地球信息科学学报 ›› 2017, Vol. 19 ›› Issue (8): 1001-1010.doi: 10.3724/SP.J.1047.2017.01001
• 地球信息科学理论与方法 • 下一篇
车磊1,2(), 王海起1,*(
), 费涛1, 闫滨1, 刘玉1, 桂丽1, 陈冉1, 翟文龙1
收稿日期:
2016-10-31
修回日期:
2017-06-20
出版日期:
2017-08-20
发布日期:
2017-08-20
通讯作者:
王海起
E-mail:cheleiyouxiang@163.com;wanghaiqi@upc.edu.cn
作者简介:
作者简介:车 磊(1990-),男,硕士生,研究方向为地图制图学与地理信息工程。E-mail:
基金资助:
CHE Lei1,2(), WANG Haiqi1,*(
), FEI Tao1, YAN Bin1, LIU Yu1, GUI Li1, CHEN Ran1, ZHAI Wenlong1
Received:
2016-10-31
Revised:
2017-06-20
Online:
2017-08-20
Published:
2017-08-20
Contact:
WANG Haiqi
E-mail:cheleiyouxiang@163.com;wanghaiqi@upc.edu.cn
摘要:
克里金插值方法根据待估位置点、已知样本数据点的位置关系和区域化变量的空间相关性,实现空间加权估计,满足估计的无偏性和最优性。传统方法理论模型形状固定且选择具有人为主观性,无法反映空间数据的变化趋势及其空间多尺度特征。本文为解决上述问题,提出了一种基于多尺度最小二乘支持向量机优化的克里金插值方法,此方法为拟合实验变异函数提供了一种新的思路。从实际样本数据的变化趋势出发,采用最小二乘支持向量机拟合实验变异函数,并利用不同尺度小波核反映不同尺度下的空间变化。最后,实验环节包括模拟和应用,模拟主要验证经多尺度最小二乘支持向量机优化后插值方法的科学有效性以及准确性,应用主要研究青岛市PM2.5浓度时空分布特征,为城市生态科学防护及控制提供理论依据。结果表明,基于多尺度最小二乘支持向量机优化的克里金插值方法能够更好地刻画变异函数,反映不同尺度下的空间变化细节,从而在一定程度上提高插值的精度,是一种可选的克里金插值方法。
车磊, 王海起, 费涛, 闫滨, 刘玉, 桂丽, 陈冉, 翟文龙. 基于多尺度最小二乘支持向量机优化的克里金插值方法[J]. 地球信息科学学报, 2017, 19(8): 1001-1010.DOI:10.3724/SP.J.1047.2017.01001
CHE Lei,WANG Haiqi,FEI Tao,YAN Bin,LIU Yu,GUI Li,CHEN Ran,ZHAI Wenlong. Kriging Interpolation Method Optimized by Multi-scale Least Squares Support Vector Machine[J]. Journal of Geo-information Science, 2017, 19(8): 1001-1010.DOI:10.3724/SP.J.1047.2017.01001
[1] |
Lam N S N. Spatial interpolation methods: A review[J]. The American Cartographer, 1983,10(2):129-150.
doi: 10.1559/152304083783914958 |
[2] | 王劲峰,武继磊,孙英君,等.空间信息分析技术[J].地理研究,2005,24(3):464-472. |
[ Wang J F, Wu J L, Sun Y J, et al.Techniques of spatial data analysis[J]. Geographical Research, 2005,24(3):464-472. ] | |
[3] |
朱会义,刘述林,贾绍凤.自然地理要素空间插值的几个问题[J].地理研究,2004,23(4):425-432.
doi: 10.3321/j.issn:1000-0585.2004.04.001 |
[ Zhu H Y, Liu S L, Jia S F.Problems of the spatial interpolation of physical geographical elements[J]. Geographical Research, 2004,23(4):425-432. ]
doi: 10.3321/j.issn:1000-0585.2004.04.001 |
|
[4] |
Matheron G.Principles of geostatistics[J]. Economic Geology, 1963,58(8):1246-1266.
doi: 10.2113/gsecongeo.58.8.1246 |
[5] | 孙洪泉. 地质统计学及其应用[M].北京:中国矿业大学出版,1990. |
[ Sun H Q.Geostatistics and application: Quantitative geography[M]. Beijing: China University of Mining and Technology Press, 1990. ] | |
[6] | 徐建华. 计量地理学[M].北京:高等教育出版社,2006. |
[ Xu J H. Quantitative geography[M]. Beijing: Higher Education Press, 2006. ] | |
[7] |
孟斌,王劲峰.地理数据尺度转换方法研究进展[J].地理学报,2005,60(2):277-288.
doi: 10.3321/j.issn:0375-5444.2005.02.011 |
[ Meng B, Wang J F.A review on the methodolody of scaling whith geo-data[J]. Geographica Sinica, 2005,60(2):277-288. ]
doi: 10.3321/j.issn:0375-5444.2005.02.011 |
|
[8] | 王仁铎,胡光道.线性地质统计学[M].北京:地质出版社,1988. |
[ Wang R D, Hu G D.Linear geological statistics[M]. Beijing: Geological Publishing House, 1988. ] | |
[9] | 矫希国,刘超.变差函数的参数模拟[J].物探化探计算技术,1996,18(2):157-161. |
[ Jiao X G, Liu C.Estimation of variation parameter[J]. Computing Techniques for Geophysical and Geochemical Exploration, 1996,18(2):157-161. ] | |
[10] |
Li M, Li G, Azarm S.A kriging meta-model assisted multi-objective genetic algorithm for design optimization[J]. Journal of Mechanical Design, 2008,130(3): 031401.
doi: 10.1115/1.2829879 |
[11] | 张强,许少华,于文涛,等.粒子群算法在克里金三维地质建模中的应用[J].大庆石油学院学报,2011,35(1):85-89. |
[ Zhang Q, Xu S H, Yu W T, et al.Application of particle swarm optimization to Kriging three-dimensional geological modeling[J]. Journal of Daqing Petroleum Institute, 2011,35(1):85-89. ] | |
[12] |
严华雯,吴健平.加权最小二乘法改进遗传克里金插值方法研究[J].计算机技术与发展,2012,22(3):92-95.
doi: 10.3969/j.issn.1673-629X.2012.03.024 |
[ Yan H W, Wu J P.Research on genetic algorithm kriging optimized by weight least square[J]. Computer Technology and Development, 2012,22(3):92-95. ]
doi: 10.3969/j.issn.1673-629X.2012.03.024 |
|
[13] | Vapnik V.The nature of statistical learning theory[M]. New York: Springer, 1995. |
[14] |
Suykens J A K, Vandewalle J. Least squares support vector machine classifiers[J]. Neural Processing Letters, 1999,9(3):293-300.
doi: 10.1023/A:1018628609742 |
[15] | Daubechies I.Ten lectures on wavelets[M]. Philadelphia: Society for Industrial and Applied Mathematics, 1992. |
[16] | 张建锋,崔树军,李国敏.常用小波及其时-频特性[J].地学前缘,2012,19(6):248-253. |
[ Zhang J F, Cui S J, Li G M.Frequently-used wavelets and their time-frequency properties[J]. Earth Science Frontiers, 2012,19(6):248-253. ] | |
[17] |
周建萍,郑应平,王志萍.基于Morlet小波核多类支持向量机的故障诊断[J].华东电力,2008,36(8):76-80.
doi: 10.3969/j.issn.1001-9529.2008.08.019 |
[ Zhou J P, Zheng Y P, Wang Z P.Fault diagnosis based on Morlet wavelet kernel multi-class support vector machine[J]. East China Electric Power, 2008,36(8):76-80. ]
doi: 10.3969/j.issn.1001-9529.2008.08.019 |
|
[18] | 王琴,沈远彤.二尺度最小二乘小波支持向量回归[J].工程地球物理学报,2009,6(4):516-520. |
[ Wang Q, Shen Y D.Multi-scale least squares support vector regression[J]. Chinese Journal of Engineering Geophysics, 2009,6(4): 516-520. ] | |
[19] |
张相胜,王蕾,潘丰.多尺度最小二乘小波支持向量机的回归建模[J].计算机工程,2012,38(10):175-177.
doi: 10.3969/j.issn.1000-3428.2012.10.053 |
[ Zhang X S, Wang L, Pan F.Regression modeling of multi-scale least square wavelet support vector machine[J]. Computer Engineering, 2012,38(10):175-177. ]
doi: 10.3969/j.issn.1000-3428.2012.10.053 |
|
[20] |
王琴,沈远彤.基于压缩感知的多尺度最小二乘支持向量机[J].自动化学报,2016,42(4):631-640.
doi: 10.16383/j.aas.2016.c150296 |
[ Wang Q, Shen Y D.Multi-scale least squares support vector machine using compressive sensing[J]. Acta Automatica Sinica, 2016,42(4):631-640. ]
doi: 10.16383/j.aas.2016.c150296 |
|
[21] | Johnston K, Ver Hoef J M, Krivoruchko K, et al. Using ArcGIS geostatistical analyst[M]. Redlands: Esri, 2001. |
[22] |
Han S, Schneider S M, Evans R G.Evaluating co-kriging for improving soil nutrient sampling efficiency[J]. Transactions of the ASAE, 2003,46(3):845.
doi: 10.13031/2013.13579 |
[23] | 杜艳伟,程建光,王静,等.2013年青岛市PM2.5时空分布及来源分析[J].城市环境与城市生态, 2015,28(2):17-19. |
[ Du Y W, Cheng J G, Wang J, et al. Temporal and spatial distribution of PM2.5 in Qingdao city and analysis of its sources in 2013[J]. Urban Environment & Urban Ecology, 2015,28(2):17-19. ] |
[1] | 张正方, 闫振军, 王增杰, 傅蓉, 罗文, 俞肇元. 基于Bayes网络的多粒度时空对象地理过程演化建模——以新安江模型为例[J]. 地球信息科学学报, 2021, 23(1): 124-133. |
[2] | 何永红, 靳鹏伟, 舒敏. 基于多尺度相关性分析的InSAR对流层延迟误差改正算法[J]. 地球信息科学学报, 2020, 22(9): 1878-1886. |
[3] | 张经度, 梅志雄, 吕佳慧, 陈进钊. 纳入空间自相关的FLUS模型在土地利用变化多情景模拟中的应用[J]. 地球信息科学学报, 2020, 22(3): 531-542. |
[4] | 左琪琳,赵娜,段红梅. 虚拟站点在黑河流域降水模拟中的应用[J]. 地球信息科学学报, 2019, 21(8): 1218-1226. |
[5] | 耿仁方,付波霖,蔡江涛,陈晓雨,蓝斐芜,余杭洺,李青逊. 基于无人机影像和面向对象随机森林算法的岩溶湿地植被识别方法研究[J]. 地球信息科学学报, 2019, 21(8): 1295-1306. |
[6] | 陈昭, 罗小波, 高阳华, 叶勤玉, 王书敏. 基于半变异函数的重庆市地表温度空间异质性建模及多尺度特征分析[J]. 地球信息科学学报, 2019, 21(7): 1051-1060. |
[7] | 符海月, 张祎婷. 时间尺度重构EEMD-GRNN改进模型预测PM2.5的研究[J]. 地球信息科学学报, 2019, 21(7): 1132-1142. |
[8] | 宋辞, 裴韬. 北京市多尺度中心特征识别与群聚模式发现[J]. 地球信息科学学报, 2019, 21(3): 384-397. |
[9] | 杨双姝玛, 黄庆旭, 何春阳, 刘紫玟. 中国建设用地空间格局分析[J]. 地球信息科学学报, 2019, 21(2): 178-189. |
[10] | 杨明远, 刘海砚, 季晓林, 郭文月, 陈思雯. 面向稀疏散布数据集的时空Kriging优化[J]. 地球信息科学学报, 2018, 20(4): 505-514. |
[11] | 江岭, 凌德泉, 赵明伟, 王春, 曾微波. 顾及多分析尺度的地形部位面向对象分类方法[J]. 地球信息科学学报, 2018, 20(3): 281-290. |
[12] | 牛腾, 岳德鹏, 李倩, 于强, 于佳鑫, 方敏哲. 基于GLM-PSO-coKriging模型的地表形变研究[J]. 地球信息科学学报, 2018, 20(11): 1579-1591. |
[13] | 赵爱梅, 张莹, 李正强, 李凯涛, 马䶮. 变异函数对泛克里金法的细粒子比星-地融合影响研究[J]. 地球信息科学学报, 2017, 19(8): 1089-1096. |
[14] | 罗海峰, 方莉娜, 陈崇成. 车载激光扫描数据路坎点云提取方法[J]. 地球信息科学学报, 2017, 19(7): 861-871. |
[15] | 卫春阳, 徐丹丹, 董凯凯, 刘兆礼. 遥感影像空间格局变异函数分析研究进展[J]. 地球信息科学学报, 2017, 19(4): 540-548. |
|