CN103246689A - 一种栅格数据的预测方法和装置 - Google Patents
一种栅格数据的预测方法和装置 Download PDFInfo
- Publication number
- CN103246689A CN103246689A CN2012105814026A CN201210581402A CN103246689A CN 103246689 A CN103246689 A CN 103246689A CN 2012105814026 A CN2012105814026 A CN 2012105814026A CN 201210581402 A CN201210581402 A CN 201210581402A CN 103246689 A CN103246689 A CN 103246689A
- Authority
- CN
- China
- Prior art keywords
- raster data
- color
- predicting unit
- value
- average color
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种栅格数据的预测方法和装置,以解决没有关于对栅格数据进行预测研究的问题。所述方法包括:根据栅格数据中各分类值的数量和颜色值计算栅格数据的平均颜色值;按照划分信息对栅格数据进行划分,得到各预测单元;依据各预测单元中各分类值的数量和栅格数据中各分类值的颜色值计算各预测单元的平均颜色值;对每个栅格数据,基于该栅格数据的时间信息和各预测单元的平均颜色值,确定预测单元的坐标点;根据坐标点,确定每个栅格数据的预测时间点的平均颜色值;根据每个栅格数据的预测时间点的平均颜色值确定每个栅格数据的预测时间点的分类值,得到预测结果。可以根据预测的栅格数据辅助制定相关决策以及进行相关预警等。
Description
技术领域
本发明实施例涉及地理信息***技术领域,特别是涉及一种栅格数据的预测方法和装置。
背景技术
地理信息***(Geographic Information System,GIS)是一种具有采集空间数据并存储、管理、分析与表现空间信息的计算机***。采用GIS技术使高效管理具有空间分布特征的原始数据及其制图输出成为可能,并逐步成为现代企业管理和政府决策的有力助手。GIS数据以数字数据的形式表现了现实世界客观对像(公路、土地利用、海拔等)。现实世界客观对像可被划分为二个抽像概念:离散对像(如房屋等)和连续对像(如降雨量或海拔等)。这两个抽像概念在GIS中存储的数据主要包括:栅格(网格)和矢量。
栅格(网格)数据由存放唯一数值的存储单元按照行和列的形式组成。它与栅格(网格)图像是类似的,除了使用合适的颜色之外,各个存储单元记录的数值也可能是一个分类值(例如土地使用状况)、一个连续的值(例如降雨量)或是当数据不是可用时记录的一个空值。
每个存储单元存储的都是一个分类值的栅格数据,称之为分类型栅格数据,例如描述土地使用状况的栅格数据、描述地面坡度分级的栅格数据等等;随着GIS数据采集技术的逐步提高,可以获取更多的分类型栅格数据。然而,目前没有关于对大量的分类型栅格数据,进行信息挖掘,对其分类值的未来变化发展进行预测,获得更高层次的知识和规律的研究。
发明内容
本发明实施例公开一种栅格数据的预测方法和装置,以解决没有关于对栅格数据进行预测研究的问题。
为了解决上述问题,本发明实施例公开了一种栅格数据的预测方法,包括:
根据预先获取的n个栅格数据中各分类值的数量和各分类值的颜色值,计算n个栅格数据的平均颜色值,其中所述n个栅格数据表示同一地理空间范围的相同分辨率的同一属性信息,n≥3;
按照预先设定的划分信息对n个栅格数据进行划分,得到每个栅格数据的各预测单元;
获取所述各预测单元中各分类值的数量;
依据所述各预测单元中各分类值的数量和所述n个栅格数据中各分类值的颜色值,计算各预测单元的平均颜色值;
对每个栅格数据,基于预先获取的该栅格数据的时间信息和所述该栅格数据的各预测单元的平均颜色值,确定对应的预测单元的坐标点;
根据所述对应的预测单元的坐标点,确定每个栅格数据的预测时间点的平均颜色值;
根据所述每个栅格数据的预测时间点的平均颜色值确定每个栅格数据的所述预测时间点的分类值,得到栅格数据预测结果。
优选的,还包括:基于所述n个栅格数据的时间信息和所述n个栅格数据的平均颜色值对所述n个栅格数据进行曲线拟合操作。
优选的,所述根据所述对应的预测单元的坐标点,确定每个栅格数据的预测时间点的平均颜色值,包括:
连接所述对应的预测单元的坐标点,得到多条直线;
计算所述多条直线的平均角度线;
分别计算所述多条直线与所述平均角度线的角度差,并计算各角度差的平均值;
判断所述各角度差的平均值是否大于等于预先设定的误差阀值;
当大于等于时,根据曲线拟合结果确定每个栅格数据的预测时间点的平均颜色值;
当小于时,根据所述平均角度线确定每个栅格数据的预测时间点的平均颜色值。
优选的,所述n个栅格数据中的各分类值的颜色值包括RGB类型的颜色值。
优选的,所述根据预先获取的n个栅格数据中各分类值的数量和各分类值的颜色值,计算n个栅格数据的平均颜色值,包括:
根据rdn_color=(a1×c1+a2×c2+…+at×ct)/(a1+a2+…+at)计算n个栅格数据的RGB类型的平均颜色值;
其中,rdn_color为n个栅格数据的RGB类型的平均颜色值,a1、a2…at为每个栅格数据中t种分类值中各分类值的数量,c1、c2…ct为每个栅格数据中t种分类值中各分类值的颜色值,t为正整数。
优选的,所述按照预先设定的划分信息对n个栅格数据进行划分,得到每个栅格数据的各预测单元,包括:
按照o行p列的单元格对n个M行N列的栅格数据进行划分,得到S×L个预测单元,1≤o≤M,1≤p≤N,o、p、M、N、S和L均为正整数;
当M=αo+β,β<o,α、β为正整数时,增加o-β列分类值为0的像素;
当N=γp+δ,δ<p,γ、δ为正整数时,增加p-δ行分类值为0的像素。
优选的,所述对每个栅格数据,基于预先获取的该栅格数据的时间信息和所述该栅格数据的各预测单元的平均颜色值,确定对应的预测单元的坐标点,包括:
确定所述时间信息为所述对应的预测单元的坐标点的横坐标;
确定所述各预测单元的平均颜色值为所述对应的预测单元的坐标点的纵坐标。
本发明实施例还公开了一种栅格数据的预测装置,包括:
栅格数据计算模块,用于根据预先获取的n个栅格数据中各分类值的数量和各分类值的颜色值,计算n个栅格数据的平均颜色值,其中所述n个栅格数据表示同一地理空间范围的相同分辨率的同一属性信息,n≥3;
划分模块,按照预先设定的划分信息对n个栅格数据进行划分,得到每个栅格数据的各预测单元;
预测单元颜色计算模块,用于获取所述各预测单元中各分类值的数量;依据所述各预测单元中各分类值的数量和所述n个栅格数据中各分类值的颜色值,计算各预测单元的平均颜色值;
坐标点确定模块,用于对每个栅格数据,基于预先获取的该栅格数据的时间信息和所述该栅格数据的各预测单元的平均颜色值,确定对应的预测单元的坐标点;
预测时间颜色确定模块,用于根据所述对应的预测单元的坐标点,确定每个栅格数据的预测时间点的平均颜色值;
结果确定模块,用于根据所述每个栅格数据的预测时间点的平均颜色值确定每个栅格数据的所述预测时间点的分类值,得到栅格数据预测结果。
优选的,还包括:拟合模块,用于基于所述n个栅格数据的时间信息和所述n个栅格数据的平均颜色值对所述n个栅格数据进行曲线拟合操作。
优选的,所述预测时间颜色确定模块连接所述对应的预测单元的坐标点,得到多条直线;计算所述多条直线的平均角度线;分别计算所述多条直线与所述平均角度线的角度差,并计算各角度差的平均值;判断所述各角度差的平均值是否大于等于预先设定的误差阀值;
当大于等于时,根据曲线拟合结果确定每个栅格数据的预测时间点的平均颜色值;
当小于时,根据所述平均角度线确定每个栅格数据的预测时间点的平均颜色值。
与背景技术相比,本发明实施例包括以下优点:
本发明实施例在已有的一系列分类型栅格数据的基础上,对各栅格数据的分类值经过渲染得到的颜色值,进行运算处理,得到预测的栅格数据。预测的栅格数据的每个像素格都是颜色值数据,再对颜色值数据进行逆向渲染得到分类值。可以根据预测的栅格数据辅助制定相关决策以及进行相关预警等。
附图说明
图1是本发明具体实施方式中分类型栅格数据的数据结构示意图;
图2是本发明实施例中一种栅格数据的预测方法流程图;
图3是本发明实施例中一种栅格数据的预测方法流程图;
图4是本发明实施例中计算预测单元颜色值分量R示意图;
图5是本发明实施例中分类型栅格数据预测结果示意图;
图6是本发明实施例中一种栅格数据的预测装置结构图;
图7是本发明实施例中一种栅格数据的预测装置结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例基于已经拥有一系列时间点为t1、t2…tn的分类型栅格数据。而且这些栅格数据描述的是同一地理空间范围的相同分辨率的同一属性信息,例如,这一系列分类型栅格数据可以为北京市2000年土地利用类型栅格数据,北京市2001年土地利用类型栅格数据,…北京市2012年土地利用类型栅格数据,这13个分类型栅格数据都是描述北京市的不同时期的土地利用类型的属性信息。
本发明实施例中所提到的一系列分类型栅格数据,不限于其存在的形式。例如,上例中的一系列分类型栅格数据可以存储在13个文件里,每个文件存储某一年的土地利用类型栅格数据;也可以将13个年份的分类型栅格数据存储在一个文件里;甚至这些分类型栅格数据可以存储在内存中等等,对这些分类型栅格数据的存在方式不进行限制。以分类型栅格数据的基本特性描述初始已知的分类型栅格数据:分类型栅格数据是由行和列的像素格子组成,每个像素格子存储一个分类型数值,每个分类型栅格数据具有如图1所示的抽像数据形式,每个分类型栅格数据由多个像素格子组成,每个像素格子表示唯一的一个分类值,如1、2等。
而且,对每个分类型栅格数据在进行图层的展示时,都需要确定其数据的渲染方案。渲染方案就是确定分类型栅格数据中每个像素格子该用什么颜色进行显示的一套规则。例如,图1中的分类型栅格的渲染方案可以为:分类值为1的像素格子用RGB为红色(255,0,0)进行显示,分类值为2的像素格子用RGB为绿色(0,255,0)进行显示,…,分类值为33的像素格子用RGB为蓝色(0,0,255)进行显示,等等。每个分类型栅格数据的渲染方案可以有很多种,但通常情况下都必须采用行业图例或者色标标准。例如对土地分类的栅格数据进行制图显示时,必须遵守《全国土地调查分类图示、图例和色标规范》,属于水田类型的像素格子必须用RGB(255,255,100)颜色进行显示。本方法实施例中的已知一系列分类型栅格数据均采用同一渲染方案,并且渲染方案里不同的分类值对应不同的颜色进行显示。已知的一系列分类型栅格数据的数量至少为3个,预测的结果是时间点T的栅格数据。
下面通过列举几个具体的实施例详细介绍本发明公开的一种栅格数据的预测方法和装置。
实施例一
详细介绍本发明实施例公开的一种栅格数据的预测方法。
参照图2,示出了本发明实施例中一种栅格数据的预测方法流程图。
步骤100,根据预先获取的n个栅格数据中各分类值的数量和各分类值的颜色值,计算n个栅格数据的平均颜色值。
其中所述n个栅格数据表示同一地理空间范围的相同分辨率的同一属性信息,n≥3。
例如,所述n个栅格数据为一系列的分类型栅格数据,具体为rd1,rd2,……,rdn。每个分类型栅格数据都是由M行N列的像素格子组成;每个栅格数据都包含t个分类值,分别为从1到t,每个分类值对应的显示颜色分别从c1到ct。c1,c2,……,ct均是RGB格式的颜色值数据,c1.R表示颜色值c1的R分量值,c1.G表示颜色值c1的G分量值,c1.B表示颜色值c1的B分量值。如果c1=(128,56,23),则c1.R=128,c1.G=56,c1.B=23。
步骤102,按照预先设定的划分信息对n个栅格数据进行划分,得到每个栅格数据的各预测单元。
例如,每个栅格数据由M行N列的像素格子组成。预先设定的划分信息为对每个栅格数据划分成一个或多个由o行p列的像素格子组成的预测单元。
步骤104,获取所述各预测单元中各分类值的数量;依据所述各预测单元中各分类值的数量和所述n个栅格数据中各分类值的颜色值,计算各预测单元的平均颜色值。
例如,步骤102中划分出的一个由o行p列的像素格子组成的预测单元,包含t个分类值(1至t),获取每个分类值的数量,如分类值1的数量为a1,分类值2的数量为a2。
步骤106,对每个栅格数据,基于预先获取的该栅格数据的时间信息和所述该栅格数据的各预测单元的平均颜色值,确定对应的预测单元的坐标点。
步骤108,根据所述对应的预测单元的坐标点,确定每个栅格数据的预测时间点的平均颜色值。
将所述对应的预测单元的坐标点按照一定条件相连,得到多条直线,再根据多条直线之间的角度关系等,确定预测时间点的平均颜色值。
步骤110,根据所述每个栅格数据的预测时间点的平均颜色值确定每个栅格数据的所述预测时间点的分类值,得到栅格数据预测结果。
在步骤108确定预测时间点的平均颜色值之后,可以按照逆向的渲染方案,将平均颜色值逆向渲染成对应的分类值。对n个栅格数据进行上述步骤处理后,可以得到预测时间点T的预测栅格数据。
综上所述,本发明实施例公开的一种栅格数据的预测方法,与背景技术相比,具有以下优点:
本发明实施例在已有的一系列分类型栅格数据的基础上,对各栅格数据的分类值经过渲染得到的颜色值,进行运算处理,得到预测的栅格数据。预测的栅格数据的每个像素格都是颜色值数据,再对颜色值数据进行逆向渲染得到分类值。可以根据预测的栅格数据辅助制定相关决策以及进行相关预警等。
实施例二
详细介绍本发明实施例公开的一种栅格数据的预测方法。
参照图3,示出了本发明实施例中一种栅格数据的预测方法流程图。
步骤200,根据预先获取的n个栅格数据中各分类值的数量和各分类值的颜色值,计算n个栅格数据的平均颜色值。
其中所述n个栅格数据表示同一地理空间范围的相同分辨率的同一属性信息,n≥3。
所述n个栅格数据中的各分类值的颜色值具体可以包括RGB类型的颜色值。
具体地,可以根据rdn_color=(a1×c1+a2×c2+…+at×ct)/(a1+a2+…+at)计算n个栅格数据的RGB类型的平均颜色值。
其中,rdn_color为n个栅格数据的RGB类型的平均颜色值,a1、a2…at为每个栅格数据中t种分类值中各分类值的数量,c1、c2…ct为每个栅格数据中t种分类值中各分类值的颜色值,t为正整数。
例如,对分类型栅格数据rd1,对其所有的像素格子,统计计算出所有分类值为1的像素总数,假设为a1;统计出所有分类值为2的像素总数,假设为a2,……,统计出所有分类值为t的像素总数,假设为at。那么,这个栅格数据的平均颜色值rd1_color.R=(a1×c1.R+a2×c2.R+…+at×ct.R)/(a1+a2+…+at);rd1_color.G=(a1×c1.G+a2×c2.G+…+at×ct.G)/(a1+a2+…+at);rd1_color.B=(a1×c1.B+a2×c2.B+…+at×ct.B)/(a1+a2+…+at);栅格数据rd1的平均颜色值rd1_color含义为:将栅格数据rd1的所有像素对应显示的颜色值进行搅拌均匀,得到的颜色值。
同理,计算这一系列n个分类型栅格数据的平均颜色值rd1_color,rd2_color,……,rdn_color。
步骤202,基于所述n个栅格数据的时间信息和所述n个栅格数据的平均颜色值对所述n个栅格数据进行曲线拟合操作。
上述步骤200计算得到栅格数据rd1,rd2,……,rdn的平均颜色值rd1_color,rd2_color,……,rdn_color,即得到一个时间变化的离散点值序列(T1,rd1_color),(T2,rd2-color),……(Tn,rdn_color)。其中,离散点的x轴T1是分类型栅格数据rd1对应的时间,……,Tn是分类型栅格数据rdn对应的时间。离散点的y轴rd1-color是包含RGB3个数值的颜色类型值,根据RGB三种颜色,分开为3个拟合曲线函数,分别处理R、G、B的三个分量值。
拟合R分量的曲线函数:Y_R=f(x);离散点为(T1,rd1_color.R),(T2,rd2_color.R),……,(Tn,rdn_color.R)。
拟合G分量的曲线函数:Y_G=g(x);离散点为(T1,rd1_color.G),(T2,rd2_color.G),……,(Tn,rdn_color.G)。
拟合B分量的曲线函数:Y_B=p(x);离散点为(T1,rd1_color.B),(T2,rd2_color.B),……,(Tn,rdn_color.B)。
此时,曲线拟合的方法可以为有线性函数、指数函数、幂函数、样条曲线等。既要根据已知的一系列分类型栅格数据的数量,即n的数值,也要考虑栅格数据像素M×N的大小。n越大,说明数据资料越多,曲线拟合越精确,预测的相对越准确;M×N越大,预测计算量越大,处理效率越低;本发明实施例的核心不是提出曲线拟合的方法,所以不限制用何种方法。在实际应用中,推荐用一元线性函数进行拟合,处理效率较高,同时计算结果也能满足基本预测之用。曲线拟合函数的物理意义是揭示这n个栅格数据发展变化的整体规律。
步骤204,按照预先设定的划分信息对n个栅格数据进行划分,得到每个栅格数据的各预测单元。
具体地,可以按照o行p列的单元格对n个M行N列的栅格数据进行划分,得到S×L个预测单元,1≤o≤M,1≤p≤N,o、p、M、N、S和L均为正整数。
当M=αo+β,β<o,α、β为正整数时,增加o-β列分类值为0的像素。
当N=γp+δ,δ<p,γ、δ为正整数时,增加p-δ行分类值为0的像素。
例如,对已知的一系列分类型栅格数据rd1,rd2,……,rdn,按m行×n列个像素大小为一个预测单元,对rd1,rd2,……,rdn进行划分;在划分时,对于列方向上的最后几列不够n列时,补冲像素值为0的分类值像素,使之满足一个预测单元大小;对于行方向上,划分最后几行不够m行时,同样进行补冲像素值为0的分类值像素,使之满足一个预测单元大小;这样,rd1,rd2,……,rdn都由同样大小的预测单元组成,假设有S×L个预测单元,每个预测单元都对应同一地理空间范围。预测单元的大小,理论上是可以从1×1到M×N都可行的,一般为了计算效率考虑,取3×3、4×4或更大的;预测单元越大,计算越快,但是结果栅格数据的分辨率越低。预测单元的大小可以根据实际应用情况而定。
步骤206,获取所述各预测单元中各分类值的数量;依据所述各预测单元中各分类值的数量和所述n个栅格数据中各分类值的颜色值,计算各预测单元的平均颜色值。
对每个预测单元,分别计算每个栅格数据的平均颜色值cell_color。对于栅格数据rd1,统计某预测单元的分类值为1的像素数量x1,分类值为2的像素数量x2,……,分类值为t的像素数量xt(其中分类值为0的丢弃不参与计算),则该预测单元的“平均颜色”值:
cell_color.R=(x1×c1.R+x2×c2.R+…+xt×ct.R)/(x1+x2+...+xt);
cell_color.G=(x1×c1.G+x2×c2.G+…+xt×ct.G)/(x1+x2+...+xt);
cell_color.B=(x1×c1.B+x2×c2.B+…+xt×ct.B)/(x1+x2+...+xt);
对于栅格数据rd2,……,rdn,按同样方法计算对应该预测单元的平均颜色值。得到该预测单元的N个时间点上的平均颜色值cell_color1,cell_color2,……,cell_colorN。需要强调的是,此处的平均颜色值cell_color都是由RGB3个分量的颜色值类型组成。本发明实施例的目的是分别预测未来时间点T的RGB3个分量值。
步骤208,对每个栅格数据,基于预先获取的该栅格数据的时间信息和所述该栅格数据的各预测单元的平均颜色值,确定对应的预测单元的坐标点。
具体地,可以确定所述时间信息为所述对应的预测单元的坐标点的横坐标。
可以确定所述各预测单元的平均颜色值为所述对应的预测单元的坐标点的纵坐标。
以颜色分量值R为例,以时间轴为x轴,平均颜色值分量R为y轴,分别绘制点(t1,cell_color1.R),(t2,cell_color2.R),……,(tn,cell_colorn.R)。
步骤210,根据所述对应的预测单元的坐标点,确定每个栅格数据的预测时间点的平均颜色值。
所述步骤210,具体可以包括:
连接所述对应的预测单元的坐标点,得到多条直线。
计算所述多条直线的平均角度线。
分别计算所述多条直线与所述平均角度线的角度差,并计算各角度差的平均值。
判断所述各角度差的平均值是否大于等于预先设定的误差阀值。
当大于等于时,根据曲线拟合结果确定每个栅格数据的预测时间点的平均颜色值。
当小于时,根据所述平均角度线确定每个栅格数据的预测时间点的平均颜色值。
具体地,如图4所示,将上述点(t1,cell_color1.R)分别与点(t2,cell_color2.R),点(t3,cell_color3.R),……,点(tn,cell_colorn.R)相连接,得到n-1条直线,并计算这n-1条直线的平均角度线,再计算这n-1条直线分别与平均角度线的角度差的绝对值,得到angle1,angle2,……,angle(n-1)。然后计算角度差的平均值EvenAngle=(angle1+angle2+…+angle(n-1))/(n-1)。
条件(1)、如果EvenAngle大于等于预先确定的角度误差容许阀值w,则说明这n个时间点的数据无规律的较远的分散在平均角度线两侧,对此情况,可以应用步骤202中得到的计算R分量的一元线性函数预测时间点T的R值。此时的代表含义为:对于划分得到的多个预测单元,其值分布无规律性,则用这n个栅格数据的整体变化规律来预测上述预测单元的T时间值。
条件(2)、如果EvenAngle小于预先确定的角度误差容许阀值w,则说明这n个时间点的数据较集中的分布在平均角度线附近,对此情况,可以用此平均角度线来预测时间点T的值,平均角度线与Y=T的线的交点,即为预测结果值。此时的代表含义为:对于给定的n个预测单元,其值分布有规律性,即用此规律来计算预测值。
对于角度误差容许阀值w,在对不同的分类型栅格数据进行预测时,可以根据实际情况进行取值。具体地,根据实际经验,推荐w=25度。
分别对该预测单元的R、G、B分量进行预测值计算处理,得到此预测单元的时间点T的预测颜色值cell_colorT。同理,对划分后的每个预测单元进行同样的计算,可得到S×L个预测单元的颜色值,即为预测结果分类栅格数据rd_Forecast。
步骤212,根据所述每个栅格数据的预测时间点的平均颜色值确定每个栅格数据的所述预测时间点的分类值,得到栅格数据预测结果。
上述结果栅格数据rd_Forecast的像素大小是S×L,每个像素存储的是RGB类型的颜色值,而不是最初已知n个分类型栅格数据的分类型值。
由于每个颜色值都对应于一类分类值,所以,通过颜色值类型的预测结果栅格数据rd_Forecast可以知道各个分类的分布情况。如图5所示,其中不同像素表示不用的土地利用类型。得到预测结果栅格数据之后,每个分类的分布一目了然,对制订相关决策和预警应用有非常高的使用价值。
例如,已经拥有5年(2007到2011)的北京市土地利用类型分类型栅格数据,应用标准规定的图例、色标标准,如水体类型使用银白色显示,林草非耕地使用绿色显示,耕地使用黄色显示等等。分别计算这五年的栅格数据的整体变化的R分量的一元线性函数f(R)=117.5+12.7×R;G分量的一元线性函数f(G)=215.5-27.3×G;B分量的一元线性函数f(B)=188.5+31.8×B。然后再经过m×n=3×3大小的预测单元划分这5年的分类型栅格数据后,每年的土地利用类型分类型栅格数据都划分为3646×3661个预测单元。对每个预测单元,计算其时间点2012年的R、G、B分量的预测值,其中,角度误差容许阀值w取值25度。计算完所有的预测单元,得到颜色值类型的预测结果栅格数据,像素大小为3646×3661。
综上所述,本发明实施例公开的一种栅格数据的预测方法,与背景技术相比,具有以下优点:
本发明实施例在已有的一系列分类型栅格数据的基础上,对各栅格数据的分类值经过渲染得到的颜色值,进行运算处理,得到预测的栅格数据。预测的栅格数据的每个像素格都是颜色值数据,再对颜色值数据进行逆向渲染得到分类值。可以根据预测的栅格数据辅助制定相关决策以及进行相关预警等。
实施例三
详细介绍本发明实施例公开的一种栅格数据的预测装置。
参照图6,示出了本发明实施例中一种栅格数据的预测装置结构图。
所述一种栅格数据的预测装置,具体可以包括:
栅格数据计算模块300,划分模块302,预测单元颜色计算模块304,坐标点确定模块306,预测时间颜色确定模块308,以及,结果确定模块310。
下面分别详细介绍各模块的功能以及各模块之间的关系。
栅格数据计算模块300,用于根据预先获取的n个栅格数据中各分类值的数量和各分类值的颜色值,计算n个栅格数据的平均颜色值,其中所述n个栅格数据表示同一地理空间范围的相同分辨率的同一属性信息,n≥3。
例如,所述n个栅格数据为一系列的分类型栅格数据,具体为rd1,rd2,……,rdn。每个分类型栅格数据都是由M行N列的像素格子组成;每个栅格数据都包含t个分类值,分别为从1到t,每个分类值对应的显示颜色分别从c1到ct。c1,c2,……,ct均是RGB格式的颜色值数据,c1.R表示颜色值c1的R分量值,c1.G表示颜色值c1的G分量值,c1.B表示颜色值c1的B分量值。如果c1=(128,56,23),则c1.R=128,c1.G=56,c1.B=23。
划分模块302,按照预先设定的划分信息对n个栅格数据进行划分,得到每个栅格数据的各预测单元。
预测单元颜色计算模块304,用于获取所述各预测单元中各分类值的数量;依据所述各预测单元中各分类值的数量和所述n个栅格数据中各分类值的颜色值,计算各预测单元的平均颜色值。
坐标点确定模块306,用于对每个栅格数据,基于预先获取的该栅格数据的时间信息和所述该栅格数据的各预测单元的平均颜色值,确定对应的预测单元的坐标点。
预测时间颜色确定模块308,用于根据所述对应的预测单元的坐标点,确定每个栅格数据的预测时间点的平均颜色值。
结果确定模块310,用于根据所述每个栅格数据的预测时间点的平均颜色值确定每个栅格数据的所述预测时间点的分类值,得到栅格数据预测结果。
在预测时间颜色确定模块308确定预测时间点的平均颜色值之后,结果确定模块310可以按照逆向的渲染方案,将平均颜色值逆向渲染成对应的分类值。对n个栅格数据进行上述步骤处理后,可以得到预测时间点T的预测栅格数据。
综上所述,本发明实施例公开的一种栅格数据的预测装置,与背景技术相比,具有以下优点:
本发明实施例在已有的一系列分类型栅格数据的基础上,对各栅格数据的分类值经过渲染得到的颜色值,进行运算处理,得到预测的栅格数据。预测的栅格数据的每个像素格都是颜色值数据,再对颜色值数据进行逆向渲染得到分类值。可以根据预测的栅格数据辅助制定相关决策以及进行相关预警等。
实施例四
详细介绍本发明实施例公开的一种栅格数据的预测装置。
参照图7,示出了本发明实施例中一种栅格数据的预测装置结构图。
所述一种栅格数据的预测装置,具体可以包括:
栅格数据计算模块400,拟合模块402,划分模块404,预测单元颜色计算模块406,坐标点确定模块408,预测时间颜色确定模块410,以及,结果确定模块412。
下面分别详细介绍各模块的功能以及各模块之间的关系。
栅格数据计算模块400,用于根据预先获取的n个栅格数据中各分类值的数量和各分类值的颜色值,计算n个栅格数据的平均颜色值,其中所述n个栅格数据表示同一地理空间范围的相同分辨率的同一属性信息,n≥3。
拟合模块402,用于基于所述n个栅格数据的时间信息和所述n个栅格数据的平均颜色值对所述n个栅格数据进行曲线拟合操作。
划分模块404,按照预先设定的划分信息对n个栅格数据进行划分,得到每个栅格数据的各预测单元。
预测单元颜色计算模块406,用于获取所述各预测单元中各分类值的数量;依据所述各预测单元中各分类值的数量和所述n个栅格数据中各分类值的颜色值,计算各预测单元的平均颜色值。
坐标点确定模块408,用于对每个栅格数据,基于预先获取的该栅格数据的时间信息和所述该栅格数据的各预测单元的平均颜色值,确定对应的预测单元的坐标点。
预测时间颜色确定模块410,用于根据所述对应的预测单元的坐标点,确定每个栅格数据的预测时间点的平均颜色值。
具体地,所述预测时间颜色确定模块410连接所述对应的预测单元的坐标点,得到多条直线;计算所述多条直线的平均角度线;分别计算所述多条直线与所述平均角度线的角度差,并计算各角度差的平均值;判断所述各角度差的平均值是否大于等于预先设定的误差阀值。
当大于等于时,根据曲线拟合结果确定每个栅格数据的预测时间点的平均颜色值。
当小于时,根据所述平均角度线确定每个栅格数据的预测时间点的平均颜色值。
结果确定模块412,用于根据所述每个栅格数据的预测时间点的平均颜色值确定每个栅格数据的所述预测时间点的分类值,得到栅格数据预测结果。
综上所述,本发明实施例公开的一种栅格数据的预测装置,与背景技术相比,具有以下优点:
本发明实施例在已有的一系列分类型栅格数据的基础上,对各栅格数据的分类值经过渲染得到的颜色值,进行运算处理,得到预测的栅格数据。预测的栅格数据的每个像素格都是颜色值数据,再对颜色值数据进行逆向渲染得到分类值。可以根据预测的栅格数据辅助制定相关决策以及进行相关预警等。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
以上对本发明实施例所公开的一种栅格数据的预测方法和装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种栅格数据的预测方法,其特征在于,包括:
根据预先获取的n个栅格数据中各分类值的数量和各分类值的颜色值,计算n个栅格数据的平均颜色值,其中所述n个栅格数据表示同一地理空间范围的相同分辨率的同一属性信息,n≥3;
按照预先设定的划分信息对n个栅格数据进行划分,得到每个栅格数据的各预测单元;
获取所述各预测单元中各分类值的数量;
依据所述各预测单元中各分类值的数量和所述n个栅格数据中各分类值的颜色值,计算各预测单元的平均颜色值;
对每个栅格数据,基于预先获取的该栅格数据的时间信息和所述该栅格数据的各预测单元的平均颜色值,确定对应的预测单元的坐标点;
根据所述对应的预测单元的坐标点,确定每个栅格数据的预测时间点的平均颜色值;
根据所述每个栅格数据的预测时间点的平均颜色值确定每个栅格数据的所述预测时间点的分类值,得到栅格数据预测结果。
2.根据权利要求1所述的方法,其特征在于,还包括:
基于所述n个栅格数据的时间信息和所述n个栅格数据的平均颜色值对所述n个栅格数据进行曲线拟合操作。
3.根据权利要求2所述的方法,其特征在于,所述根据所述对应的预测单元的坐标点,确定每个栅格数据的预测时间点的平均颜色值,包括:
连接所述对应的预测单元的坐标点,得到多条直线;
计算所述多条直线的平均角度线;
分别计算所述多条直线与所述平均角度线的角度差,并计算各角度差的平均值;
判断所述各角度差的平均值是否大于等于预先设定的误差阀值;
当大于等于时,根据曲线拟合结果确定每个栅格数据的预测时间点的平均颜色值;
当小于时,根据所述平均角度线确定每个栅格数据的预测时间点的平均颜色值。
4.根据权利要求1所述的方法,其特征在于,所述n个栅格数据中的各分类值的颜色值包括RGB类型的颜色值。
5.根据权利要求4所述的方法,其特征在于,所述根据预先获取的n个栅格数据中各分类值的数量和各分类值的颜色值,计算n个栅格数据的平均颜色值,包括:
根据rdn_color=(a1×c1+a2×c2+…+at×ct)/(a1+a2+…+at)计算n个栅格数据的RGB类型的平均颜色值;
其中,rdn_color为n个栅格数据的RGB类型的平均颜色值,a1、a2…at为每个栅格数据中t种分类值中各分类值的数量,c1、c2…ct为每个栅格数据中t种分类值中各分类值的颜色值,t为正整数。
6.根据权利要求1所述的方法,其特征在于,所述按照预先设定的划分信息对n个栅格数据进行划分,得到每个栅格数据的各预测单元,包括:
按照o行p列的单元格对n个M行N列的栅格数据进行划分,得到S×L个预测单元,1≤o≤M,1≤p≤N,o、p、M、N、S和L均为正整数;
当M=αo+β,β<o,α、β为正整数时,增加o-β列分类值为0的像素;
当N=γp+δ,δ<p,γ、δ为正整数时,增加p-δ行分类值为0的像素。
7.根据权利要求1所述的方法,其特征在于,所述对每个栅格数据,基于预先获取的该栅格数据的时间信息和所述该栅格数据的各预测单元的平均颜色值,确定对应的预测单元的坐标点,包括:
确定所述时间信息为所述对应的预测单元的坐标点的横坐标;
确定所述各预测单元的平均颜色值为所述对应的预测单元的坐标点的纵坐标。
8.一种栅格数据的预测装置,其特征在于,包括:
栅格数据计算模块,用于根据预先获取的n个栅格数据中各分类值的数量和各分类值的颜色值,计算n个栅格数据的平均颜色值,其中所述n个栅格数据表示同一地理空间范围的相同分辨率的同一属性信息,n≥3;
划分模块,按照预先设定的划分信息对n个栅格数据进行划分,得到每个栅格数据的各预测单元;
预测单元颜色计算模块,用于获取所述各预测单元中各分类值的数量;依据所述各预测单元中各分类值的数量和所述n个栅格数据中各分类值的颜色值,计算各预测单元的平均颜色值;
坐标点确定模块,用于对每个栅格数据,基于预先获取的该栅格数据的时间信息和所述该栅格数据的各预测单元的平均颜色值,确定对应的预测单元的坐标点;
预测时间颜色确定模块,用于根据所述对应的预测单元的坐标点,确定每个栅格数据的预测时间点的平均颜色值;
结果确定模块,用于根据所述每个栅格数据的预测时间点的平均颜色值确定每个栅格数据的所述预测时间点的分类值,得到栅格数据预测结果。
9.根据权利要求8所述的装置,其特征在于,还包括:
拟合模块,用于基于所述n个栅格数据的时间信息和所述n个栅格数据的平均颜色值对所述n个栅格数据进行曲线拟合操作。
10.根据权利要求9所述的装置,其特征在于,
所述预测时间颜色确定模块连接所述对应的预测单元的坐标点,得到多条直线;计算所述多条直线的平均角度线;分别计算所述多条直线与所述平均角度线的角度差,并计算各角度差的平均值;判断所述各角度差的平均值是否大于等于预先设定的误差阀值;
当大于等于时,根据曲线拟合结果确定每个栅格数据的预测时间点的平均颜色值;
当小于时,根据所述平均角度线确定每个栅格数据的预测时间点的平均颜色值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210581402.6A CN103246689B (zh) | 2012-12-27 | 2012-12-27 | 一种栅格数据的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210581402.6A CN103246689B (zh) | 2012-12-27 | 2012-12-27 | 一种栅格数据的预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103246689A true CN103246689A (zh) | 2013-08-14 |
CN103246689B CN103246689B (zh) | 2016-07-06 |
Family
ID=48926213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210581402.6A Active CN103246689B (zh) | 2012-12-27 | 2012-12-27 | 一种栅格数据的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103246689B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977427A (zh) * | 2017-11-28 | 2018-05-01 | 鲁东大学 | 一种分类型栅格数据的存储及读取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5079749A (en) * | 1990-06-06 | 1992-01-07 | Union Oil Company Of California | Seismic raytracing method and apparatus |
CN1647138A (zh) * | 2002-04-22 | 2005-07-27 | Dgs计算机株式会社 | 数字地形图的生成方法和生成设备 |
CN101634721A (zh) * | 2009-04-15 | 2010-01-27 | 华东师范大学第二附属中学 | 一种基于历史数据的台风水灾智能预警*** |
-
2012
- 2012-12-27 CN CN201210581402.6A patent/CN103246689B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5079749A (en) * | 1990-06-06 | 1992-01-07 | Union Oil Company Of California | Seismic raytracing method and apparatus |
CN1647138A (zh) * | 2002-04-22 | 2005-07-27 | Dgs计算机株式会社 | 数字地形图的生成方法和生成设备 |
CN101634721A (zh) * | 2009-04-15 | 2010-01-27 | 华东师范大学第二附属中学 | 一种基于历史数据的台风水灾智能预警*** |
Non-Patent Citations (1)
Title |
---|
胡腾波等: "马尔科夫链模型在GIS数据预测中的应用", 《计算机***应用》, no. 8, 31 August 2008 (2008-08-31) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977427A (zh) * | 2017-11-28 | 2018-05-01 | 鲁东大学 | 一种分类型栅格数据的存储及读取方法 |
CN107977427B (zh) * | 2017-11-28 | 2021-08-24 | 鲁东大学 | 一种分类型栅格数据的存储及读取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103246689B (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852342B (zh) | 一种路网数据的获取方法、装置、设备及计算机存储介质 | |
Voltersen et al. | Object-based land cover mapping and comprehensive feature calculation for an automated derivation of urban structure types at block level | |
CN101388043B (zh) | 一种基于小块图片的ogc高性能遥感图像地图服务方法 | |
CN107977992A (zh) | 一种基于无人机激光雷达的建筑物变化检测方法及装置 | |
CN114004754B (zh) | 一种基于深度学习的场景深度补全***及方法 | |
Gao et al. | Exploring detailed urban-rural development under intersecting population growth and food production scenarios: Trajectories for China’s most populous agricultural province to 2030 | |
CN109741446B (zh) | 一种三维数字地球动态生成精细海岸地形的方法 | |
CN115049925B (zh) | 田块田坎提取方法、电子设备及存储介质 | |
CN106846251A (zh) | 基于建筑物房顶矢量的正射影像镶嵌线网络自动选择方法 | |
CN113505185A (zh) | 一种城市信息模型三维场景渲染与展示方法 | |
Lock et al. | Visualizing spatial data: The importance of geographic information systems | |
CN104778657B (zh) | 图像二维码融合方法及装置 | |
Zhou et al. | Green urban garden landscape simulation platform based on high-resolution image recognition technology and GIS | |
Mozaffaree Pour et al. | Simulation of land use/land cover changes and urban expansion in Estonia by a hybrid ANN-CA-MCA model and utilizing spectral-textural indices | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
JP2017526990A (ja) | 画像変化検出 | |
CN103246689A (zh) | 一种栅格数据的预测方法和装置 | |
Crols et al. | Downdating high-resolution population density maps using sealed surface cover time series | |
CN102622345B (zh) | 多源时空数据协同的高精度土地利用遥感更新技术 | |
CN115239746B (zh) | 一种面向对象的遥感图像分割方法、装置、设备及介质 | |
CN115205478A (zh) | 一种基于视觉的地面物理特性推断框架的实现方法及*** | |
Dornik et al. | Knowledge-based soil type classification using terrain segmentation | |
CN105045934A (zh) | 一种处理大型地理栅格数据的并行聚类方法 | |
CN111368468A (zh) | 基于数理方法及编程算法求取集中型村落二维边界的方法 | |
CN111125274A (zh) | 一种基于分布式计算的基础地理信息可视化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |