王劲峰等空间信息分析技术技术体系空间信息分析包括数据获取和.doc

王劲峰等：空间信息分析技术 技术体系 空间信息分析包括数据获取和预处理(模块M1)；当进行多源异构数据综合分析时， 需要进行属性数据空间化和尺度转换处理(模块M2)；然后进行空间数据探索分析(模 块M3)；之后根据属性数据的空间存在格式(空间连续分布或离散分布、规则或不规则 多边形分布、多源复杂异构信息)，分别引导建立地统计模型(模块M4)、格数据分析模 型(模块M5)、复杂信息分解和预报模型(模块M6)、以及其他(见图1)。M1至M3属 数据预处理范畴，M4至M6属问题建模范畴，对建立的模型M4一M6需要求解，机理解 释及预报。 图中各模块可独立或联合运行，这取决于所研究的问题和对象(所需输出)，以及研 究人员当前所处的分析阶段(输入)。具体研究内容如下： 模块1．空间数据获取和预处理 空间数据采集与尽可能完备化是所有工作重要的第一步，主要利用采样、插值、缺值 方法。 (1)空间信息抽样估计在地学空间应用领域，如环境监测、资源调查、社会统计 等，空间信息抽样估计问题大量存在[8 ]。空间抽样针对地学对象普遍存在的空间关联性 和先验信息，从样本选取方式、空间关联性及精度衡量三方面对空间信息获取提供符合统 计假设的新的解决思路。 地球生态环境以及社会经济数据通常是具有不同形状和尺度的地 理空间单元，需要建立属性数据空间化及空间尺度转换技术，其核心是非空间信息或更大 空间单元的属性数据在(较小)空间上表达的理论和方法，或称可变面元问题(Modifia— ble areal unit problem)(MAUP)，包括三类技术： GIS方法。实现地理空间单元间属性数据的转化，包括聚集、拆分和空间建模(Spa— tial modeling)。聚集主要解决从小区域(点)向大区域(面)转化问题；拆分则考虑从 大区域向小区域转化问题。前者可利用空间采样技术实现。 尺度转化理论及方法。不同的时间和空间尺度限制了信息被观测、描述、分析和表达 的详细程度。尺度转化存在“自上而下scaling down”和“自下而上scaling up”两种基本方式。不同尺度水平上，尤其是Downscaling的转化，存在其区域边界规则与地理边界规则的差异、数据转化的控制和实施形式。 小区域统计学理论及方法。所谓“小区域”，本质上是指区域内样本点较少，因此在 统计分析过程中，需要从相关区域“借力”来获得详细的信息，其核心是建立相关区域 (数据)的联系模型，实现属性数据空间表达。 以上内容着眼点有所不同，但都可归结为属性数据从大区域向小区域转化，最终完成 综合的属性数据空间化方法和软件包设计与实现，并对表达结果的精确性和不确定性做定量分析和解释 (2)空间数据插值与缺值根据已知空间样本点(例如气象台站、野外调查)数据 进行插值EIZ,13 或推理 来生成面状数据或估计未测点数值是地学研究经常遇到的问题。 理解初始假设和使用的方法是空间插值过程的一个关键，为不同空间过程选择不同插值 方法 。 缺值问题与插值类似，有部分交叉，以Bayes先验概率为其特征。插值有点、面之 分，对于面插值，经过预处理(如去除趋势特征等)可以进行缺值分析；对于点插值，经 过预处理(如构建泰森多边形再去除趋势特征等)也可以使用缺值方法。对于缺值的补 整，如果具备某些时空特征，则完全可以使用插值方法补整。 模块2．属性数据空间化与空间转换 自然与人文要素结合研究的时代正在到来。美国宇航局(NASA)将地表人类活动模 式加入全球变化模型中从本质上提高了预报精度。又如，自然灾害的灾情空间预报需要自 模块3．空间信息探索分析 探索数据分析(Exploratory Data Analysis，EDA)目标是最大化分析者对数据集及 其隐含结构的洞察，揭示数据属性，用以引导选择合适的数据分析模型。EDA主要采用 图形技术进行以下分析：(1)最大化对数据集的洞察；(2)揭示数据隐含的结构；(3)提 取重要的变量；(4)检测异常点；(5)检验隐含的假设条件；(6)发展精简的模型；(7) 决定因素的最优设置。 空间数据探索分析(Exploratory Spatial Data Analysis，ESDA)是EDA的扩展，用 来对具有空间定位信息的属性进行分析，包括：探索数据的空间模式[1”，对假设数据模型、模型基础和数据的地理性质进行阐述，评价空间模型等。ESDA技术同样要求可视和健壮，强调把数字和图形技术与地图联系。对“某些事件在地图上的什么位置”[1乳19]、“这部分地图的属性值在概括统计中处于什么位置”、“地图的哪些区域满足特定的属性要求”等问题的回答是很重要的。本模块具体内容包括： 探索工具。软件实现当前已经有ESDA技术，并且实现表(Table)、地图(Map)和 图形(Figure)各窗口链接，支持同