移动地理信息系统中的多源异构数据融合模型_李文闯
大规模多源异构数据融合技术研究与应用
大规模多源异构数据融合技术研究与应用随着信息技术的迅速发展，人们进入了一个以数字化、信息化为主导的时代。
而在这个时代里，数据可以说是最重要的资产之一。
而随着数据量的不断增加，如何获得、掌握和利用数据成为了一项重要课题。
多源异构数据融合技术正是一种可以解决这个问题的技术手段。
一、多源异构数据在多源异构数据融合技术中，首先要理解的就是什么是多源异构数据。
所谓多源数据，是指数据来自多个独立的数据源，而异构数据则是指来自不同领域、不同格式、不同结构的数据。
这意味着多源异构数据通常包含了大量的冗余和重复信息，也包含了不同领域之间的关联信息。
多源异构数据的融合和利用对于很多领域都至关重要。
例如医疗领域，患者的各种病历、检查结果、病史等来自不同医院、不同科室的数据都可以被视为多源异构数据。
对这些数据进行融合和分析，可以有效地帮助诊断、治疗和预防疾病。
二、多源异构数据融合技术在多源异构数据的融合和利用过程中，需要借助多源异构数据融合技术。
多源异构数据融合技术可以看作是数据集成和数据挖掘的结合。
它旨在将多源异构数据进行有效的组合和整合，提供一个全面、一致、准确、及时、可靠的数据视图。
多源异构数据融合技术通常包括以下几个方面：1. 数据清洗和预处理。
这是融合技术的基础，其主要目的是将多源异构数据转换成统一的格式和结构，以便进行后续的处理。
2. 数据匹配和集成。
这是融合技术的核心，其主要目的是将多个数据源中的相关数据进行匹配和整合，形成完整的数据集。
3. 数据挖掘和分析。
由于多源异构数据通常包含了大量的信息，因此需要进行数据挖掘和分析，从中提取出有用的知识和信息，为决策提供依据。
4. 数据可视化和展示。
这是融合技术的输出，其主要目的是将融合后的数据以可视化的方式展示给用户，提高数据利用的效率和可靠性。
三、多源异构数据融合技术的应用多源异构数据融合技术已经广泛应用于各个领域。
以下是一些典型的应用场景：1. 医疗领域。
通过融合不同医院、不同科室的病历、检查结果、病史等数据，可以提高患者的诊疗效率和治疗效果。
多源异构感知数据融合方法及其在目标定位跟踪中的应用
多源异构感知数据融合方法及其在目标定位跟踪中的应用一、本文概述随着信息技术的飞速发展，感知数据的获取与处理已成为众多领域，如智能监控、自动驾驶、航空航天等的关键技术。
其中，多源异构感知数据融合技术更是成为了一个研究热点。
本文旨在探讨多源异构感知数据融合方法，以及其在目标定位跟踪中的应用。
本文将介绍多源异构感知数据的概念和特点，阐述数据融合的必要性和挑战。
在此基础上，我们将详细讨论多源异构感知数据融合的关键技术，包括数据预处理、特征提取、数据融合算法等。
这些技术是实现高效、准确数据融合的关键。
本文将重点探讨多源异构感知数据融合在目标定位跟踪中的应用。
我们将分析目标定位跟踪的基本原理和方法，以及多源异构感知数据融合如何提升目标定位跟踪的精度和鲁棒性。
我们还将讨论在实际应用中可能遇到的问题和挑战，并提出相应的解决方案。
本文将总结多源异构感知数据融合方法及其在目标定位跟踪中的应用现状，并展望未来的发展趋势。
我们希望通过本文的研究，能够为多源异构感知数据融合技术的发展和应用提供有益的参考和启示。
二、多源异构感知数据融合方法多源异构感知数据融合方法是指将来自不同感知设备、不同数据格式和不同类型的数据进行有效融合，以提高数据质量、增强信息的完整性和准确性，从而实现更精确的目标定位与跟踪。
需要对各个感知设备采集的数据进行预处理。
预处理包括数据清洗、去噪、标准化和归一化等操作，目的是消除数据中的冗余、错误和噪声，使数据更适合后续的融合处理。
接下来，对预处理后的数据进行特征提取。
特征提取的目的是从原始数据中提取出与目标定位跟踪相关的关键信息，如目标的形状、大小、颜色、纹理等。
对于不同类型的感知数据，需要采用相应的特征提取方法。
数据融合策略是多源异构感知数据融合方法的核心。
根据数据的特性和应用场景，可以选择不同的融合策略，如加权平均融合、卡尔曼滤波融合、基于机器学习的融合等。
加权平均融合适用于数据质量相近的情况，卡尔曼滤波融合适用于动态目标跟踪，而基于机器学习的融合则适用于复杂场景下的数据融合。
一种基于深度学习的多源异构数据融合方法
第3期
惠国保：一种基于深度学习的多源异构数据融合方法
·219·
可同时输入多源异构数据进行训练学习，提取融合 多源共享特征的目标高层特征。
2 深度学习模型
典型的深度学习模型都是基于 “特征变换-非线 性操作-特征选择（约简） ”的多层迭代模型，特征 变换通过设计滤波器或是其他特征提取方法，成功 的提取当前阶段的特征信息，同时也升高了数据的 维数；非线性操作模拟了人类神经元具有激活与抑 制两个状态，将变换后的特征二值化或使用逻辑回 归函数处理；特征选择将对分类或其他机器学习任 务起作用的特征进行挑选，同时达到降维的作用， 使得深度网络模型的规模维持在一定范围内。 深度学习概念源于人工神经网络的研究，通过 组合低层特征形成更加抽象的高层表示属性类别 或特征，以发现数据的分布式特征表示。深度学习 采用了神经网络相似的分层结构，系统由包括输入 层、隐层(多层)、输出层组成的多层网络，只有相 邻层节点之间有连接，同一层以及跨层节点之间相 互无连接，如图 2 所示。区别于传统的浅层学习， 深度学习的不同在于： （1） 强调了模型结构的深度， 通常有五六层， 甚至十多层的隐层节点； （2）明确突出了特征学习的重要性，也就是 说，通过逐层特征变换，将样本在原空间的特征表 示变换到一个新特征空间，从而使分类或预测更加 容易。与人工规则构造特征的方法相比，利用大数 据来学习特征，更能够刻画数据的丰富内在信息。 下面就神经网络模型构建和网络参数优化两方面 具体介绍。 2.1 模型构建 准备好训练图像集后，需要构建神经网络模型。 一个神经网络有多个简单神经元铰链在一起构成， 一个神经元的输出可以是另一个神经元的输入。图 2 是一个简单的深度神经网络，图中用圆圈表示网 络的输入。标“+1”的圆圈表示偏置单元，对应截 取项。最左边的一层是网络的输入层，最右边层是 网络的输出层。中间层为隐含层，因为它结点的值 在训练集里是观察不到的。也可以说图中的神经网 络输入层有 3 个输入单元（不包括偏置单元） ，有 两个隐含层，第一个隐含层有 3 个隐含单元，第二 个隐含层有 2 个隐含单元，还有输出层 2 个输出单 元。
多源信息融合及其应用
２ 多源信息融合 的基本原理与级别
２ ． １ 多源信 息融合 的基本 原理
多源信息融合是人类和其他生物系统 中普遍存 在的一种基本功能。人类本能地具有将身体上的各 种功能器官所探测的信息与先验知识综合的能力 ，
以便对 他 周 围的环 境 和 正在 发 生 的事 件 做 出 估计 。
位置级融合是直接在传感器的观测报告或测量 点迹和传感器的状态估计上进行的融合 ， 包括 时间 上的融合 、 空间上的融合以及时空上的融合 ， 它通过 综合来 自多传感器的位置信息建立 目标的航迹和数 据库 ， 获得 目 标的位置和速度 ， 主要包括数据校准 、 数据互联、 目标跟踪 、 状态估计 、 航迹关联、 估计融合 等 。该级有集中式 、 分布式 、 混合式和多级式结构。 为了提高局部节点的跟踪能力 ， 对分布式 、 混合式和
器平 台上以及许多民事领域得到了广泛的应用。 多源信息融合是针对使用多个或多类信息源 （ 或传感器） 的系统而开展的一种信息处理方法 ， 它 又被称作多源关联 、 多源合成 、 传感器集成或多传感 器融合 ， 但更广泛的说法是多源信息融合或多传感 器信息融合。信息融合通常概括 为： 利用计算机技
结果， 目的是利用多个信源协同工作的优势， 提高整 个系统的有效性。
２ ． ２ 多源信 息融合 的级 别
和数据库等。是一个在多个级别上对传感器数据进 行综合处理的过程， 每个处理级别都反 映了对原始
数据不 同程度的抽象 ， 它包括从检测到威胁判断、 火 力分配和通道组织的完整过程 ， 其结果 表现为在较 低级别对状态和属性的评估和在较（ 多传感器 ） 信息融合
便迅 速发 展起 来 ， 并在现代 Ｃ ４ Ｉ Ｓ Ｒ系 统 中 和各 种 武
多源异构数据资源的统一表征与融合管理机制_概述及解释说明
多源异构数据资源的统一表征与融合管理机制概述及解释说明1. 引言1.1 概述多源异构数据的统一表征与融合管理机制是当前信息时代面临的一个重要问题。
随着信息技术的快速发展和互联网的普及，越来越多的数据以各种形式和结构存在于多个不同的来源和格式中。
这些数据资源具有不同的数据类型、语义、存储结构和访问接口，给数据集成、共享和利用带来了巨大困难。
为了有效地整合这些多源异构数据资源，需要一种统一的表征方法和融合管理机制，以确保不同数据源之间的相互理解和无缝协作。
本文旨在探讨如何进行多源异构数据资源的统一表征与融合管理，从而提高对复杂数据资源的整体理解能力。
1.2 文章结构本篇文章按照以下结构组织内容：引言部分介绍了多源异构数据资源统一表征与融合管理的概述，并明确了文章撰写目标；第二部分详细探讨了多源异构数据资源统一表征与融合管理机制相关内容；第三部分介绍了规范化数据表征方法与模型选择；第四部分则从技术和实践角度对多源数据融合管理进行了深入分析和案例研究；最后的结论部分总结了本文的主要研究成果，并展望了未来发展方向。
1.3 目的本文的目的是介绍多源异构数据资源统一表征与融合管理机制的重要性、挑战以及应用场景。
通过探讨数据标准化基本概念、常见数据表征方法的优缺点，以及模型选择与适配策略的探讨，读者将能够更好地理解多源异构数据资源的统一表征与融合管理机制。
在介绍数据预处理与清洗技术、数据集成与匹配算法研究现状，以及面向多源异构数据融合的管控策略设计和实施案例分析之后，读者将能够了解到多源异构数据融合管理技术在实践中的应用情况。
最后，通过对主要研究成果总结和存在问题与未来发展方向的展望，我们希望为进一步推动多源异构数据资源统一表征与融合管理机制的发展提供参考和思路。
2. 多源异构数据资源的统一表征与融合管理机制2.1 数据资源的多样性与异构性介绍在当前数字化时代，各种组织和个体产生了大量的数据资源，这些数据资源具有多样性和异构性。
多源异构数据融合与处理技术研究
多源异构数据融合与处理技术研究随着互联网和信息技术的不断发展，各行各业都面临着海量异构数据的挑战。
异构数据泛指不同来源、类型、格式、语义、结构和质量的数据，如文本、图像、视频、传感器数据、社交媒体数据等。
这些数据分布在不同的系统、应用程序、平台和网络中，不仅数量庞大，而且存在着互操作性、异构性、不确定性和不可信性等问题，给数据的融合和处理带来了很大的困难。
为了解决多源异构数据的难题，多源数据融合与处理技术应运而生。
该技术旨在利用多个数据源的信息以及数据之间的关系，整合成一个更有价值、更完整、更一致的信息资源，从而支持更高效、更精确的决策、分析和预测。
本文就多源异构数据融合与处理技术进行研究和总结，以期帮助更多的人了解和应用该技术。
一、多源异构数据融合技术1.数据清洗和集成数据清洗和集成是多源异构数据融合的第一环节。
由于多源数据的来源不同、格式不同和语义不同，因此需要对数据进行清洗，保证数据的完整性、一致性和准确性。
同时需要将数据进行集成，建立数据的元数据和语义映射，以便实现跨源查询和分析。
2.数据挖掘和识别数据挖掘和识别是多源异构数据融合的核心环节。
通过数据挖掘技术，可以从海量数据中提取出有用的信息，如关联规则、聚类、分类等。
通过数据识别技术，可以识别出数据中的重要特征和模式，如时间序列、空间信息、社交关系等。
3.知识图谱和本体建模知识图谱和本体建模是多源异构数据融合的重要手段。
知识图谱是一种描述实体、关系和属性的图形模型，可以用来表示多个数据源之间的关系和语义信息。
而本体是一种描述概念、实体和属性的语义模型，可以用来定义多个数据源之间的信息交互和知识共享。
二、多源异构数据处理技术1.数据分析和预测数据分析和预测是多源异构数据处理的核心技术。
通过数据分析技术，可以快速发现数据中的规律和趋势，如异常检测、数据可视化、模型评估等。
通过数据预测技术，可以利用已有数据来预测未来的趋势和结果，如时间序列预测、分类预测、回归预测等。
多源异构数据集成的实景三维数据模型
多源异构数据集成的实景三维数据模型
周俊晖;赵聪浩;冯振俭;苏玮
【期刊名称】《北京测绘》
【年(卷),期】2022(36)5
【摘要】本文根据实景三维中国的要求,提出一种集成多源异构数据的空间数据体数据模型。
以面向对象的方式,在概念上对地理场景和地理实体的数据结构进行了统一,对传统的“三域”标识组织进行了拓展,对描述同一个地理事物的多种空间数据进行了集成,尤其拓展了对多种三维空间数据的组织和存储。
增加了非结构化数据索引,支持空间数据体关联文档和多媒体数据。
此外,还提出了一种简化解决空间数据体间关系的组织、管理问题的方案。
最后,依据该数据模型,提出一套与之相适应的混合数据库建设方案,该方案已经在多个相关项目实践中得以应用。
【总页数】8页(P563-570)
【作者】周俊晖;赵聪浩;冯振俭;苏玮
【作者单位】广州南方智能技术有限公司;南宁市自然资源信息集团有限公司;广州市城市建设档案馆
【正文语种】中文
【中图分类】P284;P208
【相关文献】
1.基于XML中间件的多源异构水污染源数据集成方案探讨
2.基于实景三维模型的多源数据集成技术研究
3.基于Neo4j的数据空间多源异构数据集成管理研究
4.家
电服务全生命周期多源异构大数据集成技术研究5.基于BIM的绿色建筑运维多源异构数据集成路径研究
因版权原因，仅展示原文概要，查看原文内容请购买。
多源异构传感数据融合技术研究
多源异构传感数据融合技术研究一、引言多源异构传感数据的融合技术是指将来自不同类型传感器和不同传感器位置的多源传感数据整合起来，形成全局的感知和认知。
由于传感器的不同，其获取的数据也不同，因此如何将这些信息进行有效的融合，成为了传感领域亟待解决的问题之一。
二、传感数据的特点传感数据的特点是多姿多彩的，包括巨大的数据量、高动态范围、高采样率、高噪声率、数据丢失、数据时延等。
例如，机器视觉传感器能够捕捉细节图像，但是不能获得空气质量等其他因素，而气体传感器只能测量这些因素，但不能感知图像信息，这些数据的互补性需要进行融合处理。
三、多源传感数据融合的方法针对多源传感数据融合问题，研究者提出了多种方法。
其中，主要分为基于模型、基于规则和基于学习的方法。
1. 基于模型的方法该方法将不同来源的传感器数据映射到一个共同的状态空间，比较受欢迎的方法是一些基于贝叶斯概率模型的方法。
该方法利用统计模型建立传感器数据之间的关系。
这些模型包括基于隐马尔可夫模型、粒子滤波器模型、Kalman滤波器模型等。
2. 基于规则的方法该方法将传感数据预处理为关键指标，然后使用专家系统、模糊逻辑、神经网络等技术从中提取有用的信息。
该方法适用于图像、声音等多媒体数据的处理。
该方法具有解释性强，但需要依靠先验业务知识来设计规则。
3. 基于学习的方法该方法基于机器学习技术，从大量数据中寻找模式和规律。
该方法将传感器数据输入到机器学习算法中，学习分类和映射函数以预测未知数据。
该方法适用于大数据场景下的分析和处理。
四、多源异构传感数据融合的应用多源传感数据融合的应用非常广泛，包括但不限于智慧交通、电力系统监测、环境监测等。
1. 智慧交通传感器技术对交通拥堵、道路损坏、车辆跟踪等问题提供了解决方案。
例如，交通灯系统可以通过整合监控摄像头和车辆识别传感器来控制交通流量，避免交通拥堵。
2. 电力系统监测电力系统的安全和稳定需要对电网状态进行实时监测和分析。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1． 1 实体对象信息模型 所采集信息依赖于被采集实体而存在，包括空间信息、文
本或数字描述的属性信息、图像或视频描述的静态或动态属 性信息。空间信息细分为空间对象类别、空间形状及位置坐 标、空间拓扑关系、维数等； 属性信息细分为空间实体唯一识 别码、实体静态描述信息、行为和功能、衍生信息等。对象信 息模型如图 1 所示。
0 引言
随着空间信 息 技 术 的 快 速 发 展，其 应 用 领 域 不 断 扩 展。 行业管理应用的不断深化对信息内容提出了更高的要求，需 要空间位置、一般属性和表现形式直观丰富的多媒体数字图 像等多源异构数据融合的野外数据采集技术。集多媒体和空 间信息获取及通信为一体化的移动智能终端设备的发展为移 动数 据 采 集 地 理 信 息 系 统 （ Geographic Information System， GIS） 中多源异构数据的高效融合提供了可能。
图 1 对象信息模型
1． 2 基于 EXIF 的数据结构设计 对象信息模型中数字图像有着比一般属性和空间位置数
据复杂的物理结构。目前，移动采集设备拍摄存储静态图片 的一般类型是联合图像专家小组 （ Joint Photographic Experts Group，JPEG） ，JPEG 档 案 交 换 格 式 （ JPEG File Interchange Format，JFIF） 定义了许多标记用来区分和识别图像数据及其 他相关信息，相比其他采用固定格式文件头记录的方式，很容 易扩充记录信息而不影响兼容性，正是在这样的基础之上产 生了 EXIF。目前，多数厂商的数码相机都采用 EXIF 来记录 数码相机拍摄过程中所采集的一系列相互联系的拍摄信息， 如拍摄入数字图像中。IFD 图像文件目录是一个字节长度可 变的信息块，TAG 标记是 TIFF 文件的核心，在图像文件目录 中定义了要用的所有图像参数，目录中的每一目录条目包含 图像的一个参数［14 － 15］。EXIF 规范对 IFD 中的一些标签给出 了初始化的功能预留，但是有相当比例的标签功能在日常应 用中并未体现，可以合理挖掘利用。
摘 要： 为了提高移动地理信息系统在野外数据采集过程中对多源异构数据的组织管理效率，在分析现有方法 局限性和数据自身结构的基础上，提出一种基于可交换图像文件( EXIF) 原理以数字图像为载体融合空间位置信息和 一般形式属性的数据模型。该模型将关联的空间位置和一般属性嵌入到数字图像的物理结构中，从而实现关联数据 的高度整合。基于该模型设计开发了野外数据采集系统，系统应用于农业资源管理与决策分析领域，验证了模型的 有效性和实际效果。
目前，在采集系统中关于数字图像、空间位置和一般属性 的组织关联主要有以下 3 种模式： 1） 基于中间文件模式。利 用中间文件描述数字图像与空间位置信息及其他一般属性之 间的映射来实现外部关联［1 － 5］，比较常用的是采用可扩展标 记语言（ Extensible Markup Language，XML） 文件存储空间位 置信息、一般属性以及相对应的图像路径字符串，美国环境系 统研究所公司的 Shapefile 文件格式就采用了类似方式实现， 这种模式在一定程度上解决了多源异构数据关联的问题，但 是却将同一对象的描述信息存储在多个文件当中，组织过程
doi： 10． 3724 / SP． J． 1087． 2012． 02672
移动地理信息系统中的多源异构数据融合模型
李文闯1，2 ，章永平2 ，潘瑜春2*
( 1． 首都师范大学 信息工程学院，北京 100048; 2． 国家农业信息化工程技术研究中心，北京 100097) ( * 通信作者电子邮箱 panyc@ nercita． org． cn)
EXIF 的数 据 结 构 采 用 签 图 像 文 件 格 式 （ Tagged Image File Format，TIFF） 存储信息，由三个部分组成，分别为图像文 件头 （ Image File Header，IFH） 、图 像 文 件 目 录 （ Image File Directory，IFD） 以 及 IFD 所 指 向 地 址 存 储 的 图 像 数 据［13］。 EXIF 只使用了两个 TIFF IFD，分别称作 IFD0 和 IFD1，但定义 了三个自己的 IFD 作为 IFD0 的扩展记录，分别为： EXIF IFD， GPS IFD，Interoperability IFD，其中 GPS IFD 用于存储地理坐 标信息，具有 GPS 标识功能的数码相机便是将 GPS 位置信息
第9 期
李文闯等: 移动地理信息系统中的多源异构数据融合模型
2673
范围较大，因此仅仅用空间位置信息进行标识不适用于数据 采集，即便是不同空间位置的图像，描述的依然可能是同一实 体，一般智能终端 GPS 接收到的位置信息精度在 10 ～ 15 m， 同一位置多次获取的位置信息也不同。可见，在数字图像中 仅仅标识空间位置信息只能表达该图像拍摄时的地理位置， 无法满足数据采集的实际需要。
采集系统中数据融合必然以被采集实体为核心，实体的 唯一标识是实现将数字图像、空间位置及一般属性无缝有机 融合的纽带，融合模型首先的关键是将以上各种数据进行有 效组织，设计可行的数据结构和内容。
每个 JPEG 格式的图像文件可以存储不多于 65 535 字节 的 EXIF 信息，足以满足日常数据采集过程中图像信息所对 应的空间位置及一般属性的存储。如 JPEG 图像文件目录中 TAG 为 010E、010F、0110、8298 的标签项，其数据类型为美国 信息互 换 标 准 代 码 （ American Standard Code for Information Interchange，ASCII） ，且组件大小在 JPEG 图像整体 EXIF 容量 约束之外并没有单独的限制，因此除了用 GPS IFD 存储 GPS 信息外可将一般属性适当组织后存储在上述结构段中。数据 结构设计如图 2 所示。
LI Wen-chuang1，2 ， ZHANG Yong-ping2 ， PAN Yu-chun2*
( 1． College of Information Engineering， Capital Normal University， Beijing 100048， China; 2． National Engineering Research Center for Information Technology in Agriculture， Beijing 100097， China)
Key words: mobile Geographic Information System ( mobile GIS ) ; data collection; multi-source heterogeneity; EXchangeable Image File ( EXIF) ; data fusion
关键词： 移动地理信息系统; 数据采集; 多源异构; 可交换图像文件; 数据融合 中图分类号： TP311． 12 文献标志码： A
Multi-source heterogeneous data fusion model in mobile geographic information system
Journal of Computer Applications 计算机应用，2012，32( 9) : 2672 － 2674，2678
ISSN 1001-9081 CODEN JYIIDU
2012-09-01 http: / / www． joca． cn
文章编号： 1001 － 9081（ 2012） 09 － 2672 － 03
基于此，本文从采集的空间实体出发，根据数字图像、空 间及 一 般 属 性 结 构 的 不 同，设 计 基 于 可 交 换 图 像 文 件 （ EXchangeable Image File，EXIF） 原理的多源异构数据融合 模型，将相关的空间位置和一般属性写入数字图像中，完成此 类关联数据的高度整合。同时，开发了应用于农业资源管理 和决策分析领域的野外数据采集系统，尝试将该数据模型进 行应用。
中不断对中间文件进行读写操作势必导致数据冗余、管理过 程繁琐、安全性降低等问题，而且多文件模式本身也存在子文 件丢失导致数据完整性遭破坏的隐患。2） 基于关系数据库 模式。利用关系数据库外键方式将数字图像保存路径与空间 位置及其他属性信息进行关联［6 － 9］，相比中间文件模式，利用 关系数据库管理系统无疑能提高数据安全性和数据存取的易 操作性，但是关系数据库实质上只是另外一种意义上的中间 文件，同样无法很好解决数据管理繁琐和冗余的问题，而且一 旦图像文件进行迁移就需要重新维护关联关系，这将增大了 数据维护的难度。3） 简单的数字图像中融入空间位置信息 模式［10 － 12］。该模式有效地改善了前述两种模式的缺陷，但在 外业采集过程中依然基于前两种模式实现，只是在采集后进 行了全球定位系统（ Global Positioning System，GPS） 信息和图 像的融合，且其前提是 GPS 信息和数字图像必须近同时获 取，但实际上两者采集时间差并不确定。另外，图像是对被采 集对象实体属性的一种形象直观描述，空间位置是实体对象 的空间信息，两者都依赖于被采集实体而存在，图像和空间位 置是通过实体实现关联的。很明显，对于较大的实体，其空间
收稿日期： 2012-03-26； 修回日期： 2012-05-09。 基金项目：“十二五”国家科技支撑计划项目（ 2011BAD04B） 。 作者简介： 李文闯（ 1989 － ） ，男，河南南阳人，硕士研究生，主要研究方向： 嵌入式空间信息系统； 章永平（ 1978 － ） ，男，江苏句容人，工程 师，硕士，主要研究方向： 基于网络的地理信息系统、移动地理信息系统； 潘瑜春（ 1971 － ） ，男，安徽歙县人，研究员，博士，主要研究方向： 地理 信息系统工程。
Abstract: In order to enhance the organization and management efficiency of multi-source heterogeneous data in field data collection process for mobile Geographic Information System ( GIS) ， based on the analysis of the limitations of the existing methods and structural features of the data， a new kind of fusion model based on EXchangeable Image File ( EXIF) was proposed in which the digital image was used as carrier to fuse the information of spatial location and general attributes． In the proposed model， associated spatial information and general attributes were embedded into digital image to achieve the purpose of being highly integrated． A field data collection system was designed and developed based on the model， and applications of this system in the fields of agricultural resources management and decision analysis verify the validity and actual result of the model．