剩余像素的像素平均值L2

剔除誤差最大像素后，預測粒度1剩余像素平均值L2=21.0。相同的方法，得到預測粒度N的剩余像素平均值L2=1 577.9，如圖5所示。

采用和處理北京市2009年土壤侵蝕量柵格數據相同的方法，對北京市2010，2011年土壤侵蝕量柵格數據（圖3、圖4）進行處理，剔除誤差最大像素后，對應于預測粒度1和預測粒度N的處理數據結果分別見圖6、圖7。

3.5 依據時間影響函數計算時間影響因子P

根據多年在土壤侵蝕計算工作中的經驗知識，確定時間影響函數f（x）=x2。這個時間影響函數的物理意義在于，近期的影響土壤侵蝕量的因素比歷史早期的相應因素對預測結果起更大的主導作用，由多年的統計結果確定量化關系為平方關系。

根據時間影響函數f（x）=x2，計算給定3年時間序列{1，2，3}中每個時間序列點的時間影響因子{P1，P2，P3}。通過P（t）=[ftft]計算：

[P1=1212+22+32=114P2=2212+22+32=414P3=3212+22+32=914]

3.6 計算預測粒度的預測值V

再對圖5～圖7中的每個預測粒度計算，分別得到一個預測值，以預測粒度1和N為例子。

預測粒度1對應的像素的預測值為：

V1=21.0×P1+32.7×P2+55.9×P3=46.74

預測粒度N對應的像素的預測值：

VN=1 577.9×P1+1 826.5×P2+2 236.7×P3=2 072.4

3.7 將預測值V組織為預測柵格數據

計算完所有的像素預測值，得到5 987×5 926像素的北京市2012年土壤侵蝕量預測結果柵格數據，如圖8所示。

根據北京市2009—2011年土壤侵蝕量柵格數據，就可以得到2012年預測柵格數據。

圖9～圖12是北京市2009—2012年土壤侵蝕量柵格數據的示意圖，從圖12預測得到的北京市2012年土壤侵蝕量柵格數據的示意圖可以看出，2012年房山區的土壤侵蝕量比較嚴重，應該在房山區進行水土保持工作，通過植樹造林等措施來預防土壤侵蝕情況繼續惡化。

4 結 論

通過本系統所提出的方法，可以得到未來時間點的預測柵格數據，觀察柵格數據發展演變的趨勢，從而對決策、預警系統提供科學依據，對防洪、防震等預警系統進行完善，提高預警系統的準確性。預測到地震、洪水等自然災害時，可以提前采取措施，做好防范準備工作。

參考文獻

[1] 朱建章，石強，陳鳳娥，等.遙感大數據研究現狀與發展趨勢[J].中國圖象圖形學報，2016（11）：1425?1439.

[2] 邵彧，師曉利.基于遙感數據挖掘的智能地理信息系統設計[J].現代電子技術，2016，39（10）：54?57.

[3] 查良松，鄧國徽，谷家川.1992—2013年巢湖流域土壤侵蝕動態變化[J].地理學報，2015（11）：1708?1719.

[4] 陳世發.基于GIS的亞熱帶山地土地利用與土壤侵蝕關系研究：以粵北山區為例[J].干旱區資源與環境，2015（2）：80?85.

[5] 李超，杜昭陽，陳召亞，等.基于柵格數據的高標準基本農田綜合評價及建設時序研究：以河北省盧龍縣為例[J].農業現代化研究，2015（1）：111?117.

[6] 李德仁，張良培，夏桂松.遙感大數據自動分析與數據挖掘[J].測繪學報，2014（12）：1211?1216.

[7] 宋維靜，劉鵬，王力哲，等.遙感大數據的智能處理：現狀與挑戰[J].工程研究?跨學科視野中的工程，2014（3）：259?265.

[8] 陳思旭，楊小喚，肖林林，等.基于RUSLE模型的南方丘陵山區土壤侵蝕研究[J].資源科學，2014（6）：1288?1297.

[9] 杜靈通，田慶久，王磊，等.基于多源遙感數據的綜合干旱監測模型構建[J].農業工程學報，2014（9）：126?132.

[10] 馬媛，閆菲.數字化技術在地理信息系統中的應用[J].現代電子技術，2009，32（5）：122?124.

[11] 高紅艷，唐英敏.基于柵格新安江模型的淮河上游土壤侵蝕預測[J].南水北調與水利科技，2016（3）：73?77.

[12] 周寧，李超，滿秀玲.基于GIS的黑龍江省拉林河流域土壤侵蝕空間特征分析[J].水土保持研究，2014（6）：10?15.endprint