GIS空间数据库（103）时态GIS数据模型
本文对常见的时态GIS的数据模型做一个介绍。
序列快照模型（Sequent snapshots）
连续快照模型是将一系列时间片段快照保存起来，反映整个空间特征的状态，根据需要对指定时间片段的现实片段进行播放。 该模型的不足之处在于，由于快照将未发生变化的时间片段的所有特征重复进行存储，会产生大量的数据冗余，当应用模型变化频繁，且数据量较大时，系统效率急剧下降。 此外，连续快照模型不表达单一的时空对象，较难处理时空对象间的时态关系。
离散格网单元列表模型
Langran（1990）提出的离散格网单元列表模型在一定程度上避免了时间快照序列图像模型的数据冗余问题，该模型将格网单元及其变化以变长列表形式存储，每个格网单元列表的一个元素是对应于该位置上的一次时空变化，因此，格网单元列表存储对应于该单元位置的真实世界状态的完整序列。这样，若想获得当前状态，只需提取每个格网单元列表的每一个元素，还可以通过变化的累加，恢复地学现象的变化过程。图7-11是离散格网单元列表模型的图示。这种模型虽然解决了数据冗余的问题，但由于它仍是基于位置的模型，因此，对于上述基于时间的查询，仍需查询所有位置。
基态修正模型
基态修正模型按事先设定的时间间隔采样，不存储研究区域中每个状态的全部信息，只存贮某个时间的数据状态(称为基态)，以及相对于基态的变化量。
时空复合模型（Space-time composite）
时空复合模型将空间分隔成具有相同时空过程的最大的公共时空单元，每次时空对象的变化都将在整个空间内产生一个新的对象。 对象把在整个空间内的变化部分作为它的空间属性，变化部分的历史作为它的时态属性。
时空单元中的时空过程可用关系表来表达，若时空单元分裂时，用新增的元组来反映新增的空间单元，时空过程每变化一次，采用关系表中新增一列的时间段来表达，从而达到用静态的属性表表达动态的时空变化过程的目的。但在数据库中对象标识符的修改比较复杂，涉及的关系链层次很多，必须对标识符逐一进行回退修改。
时空立方体模型（Space-time cube）
时间立方体模型最早是由Hagerstrand于1970年提出，后来Rucker、Szego等进一步对其进行了探讨（Langran，1989）。时间立方体模型用二维坐标轴来表示现实世界的平面空间，用一维的时间轴来表示平面位置沿时间的变化，如图7-15所示。这样，由二维的几何位置和一维的时间就组成了一个三维的立方体。任意给定一个时间点，就可从三维的立方体中获取相应的截面，即现实世界的平面几何状态。时间立方体模型也可以扩展用以表达三维空间的时间变化过程。该模型的优点是对时间语义的表达非常直观，缺点是随着数据量的增加，对立方体的操作会变得越来越复杂，以至于最终变得无法处理。
时间体素模型
时间体素模型：Mulder（1993）则将时空划分为时间体素（chrono-voxel）：（i，[x，y，z，t]），而将时空对象描述为由具有相同属性和特征的一个或多个相联的时间体素构成的特征对象：Object（{Chrono-Voxel（i，[x，y，z，t]）}），[property]，[attribute]）。
基于事件的时空模型（Event-based models）
由于基于状态或地理现象的时空模型（如序列快照模型）很难表达地理实体的个性变化或事件发生的时间特征，人们就想到用显式的方式来直接描述事件的时间变化特征，这就是基于事件的时空模型的基本思想。前述的基态修正和时空复合模型都属基于事件模型的范畴。
另外，Peuquet和Duan在1995年对基于事件的时空模型进行了较深入的研究（Pequet，Duan，1995），提出了一个基于栅格数据的面向事件的模型ESTDM（Event-based Spatiotemporal Data Model）。该模型由基态图和压缩存储的事件变化序列组成，该模型具有空间存储的高效性和时态检索的方便性。基于事件的时空模型非常适合诸如“在某一时间段某一地理区域中发生了什么事件”这类问题的查询，同时具有很好的数据内部一致性和较小数据冗余度。
如您有疑问，可在文末留言，或到QQ群提问。
本站QQ群：
微信公众号：malagis，扫描右边二维码直接关注。
如果本文对您有所帮助，欢迎对我们团队进行打赏捐助，让我们在传播3S的路上可以走得更远。
作者：，GIS爱好者。分享本文，请您带上。 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
时空序列数据分析和建模
下载积分：1000
内容提示：时空序列数据分析和建模
文档格式：PDF|
浏览次数：38|
上传日期： 21:46:28|
文档星级：
全文阅读已结束，如果下载本文需要使用
 1000 积分
下载此文档
该用户还上传了这些文档
时空序列数据分析和建模
官方公共微信您的位置： &
三维空间过程模拟的时空数据模型研究
优质期刊推荐大区域时空遥感数据集生成的关键技术研究
近年来，遥感作为对地观测的重要手段，被广泛地应用于农业、林业、地质、海洋、气象、水文、军事、环保等诸多领域，在国民经济建设中发挥了重要作用。但随着研究的逐步加深和应用的逐渐扩大，对遥感图像提出了更高层次的需求，主要表现为对大区域高精度高时间重复的数据有着强烈的需求，然而由于卫星遥感物理技术的限制，很难获取一种同时具备高空间分辨率又具备高时间分辨率的卫星数据。　　本文针对大区域高时空遥感数据的强烈需求，重点开展了四项工作的研究:(1)基于传统的多源时空融合方法STARFM的缺陷，提出了一种基于像元时空变化特征的多源遥感数据时...展开
近年来，遥感作为对地观测的重要手段，被广泛地应用于农业、林业、地质、海洋、气象、水文、军事、环保等诸多领域，在国民经济建设中发挥了重要作用。但随着研究的逐步加深和应用的逐渐扩大，对遥感图像提出了更高层次的需求，主要表现为对大区域高精度高时间重复的数据有着强烈的需求，然而由于卫星遥感物理技术的限制，很难获取一种同时具备高空间分辨率又具备高时间分辨率的卫星数据。　　本文针对大区域高时空遥感数据的强烈需求，重点开展了四项工作的研究:(1)基于传统的多源时空融合方法STARFM的缺陷，提出了一种基于像元时空变化特征的多源遥感数据时空融合模型;(2)针对时空融合大部分方法仅在中低分辨率卫星进行的缺陷，针对所提出的时空融合模型，分析其参数的敏感性，并将其拓展到了CBERS-04星和GF-1卫星上;(3)针对多源时空融合模型的缺陷，提出了一种基于迭代优化的长时间序列时空预测模型;(4)在分析多源时空融合模型和长时间序列预测模型所得结果光谱一致性的基础上，生成了区域高时空遥感数据集。　　(1)分析研究了传统的自适应时空融合模型STARFM的缺陷，基于STARFM预测结果具有斑块效应和对变化异质区域不敏感的问题，在研究前人工作的基础上，提出了一种基于像元时空变化特征的多源时空数据模型(Spatial and Temporal ChangeReflectance Fusion Aproach，STCRFA).该方法基于高低分辨率成像机理，采用混合像元分解的方式，利用时序的高低分辨率数据获得地物的时间变化信息，并在此基础上利用预测时相的低分辨率影像获取地物空间变化的信息，最后结合像元的邻域相似性的特点，融合出预测时相的高空间分辨率影像。本文利用MODIS和Landsat影像对地物变化不明显和地物具有突变的两个实验区进行测试，采用目视评价和定量指标评价的方式，将融合结果与真实影像进行对比，结果表明，STCRFA的方法能够很好的解决STARFM中斑块效应和对变化异质区域不敏感的问题，能够获得具有高精度的高空间分辨率数据，与真实数据的相关性都高于0.83以上。　　(2)基于所提出了STCRFA多源数据时空融合模型，分析了模型对其输入参数的敏感性，结果表明最大分类数对结果的影响不大，而窗口的大小对结果具有一定的影响，通过对比，得出最适宜的窗口应该是高低分辨率分辨率倍数值的三倍。基于上述分析结果，将STCRFA模型应用到CBERS-04星和GF-1卫星数据上，结果表明模型能够很好地应用于更高分辨率的卫星数据，但是在预测融合的过程中，对于变化频繁的区域会出现细节恢复欠缺的问题。　　(3)基于多源时空融合模型中其高低分辨率传感器之间的误差很难消除等问题，本文提出了一种基于迭代优化的长时间序列数据时空融合模型(Iterative OptimizationSimulated Model for Time Series Data，IOSM-TSD)。该方法基于长时间序列的趋势模型，将序列数据看做离散取值，利用趋势模型将离散的数据模拟成为连续的曲线，进而求得时序时间内的任意时刻影像。该方法基于迭代优化的方式，大大减少了传统方法对输入数据的过长的预处理时间，提高了预测的效率。以Landsat5和Landsat7的时序数据为例，进行模拟预测。结果表明所获得的数据具有较高的精度，其余真实值的相关系数可以达到0.93以上。同时该方法能够预测时序时间段内任意时刻影像而不受云影的干扰。　　(4)在基于STCRFA和IOSM-TSD方法的基础上，研究了两种方法在大区域融合预测时光谱一致性的问题，结果表明两种方法的结果在不同图幅融合中能够表现出良好的光谱一致性，能够很好地应用于大区域时空融合数据集的生成。以北京地区为例，利用两种方法分别生成了具有30m、20m和8m分辨率的高时空数据集。收起
学位授予单位
机标分类号
本文读者也读过
加载中，请稍候
．客服电话
&&8:00-11:30,13:00-17:00(工作日)}