29.李佳霖-顾及多因素影响的自适应反距离加权插值方法.docxVIP

顾及多因素影响的自适应反距离加权插值方法李佳霖樊子德邓敏中南大学地理信息系，湖南 长沙，410083摘要：空间插值算法旨在利用离散的观测点测量数据估算同一区域中未知点的估计值，进而生成连续的空间曲面模型。为了获得更高的插值精度，得到高精度的缺失数据估计值和高分辨率空间表面模型，本文提出一种顾及多因素影响的自适应反距离加权插值算法（ACGIDW）。该算法顾及了复杂地形因素、经纬度和高程对空间插值的影响，并根据采样点的空间分布模式对反距离加权算法中的距离衰减参数进行自适应调整，提高了空间插值算法的精度和自适应性。最后，采用两组实际气温和降水气象数据，运用交叉验证方法，对ACGIDW方法、其他反距离加权方法、普通克立金方法进行实验对比分析，验证了ACGIDW方法的优越性和可行性。关键词:反距离加权插值；距离衰减参数；自适应；多因素；气象要素1　引言随着大数据时代来临，空间数据呈现出多源大数据的特点，但是大数据本身的稀疏性也决定了空间数据会出现不同程度的缺失，因而空间数据插值在大数据背景下依然重要。例如，由于观测站检修造成的数据缺失或者某些地点无法设置观测站而造成的数据缺失等。连续的空间数据，如气象数据，地质数据和空气污染数据等，是多种科学模型的基础[1]。通过建立较高密度的空间数据观测站点，可以获得高分辨率空间数据，但由于地形条件、技术手段和经济水平等因素的限制，一些地点的空间数据获取比较困难。因此为了获取空间数据观测站点以外的区域数据，我们可以将统计学方法和地理信息方法相结合，利用已有空间数据观测站点的观测值进行估算，得出待求点处的空间数据估值[2]。对于各种不同的空间插值方法，其拥有各自的优势和劣势，适用的领域也不尽相同。现有大量空间插值方法中，还没有一种方法能够适用于所有领域，可以在不同领域都获得最佳的插值结果[3]。在实际应用中，通常采用交叉验证法[4]来评价不同空间插值方法在不同领域的插值效果。2　研究现状及问题提出近几年，国内外学者对空间插值方法做了大量研究，针对各种应用需要发展了诸多空间插值方法，也有一些学者对空间插值方法进行了一系列优化改进[5-13]。对于反比例加权插值方法，即IDW插值法，Chen[14]等利用其估计台湾中部的降雨量分布情况，发现搜索半径为10-30km，距离衰减参数为0-5时空间插值的结果最优。封志明[15]等采用反距离加权法与梯度距离反比法对甘肃省气象站点的多年平均降雨量和气温数据进行空间插值，并利用逐步迭代法对研究区域各月平均降雨量与温度的距离幂指数进行了筛选，得出结论当距离幂指数等于2时不一定能够获得最优的空间插值效果。Lu[16]等针对反比例加权插值方法中的距离衰减参数进行改进，根据待求点邻域内样本点的空间分布模式确定距离衰减参数，记为AIDW方法，通过实验结果证明可变的距离衰减参数得到的插值结果更准确。通过对上述空间插值方法深入分析可以发现，现有方法只单纯考虑了采样点内部相关性对于空间插值的影响，或者采样点外部因素对于空间插值的影响，而没有综合考虑多种因素对空间插值的影响，尤其是对于空间上临近的两个位置，由于会受到复杂地形因素的影响，属性值也有可能相差较多，即空间异质性对空间插值的影响。另一方面，现有IDW方法中的距离衰减参数需要人为调节，不仅使得参数的调整较为繁琐，而且单一的距离衰减参数也使得算法对于空间分布不均匀的观测点插值精度较低。针对现有反距离加权空间插值方法的局限性，本文提出一种顾及多因素影响的自适应反距离加权插值算法，记为ACGIDW插值方法。3　顾及多因素影响的自适应反距离加权插值算法ACGIDW插值方法首先顾及经纬度和高程对气象要素的影响，计算偏回归系数；然后考虑复杂地形因素的影响，对采样点进行聚类处理，进而确定距离衰减参数；最后顾及偏回归系数和距离衰减参数，按IDW方法计算待求点处的估值，算法流程如图1所示：图1 ACGIDW算法流程图Fig.1 Flow Chart of ACGIDW3.1计算偏回归系数为了顾及经纬度和高程对于空间插值的影响，ACGIDW方法将观测站点的经度（X）、纬度（Y）和高程（U）作为自变量，观测站气象观测数据（Z）作为因变量，将（Xi,Yi,Ui,Zi）作为样本进行多元回归分析，计算经度（X）、纬度（Y）和高程（U）对气象数据（Z）的偏回归系数。使用多元线性回归模型进行回归分析：（1）其中，为服从正态分布的随机误差。使用最大似然估计法估计公式（1）中参数，即取使得当时，（2）达到最小。求分别关于的偏导数，并令它们等于0，得到：（3）为求解方便，引入矩阵：（4）公式（3）经化简可写成：（5）由此可得到：（6）其中，就是所求最大似然估计法的偏回归系数值。3.2 聚类处理进而本方法对观测点进行聚类处理，将空间上临近且属性值较为相似的采样点聚类成为