大數據在測繪地理信息方面應用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了大數據在測繪地理信息方面應用范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：測繪地理信息數據量大、需要具備相對較強的數據處理能力才能獲得精準的信息可視化表征，從而實現對相關地域地理知識的有效掌握。基于測繪地理數據分析結果可以有效掌握地表環境信息，從而開展科學研究與工業應用。本文基于對測繪地理信息遙感大數據資源現狀的分析結果，研究了如何利用大數據技術實現關鍵信息的自動分析與深入挖局，提出了通用性的方法，可以在此基礎上進行改進以適應具體工程項目的需求。

關鍵詞：測繪地理信息；數據分析；數據挖掘

測繪地理信息工作一直以來都是國民經濟發展的基礎，同時也是國防事業發展的基石。通過技術手段掌握地球關鍵點或相關面的坐標、高程、方向等信息，探究其間的相互關聯關系并發現數據變化背后的規律性與科學性，基于這些數據信息開展科學研究與工業生產，盡最大化滿足人們的使用需求并探索地球變化的奧秘，這是測繪地理信息的核心任務[1]。一般來說，測繪地理信息數據量大、需要具備相對較強的數據處理能力才能獲得精準的信息可視化表征，從而實現對相關地域地理知識的有效掌握。傳統上，對于地理測繪信息的分析采用的是變量解析的方法，主要依靠人工計算來完成，不僅工作量大、占用人力資源多，而且計算精度不高。近年來，隨著信息技術的發展，尤其是大數據技術在信息技術發展中引領地位的確立，人們提出可以利用大數據技術進行測繪地理信息數據的自動處理與深度挖掘。

1測繪地理信息遙感大數據資源基本現狀

利用衛星對地球表面進行高空掃描、獲得詳細的遙感數據后傳輸至地面工作站進行分析與處理，是當前地理信息測繪技術的主要手段。遙感大數據是測繪地理信息數據中的主要存在方式。這類數據在獲取的時候，由于地球表面環境的復雜性，必然存在無法進行歸類與統一、相互之間缺乏聯動、無法共享等問題[2]。具體來說，測繪地理信息遙感大數據由于獲取方式的局限性，存在的特點如圖1所示。由圖1可以看出，測繪地理信息大數據在獲取方式、存儲方式、共享方式、擴展方式、管理方式等方面都有不同于傳統測繪信息數據的特點，因此基于這些數據信息進行地理環境分析時需要有針對性地采用改進后的方法。為了獲得更加精確的測繪信息數據分析結果，本文提出了利用自動分析與數據挖掘技術處理大數據信息的方法。

2測繪地理信息遙感大數據自動分析方法

2.1遙感大數據的表達方法

隨著測繪技術的發展，尤其是衛星遙感技術的提升，測繪信息不僅以文本的形式表現，更多的時候采用影像的形式表現[3]。針對文本與影像相互混雜的遙感數據信息，進行表達與特征分析時可以按照圖2所示的流程進行。由圖2可以看出，遙感測繪數據信息進行表達與特征分析時，主要是對文本與圖像信息的綜合處理。這兩類信息在獲取之后需要進行特征聯合分析與本征表示，通過特征融合與歸一化表示獲得有效的數據流形和相關節點信息。其中，數據信息的融合主要是采用數據變換的方式將不同源、不同分辨率的多元特征離散化后統一到同一個分區特征空間中，實現數據維數的降低并易于提取主要特征，為獲得特征節點信息奠定基礎。

2.2遙感大數據的存儲與檢索方法

遙感大數據進行特征表達之后，需要進行存儲與檢索。數據存儲一般采用自建數據庫的方式進行，通過對數據特征進行編碼并歸類后進行存儲，同時搭建專用網絡用于鏈接不同數據庫，方便不同數據庫之間信息的調取。對于存儲的信息，為了實現快速檢索，需要對信息數據之間的相似性和互異性進行計算和表征。可以對數據設置標簽，根據不同標簽的內容計算數據與標簽之間的相似度，對標簽相似度計算結果設置一定的閾值范圍，只有在閾值范圍以內的數據才可以算作相互之間存在相似性，否則就是互異的。對數據的相似性和互異性進行表征之后，同一標簽下屬的數據都是相似的，不同標簽之間的數據都是互異的，這樣就實現了對數據的有效分類。在對數據進行有效分類之后，可以利用知識驅動的方法實現遙感大數據的快速檢索。具體來說，基于知識驅動方法的遙感大數據檢索方法主要由圖3所示的關鍵環節組成。由圖3可以看出，遙感大數據檢測主要是通過建立檢索服務鏈實現數據特征的自主學習，通過構建智能檢索系統輸出用戶所需場景，利用知識更新做好檢索系統的自學習，為下一次信息檢索提供自主實現功能。對信息特征的處理可以利用標簽相似度的方法實現，之后利用人工神經網絡構建知識在線自主學習機制，通過對標簽數據的反復訓練實現底層特征與高層語義之間的高精度關聯，最終使檢索系統具有自主檢索數據信息的能力，達到“智能檢索”的目的。

2.3遙感大數據的理解方法

傳統上遙感大數據是基于“面向特征”的處理方式進行理解的，利用大數據分析技術可以實現“面向特征”到“面向對象”處理方式的轉變，從而實現對對象層-目標層的目標信息提取與識別。為了實現“面向對象”數據理解方式的轉變，需要對特征-目標-場景語義進行數學建模，解決語義信息與特征信息之間的鴻溝問題，通過輸入多元特征信息獲得遙感大數據場景多元認知信息，為數據挖掘做好準備。

3測繪地理信息遙感大數據挖掘方法

3.1遙感大數據挖掘方法流程

數據挖掘是基于特征分析的進一步深化，通過對數據之間的相關性進行分析可以獲得數據之間的規律變化，從而獲得科學的決策信息。遙感數據挖掘可以采用圖4所示的流程實現。由圖4可以看出，對數據信息挖掘之前需要進行分類與回歸分析。當前，數據的分類與回歸分析可以自己開發軟件實現，也可以利用現有的軟件進行，比如可以利用SPSS軟件實現，也可以利用成熟的聚類方法、統計分析方法、云理論方法等實現。

3.2遙感大數據挖掘示例

對于采集到的某遙感圖像，該圖像中有山地、丘陵、湖泊、平原等四類地形特征。為了給地形特征進行自動標記與分類，首先對平面像素進行歸一化，得到的數值如表1所示。對于歸一化得到的數值，經過與實際數據對比，可以建立如下歸類關系：山地，數值≥1.0；丘陵，1.0＞數值≥0.7；湖泊，0.7＞數值≥0.4；平原，0.4＞數值≥0。對于以上數據，為了判定屬于某類數據，可以利用直接分類的方法一一進行判斷；但是，當數據量比較大的時候，利用這種直接分類的方法必然會造成分類時間的增加，同時也會造成結果精度的下降，因此，可以采用K-means算法進行自動分類。K-means算法計算步驟如下所示：Step1：計算樣本數據與待分類數據之間的距離，一般采用歐氏距離表示，即（1）其中，(x,y)表示待分類點坐標值，(xi,yi)表示樣本數據坐標值，di表示相互之間的距離。Step2：為待分類數據選擇k個與其距離最小的樣本；Step3：統計出k個樣本中大多數樣本所述的分類；Step4：依據統計結果確定待分類數據所屬的類別。按照以上步驟，對數據進行迭代計算，就可以獲得理想的分類結果。按照該方法對表1中的數據進行分類，結果如表2所示。由表2可以看出，利用K-means算法計算得到的分類結果與直接分類方法的分類結果相一致，證明了這種分類方法的正確性，當數據量增大時可以直接進行運用。

4結論

測繪地理信息數據分析具有一定的難度，其分析結果直接影響著對地理信息的判斷精度。本文基于大數據分析技術研究了測繪地理信息遙感數據的自動分析與數據挖掘方法，后續在進行工程化應用時可以根據數據類型進行改進，通過不斷提升數據分類的準確度，拓展大數據分析技術在測繪地理信息系統開發中的應用空間。

參考文獻

[1]韓熙.遙感大數據自動分析與數據挖掘研究[J].數碼世界,2020,175(05):92.

[2]和樹繁.遙感大數據自動分析與數據挖掘研究[J].科技經濟市場,2018,11(09):9-10.

[3]梁金,劉志國,楊曉路.芻議遙感大數據自動分析及數據挖掘研討[J].名城繪,2018(10):1.

作者:何駿 單位:江西省自然資源事業發展中心