多源遥感数据（通用8篇）
多源遥感数据 篇1
黑龙江省作为我国的粮食主要产区,对主要粮食作物种植面积的准确监测是极其重要的,同时也对农业部门的宏观调控以及发展方向起到一定的影响作用。水稻作为主要粮食作物之一,由于在生长期内受多种自然灾害及人为因素的影响,特别是近年来,随着我国改革开放的深人,农业种植结构的调整,使得水稻在种植面积和产量上经常出现波动现象,加之传统的统计预报方法难以避免的出现诸如错报、漏报、空报等问题,所以常规方法已经很难得到精确的水稻种植面积和产量[1]。
为获得水稻种植面积及产量的准确数据,更好地指导黑龙江省的农业生产,农业部发展计划司决定,利用2007年6~9月的TM、SPOT、QuickBird等多源遥感影像数据,以3S技术为平台提取水稻种植面积、计算水稻单产和总产,并将此系列数据定名为黑龙江2007年水稻本底数据,作为今后水稻种植面积及产量数据的对比基准。
1 多源遥感数据的结合
随着遥感对地观测技术的发展,多种不同遥感器获取的可见光、红外、微波及其它电磁波的影像数据与日倍增,这些数据在空间、时间、光谱、方向和极化等方面对于同一区域构成多源数据[2]。在遥感领域中,单一传感器影像数据通常不能提供足够的信息来满足应用的需要,而多传感器遥感影像的结合可以得到更多的信息,减少理解的模糊性。因此,此次项目利用TM、SPOT、QuickBird等多源遥感影像数据相结合,与此同时,在地理信息系统 (GIS)和全球定位系统 (GPS)的支持下,结合地面调查,进行水稻种植面积的提取,以此来提高其目标地物的提取精度。
2 调查的技术方法
采用SPOT和TM卫星图像数据全覆盖的方式,人机交互目视解译技术,进行水稻地块遥感图像解译。
对于卫星图像上能够识别但不能依图斑上图的道路、沟渠、林带等线状地物,单独解译成线状地物层,用于面积扣除,其长度通过影像解译确定,宽度通过高精度影像QuickBird抽样,并结合实地调查确定;对于图像上不能反映但实际存在、宽度在2 m以上的细小地物(如田间小路、沟渠等),通过高精度图像QuickBird抽样,结合实地调查确定面积比例,用于面积扣除[3]。
在此基础上,通过GIS的叠加分析,以县为单元,按行政单元统计水稻种植面积。
3 监测方法
3.1 遥感影像
本次调查采用的图像包括全覆盖水稻地块解译和典型抽样两种类型。
全覆盖解译以SPOT2、4和TM为主要数据源,以IRS P6、CBERS等遥感影像补充,空间分辨率为20~30 m。为保证全覆盖影像的获取及数据的实效性,采用SPOT编程方法,数据时相为2007年6~9月。
典型抽样采用QuickBird影像数据,用于全覆盖遥感解译中小地物扣除,空间分辨率为0.61 m,数据时相为2007年6~9月。
3.2 影像预处理
选取1∶5万地形图作为影像配准的基准图像,通过对扫描的区域1∶5万地形图进行几何校正后,在ERDAS遥感图像处理软件下进行影像对影像的几何精校正。
3.2.1 控制点的选取
选取图像和地形图、GPS TRACK点中清晰可辨的河与河的交叉点、路与河的交叉点、路与路的交叉点以及可选取的有明显特征的山脊线、沟谷线等永久地物作为控制点,所选取控制点在每景图像上的分布保持均衡。平原地区每景图像的控制点数应在20个以上,图像配准的中误差控制在0.5个像元之内。山区每景图像的控制点数应在30个以上,图像配准的中误差控制在1个像元之内。
3.2.2 几何纠正
几何纠正的校正系统采用最小二乘法计算。校正方程根据控制点选取情况采用二次多项式进行。像元重采样采用双线性插值法。遥感图像与解译图层均采用正轴等面积双标准纬线割圆锥投影。
3.3 遥感图像信息提取
3.3.1 解译标志的建立
选择地物类型较全、解译标志不能完全确定的区域进行室内预判。对照室内预判草图、卫星图像和地形图在实地进行对照分析,建立解译标志。
3.3.2 解译方法的确定
遥感图像解译是从遥感图像上获取目标地物信息的过程。解译方法可分为两种:目视解译和遥感计算机图像解译。目视解译为一种最基本的解译方法,是遥感图像计算机解译发展的基础和起始点。计算机解译由于对于水稻的自动识别未能达到所需要的水平,且需光谱库的辅助,因此,采用目视解译方法对水稻种植面积本底调查的识别。该方法充分发挥计算机与人的优势,能更有效、更准确地对遥感图像进行分析。
3.3.3 卫星影像解译
卫星影像解译包括线状地物解译和面状地物解译两部分[4]。
面状地物解译:面状地物指水稻地块,图像解译时提取面状地物的最小单元为4×4像元,短边宽最小为4个像元。
线状地物解译:线状地物指图像上能够识别,但宽度小于4个像元,不能依图斑上图的道路、沟渠、林带等,单独解译成线状地物扣除层,用于面积量算。其长度通过影像解译确定,宽度通过高精度图像抽样和实地调查确定。
3.4 高精度影像抽样
在全覆盖遥感图像区域内,选择典型地区,采用高精度影像解译,结合实地调查确定线状地物宽度和细小地物扣除系数。
3.5 面积量算与统计
面积量算在GIS系统中完成,包括线状地物图层与面状图层叠加、面积量算、细小地物面积扣除、面积统计等多个步骤。
4 结论
从此次项目的监测结果来看,2007年全省的水稻种植比例方面,三江平原占的分额最大为54%,东部山地占14%,松嫩平原占23%,松花江中游沿岸占9%(见表1)。
通过此次研究可以看到,遥感技术和地理信息系统的引入,为明确黑龙江省水稻种植面积提供了有效手段。它不仅可以通过遥感图像及时获取水稻分布信息,同时还可以同往年的种植情况作比较,达到动态监测水稻面积的目的。在以后的工作中,将逐步完成大豆、玉米、小麦等大宗作物种植面积的本底监测,为建立现代农业空间统计技术体系和粮食安全与区域生态保障空间的决策支持系统提供方法研究,同时也为农业空间统计技术和宏观农业科学决策的现代化进程提供示范。
与此同时,通过与往年的遥感监测数据相对比,近几年来,黑龙江省的水稻种植面积一直呈增加趋势,分析其原因,主要有4个方面:
4.1 政策推动
国家实行的粮食直补政策、水稻良种补贴、免收农业税,对水田平均补贴225元·hm-2左右等优惠政策极大地调动了农民种植水稻的积极性。
4.2 市场拉动
自2003年10月以来,稻米价格上扬,稻谷价格也较前几年有较大幅度增长。由于大米价格的不断提高,使得黑龙江一部分地区出现大面积旱田改成水田的现象,尤其在农垦系统范围内,这种现象尤为突出。使得全省水稻面积有较大幅度的增加。
4.3 技术支撑作用明显
推广普及的水稻综合增产技术取得了较好的效果。各地充分挖掘和科学利用水源,广大农民积极应用优良品种,实施标准化作业,通过各种措施提高水稻的产量和品质,促进增收。
4.4 项目扶持
“水土资源”成为振兴老工业基地的新视角。在这一项目中,对于东北三省的可实施建议中包括:通过农业和水利措施,改造中低产田,发展灌溉面积,增加水稻种植面积,提高粮食单位面积的产量,可以建成我国最大的优质商品粮生产基地。
参考文献
[1]焦险峰.基于分层抽样的中国水稻种植面积遥感调查方法研究[J].农业工程学报,2006(5):105-106.
[2]周清波.国内外农情遥感现状与发展趋势[J].中国农业资源与区划,2004,25(5):9-14.
[3]全国农业区划办公室,农业部规划设计院.东北水稻种植面积本底调查技术方案[R].北京:农业部规划设计院,2007.
[4]刘述彬.黑龙江省农用地资源遥感监测方法的研究[J].黑龙江农业科学,2005(4):8-11.
多源遥感数据 篇2
引言
近年来，随着科学技术的迅猛发展，我国在各领域、各方面都取得了长足的进步，农业也不例外，已实现了连续十一年增长。另一方面，由于我国人口众多，同时受气候特点、作物品种、种植习惯以及防治情况[1]等影响，我国农作物产量就人均量而言并不乐观。据联合国粮农组织估计，世界粮食产量常年因病害损失14%，虫害损失10%[2]。同样在我国，农作物病虫害也是影响农作物产量的重要原因之一。由于农田生态系统具有生态脆弱性，害虫的群落很容易对农田生态系统造成干扰，若不及时加以诊治，最终往往会导致爆发和流行病虫害的严重后果。随着全球气候逐渐变暖，病虫害对农田生态系统的威胁也会日益加重。我国作为农业大国，预防农作物病虫害、提高农作物产量、保证国内粮食安全形势依然严峻，有效应对农作物病虫害刻不容缓。然而，我国目前在农作物病虫害监测方面还有待加强，现有的应对方法依然十分落后，如人工抽样、农田调查等方式，这些方法准确性及稳定性较强，但是耗费了大量人力和财力，且存在代表性、时效性差和主观性强等弊端，已难以适应目前大范围的病虫害实时监测和预报的需求[3]。由于遥感技术可以在很大的范围内快速、准确地获得相关地貌信息，因此通过引入遥感技术，就可以达到有效改变传统农业管理模式的目的，起到对农作物病虫害的监测、农作物品质预报、农作物产量估计的作用。尤其是近年来随着世界范围精密仪器制造技术、测试控制技术的高速发展，遥感数据种类不断增多，这些数据为农作物病虫害提供了更多的数据依据，为农作物病虫害更准确、更快速的监测提供了宝贵的发展空间。
多源遥感数据 篇3
1 多源卫星数据
1.1 航空遥感
无人机是当前比较先进的航拍技术。自控的卫星五人驾驶机与传统航空遥感的区别在于其能够携带专业的数码相机, 灵活性较强, 可在云层下飞行, 避免云对其的限制。这正这项优点其被研究生广泛应用。
1.2 Landsat系列卫星
陆地卫星Landsat能够帮助获得TM等遥感图像, 这些图像能够帮助土地利用现状, 并编制具体运用情况。
TM影响共有7个波段, 每个波段能够充分结合不同事物的光谱特征和大气影响, 其自身已经实现优化。在具体实践中, 只有第6个波段稍欠丰富外, 其他的地表光谱信息是很全面的。
1.3 SPOT系列卫星
2002年5月SPOT-5卫星发射升空。与之前发射的尾箱相比, 其能够为研究者提供更加准确、丰富的地表信息资源。该卫星的遥感影像的控件分辨率是2.5m, 其传感器能够帮助获得立体影像, 并且在储存和传输等性能上都有提高。此外, 其还能够符合土地利用动态变化检测的要求。将数据进行校正、增强和分类等, 在通过实地调查资料的前提下, 获得研究区内卫星区内遥感影响的翻译标志。然后根据对卫星遥感影像的计算机自动解译, 能确定土地利用的类型。
1.4 雷达遥感
雷达遥感比光学成像遥感要进步很多, 其不仅能够长时间工作, 还可以穿透地物。因此, 雷达遥感是当前应用十分广泛的一种。
有学者针对热点雷达数据ERS-2展开探究, 发现经过一系列的预处理后和实验区分区后, 根据土地的类型可以分为非监督类和BP神经网络类对土地利用进行划分。结果发现, 多光谱遥感的数据, SAR遥感数据是可以替代的。
目前, 我国SAR遥感监测技术主要被应用在那些不方便获得卫星遥感数据的区域。据数据统计显示:在农作物生长季, 无论是北方还是南方多光谱遥感数据的利用率都普遍较低, 不到5%, 其中南方比北方总体上还要低。但是SAR获得的地观测数据可以达到100%。从上述调查中我们不难发现, SAR比较适合于农业、林业等资源调查较高的选择。
2 多源遥感卫星数据的融合
2.1 融合类型
2.1.1 同一传感器不同分辨率的遥感影像数据的融合。
笔者在分析资料时发现, 有学者会选择法国的2.5m的SPOT-5的全色卫星影像数据和10m的多光谱卫星影像数据, 借助影像融合的办法, 利用影像的纹理和光谱响应等特征, 结合土地利用现状矢量图库完成土地利用现状的调查。
2.1.2 不同传感器的遥感影像数据的融合。
在不透光传感器的数据融合方面, 有学者采用2002年和2003年SPOT及ETM+数据在专业遥感软件的辅助下利用多源遥感数据融合技术进行土地利用变化信息提取并对变化信息进行野外调查核实, 这种办法能够大大降低查找变化地块的效率和时间, 调查结果的质量也能够提升, 其为以后开展土地变更调查工作的开展提供了一种新的途径和方法。
2.2 多源遥感影像融合的过程
多源遥感影像融合的过程一般分为2个过程:数据预处理和影像融合。
3 遥感影像分类
3.1 目视解译法
目视翻译已经成为信息社会中地学研究中一项十分重要的基本技能, 在遥感应用方面也不例外。遥感技术信息的获得能够更加实时、准确。例如重大自然灾害信息等等, 其可以无时不刻的关注检测地球的资源和环境的变化程度, 为日后世界各国的发展提供真实可靠的信息服务。
目视解释作为遥感图像解译的一类, 有往往被称为目视判读。它指专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。
3.2 计算机自动分类法
计算机自动分类法主要分为非监督和监督两类。具体如下:
非监督是完全根据像元的光谱特性所进行的分类, 比较适用于那些对分类区了解不够的情况。该方法的使用需要注意的是原始图像的所有波段应参照分类运算, 结果是各类像元数大体等比例。非监督类受人为干预的影响较少, 其自动化程度较高。非监督分类一般要按照以下几个步骤实施:初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。
监督分类与非监督分类相比, 其更多的是受人为干预较多, 主要被应用在研究区域相对熟悉的情况。监督类应该首先选择那些可以识别或借助其他相关信息可以断定类型的模板, 然后将通过计算机将具有相同特性的像元进行分类。监督分类是运行需要经过以下结果步骤:建立模板 (训练样本) 、评价模板、确定初步分类图、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。
为了保证数据的精确度, 一些新的分类方法也逐渐出现, 但是大都由于程序过于复杂而没有被广泛应用。因此, 在遥感技术不断发展的条件下, 应该充分利用多源遥感技术数据, 并借助GIS技术, 尽量实现遥感数据的进一步精确。
4 讨论
随着我国科学技术水平的不断进步, 多源卫星遥感成为土地利用中不可缺少的重要工具。其融合选择的最佳办法是能够针对不同区域和图像特点进行选择和融合。其融合不同于其他, 其关键在于不仅需要融合前两幅图像的精确配准, 还应该具体融合方法。
当前, 多源卫星遥感数据的融合仍然存在诸多问题, 这些问题的存在严重影响融合的质量和水平。其具体融合需要解决的问题主要有以下几点:多光谱与多传感器、多空间下遥感影像的融合的理论框架、模型及其算法的研究, 影像的性能评价标准的确定, 融合理论的精度的提高, 实际应用时会受不同影响以及计算机自动分类等问题, 是今后卫星遥感数据融合需要努力研究的方向。
摘要：伴随着科学技术水平的提高, 多源遥感技术深刻影响着人们的生产和生活。本文从概念、意义以及作用等方面阐述多源遥感技术的发展状况, 并对在土地方面的广泛应用展开深入探究, 希望能够为多源遥感技术的在土地的应用上发现问题进而提出解决策略。
关键词：多源遥感,技术,融合,土地利用
参考文献
多源遥感数据 篇4
1.1 研究现状
遥感卫星需求建模是对卫星观测任务的要求进行定义、量化和综合的过程, 也是对不同类型的应用需求进行统筹、提高应用需求满足度的过程, 是卫星任务规划的优化目标, 是确保任务规划结果的正确性、合理性的基础, 也是卫星观测应用效能充分发挥的基础。早期遥感卫星需求建模以简单的轨道覆盖需求为主, 主要用于单一遥感卫星、单一观测任务的访问时间窗任务规划;随着遥感卫星功能性能的提升、应用领域的扩展和卫星数量的增多, 遥感卫星需求建模开始关注空间分辨率、载荷谱段、侧摆范围等多要素的整体需求建模, 为多源卫星的多任务规划提供支撑。
1.2 主要问题
目前遥感卫星需求建模存在的主要问题是:在需求模型要素体系构建方面, 虽然在观测需求模型中已开始考虑分辨率、载荷谱段等观测能力指标要求, 但这些单纯的指标要求并不能全面完整反映卫星遥感应用, 例如国土、海洋、林业、减灾等业务应用领域的应用需求, 缺乏将最终应用需求转化为卫星观测能力指标和工作约束条件的模型;在多星协同观测需求建模方面, 虽然在需求模型中已开始引入多星、多任务及任务协作的观测要求, 但这种需求模型通常与具体的应用场景联系不密切, 没有从应用目的对多源卫星协同观测的要求出发开展协同观测需求建模。
上述传统的遥感卫星需求建模方法, 在当今卫星遥感应用在响应时效性、手段综合性、任务精准性等要求日益突出, 遥感卫星多星组网协同观测能力持续提升的背景下, 愈来愈难以适应满足复杂多样应用需求、提升任务规划有效性、发挥多源卫星系统综合效能的要求。因此亟需面向若干典型应用主题, 开展多源遥感卫星需求建模方法研究, 为充分发挥多源遥感卫星针对复杂应用任务的综合效能奠定技术基础。
2 基本模式
面向应用主题的多源遥感卫星需求建模与任务规划的基本模式是:
(1) 首先进行典型应用主题的多样化需求建模, 采用统一的需求定义模板, 将不同应用主题的差异化需求转化为结构统一、参量各异的定量化需求模型;
(2) 其次进行多源卫星观测能力建模, 同样采用统一的约束定义模板, 将不同卫星的轨道、姿态、成像等观测能力约束条件转化为统一的观测能力模型;
(3) 然后进行多源卫星协同观测策略建模, 根据不同应用主题的观测要求, 按照观测任务间的逻辑与时序关系, 构建多源卫星的协同观测策略组合;
(4) 进而开展应用需求与卫星观测能力模型关联分析, 通过应用需求模型各参量与观测能力模型各参量间的映射关系, 将各自应用主题的应用需求转化为卫星观测能力约束条件, 筛选出观测能力约束条件满足应用需求的卫星及其载荷资源;
(5) 最后进行多源卫星协同任务规划, 基于模型关联分析得到的可用卫星及其载荷资源, 按照上文构建的观测策略组合, 针对观测目标进行访问时间窗计算, 在消解访问冲突后得到任务规划结果;如果结果不满足应用需求, 则可通过调整应用需求或卫星观测能力的模型设置, 通过迭代修正进行优化
面向应用主题的多源遥感卫星需求建模与任务规划的基本模式如图1 所示。
3 建模与分析方法
3.1 典型应用主题的多样化需求建模方法
传统的遥感卫星任务调度方法对观测需求通常只考虑任务目标区域可覆盖、任务时间不超出给定范围等指标, 很少从特定应用对观测资源和能力的要求出发, 包含分辨率、观测谱段、协同观测时序等应用能力指标的观测需求模型。典型应用主题的多样化需求建模方法流程如图2 所示。
(1) 确定所需观测的应用主题, 例如海上台风监测、海上溢油监测、森林火灾监测等应用主题, 记为A;
(2) 基于给定的应用主题A, 提取和筛选应关注的重点观测目标, 目标形态可以是点目标、线目标或区域目标, 目标数量可以是单个也可以是多个, 目标状态可以是静止目标、固定时敏目标或位置移动目标, 这些观测目标记为T1, T2……Tm, m为观测目标数量;
(3) 针对观测目标Ti (i=1, 2……m) , 从发现、识别、确认、量测、属性分析等应用要求与观测信息提取程度出发, 构建相应目标的观测特征要素体系, 例如位置、尺寸、形态、色调、纹理、光谱、空间结构等, 这些特征记为S1, S2……Sn, n为观测目标Ti数量;
(4) 针对特征要素Sj (j=1, 2……n) , 使用通用的观测指标体系, 例如覆盖范围、空间分辨率、光谱谱段、观测频次、响应时长等, 对每一个观测目标特征要素的观测需求进行定量化的描述, 这些指标记为X1, X2……Xr, r为观测目标Ti的特征Sj数量;
(5) 根据应用主题A对上述特征要素S1, S2……Sn观测需求的优先度差异, 以及获取不同类型特征要素间内在的逻辑关系, 构建不同特征要素在时序与优先级上的逻辑关系, 用函数表示为F (X1, X2……Xr) 。
完成上述流程后, 面向给定典型应用主题的多样化需求模型即构建完成, 该需求模型是面向应用主题的多源遥感卫星需求建模的初始条件, 也是多源卫星协同任务规划的规划目标。
3.2 多源卫星观测能力建模方法
对遥感卫星及其载荷的观测能力建模, 定量描述卫星及其载荷能力约束条件, 是多源遥感卫星需求建模和任务规划的基本要求。传统的遥感卫星任务调度方法的卫星及载荷能力约束条件一般只考虑轨道、姿态、载荷视场等特性, 某些场合增加一些卫星能源、数据存储方面的约束, 但很少考虑成像质量、响应时效性、信息获取能力等卫星应用能力约束条件。多源卫星存在应用对象复杂、卫星性能多样、应用能力不一等特点, 若采用传统方法存在卫星及载荷能力约束与应用需求相脱节的问题。多源卫星及载荷多样化能力建模方法基于不同卫星各自的平台、载荷等性能指标及其成像能力, 构建跨卫星、跨载荷的多源卫星观测能力指标体系, 将个别的、具体的卫星观测能力指标转为一般的、通用的卫星观测能力模型, 以适应多源卫星协同观测的需要。多源卫星观测能力建模方法如图3所示。
(1) 根据给定的应用主题A, 以及给定可用的多源遥感卫星W1, W2……Wr (r为卫星数量) , 识别出卫星及其载荷观测能力的共性要素, 例如轨道、姿态、成像质量、信息获取能力等, 记为P1, P2……Pm, m为共性要素数量;
(2) 针对要素Pi (i=1, 2……m) , 按照不同观测能力要素的特点, 分别用不同方法构建要素Pi的描述模型, 例如:对于轨道要素可用二体运动模型、J2 模型、两行根数模型等进行公式化的描述, 对于姿态要素可用姿态参数序列等进行序列化的描述, 对于成像质量要素可用包含空间分辨率、光谱谱段、视场角、信噪比等参量进行指数化的描述, 对于信息获取能力可用是否具备立体观测能力、是否具备全天候观测能力等进行模板化的描述;
(3) 针对要素Pi (i=1, 2……m) 的描述模型, 确定其模型参数, 记为Q1, Q2……Qn, n为模型参数数量, 从而使得要素Pi的模型可用函数G (Q1, Q2……Qn) 表示, 例如:对于轨道模型中的二体模型可用轨道六根数作为模型参数, 对于姿态模型可用滚动、俯仰、偏航三轴姿态角的时序参数作为模型参数;
(4) 从全部给定可用卫星中, 选定卫星Wj (j=1, 2……r) , 其中若一颗卫星有多个载荷, 因不同载荷的观测能力存在差异, 可将同一卫星的不同载荷也等同于多个卫星;
(5) 对选定的卫星Wj (j=1, 2……r) 的模型参数Q1, Q2……Qn进行量化, 具体参数量化值可来自于卫星设计参数、地面测试参数或在轨运行监测参数。
上述步骤即是多源卫星观测能力建模方法的基本流程, 完成这一过程即为多源卫星需求建模和协同任务规划提供了基本约束条件。
3.3 多源卫星协同观测策略建模方法
上述卫星观测能力建模完成后, 各个卫星自身的观测能力即可得到定量化描述, 但是多源遥感卫星协同观测与单星观测的区别除了卫星数量的增多、重访周期的缩短等外部特点以外, 其本质特点在于通过多个遥感卫星及其载荷间的引导、互补、覆盖、接力、融合、多视角等关联性, 实现单个卫星、单一观测手段难以实现的观测能力, 使得多源卫星协同观测的整体观测能力大于各个单一卫星独立观测能力的总和。多源卫星协同观测主要有以下几种策略:
(1) 引导协同策略:指的是以某一颗或某一类遥感卫星的观测结果, 作为其它遥感卫星进行观测的引导信息, 从而实现不同遥感卫星间的信息引导观测。例如:在森林火灾监测这一典型应用主题中, 首先使用大幅宽但是空间、光谱分辨率较低卫星进行大范围的区域普查, 发现疑似火点信息, 然后再引导高光谱、高空间分辨率的卫星进行精细识别, 从而实现森林火灾等目标的快速感知与精细识别的统一, 提高卫星用于应急响应的应用能力;
(2) 互补协同策略:指的是具备不同观测能力的多颗、多类遥感卫星, 根据不同的观测条件, 选择满足观测条件最优的卫星进行观测, 从而实现不同遥感卫星信息获取手段上的互补, 提高观测可靠性与有效性。例如:在海上船只识别这一典型应用主题中, 当观测时段为白天、天气条件良好的情况下优先选用光学遥感卫星进行观测, 而当观测时段为黑夜或天气条件恶劣的情况下则优先选用SAR遥感卫星进行观测, 从而实现光学和SAR两种类型遥感卫星间的互补协同, 最终实现对海上船只的全天候观测能力;
(3) 覆盖协同策略:指的是多颗遥感卫星针对大范围区域目标, 为各颗卫星分别指定不同观测区域, 从而实现多颗遥感卫星对大范围区域的快速观测, 减少或避免无效的重复观测, 缩短整体观测周期, 提升信息获取时效性;
(4) 接力协同策略:指的是对同一目标, 通过多个卫星在短时间内依次过境进行多次观测, 延长对同一目标的整体观测时长, 实现对同一目标特别是固定时敏目标或位置移动目标的连续观测能力。例如:在海上船只监测这一典型应用主题中, 可以通过多颗卫星在短时间内连续通过目标区, 实现十余分钟至数十分钟的连续监视, 从而实现对海上船只运动过程、运动状态的观测;
(5) 融合协同策略:指的是对同一目标, 通过多种不同类型卫星或载荷分别进行观测, 获取不同类型观测信息, 对这些观测信息进行像素、特征或决策等不同尺度的信息融合处理, 实现多种信息源的融合应用。例如:全色卫星载荷与多光谱卫星载荷融合便是典型的融合协同观测, 可以实现对同一目标的高空间分辨率与高光谱分辨率信息融合应用。
(6) 多视角协同策略:指的是对同一目标, 通过多颗遥感卫星从多个角度同时或在较短时间内进行多次观测, 从而不仅可以获取目标各个方向、各个角度的信息, 更可以通过摄影测量处理获取目标的三维立体信息。
多源卫星协同观测策略建模的基本方法如图4 所示。
(1) 确定协同观测策略类型:基于给定的典型应用主题A, 从上述协同观测策略或更多的协同观测策略中, 选取一种或多种多源遥感卫星协同观测策略类型, 记为C;
(2) 筛选协同观测卫星及其载荷资源:在给定的协同观测策略类型C条件下, 从给定可用的多源遥感卫星W1, W2……Wr (r为卫星数量) 中, 选取若干遥感卫星及其载荷作为参与协同观测的卫星资源, 记为K1, K2……Kl (l为参与协同观测的卫星数量) ;
(3) 定义多源卫星及其载荷观测时序:根据协同观测策略类型C, 以及应用主题A和参与协同观测的卫星资源K1, K2……Kl等条件, 同时考虑不同卫星及其载荷间的数据特征依赖关系, 定义多颗遥感卫星协同观测的时序, 包括一般意义上的时间顺序, 也包括逻辑上的前后承接关系, 例如:假设Ki为大幅宽、中低分辨率卫星资源, Kj为小幅宽、高分辨率卫星资源, 在观测时Ki卫星首先进行大范围普查观测, Kj卫星然后进行小区域精细观测, 则上述两颗卫星观测的时序可记为Ki→ Kj;
(4) 定义多源卫星及其载荷多次观测的间隔时间要求:在确定多源卫星及其载荷观测时序后, 进一步定义相邻时序的前序卫星资源观测事件与后续卫星资源观测事件的间隔时间要求, 包括最小间隔时间和最大间隔时间, 例如:对于卫星观测时序Ki→ Kj, 其最小间隔时间记为 ΔTmin, 最大间隔时间记为 ΔTmax;
(5) 量化描述单次观测的特定观测条件:对于任意一次观测事件Ki, 对其特定的观测条件, 例如:卫星观测指向角、单次连续观测时长、是否要求立体成像等用量化指标进行描述, 可以是指数型参数, 也可以是状态型参数, 记为Y1, Y2……Yh (h为单次观测的特点观测条件参数数量) 。
通过上述步骤, 即完成了多源卫星协同观测策略建模, 为多源卫星需求建模和协同任务规划提供了协同观测约束条件。
3.4 应用需求与卫星观测能力模型关联分析方法
在典型应用主题的多样化需求建模、多源卫星观测能力建模和多源卫星协同观测策略建模完成后, 以同类模型参数为纽带, 构建典型应用主题的多样化需求模型的需求指标参数与多源卫星观测能力模型的卫星及载荷能力指标参数间的映射关系, 实现“应用任务需求参数——卫星及载荷能力参数”的关联与转化;同时以卫星轨道运动模型为基础, 将多源卫星协同观测策略模型的相关策略参数转化为时间序列事件, 并引入卫星轨道运动时间序列中, 从而实现将多源卫星协同观测策略模型参数转化为多源卫星观测能力模型附有时间条件的约束参数;最终基于卫星轨道运动模型及目标访问计算进行任务规划, 得到满足给定应用需求与卫星观测能力的可用任务集。
应用需求与卫星观测能力模型关联分析基本流程如图5 所示。
(1) 获取典型应用主题的多样化需求模型的模型参数集:这里的模型参数主要指需求模型特征参数X;
(2) 获取多源卫星观测能力模型的模型参数集:这里的模型参数主要指卫星及载荷观测能力指标参数Q;
(3) 需求与观测能力模型参数关联与转化:构建典型应用主题的多样化需求模型的模型参数集X与多源卫星观测能力模型的模型参数集Q两者间的同类型模型参数间的映射关系, 例如:应用需求模型的空间分辨率参数为Xi, 卫星观测能力模型的某卫星资源空间分辨率指标参数为Qj, 则建立Xi到Qj的映射;
(4) 卫星及载荷资源筛选:根据需求与观测能力模型参数的关联关系, 通过模型参数比对分析, 计算卫星观测能力参数是否满足应用需求参数的要求, 筛选出满足要求的卫星及载荷资源;
(5) 获取多源卫星协同观测策略模型参数集:这里的模型参数主要指策略条件参数Y;
(6) 策略分解为时序事件:将设置的多源卫星协同观测策略Y按照策略中定义的事件的时间序列分解, 构建时序事件Y (t) , 将协同观测策略用一系列卫星动作事件的时间序列来表示;
(7) 策略时序事件关联与转化:将多源卫星协同观测策略时序事件Y (t) 与经过卫星与载荷资源筛选的多源卫星观测能力模型的模型参数集Q进行关联, 根据策略时序事件Y (t) , 分别为每一步时序事件设置对应的卫星观测能力模型参数;
(8) 目标访问任务规划:在上述模型参数关联分析的基础上, 基于卫星轨道模型进行目标访问计算, 得到满足应用需求与卫星观测能力要求的观测任务序列。
上述步骤完成后, 即完成了整个的面向应用主题的多源遥感卫星需求建模, 从而将用户的观测应用需求, 转化为符合卫星及载荷观测能力约束条件, 并通过任务规划得到满足应用需求的观测任务, 从而为卫星观测任务计划制定提供依据。
4 软件实现
基于上文所述的建模方法, 面向海上台风监测、海上溢油监测和森林火灾监测等典型应用主题, 以目前在轨的高分、资源、环境等国产遥感卫星为卫星资源, 研制多源遥感卫星协同数据获取需求建模软件, 实现面向应用主题的多源遥感卫星需求建模方法软件实现。
整个软件采用“平台+ 插件”的体系架构, 构建统一的基础支撑平台, 实现对处理数据、计算资源和模块插件的统一管理;上文所述的各个模型开发为相对独立的算法模块插件, 可被软件基础支撑平台灵活调用, 并通过不同插件之间的组合, 形成不同的处理流程和完整的面向应用主题多源遥感卫星需求建模功能。
软件主要包括三大组成部分:观测需求分析软件、观测任务管理软件、分析结果可视化软件。观测需求分析软件实现对典型应用主题多样化需求的建模和多源卫星观测能力的建模, 观测任务管理软件实现对多源卫星协同观测策略的定制以及任务规划分析, 分析结果可视化软件实现对基于需求建模的任务规划分析结果三维可视化展示。
观测需求分析软件的整体界面及典型应用主题多样化观测需求配置界面分别如图6 和图7 所示。
观测任务管理软件的整体界面及多源卫星协同观测策略配置界面分别如图8 和图9 所示。
分析结果可视化软件的需求建模与任务规划分析结果界面如图10 所示。
5 结论
本文面向多源遥感卫星的协同观测应用需求, 针对典型应用主题开展了了多样化需求建模研究;针对多星、多载荷的差异化观测能力与协同观测要求, 开展了多源遥感卫星观测能力建模与多源卫星协同观测策略建模研究;并基于上述建模结果, 开展了应用需求与卫星观测能力模型关联分析研究, 实现应用需求向卫星观测能力的转化;最后对相关模型开发相应软件, 完成面向应用主题的多源遥感卫星需求建模软件实现。
本文所述的面向应用主题的多源遥感卫星需求建模方法可以为复杂卫星对地观测任务的任务规划提供技术支撑, 也可以为卫星遥感应用效能优化提供验证手段。同时, 本文所研究的建模方法还只以若干典型应用主题为个别应用场景开展研究, 模型所用的卫星资源也只是常规遥感卫星资源, 后续一方面应对所研究的应用主题进行拓展, 使本文所述建模方法成为具有应用主题普适应的需求模型构建方法, 另一方面应将敏捷卫星、静止轨道凝视卫星、视频卫星等新型卫星资源开展纳入建模体系并开展研究, 应对卫星技术发展的需要。
摘要：面向海上台风监测、海上溢油监测和森林火灾监测等典型应用主题对多源遥感卫星协同观测的复杂任务要求, 研究面向应用主题的多源遥感卫星需求建模方法, 开展典型应用主题的多样化需求建模、多源卫星观测能力建模和多源卫星协同观测策略建模研究, 并基于上述模型开展多源卫星协同观测策略建模研究, 为多星协同任务规划提供优化目标和约束条件, 并完成相关模型方法的软件实现。
基于多源空间数据融合技术分析 篇5
随着社会经济的快速发展以及现代科学技术的不断进步,遥感技术、地理信息系统和卫星定位技术因其数据检测精度高、更新速度快等优势,被广泛应用于现代工业、建筑工程、城市规划等领域。由于不同部门涉及的地理信息以及相关数据种类不同,其数据信息处理的方式亦不同。比如卫星图像、海图以及其他各种类型的地图采集的数据几何位置不同、数据模型标准不同,这就需要探索一项可以跨越时间领域和空间领域的数据融合技术,结合来自不同空间数据模型处理的数据的差异性,达到加快信息更新速度和提高信息处理效率的目的[1]。
1 空间数据融合的概念
数据融合的概念产生于20世纪70年代,但是直接促使其发展是进入20世纪90年代以后。就数据融合的概念界定还没有达成统一的看法。数据融合技术最初被应用于军事,为军事活动所服务。但是随着社会经济的快速发展以及现代科学技术的进步,数据融合技术逐渐被广泛运用于农业、工业、地质分析、城市规划等各个领域。
数据融合作为一种数据综合和处理技术,是建立在各种传统学科和技术基础之上,是一种集成技术[2]。从广义角度看,数据融合技术包括通信技术、决策论、计算机科学、神经网络等。由此可见,数据融合涵盖的内容较多,无法对其进行一个统一的定义。一些权威部门是这样进行界定的:美国国防部认为数据融合的过程就是各种学科、各种技术相互融合的过程,从而实现数据技术的现代化、自动化。在相互融合过程中,数据融合技术可以对各个领域的信息进行有效处理、检测。Mandolins则认为数据融合只是作为一门简单的技术,作为处理庞大数据的工具,从而达到提高数据处理的效率这一目的。有些部门则把数据融合称之为信息融合。信息融合是指对以计算机作为主要工具,将来自传感器的探测信息按照一定的时序和准则进行分析与处理。这是一种对多种信息进行不断融合、协调的过程。数据融合技术的实质就是对各种信息进行综合处理。Wald在1998年采用了一个更加普遍的定义,即数据融合是形式上的框架。在框架下,要想在规定时间内将各种数据信息进行综合处理,就需要借助现代化、自动化的工具,采用科学有效的融合方式,实现提升数据融合效率和数据处理结果的精确性[3,4]。这一界定的优点在于:一是它强调了数据融合技术不再是一个简单的工具或者处理信息的方法,而是一个框架结构。二是这个界定注重强调数据融合效率和结果的精确性。
结合空间数据的特点,可以认为空间数据融合实际上是指:将不同来源的数据信息,对其进行归类处理。根据数据的类型选择合适的处理方式,进而达到改善物体几何精度这一效果,促使提高数据质量的实现。
2 多源空间数据融合技术
2.1 数据融合的层次
空间数据的来源不同,其融合方式不同。这就决定了融合层次的多样性和层次性。融合层次主要包括象素融合、决策融合和特征融合三层次。象素融合可以采取图像分析以及多源图象符合技术实现数据的融合。特征融合可以直接反映出数据的综合特征,为决策者提供科学化、专业化的决策信息。决策融合是一种相对高级的融合方式,它不仅可以帮助决策者提供完整的图象信息,还可以对来源不同的数据进行识别、分类和检测[5,6]。三者之间的差异性如表1所示。
2.2 矢量数据融合技术
矢量数据融合是采用地理数据转换方法,构建科学化、专业化的数据模型,在这个模型中对来源不同的数据进行分类分级,实现几何位置的融合,达到丰富数据属性的目的。换而言之,这是一种去伪求真、去粗求精的数据处理过程。
矢量数据融合的最终目的是消除以下差异:
第一,数据模型的构建是将不同来源的数据进行综合处理、几何位置的融合。但是采用不同的融合方法其产生的要素属性会存在差异性。
第二,来自不同空间数据模型处理的数据会存在描述上的差异。
第三,来自不同空间数据模型处理的数据会存在几何位置上的差异。
矢量数据融合的研究内容主要包括:融合规则、数据模型的构建、分类不同来源的空间数据、融合方法分析。
首先,融合规定的制定。分析数据和处理数据的前提条件是提取数据,提取数据之后才可以从模型中得出要素。比如行政区划可以从比例为1 250 000的图中提取,道路可以从比例为110 000的图中提取。对于相同比例尺的地形图和海图而言,需要对沿海地带的陆、海部分进行表示。地形图和海图的结合部是岸线和滩涂。需要在模型中注重表示这两种图。但是由于这两种图获取的数据几何位置不同,在不同空间数据模型处理中会存在很大的差异性。相对而言,地形图要更加详细。因此在融合数据时,注重提取地形图数据。
其次,制定具有层次化的矛盾处理原则。可以参考精度高精度航片和卫片,从而提高几何位置的精确性。在没有参考资料可以参考时,可以制定移动原则。属性数据可以通过网上查找方式提取。
2.3 栅格数据融合技术
栅格数据融合的表现形式有:地图图象、遥感影像数据。其融合阶段可以分为以下几个阶段:
第一阶段,图象融合。主要是针对图象通道,利用算术方法实现。比如色彩变换法(主要针对象素级融合)、调制法、统计法、代数法、分辨法等。这些方法较为简单,操作起来较为容易,因此被广泛运用于工业、制造业等各个领域。
第二阶段,20世纪80年代,模型的构建。塔式算法的基本思路是:分解原始图像—融合图像—通过塔式反变换获得融合图像。
第三阶段,90年代以后,小波变换应用到图像融合领域。在这一时期,塔式算法逐渐被小波多尺度分析法代替。多尺度分析法是一种介于函数和频率之间的数据融合结果的表达方式。无论是在时间领域还是在空间领域,都具有良好的局部化性质。能够同时将不同数据层分解成多个独立的空间信号,同时又不与时间部分重叠,又可以帮助决策者及时找到原信息的几何位置,从而找到正交基。
3 多元空间数据融合应用
3.1 遥感图形
遥感图像之间的融合包括传感器数据融合、不同时相遥感数据融合。来源于不同遥感器的数据特点不同,其几何位置不同,这样借助数据的多样性和差异性提高图像分析的分辨率。比如将TM与SPOT遥感数据进行有机结合,不仅可以提高图像信息的处理效率,还可以促使光谱信息的多元化发展。而不同时相的遥感数据融合对于提高工程实时监控效率具有重要的推动作用。比如洪水检测、气象检测等等。
3.2 地图图像
地图图像具有精度高、更新速度快等特点,但是也存在更新费用高的弊端。专题地图是指在一个模型中构建一个以“地图”为主体的地图内容。比如有关于城市旅游的“专题地图”、城市规划“专题地图”等。但是专题地图相较于地形地图而言,其精度不高。这就需要将两者进行有机融合,达到提高数据精确度和降低地形图更新费用的目的。
3.3 遥感图像与地形图像
遥感技术可以快速在不同数据模型中提取需要的数据信息,其数据检测的准确度高、定位较为准确。地形图虽然精度高,但是数据更新的费用较多、数据更新的速度快。将遥感图像与地形图象进行有机结合,可以有效避免两者的缺陷,实现优势互补。可以利用同一地区的地形图将遥感图像纠正为正射影像,再用以更新地形图。
4 结语
多源数据融合技术的发展与进步需要以现代科学技术、数据标准化作为基石,以计算机作为数据处理的主要工具,达到逐渐消除来自不同空间数据模型处理的数据差异性目的。当然,数据共享的标准化推广、数据模型的构建、地形图像与遥感图像之间的有机融合,都需要数据操作技术的支撑,将数据操作技术的原理和方法引进多源空间数据融合技术领域,进一步推动我国数据融合技术的发展与进步。所以,对于相关工作者而言,必须要认清这些技术的关键所在,在日常的工作中加强研究,推动多源数据融合发展。
摘要：文章主要以空间数据融合概念作为出发点,分析了多源空间数据融合技术,并探讨了空间数据融合技术的具体应用,以期为降低处理数据成本、提高数据处理效率提供一些参考和意见。
关键词：多源数据,空间数据,融合技术
参考文献
[1]刁明光,薛涛,李建存,等.基于地质信息元数据标准的多源空间数据管理系统[J].国土资源遥感,2013(1):165-170.
[2]朱蕊,邱茂,胡英男.面向空间数据更新的多源数据融合关键技术研究[J].测绘工程,2013(4):22-25.
[3]陈换新,孙群,肖计划.空间数据融合技术在空间数据生产及更新中的应用[J].武汉大学学报(信息科学版),2014(1):117-122.
[4]朱靖,栾学晨.面向导航电子地图制作的多源地理空间数据融合技术[J].地理空间信息,2014(4):147-149.
[5]缪彩练,南建设,郭娜.基于多源数据融合技术的情报侦察系统效能评估体系[J].电讯技术,2012(4):429-434.
多源遥感数据 篇6
随着生产规模的扩大, 新系统、新设备不断运用, 电力公司电气系统的自动化管理发展迅速。但是, 越来越多的电气自动化系统配置了不同的服务器结构, 数据库是分布的, 在系统结构、数据模型、查询方式上都有所差异;数据来源不统一 (时效性、响应速度均不统一) , 网络通讯相互隔离, 后台管理机较多, 且监控内容各不相同。相同管理系统也存在版本上的差别, 相互之间没有信息共享, 不能进行协调工作。电气信息难以集中管理与控制, 故障信息报警存在时钟不同步等等, 给电气管理带来了诸多不便。因此, 将现有不同电气自动化系统的信息进行整合, 集中管理全公司6 k V~110 k V电气系统的数据, 满足不同管理层次的生产要求, 可以很好地提高公司电气自动化管理水平。
常用的异构数据源集成的体系结构有以下几种[1], 中间件结构、数据仓库结构、基于本体的异构数据集成体系结构[2]。建立数据仓库通常需要较高的成本[3], 而中间件结构添加局部数据源较简单, 目前在技术上主要是采用Warpper/Mediator中间件结构[4]进行数据融合。在过程中需要解决[5,6]:模式集成[4]和查询分解[6], 最后, 还要建立模式映射[7]规则, 以确保不同数据库模式之间可以对应。在电气自动化系统多源数据融合过程中, 重点需要解决数据数据处理与监控平台的选择和通信模式的选择, 前置机或服务器数据的整理, 网络的配置, 后台监控系统画面、管理报表的整理等等。
1 数据管理平台设计
各个时期的电气自动化系统的类型不同, 必然存在有的比较先进, 有的则相对较为落后。新系统的数据处理的响应速度快, 实时数据刷新速度也快, 其数据管理机软件便于管理、更新, 后台监控机的管理软件的功能强大, 实时画面和数据显示更符合现行电气自动化信息管理的要求。故此, 基于系统功能的需要和日后系统不断扩展的要求, 最终选取了最新的电气自动化系统平台作为所有其他自动化系统的数据通信平台, 即将所有其他电气自动化系统的数据集中到最新的电气自动化系统数据管理机上, 因此统一将多源数据放入内存中, 每隔5 min进行读取和计算。另外由于数据表结构、字段定义存在差异, 可以将关系型数据库统一转为键-值型 (key, value) 数据库, 采用No SQL语句查询。应用Memcached技术实现以上需求, 服务端 (ms) 和客户端 (mc) 是Memcached的两个主要组成部分, 在读写过程中, 首先对每个数据构造键值对 (简称kv对) , 键会通过哈希算法转化成哈希-键。Memcached数据查询具体流程和更新流程如图1、图2所示。
2 整合后系统的通讯模式的选择
数据处理与监控平台确定之后, 主要面对的就是整合后的系统的通讯模式问题。即各自相对独立的电气自动化系统如何与先前确立的中心管理机或前置机进行通讯, 数据如何进行交换, 采用何种协议, 需上送数据的数据表如何制定等等。
在现有的各个电气自动化系统中, 因每一个系统均有各自的通讯服务管理机或前置机, 它们与其所属范围内所有远方测控装置和智能设备进行数据的交换和管理。然而各自系统的通讯模式各不相同, 有的系统采用CAN网通讯, 有的系统采用RS485通讯, 有的系统则采用Ethernet以太网进行通讯。因此在进行不同系统间的通讯时, 首先需解决数据如何进行交换, 采用何种协议的问题。
现有的每一台数据管理机或前置机下面挂的测控装置或智能设备均采用各自约定的传输规约进行通讯, 如CAN网、RS485、RS232等等, 如果以每一个装置为节点, 分别向中心管理机发送测控数据, 则整合的难度将大大降低, 但是涉及到通讯电缆的敷设, 耗时相当长且费用很高, 因此不能采取这种方法。考虑到现有的通讯管理机均配置有多种通讯协议和通讯接口, 如一路或多路网络接口, 串口等。可以利用这些不同接口, 将整个数据管理机或前置机处理的各自电气自动化系统的数据进行打包, 而后统一发送到中心管理机上, 再进行数据读取与整理, 则相对更为方便可取。
3 服务器数据管理
以上工作做好后, 根据统一监控平台要求, 对相对独立的电气自动化系统的数据进行划分, 列出需要的遥信、遥测、遥调与遥控表, 即在中心处理机内进行不同系统数据库的分层工作。定制数据点表的工作完成后, 剩余的工作就主要围绕中心前置机和服务器中进行不同电气自动化系统传送来的各种测控数据或智能设备信息的整理。在中心前置机数据库中创建不同的厂站, 根据不同电气自动化系统数据点表中数据的数目, 相应地为一个电气自动化系统创建一个或多个厂站, 继而对每一个厂站进行分配端口, 配置遥信、遥测、遥调与遥控量的地址等工作, 最后进行相应厂站数据的导入工作。这部分工作相对繁琐, 工作量大, 却是不容出错的, 因为地址分配的错误将直接导致后台监控无法正确显示与运行。
整个系统共分为4个层次, 自底向上主要包括源数据层、应用数据层、中间层和访问层, 采用kv型数据库存储所有数据, 应用Memcached技术读写数据, 采用XML格式记录数据。
4 网络通讯配置管理
数据整合工作完成后, 对中心管理机和其他分布在各地的通讯管理机或前置机进行网络的通讯配置后, 系统才能够协调工作, 考虑到新整合系统运行的可靠性, 在系统整合过程中, 对所有独立通讯管理机或前置机采取了既相互统一又相互独立的配置方式。一方面, 正常运行时, 所有独立系统发送数据到中心管理机, 作为统一的数据处理、通讯和转发单元, 中心管理机同时向所有后台发数据, 期间其中任意一个通讯管理机或前置机故障时, 不影响其他通讯管理机或前置机的数据发送;另一方面, 如果中心管理机故障, 则还可以断开所有连接, 恢复原有独立运行方式, 从而不影响相应系统的运行。
在中心管理机中设置网络通讯时, 必须正确选用通讯口类型、填写相应的规约和通讯方向等属性, 这些规则需根据中心管理机与各个独立的通讯管理机或前置机的通讯方式定。在中心管理机的统一调度与管理下, 所有分散的后台监控机需根据中心管理机的要求进行相应的计算机网络名和IP地址的设置, 至于IP地址的设置则依据网关的设置进行, 保证不重复即可。
出于生产系统的安排, 不能将所有系统全部停运, 故此在系统整合过程中, 必须根据各自企业生产的要求, 采取分布到整体, 停运与在线相结合的方式进行系统的整合工作。在系统的整合过程中, 还需要根据各个相对独立的电气自动化系统的地理位置, 原有的监控模式和运行人员的监控习惯等问题进行具体的分析, 充分利用现有软硬件资源, 以节约投资成本。
5 展望
整合后的系统能够集中实时显示公司最大范围内的电气运行状态数据, 对于各级技术和管理人员而言, 便于进行全系统分析和数据统计工作。不同来源、不同结构、分散于各级用户之间的数据, 集中于中心统一的数据库, 便于维护、计算和查询。采用kv型数据库, 提升了系统的开放性和先进性, 提高了对数据源的适应度, 统一了数据接口标准, 为今后能充分利用各种信息资源做数据挖掘打好系统基础。
参考文献
[1]王杰勋.医疗保险信息系统异构数据集成的研究与实现[D].南京:南京航空航天大学, 2007.
[2]向红.基于本体的异构数据集成系统的研究与实现[D].西安:西安电子科技大学, 2007.
[3]张靖, 程希来.多源异构数据整合应用研究[J].成都信息工程学报, 2009, 24 (3) :254-257.
[4]张桂香.异构信息源集成系统的模式集成研究[J].微计算机信息, 2007, 24:233-234.
[5]俞红齐, 顶宝康.多数据环境下的模式集成及查询分解[J].计算机工程, 2006, 26 (10) :124-126.
[6]李瑞轩, 霍晓丽, 卢正鼎.多数据库系统中的全局查询转换方法研究[J].计算机工程, 2005, 31 (16) :4-6.
多源遥感数据 篇7
1 多源空间数据集成模式
目前对于不同格式的空间数据集成主要采取以下三种模式:
1.1 数据格式转换模式
数据格式转换模式是指通过某种特定的转换程序将各种异构数据转换成一种数据格式,并将转换后的数据复制到当前系统中。但这种模式也存在缺点,因为它首先需要将异构数据统一起来,这就使得数据间缺少了独立性,而且因为没有统一的描述方法,容易导致异构数据转换后空间数据的信息丢失[1],这样就会给以后使用这些数据构成隐患;另外由于一般空间数据量比较巨大,所以要集中这样的海量数据就显得非常困难。
1.2 数据互操作模式
数据互操作是指空间数据能够在异构数据库和分布计算的情况下交换、理解,不同GIS之间可以直接交互,透明地访问需要的信息[2]。该模式是由OGC(OpenGIS Consortium)制定的规范。数据互操作为多源数据共享与集成提供了崭新的思路,但是它更多地采用了OpenGIS协议的空间数据服务软件和客户软件,对于其它的大量非OpenGIS标准的空间数据格式的处理缺少统一的规范[3]。
1.3 直接数据访问模式
直接数据访问模式是指在一个空间信息软件中直接访问其他软件的数据格式,并且用户可以在该软件中读写多种数据格式。这种模式的优点是不但没有了复杂的格式转换,而且因为访问是发生在一个空间信息软件中,所以就不需要用户拥有主机软件,更不需要运行该软件。这种模式无疑更省人力和财力,但是实现起来对于技术要求相对高一些。
2 GML数据集成研究现状
GML(Geography Markup Language),是开放式地理信息系统协会(OGC)于1999年提出的,在日趋发展的网络环境下,它的提出正是为了成为其中地理数据的一种通用接口,它符合空间数据集成模式中的第二种即数据互操作模式[4]。使用GML对多元异构地理空间数据集成,可以很好的避免以往网络语言描述复杂的空间信息的巨大缺点,因为它对地理空间数据的描述拥有统一的数据格式,从而能够更轻松的便于数据集成。
在国内,对于GML日新月异的发展,也早就已经引起了包括复旦大学、同济大学、武汉大学等众多知名高校学者的重视。武汉大学和国家基础地理信息中心已经开始制定GML国家标准。周水庚课题组早在2003年就提出了一种新颖的方法,用于将GML文档自动转换到SVG文档,论文发表在ACM-GIS 2003[5]。从跨入21世纪以来,关佶红课题组就研究了基于GML和SVG的空间信息集成和发布、GML模式匹配、GML存储机制和查询处理以及压缩算法等[6,7,8,9]。
同时国内外众多学者对基于GML的空间数据集成也进行了大量的研究。Rancourt et al.(2001)将GML与先前所定义的空间标准进行比较,得出GML能有效的满足空间数据交换标准的要求的结论,并预测GML将在行业应用中占据主导地位[10]。旷建中等(2005)采用设计模式方法和GML技术设计多源空间数据集成模型,将数据源通过转换函数生成的GML文档,利用合成器合成GML文档,同时保存到GML数据库,实现多个系统的数据集成,为实现多源空间数据集成提供了一个切实可行的方案[11]。邬群勇等(2005)在分析GML数据格式和几何特征基础上,提出一个基于GML的空间数据动态集成框架,探讨了数据动态集成过程,并以福建省漳浦县绥安镇的林业数据为样本,进行了动态集成应用示范[12]。江卫东等(2007)描述了一个基于GML数据互操作模式的多源异构空间数据集成模型,并分析了该模型的运行机制和关键技术[13],刘占伟等(2007)提出了一个基于GML的多源异构空间数据集成模型,实现了空间数据向GML文档的转换,使用网络服务器技术,在.NET平台上设计实现了该系统,从而实现了基于GML的空间数据集成,而且通过SVG技术实现了数据可视化[14]。
但是,目前的研究工作还远不够系统和深入,实际集成应用方案较少,所提出的一些技术和算法还不能满足海量GML空间数据处理和管理的实际应用需要。因此,还需要进行进一步的研究,探索新的技术方案,开发更有效的算法。
3 基于GML的空间数据集成框架
本文借鉴已有的研究成果提出一种基于GML的多源空间数据集成逻辑框架图(如图1),并且通过使用GML技术来实现异构空间数据的集成与互操作。然而多源空间数据因为来自不同的服务器,每份数据可能拥有各自的数据类型。
1)空间数据建立的输入数据结构由于各自的物理结构不同,而且它们的储存方式也不一样,根据这样的多样性数据结构建立其应用模式。
2)基于GML的输出数据结构的语法、结构和编码模式建立模式转换规则,该规则规定了输入异构的空间数据结构应用模式如何转换成GML Schema。转换模块必须根据模式转换规则对实例模型进行转换,建立基于输出数据结构Schema的GML数据文档,并具有对数据进行编码和解码的能力。
3)虽然来自不同数据源的空间数据都已经转换成了GML数据文档,但不同用户的应用模式间可能存在各种语义或结构上的异构,在空间信息集成中造成歧义和困难。很多情况下,有相同概念的模式在结构和命名上都存在着差异;有些模式有相似的数据模型但包含不同的内容,或是用相同的词表达不同的意义。这就需要进行模式匹配了,它的功能是通过两个模式的相关元素间的匹配关系,来找出这两个模式的元素间的映射关系和集成后的模式。
4 GML模式匹配
模式匹配的目的是为了达到数据集成,而数据集成又是以模式匹配为前提。模式匹配就是指通过一定的算法,把两个模式的所有相关元素进行一一映射,经过一定的分析和对彼此元素的相似度来最终确定模式的元素间的映射关系。
GML模式匹配的基本过程是首先对文档进行数据分析,因为GML文件是遵守XML语法的,可以使用基于树的XML解析器;然后就是通过解析器提取模式文件节点生成GML模式树,生成模式树后,就可以设定算法,对两个模式进行匹配了。在匹配的过程中,最关键的就是确定两个元素的相似度,而元素间的相似度主要表现为语义相似度和结构相似度。用户可以根据具体情况设置一个最小相似度值,即阈值,只有两个元素的相似度值高于这一阈值weight,才进行匹配。
下面是该算法的描述:
MATCH(模式树t1,模式树t2)
{设置阈值weight;//0
设置叶节点的结构相似度s;
For each e1为t1的叶子
{后序遍历t1;后序遍历t2;
for each e2为t2的叶子
{计算两个叶节点的相似度值s;
如上可知算法中输入为两个树状结构的GML模式,输出为一个关于两模式间相关元素的映射关系。其中,tree1和tree2分别表示输入的GML模式树1和GML模式树2,t1和t2为模式1和模式2中的元素,tree1’和tree2’是分别对tree1和tree2进行后序遍历得到的结果。
在算法中,核心参数是确定两个树节点的相似度。在进行匹配时,对树采用后序遍历,并且相似度只确定一次以避免在匹配的过程中产生多对多的关系。当被比较的不是叶节点时,通过比较这两个节点的子节点相似度来确定它们的的相似度,即用其所有的子节点的相似度除以所有的子节点数。叶节点的结构相似度为零。
为了正确的确定两个schema树中的各个非叶节点的结构相似度,在对非叶节点进行匹配前,首先要对叶节点进行匹配,令son(e1)和son(e2)分别代表以e1和e2为根节点的子树上的节点的集合,s(a,b)为其中一个模式中的节点a与另一模式中节点b相似度,则有如下公式(1):
当然最后确定了语义和结构相似度后,需要对两者进行加权求和来获得一个最终相似度,而这个权值由用户自己根据具体情况来确定。
两个模式匹配结束后,可以通过匹配算法生成的映射关系,即模式间元素一一对应的关系来生成集成的模式。
5 结束语
GML作为一种OGC开发的基于XML的地理信息编码标准,使用GML来作为多源异构数据的描述格式,并通过使多源空间数据模式转换为统一数据格式来实现标准化数据层次集成,有利于空间信息充分共享和系统互操作。可是由于GML数据可能来自不同的数据源,导致它们的模式也可能不同,因此模式匹配是GML空间信息集成面临的最严重的挑战,如何能够更进一步的改进模式匹配算法从而简化集成过程,还需进一步的研究。
摘要：为了进一步解决多源空间数据集成问题,该文介绍了以往多源空间数据集成的几种方式,分析了目前国内外关于GML(Geog raphy Markup Language)数据集成进行的研究,并在此基础上提出了一个基于GML的多源空间数据应用集成框架,阐述了一种面向空间信息集成的GML模式匹配算法,并综合以上给出了总结。
多源遥感数据 篇8
关键词：电力大数据,应用现状,多源异构数据,智能电网,大数据,可视化
随着电力企业的不断发展, 企业与企业之间的竞争也不断的激烈, 技术应用问题逐渐成为了电力企业的核心竞争力, 电力大数据广泛应用于电力企业的各个领域中, 并发挥着较大的作用, 但实际的应用中还要着重解决电力大数据的预处理问题。本文以电力大数据应用为切入点, 分析探讨电力大数据的应用现状以及研究多元异构数据技术。
1 电力大数据应用现状分析
所谓的电力大数据是指通过传感器、智能化设备、视频监控设备、音频通信设备和移动中断等各种数据采集渠道收集到的, 结构化、半结构化和非结构化的海量业务数据的集合。
随着电力企业的不断发展, 电力大数据逐渐应用到电力企业的各个业务领域中。在规划方面, 可以通过对大数据的分析, 掌握用电负荷的分布以及变化规律, 有利于提高中长期负荷预测的准确度。在建设方面, 可以通过对现场照片分析对比, 利用分布式存储、模式识别等技术, 掌握电力施工现场的施工状况及安全隐患问题。在运行方面, 通过机器学习、模式识别等多维分析预测技术, 分析新能源出力与风速、光照、温度、湿度等气象因素的关联关系, 有利于更准确的预测管理新能源的发电能力。在检修方面, 通过研究消缺、检修、运行工况、气象条件等因素对设备运行状态的影响, 以及设备运行的风险水平, 利用并行计算技术实现检修策略化。在营销方面, 可以利用聚类模型等挖掘手段, 开展对用电行为特征的深入分析, 并实施区别化的用户管理策略, 可以有效提升对用电行为的分析能力。
电力大数据应用在电力企业各业务领域中, 服务于各个领域的同时也推动着电力企业的发展。电力大数据集合了存储、整合、计算及应用四类核心技术, 促进电力企业业务平台不断更新升级, 扩展对数据的容纳量并提高信息处理能力, 使得电力企业充分挖掘数据资源的价值, 提高电力企业的核心竞争力, 进一步实现可持续发展。
2 多源异构数据分析技术
随着大数据应用于电力企业, 海量数据信息不断的出现, 在具体应用过程中, 需要将这些数据集中起来并分析利用。尽可能的实现各种类型的数据库同时并存, 使得新的信息系统可以实现原有的数据的有效集成。通常来讲, 应用多源异构数据集成技术可以实现。
在电力系统中的智能电网的运行、检修及管理过程中会产生海量的多源异构数据, 这些数据需要集中存储, 故而需要应用多源异构数据集中技术对智能电网运行数据进行快速分析访问。所谓的智能电网是建立在集成的、高速双向通信网络的基础上, 通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用, 实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标。
2.1 智能电网大数据来源。智能电网运行过程中会产生海量的数据, 以下是对智能电网大数据来源的具体分析。
2.1.1 视频及模式识别系统推广。
智能电网视频监控系统要对电力系统的运行情况进行监控, 一旦电力系统运行发生异常, 智能电网就要将异常情况反馈给有关部门, 并自动化的采取相关措施进行排障, 这就要求智能电网需要具备较强的存储能力。
2.1.2 海量电网状态信息采集设备。
常规的调度自动化系统含数十万个采集点, 配用电、数据中心将达到百万甚至千万级。需要监测的设备数量巨大, 每个设备都装有若干传感器, 构成了一个庞大的数据网。
2.1.3 高频电网状态信息捕获技术。
为了满足电网状态信息采集设备更好的进行信息采集, 需要不断提高设备的采样频率, 信号的采样频率必须在200k Hz以上, 特高频检测需要GHz的采样率。有利于对电力系统绝缘放电等状态进行诊断。
2.2 智能电网大数据特点分析。智能电网运行产生的大数据有很多的特点, 例如形式多样化、价值密度低等, 以下是具体分析。
2.2.1 数据价值密度低。
在智能电网监控过程中, 由于监控具有较强的连续性, 直接决定了有效数据出现时间为几秒, 其余信息均不具有有效性, 使得有效信息在所有大数据信息中密度较低, 不易使用。这里所说的有效数据是指电力系统非正常运行数据, 根据这些异常数据方可为电力系统的检修提供重要参考。
2.2.2 数据形式多样化。
智能电网大数据形式多样化且大致分为三类:电力企业营销数据、电力企业管理数据与电网运行和设备检测或监测数据。这些数据中还包括一维数据、二维数据、多维数据、文本与超文本、层次和图形等多种形式。由于形式过于丰富, 使得现有的大数据处理技术无法适应多样化的数据处理。
3 大数据预处理
综上所述, 电力系统的发展若要应用电力大数据, 首先就要解决多源异构的数据处理问题, 除了将多元异构数据集成之外, 还要对这些数据进行相关预处理工作, 本文将就异构多数据处理技术在电力系统应用进行分析, 并简述一种针对低价值密度数据集的可视化方法。
3.1 数据加工。
对大数据预处理的第一步就是要对集合后的多源异构数据进行再加工, 检查数据的完整性及数据的一致性, 对其中的噪音数据进行平滑, 对丢失的数据进行填补, 去重。
3.2 数据的自动抽取与格式转换。
针对各自治系统提供数据方式的不同以及兼顾电力数据的特点, 提出并设计了一种多源异构海量数据的实时数据自动抽取与转换模块。要完成对实时监测到的数据进行正确性检查, 根据各异构数据的不同抽取规则对实时在线获取的数据进行分类多线程的自动抽取, 并结合决策基础数据库的存储设计要求进行相应格式转换, 形成具体统一规范的数据格式, 此层显然是最核心的处理层, 在设计时要特别注意转换的效率和转换的正确性, 是后期应用的基础性工作。
3.3 可视化技术处理低价值密度数据。
所谓的可视化技术是指利用计算机图形学和图像处理技术, 将数据转换成图形或图像在屏幕上显示出来, 并进行交互处理的理论、方法和技术。它涉及到计算机图形学、图像处理、计算机视觉、计算机辅助设计等多个领域, 成为研究数据表示、数据处理、决策分析等一系列问题的综合技术。由于智能电网运行产生的大数据具有低价值密度的特点, 所以要切实通过可视化技术对这些数据进行处理, 使得异常数据在屏幕上较为清晰的呈现出来, 便于检修。
结束语
综上浅述, 电力大数据应用于电力企业的各个领域, 对于电力企业的发展来说有着一定程度上的推动作用, 然而切实做到大数据的正确应用就必须做好海量数据的处理工作, 多元异构数据集合技术使得各类大数据库并存, 并进行加工处理, 实现数据的自动抽取与格式转换, 可视化技术处理低价值密度数据, 更好的应用于电力企业发展中。
参考文献
[1]宋亚奇, 周国亮.智能电网大数据处理技术现状与挑战[J].电网技术, 2013, 3 (4) :927-935.
[2]李国杰.大数据研究的科学价值[J].中国计算机学会通讯, 2012, 8 (9) :8-15.