多源信息融合数字模型
面向大数据时代的多源信息融合算法研究
面向大数据时代的多源信息融合算法研究近年来，随着互联网、物联网等技术的发展，人们日常生活和工作中获取的信息已经愈加丰富和复杂。
在这种背景下，如何有效地利用这些信息并进行全面而深入的分析成为了一个急需解决的问题。
大数据技术的兴起也为这一问题提供了解决方案，面向大数据时代的多源信息融合算法成为了一个研究热点。
一、多源信息融合的概念多源信息融合是利用多种数据源（如传感器数据、网络数据、遥感数据等）来获取更加准确和全面的信息，从而做出更好的决策或实现更好的预测任务。
融合的数据可以包括基础数据、元数据和解释数据等，其目的是为了得到更加全面和准确的信息。
二、多源信息融合的意义多源信息融合可以帮助我们更全面、准确地把握信息，从而做出更好的决策。
对于企业而言，利用多源信息融合技术进行市场调研、客户分析等能够更好地了解市场需求和客户需求；对于公共安全领域而言，多源信息融合能够帮助警方及时发现和预防恐怖袭击、犯罪等事情的发生。
三、多源信息融合的挑战在多源信息融合中，我们面临的最大挑战是如何有效地处理和整合来自不同来源的各种数据。
各种数据的特点各异，包括数据格式、数据质量、数据集大小、数据类型等。
另外，数据之间的相互关系也需要被考虑进去，这就需要一些高级算法的支持。
四、多源信息融合算法的研究因为多源信息融合的数据是十分复杂的，实现这项技术的算法也需要比较高端的技术支持。
目前常见的多源信息融合算法包括贝叶斯网络、群体智能、人工神经网络等等。
这些算法都较为复杂，需要精细的算法设计和实现。
1. 贝叶斯网络算法贝叶斯网络算法是一种基于概率模型的多源信息融合算法，它能够描述各种变量之间的条件关系以及变量间的依赖关系。
贝叶斯网络算法被广泛地应用于故障诊断、工业控制、图像处理等领域的研究。
2. 群体智能算法群体智能是一种新型的算法，它利用多种算法和智能技术来实现多源信息融合。
群体智能算法主要由离散粒子群算法、蚁群算法、粒子群优化算法等组成。
多源信息融合算法
多源信息融合算法一、概述多源信息融合算法是指将来自不同传感器、不同观测手段或不同领域的数据进行整合和分析，从而得到更全面、更准确的信息。
多源信息融合技术在军事、情报、地质勘探等领域得到广泛应用。
二、多源信息融合算法的分类1. 基于模型的方法：利用数学模型对数据进行建模和分析，常见的模型有贝叶斯网络、神经网络等。
2. 基于规则的方法：利用专家知识和经验构建规则库，根据规则库对数据进行推理和判断。
3. 基于统计学方法：通过对数据进行统计分析，得出概率分布或特征向量等特征，从而实现数据融合。
4. 基于决策论方法：将多个决策结果综合起来，采取加权平均或投票法等方式进行最终决策。
三、多源信息融合算法的应用1. 军事领域：利用雷达、卫星图像等不同类型传感器获取目标信息，通过多源信息融合算法实现目标识别与跟踪。
2. 情报领域：整合来自多个情报来源的信息，进行分析和推断，帮助决策者制定决策。
3. 地质勘探领域：利用地震、地磁等不同类型传感器获取地下信息，通过多源信息融合算法实现油气资源勘探。
四、多源信息融合算法的优势1. 提高数据的准确性和可靠性：通过整合多个来源的数据，减少误差和不确定性，提高数据的准确性和可靠性。
2. 增加数据的完整性和综合性：将来自不同领域、不同传感器的数据进行整合，可以得到更全面、更综合的信息。
3. 提高决策效率和精度：通过对多个决策结果进行综合分析和判断，可以提高决策效率和精度。
五、多源信息融合算法存在的问题1. 数据质量差异大：来自不同传感器或观测手段的数据质量差异较大，需要对数据进行预处理和标准化。
2. 数据异构性强：来自不同领域或不同传感器的数据具有很强的异构性，需要采用适当的方法进行融合。
3. 算法复杂度高：多源信息融合算法需要考虑多个因素，算法复杂度较高，需要大量的计算资源和时间。
六、总结多源信息融合算法是一种将来自不同传感器、不同观测手段或不同领域的数据进行整合和分析的技术。
多源信息融合建模与智能交互技术
多源信息融合建模与智能交互技术随着信息技术的不断发展和应用，各种信息资源如雨后春笋般涌现，信息量的爆炸性增长给人们带来了巨大的便利和挑战。
如何从海量信息中准确、高效地获取需要的信息，成为信息领域急需解决的重要问题。
多源信息融合建模与智能交互技术应运而生，为信息处理带来了全新的思路和方法。
一、多源信息融合建模：1.1 信息融合的概念和意义信息融合是指将来自不同信息源或不同传感器的信息进行整合和分析，使之能够提供更准确、更全面的信息结果。
信息融合技术的发展，能够有效地解决信息过载、信息冗余以及信息不一致等问题，提高了信息的利用率和价值。
1.2 多源信息融合的模型与方法多源信息融合建模主要包括信息融合的层次模型、信息融合的数学模型、信息融合的方法与算法等。
通过对不同信息源进行数据融合、特征融合和决策融合，构建多源信息融合模型，提高信息处理的准确性和鲁棒性。
1.3 多源信息融合的应用领域多源信息融合建模可应用于智能交通系统、环境监测预警、医疗诊断、军事作战指挥等领域，为各行业提供了创新性的解决方案。
各种传感器信息、网络信息、遥感信息等可通过信息融合技术，进行整合和分析，为相关决策提供支持。
二、智能交互技术：2.1 智能交互的概念和特点智能交互是指基于人工智能技术，通过模拟人类智能行为和语言，实现人与计算机或机器人之间的自然、便捷的交互。
智能交互技术的核心是实现智能的感知、理解、推理和表达能力，使机器能够更好地理解和适应人类的需求。
2.2 智能交互的关键技术智能交互技术包括语音识别、自然语言处理、情感识别、智能推荐等关键技术。
通过人机对话系统、虚拟个人助理等智能交互界面，实现人与计算机之间更加便捷、高效的信息交流。
2.3 智能交互的应用场景智能交互技术已经广泛应用于智能音响、智能掌柜、智能家居、智能医疗等各个领域。
通过人机对话、语音搜索、情感交流等方式，为用户提供更加便捷、个性化的服务体验。
三、多源信息融合与智能交互的结合：3.1 多源信息融合与智能交互的意义多源信息融合与智能交互的结合，可以实现信息的多维度、多角度的分析和理解，为用户提供更准确、更个性化的信息服务。
多源数据信息融合的模型与算法研究
多源数据信息融合的模型与算法研究随着数据的不断增长和多样性，数据融合技术也越来越受到人们的关注。
多源数据信息融合是指将不同来源、不同格式的数据整合在一起，形成一个统一的、全球的、一致的数据集。
其目的在于综合多种数据源信息，获取更加全面、准确、可靠的信息。
如何进行有效的多源数据信息融合，成为研究的重要方向之一。
传统的数据融合算法通常基于经验或者简单的算术方法。
这些方法忽略了数据之间的关系和不确定性，容易产生噪声和误差。
为了更好地处理多源数据信息融合问题，需要考虑到各个数据源之间的关系，采用更为高级的技术。
一种常用的多源数据信息融合的模型是基于贝叶斯网络的融合模型。
在该模型中，数据源与目标变量之间的关系以有向图的方式表现，将先验和后验原理都充分应用到数据融合的过程中。
贝叶斯网络融合模型不仅可以提高多源信息的准确性，同时还能够有效地处理信息不确定性，将不确定性从原本的信息中剔除，获得更加可靠的结果。
除此之外，多源数据信息的融合还可以应用到机器学习领域中。
随着机器学习的兴起，大量非结构化和半结构化的数据呈现爆炸性增长，这些数据的处理和应用也成为了新的难题。
传统的机器学习算法需要大量的数据和特征工程，在处理多源数据信息时，容易受到数据缺失和信息质量低的影响。
因此，多源数据信息的融合在机器学习中成为非常重要的研究方向。
例如，将多模态的数据融合到神经网络中进行训练，可以提高模型的预测准确率和稳定性。
总体来说，多源数据信息融合的模型和算法目标在于提高数据的可用性、完整性和可信度，进而实现更加准确、可靠的分析和预测。
在实际应用中，需要考虑到数据质量、数据来源、数据格式等问题，以及如何进行有效地数据融合和信息提取。
未来，多源数据信息融合的研究会越来越深入，更加复杂和多变的数据源也会涌现，这将需要更加高效和精确的融合算法和模型来应对。
多源信息融合软件的设计与实现
多源信息融合软件旳设计与实现摘要：针对多源信息类型不一致影响信息运用效率旳问题，文章在分析老式多源数据融合模型旳基本上，研究了多源信息融合软件旳架构及有关技术，设计并开发旳软件具有较高旳实用价值。
核心词：多源信息；信息融合；软件开发多源信息融合是通过将多种信源在空间上和时间上旳互补与冗余信息根据某种优化准则组合起来，产生对特点对象旳一致性解释与描述。
数据融合技术是指运用计算机对获得旳信息，在一定准则下加以自动分析、综合，以完毕所需决策和评估任务而进行旳信息解决技术。
重要涉及对各类信息源给出有用信息旳采集、传播、综合、过滤、有关及合成，以便辅助人们进行态势/环境鉴定、规划、探测、验证。
数据格式统一是进行数据解决旳前提。
由于信息旳来源多，数据格式类别差别较大，对于数据解决带来不便。
多源信息融合软件可以实现多源异构数据信息整合，对于充足运用信息资源、提高数据解决系统性能具有实用价值。
1 多源数据融合模型根据对输入信息旳抽象或融合输出成果旳不同，可以将信息融合分为不同旳3级，涉及数据级融合、特性级融合及决策级融合。
作为数据级旳多源数据融合模型旳构造如图1所示。
多源数据通过数据清理、数据集成、数据变换，形成有效数据，通过数据解决形成数据挖掘分析等解决工作旳有效数据。
数据清理是指清除源数据集中旳噪声数据和无关数据，解决遗留数据和清洗脏数据，清除数据域旳知识背景上旳白噪声，考虑时间顺序和数据变化等。
重要涉及解决噪声数据，解决空值，纠正不一致数据等。
数据集成就是将多文献或多数据库运营环境中旳异构数据进行合并解决，将多种数据源中旳数据结合起来寄存在一种一致旳数据存储中。
数据变换就是将数据变换成统一旳适合解决旳形式。
数据变换重要涉及平滑、汇集、属性构造、数据泛化和规范化等内容。
2 多源信息融合软件设计2.1 软件架构多源信息融合软件旳技术规定是实现多源异构数据向指定关系数据库进行可靠转换。
就是按照指定关系数据库旳表构造规定，实现多源异构数据旳数据导入及格式转换问题。
多源信息融合认知机理与模型研究
计算机 与数字工程
１ ８ ３
人 脑 的 结 构 分 区按 维 度 可 分 为 物 理 结 构 分 区 和 功 能 结
人体验过 的情绪 、 情感 以及思维 中使用 的操作规则 、 方法策 略等 。脑科学新 近研 究指 出 ， 人脑 中的 三个基本 机 能联 合 区所在 的那些脑组织 结构都 是记 忆信 息存储 的场 所 ， 并 不 限于第二机能联合 区的脑组织 。人脑 的信息存储系 统也是
第 — — 级 区 人 脑 的
织， 神 经细胞逐阶段 、 分布 改变 自身 的兴奋水 平 ， 信息 在这 里进行汇聚 ， 但 是互相并 不联 系 。外 界信息 只是 在这里 进
行 ห้องสมุดไป่ตู้聚 ， 为进一 步的处理做准备 。
２ ． ２ 对 象 感 知
第 信 二 额 息 级 叶 存 区 储 机 第 能
官信息首先 到达第一 级 区， 经过 具有 高度 特异性 神经元 的
选择 ， 分别 由不同感官 的大脑皮 层投 射 区对相应 的感 官信
息进行选择并将特异性感 官信 息传 导到第二 级区 。
第二级 区的神经元 模式 特异性 较小 ， 联 系神 经元 占优 势， 在这一部分对某 一特定感 觉器官的信息进行 整合 ， 提取
了冗 余和缺乏关联 的特 征后 ， 这 些特 征通过 不 同的渠道传
递到第三级区 ， 在此皮层 区域 特征会进 行融合和 统一表达 ， 或者称为特征的“ 配 准关联 ” 。将经过配准关联 的特定感 官 信 息作为标准对相应的第一基本机能联合 区中包 含的特定
存来 自外部世界信息 ， 它 们将 外 围的信息 分别 传递 到适 宜
图 ２ 人脑 机 能 分 区 示 意 图
多源信息融合技术及其应用研究
多源信息融合技术及其应用研究【摘要】本文从多源信息融合技术的概念和应用出发，分析了其在目标跟踪、智能决策、舆情分析和医疗诊断等领域的具体应用研究。
通过综合不同信息源的数据，多源信息融合技术能够提高信息的准确性和完整性，为决策制定提供更多可能性。
未来，随着人工智能和大数据技术的不断发展，多源信息融合技术将迎来更广阔的应用前景，为各个领域带来更多创新和进步。
本文旨在探讨多源信息融合技术在不同领域中的价值和意义，为相关研究和实践提供有益参考。
【关键词】多源信息融合技术、研究背景、研究意义、目标跟踪、智能决策、舆情分析、医疗诊断、发展趋势、应用前景、多元数据、数据融合、决策支持、情报分析、信息整合。
1. 引言1.1 研究背景传统的信息处理方法往往只针对单一类型的信息进行分析和处理，难以满足实际应用中对多源信息融合的需求。
而多源信息融合技术正是为了解决这一难题而应运而生的。
通过将来自不同传感器、不同平台、不同网络的信息进行整合和处理，多源信息融合技术能够提高信息处理的准确性、鲁棒性和实时性，为各领域的信息处理和决策提供了有力支持。
多源信息融合技术的研究具有重要的理论和应用意义，对推动信息处理技术的发展，提高信息处理效率和质量，促进各领域的智能化和数字化发展具有重要作用。
为了更好地应用和推广多源信息融合技术，深入研究其原理、方法和应用成为当前信息处理领域的重要课题。
1.2 研究意义多源信息融合技术是当今信息处理领域的热点之一，其在目标跟踪、智能决策、舆情分析以及医疗诊断等领域都有着重要的应用。
通过整合多个不同信息源的信息，可以提高信息处理和分析的效率，准确性和全面性。
多源信息融合技术的研究意义主要体现在以下几个方面：多源信息融合技术可以提高信息处理的效率。
通过整合来自不同信息源的信息，可以减少重复工作，避免信息冗余，使得信息处理更加高效，节省时间和人力成本。
2. 正文2.1 多源信息融合技术概述多源信息融合技术是一种整合来自不同来源、不同格式以及不同时间的信息资源的技术手段，旨在提高信息的可靠性、准确性和全面性。
基于多源数据融合的心血管疾病风险评估模型研究
基于多源数据融合的心血管疾病风险评估模型研究一、课题背景和研究意义随着人口老龄化和生活方式的改变，心血管疾病成为威胁人类健康的重要疾病之一。
为了减少心血管疾病的发生和提前进行风险评估，具有重要的理论和实际意义。
本报告对该课题进行了深入分析和探讨。
二、现状分析目前，心血管疾病风险评估主要依赖于单一指标或少量指标的评估方法，如血压、血脂、血糖等。
然而，单一指标评估的准确性和预测性有限，无法全面评估个体的心血管疾病风险。
需要通过多源数据融合，综合考虑多个指标和相关因素，建立更准确的心血管疾病风险评估模型。
在多源数据融合方面，已经有一些相关研究开展。
例如，基于电子病历数据和生物信息数据的融合分析，可以提供更全面的健康状况信息和个体特征。
基于技术的数据挖掘和分析方法可以发现多源数据之间的关联，提高疾病风险评估的准确性。
然而，目前的研究还存在一些问题。
数据融合过程中的数据质量和数据隐私问题需要得到充分考虑，如何保证数据的可靠性和安全性仍然是一个亟待解决的问题。
多源数据的异构性和异质性使得数据挖掘和分析变得复杂，需要开发新的算法和模型来处理。
另外，当前的研究多依赖于统计方法和机器学习方法，对于人类行为、社交环境等因素的考虑还不充分。
三、存在问题在进行多源数据融合的心血管疾病风险评估模型研究时，我们发现存在以下问题：1. 数据隐私问题：多源数据融合需要收集个体的多种健康数据，如电子病历、基因组数据等，而这些数据都涉及个体隐私问题。
如何确保数据的安全性和隐私性成为一个挑战。
2. 数据质量问题：多源数据融合的过程中，不同数据的质量可能存在差异，包括数据的完整性、准确性等。
如何进行数据的有效清洗和校验，保证数据质量是需要解决的问题。
3. 数据分析问题：多源数据的异构性和异质性给数据分析带来了困难，目前的研究主要依赖于统计方法和机器学习方法，如何开发更有效的算法和模型来处理多源数据是一个挑战。
4. 模型准确性问题：当前的心血管疾病风险评估模型主要依赖于少量指标的评估，无法全面评估个体的风险。
- 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)。
多源信息融合数字模型研究员、博导 岳天祥研究员、博导 刘纪远(中国科学院地理学与资源研究所, 北京100101)摘 要:研究结果表明,在目前基础条件下,多源信息融合数字模型的实现需要解决现行数字地面模型和空间插值模型的误差问题、点—面信息有效融合问题、多尺度转换问题和多维GIS面临的理论问题。
建立多源信息融合数字模型的基本步骤可归纳为:(a)建立基于曲面论数字模型的基本方程,(b)运用遥感数据反演数字模型的首次近似表达形式,(c)如果有更新信息,重复以上过程,直至理论模型与实际需求完全相符。
关键词:曲面论 遥感反演 多源信息融合 数字模型A Digital Model for Multi-Sources Information FusionProfessor YUE TianxiangProfessor LIU Jiyuan(Institute of Geographical Sciences and Natural Resources Research,C AS,Beijing100101)A bstract:Our re search re sult shows that realization of the digital m odel for multi-sourc es information fusion needs to solve problems of e rrors of existing digital te rrain model and spatial inte rpolation model,virtual fusionof point and surface information,information transformation at various scales,and multi-dimension G I S.The basic ste ps of constructing the digital model include,(a)establishing basic equations of the digital model by means of surface the ory,(b)retrie ving first approximate formulation using remote sensing data,(c)if the re are more available information,the ste p above is repeated until requirement is re ache d.Key words:surface the ory,remote se nsing retrie val,information fusion,digital model 1 引言七十年代初,美国研究机构发现,利用计算机技术对多个独立的连续声纳信号进行融合后,可以自动检测出敌方潜艇的位置[1]。
这一发现使信息融合作为一门独立的技术首先在军事应用中得到青睐,美国相继研究开发了几十个军事融合系统。
进入八十年代,研制出了应用于大型战略系统、海洋监视系统和小型战术系统的第一代信息融合系统,它们包括军用分析系统(TCAC)、多平台多传感器跟踪信息相关处理系统(INCA)、全员分析系统(PAAS)、海军战争状态分析显示系统(TOP)、辅助空中作战命令分析专家系统(DAGR)、空中目标确定和截击武器选择专家系统(TATR)、自动多传感器部队识别系统(AMSUI)和目标获取与武器输送系统(TR-WDS)。
九十年代研制的主要数据融合系统包括全源信息分中国科学院知识创新工程项目(No.kzc x2-308-02)析系统(ASAS)、战术陆军与空军指挥员自动情报保障系统(LENSCE)和敌态势分析系统(ENSCS)。
随着计算机技术和地理信息系统的发展,许多算法的复杂性不再成为开发新型信息融合模型的障碍。
新的融合方法将不仅仅限于军事问题,它有更普遍的作用和意义。
然而,要实现多源信息融合模型,需要解决三方面问题。
2 从根本上解决数字地面模型和空间插值模型的误差问题 2.1 空间插值模型在观测点覆盖地区内,估计非观测点或非抽样点属性值的过程,称为空间插值法。
目前,主要的空间插值法包括边界线勾画法、趋势面分析法、样条函数法、滑动平均法和Krig-ing插值法[2]。
根据景观特征勾画景观单元轮廓的边界线勾画法是最简单的插值法,例如,土壤、地质、植被和土地利用等专题地图以及影像分析中的边界搜寻算法等。
通过多元回归模拟空间渐变的趋势面分析法也是一种便于理解的简单方法,它可以用来处理线性趋势面上的概括性特征,但很难用于二次以上的高次多项式所表达的趋势面。
因此,趋势面分析的主要用途通常不是插值,而是在使用其它插值方法之前,提取数据的整体性特征。
样条函数(spline functions)是活动曲线规(flexible ruler)的数学表达,它们是少量数据点精确拟合的函数片段,并假定各曲线片段之间是连续的。
这就意味着不需要重新运算整条曲线就可以用样条函数修正曲线的一个片段,这对趋势面分析法是不可能的。
但样条插值存在着以下缺点:(1)选择已知观测点作为样条函数的重合点得出的结论与选择已知观测点作为样条函数的间隔点得出的结论大相径庭;(2)样条插值的误差不能直接估计;(3)在三维插值中,如何把斑块缝合在一起形成一个完整的表面仍是亟待解决的实际问题。
滑动平均法是一种非常简单的插值法,它通过非观测点邻域中已知点的平均值来估计非观测点的值。
其中加权滑动平均法是较常用的一种滑动平均法,已知数据点距插值点的距离越近,其权重越大。
滑动平均法的缺点包括:(1)估计值由其估计函数及其参数主导;(2)插值点的正确性取决于已知数据点的数据质量;(3)插值点随所取邻域面积的大小而发生变化,尤其在已知点分布不规则的情况下,每个插值点都可能有不同的大小和形状,因此,插值点的准确性是很值得怀疑的;(4)在许多情况下,已知数据点很不规则,滑动平均所得出的曲面很可能不通过一些已知点,这些点常常被直接输出,因此导致了插值面中的奇点。
为了克服滑动平均法的缺点,法国地质数学家G.Matheron和南非采矿工程师D.G.Krige为采矿业发展了一种最优插值法,它是随机表面的最佳线性无偏估计(Best Linear Unbiased Estimate)。
后来成为GIS中大众化的空间数据内插法,人们称其为Kriging插值法[3]。
Kriging插值法有三个重要的前提条件:(1)区域变量可表达为与均值有关的结构成分、与空间有关的随机成分和随机噪音三部分之和;(2)所研究区域是均质的;(3)对景观的不同部分应使用不同的半变图(semivariogram)。
然而,GIS 软件的使用者往往忽视了这三个重要的前提条件,因此得出的结论可信度很差。
其根源在于Kriging模型在理论上不够完善,有待进一步研究;与此同时,到目前为止,在非线性插值和非Gaussian过程方面还没有任何可用的研究成果,这将是我们要深入探讨的主要问题。
2.2 数字地面模型数字地面模型(DTM)被定义为描述地面属性空间分布的有序数据阵列[4][5]。
数字高程模型(DE M)是DTM最重要的基础模型,它被定义为描述高程空间分布的有序数字阵列。
DE M由通过离散点上抽样获取的高程数据组成。
构建DE M的方法主要有三种:(a)基于不规则三角网(TIN)的DE M 常常通过地面特定点的抽样,形成以为坐标的不规则点网,其网格是由三个相邻点构成的不规则多边形;(b)基于规则栅格网(RGN)的DE M与所研究区域的尺度密切相关,其网格是由三个或四个相邻点构成的正三角形或正方形;(c)基于等高线网(CBN)的DE M由数字化等高线组成,其格网是由相邻等高线围成的不规则多边形。
目前,在GIS中应用较广泛的DE M是基于RGN的DE M 和基于TIN的DEM。
然而,RGN的运算结果缺乏精确性:(1)不易处理高程的陡峭变化,(2)网格的大小影响运算结果和计算效率,(3)在水文分析中,其运算得出的斜坡流路为不符合现实的锯齿形。
TIN与RGN相比,使用起来比较灵活,但由于其网格的不规则性,使得实际操作和属性运算都比较困难。
也就是说,在上述三种方法中,基于CBN的DE M是最有优势的模型,但它对数字高程数据的数量和质量都有比较高的要求,没有考虑插值点组合的任何曲面性质。
2.3 误差问题空间插值模型和数字地面模型的误差问题在二十世纪六十年代末就引起了有关专家的重视[6],在近30年的研究中,产生了许多误差检测方法和评价指标[7][8]。
例如,使用滤波方法提高DEM数据的质量、基于趋势面的误差检测、基于坡度信息的误差检测、基于等高线拓扑关系的误差检测和DE M原始数据误差检测等,量度误差的均方根指数(RMSE)、标准差(SD)、误差直方图和空间自相关系数等。
有关误差研究方法可概括为三类:(1)评价和比较各种内插算法的误差,(2)分析和评价原始数据误差,(3)研究数字地面模型主要变量和参数的不完备性所引起的误差。
我们认为,现有的空间插值模型和数字地面模型获取内插点的数值时,将采样点或观测点视为相互独立的点,使得已知点之间的相互关系造到破坏,最终导致比较大的误差甚至错误的结论[9]。
虽然在以往的研究,Evans已认识到坡面、坡向和曲率是反映局部规律的重要变量[10],但他并没有将它们用于表达数字地面模型。
事实上,根据微分几何学理论,坡面、坡向和曲率只是地面剖面线的决定要素,数字地面的决定要素是曲面的第一类基本量和第二类基本量。
3 实现点-面信息的有效融合目前,探测地表过程和生态过程的主要方式有两种:一是单点定位观测或空间采样;二是利用遥感数据进行反演。
单点定位观测或空间采样能较为准确地获取高时间分辨率的点上观测数据。
但定位观测或空间采样只局限于离散、稀疏的有限空间点,不能直接得到区域尺度的有关参数,只能根据点数据进行估计,或以点代面,或利用简单的插值方法估算。
而由于地理系统和生态系统在空间属性上的非均匀性,利用点数据直接描述区域属性不能真实反映空间分布规律。
遥感方法能频繁和持久地提供地理过程和生态过程的面状信息,相对于单纯依靠地面站点定位观测是一个革命性的变化。
但遥感描述并不能直接获得过程参数,需要通过遥感信息(光谱信号和雷达信号)结合地表特性进行反演。
传统的解决方法是利用简单内插把离散数据空间化,但是这样处理的结果精度较差,大大影响了遥感反演的精度。
提高离散参数空间化精度的一个有效途径是引入新的、有力的数学工具,设计全新的数字模型,建立高精度的非线性内插模型。