三峡区间面雨量空间插值方法对比分析

空间插值是常用的面雨量计算方法,以三峡区间为研究对象,选取反距离加权、普通克里金、协同克里金3种空间插值算法,进行面雨量空间插值计算和对比分析,其中协同克里金插值将地形作为影响因素。三峡区间面雨量插值结果表明:克里金插值在精度上要优于反距离加权插值,插值效果也更平滑;协同克里金的插值精度优于普通克里金,平均绝对误差、误差均方根相对于普通克里金插值分别降低了19%,10%。因此,在山区或地形复杂区域的面雨量计算,将地形作为协同区域化属性的协同克里金插值更合适。     

空间插值分析算法综述

空间插值分析算法是一种应用于将离散点的测量数据转换为连续数据表面的算法,能够将连续数据曲面与其他空间现象的分布情况进行比较,它在空间信息方面具有广泛的应用场景,尤其是地理信息方面.对泰森多边形法、反距离权重插值法、样条函数插值法、克里金插值法等空间插值算法的插值原理和应用场景进行综述,对空间插值分析算法的进展和未来研究方向进行了探讨.     

针对Kriging插值结果的空间查询方法

Kriging插值方法及其各种改进模型已被广泛应用,但由于其插值结果是栅格形式,因此不利于与矢量数据叠加分析。为了更加便捷地使用插值结果,在衡量Voronoi图和最小外接矩形特点的基础上,提出了适用于Kriging插值结果的数据结构及空间查询方法。查询某一点位的特征值时,先通过区域的最小外接矩形初步判断出该位置可能存在的区域,进而逐一判断点与所选区域的空间关系,根据点所在区域的属性值得到该点位的特征值。该方法实现了对Kriging插值结果的空间查询,其正确性通过某露天矿的实际运行数据得到了验证。实验结果表明,该方法的查询效率控制在毫秒级,能够满足矿区车载终端程序及类似应用的需求。     

一种新的光线空间插值方法研究

基于灰度共生矩阵的思想分析光线空间数据特征，在此基础上提出一种基于主方向匹配的光线空间插值方法。实验结果表明，新的插值方法插值生成的光线空间与传统的线性插值方法和自适应滤波插值方法生成的光线空间相比在PSNR上分别提高了3．44dB和1．97dB。     

空间克里金插值的时空扩展与实现

空间克里金插值常用来补充采样点不足的问题,当数据分布与时间和空间都有关系时,面向空间的方法直接应用到时空过程可能导致有价值信息在时间维的丢失,由此导致了时空克里金插值的研究。研究的目标是将空间插值模型扩展到时空领域并实现时空变异函数、时空插值和时空交叉验证。其方法是首先获得最佳变异函数模型和时空下的有效基台值、块金值与变程,然后实现时空克里金插值的扩展,最后通过时空交叉验证去验证扩展的时空克里金插值方法的有效性。验证结果表明,扩展的时空方法能为随机领域以一定的精度提供较多的信息,为不同时空环境下的预测或插值提供了一个有效的途径。     

基于数据融合的DEM插值与可视化

针对某航海训练仿真系统对三维地形实时性及逼真性的需要,提出了对DEM数据进行插值以提高数据的精度。在概略介绍空间插值原理及分类的基础上,分别着重介绍了克里金插值算法及改进谢别德插值算法的原理和特点。为了兼顾这两种插值算法的优点,克服单一插值方法的不足,提出了基于数据融合的插值方法。详细阐述了DEM插值的过程,并结合实例,利用SRTM3数据进行了测试,实现了DEM的可视化。仿真结果表明,与单独采用两种插值算法相比,基于数据融合所得数据插值效果较好,插值精度得到了明显的提升。     

一种融合多方向变异性的改进克里金插值算法

在室内位置指纹定位技术中,采用克里金插值算法可有效降低指纹数据库构建的工作量, 但是,现有算法通常只考虑了信号在一维方向上的变异性,没有考虑室内环境中信号在多个方向存在的变异性。为此,本文提出了一种融合了多个方向信号变异性的改进克里金插值算法,充分考虑了二维室内环境中信号在不同方向的变异性对插值精度的影响。实验结果表明,与克里金插值算法、距离反比加权插值算法等算法相比,本文算法对指纹数据的插值精度更高。     

一种用于视点图像绘制的光线空间插值方法

光线空间表示是实现实时复杂场景自由视点视频的有效方法。提出了基于特征点检测的快速光线空间插值方法,首先采用自适应阈值提取光线空间片或图像域的特征点,然后结合遮挡问题采用相关性准则匹配特征点,根据匹配的特征点将光线空间分割成不同对象区域并进行插值,以实现快速任意视点图像绘制。实验结果表明,该方法能快速插值光线空间数据,生成的光线空间数据信噪比高、绘制的任意视点图像的主客观质量也较高。     

基于克里金空间插值的MODIS积雪覆盖率产品去云方法

由于云与积雪在可见光和远红外波段都具有相似的光谱特征,使得光学遥感监测积雪受到天气的严重干扰,如何消除亚像元尺度上MODIS积雪覆盖率(Snow Cover Fraction,SCF)产品中云的干扰成为了一个亟待解决的难题。通过分析亚像元尺度上SCF分布的空间变异性,提出了一种基于克里金空间插值的MODIS SCF产品去云方法,分别利用普通克里金(Ordinary Kriging,OK)和以海拔为协变量的普通协克里金(Ordinary Co\|Kriging,OCK)进行去云实验。11个不同日期的实验结果表明:OK和OCK方法在MODIS SCF产品去云中均能达到较高的精度,特别是在云覆盖率低于20%的情况下,此时OCK的精度要好于OK;而当云覆盖率大于20%时,OK的精度略高于OCK,但两者的精度都明显低于云覆盖率低于20%的情况,而且平滑效应都比较明显。     

基于克里金插值的脑电图成像系统

脑电图在医疗诊断中发挥了重要作用,能够快速纪录脑内神经元活动产生的电信号并能在屏幕上清晰地成像。针对16导联设备设计了一种脑电图成像系统,可以有效地支持二维脑电地形图和三维脑电旋转图的显示。对于二维脑电地形图采取了对时域信号的频域变换以及克里金空间插值方法进行填充绘制;对于三维脑电旋转地形图采取了反向映射到二维平面像素点的方法加以实现,该方法的成像效果清晰,并避免使用外部库文件,最后对导联设备增加以及产品的进一步功能发展所面临的挑战作了简要的分析。     

利用实测资料评估被动微波遥感雪深算法

利用SSM/I微波亮温数据,结合地面站点实测资料,比较Chang算法和Che算法在前苏联、中国及蒙古境内6种不同积雪类型的反演精度,结果表明:被广泛应用于全球雪深反演的Chang算法低估了前苏联境内雪深7.6cm,相对误差为-24.3%,而分别高估中国及蒙古境内雪深9.2cm与11.4cm,相对误差分别为108.8%和180.9%,区域反演效果很差;针对中国境内积雪的Che算法严重低估前苏联境内雪深,整体低估21.3cm,相对误差为-68.6%,RMSE为31.4cm;在中国及蒙古境内反演效果有所改善。6个积雪类型中,植被较单一,地形较平坦的苔原型积雪和草原型积雪雪深的反演效果较好。随着纬度和积雪深度的增加被动微波雪深反演有由高估变为低估的趋势。Che算法反演的雪深大体以40°N为界,以北表现为低估,以南表现为高估,另一方面,整体上该算法在雪深低于6.7cm时表现为低高估,高于6.7cm表现为低估;因此,全球算法应用到局部地区需要进行修正,不同下垫面性质以和气候条件下形成的积雪的被动微波反演应区别对待。     

中国西部地区积雪深度的空间插值比较

应用反距离加权法、样条函数法、Kriging法对中国西部地区(79.05°～103.57°E,27.17°～48.05°N)113个气象台站观测的年平均积雪深度进行空间插值比较研究。结果表明反距离加权法和样条函数法的插值结果与积雪深度的实际分布情况有一定的差异;普通Kriging法能够反映出研究区积雪深度分布的空间结构特征,与实际情况比较吻合。影响插值结果精度的主要原因是研究区内气象台站稀少且空间分布很不均匀。可以通过合理的采样设计,将确定性方法和随机方法相结合,并考虑地形、气候等影响积雪分布的因素来提高空间插值的精度。     

多源雪深数据在中国的空间特征评估

积雪的年际和年内变化强烈地影响着区域及全球的水量平衡,同时,积雪反照率反馈也显著地影响着气候变化。目前长时间序列的格网雪深数据主要来自被动微波遥感及再分析资料,但不同数据之间存在着明显差异。基于多源雪深数据的评估,特别是空间特性的评估还很缺乏。因此,本研究选取了AMSR-E、WESTDC、GlobSnow、RA-Interim及MERRA2这5种雪深数据,以站点观测数据为参考真值,对它们进行了中国地区的空间误差对比及基于误差排序的相对表现分析。评估结果初步显示：①WESTDC在我国西北及东北积雪区表现较好,适合用于我国北方的雪深研究;②MERRA2在西北和东北积雪区也有较好的表现,但由于其分辨率较粗,缺乏细节的空间信息,因此认为比较适用于大区域的统计分析;③AMSR-E在我国中部和东南地区表现最好,因此认为适合我国中部及东南部的雪深研究。     

多源雪深数据在中国的空间特征评估

积雪的年际和年内变化强烈地影响着区域及全球的水量平衡，同时，积雪反照率反馈也显著地影响着气候变化。目前长时间序列的格网雪深数据主要来自被动微波遥感及再分析资料，但不同数据之间存在着明显差异。基于多源雪深数据的评估，特别是空间特性的评估还很缺乏。因此，本研究选取了AMSR-E、WESTDC、GlobSnow、RA-Interim及MERRA2这5种雪深数据，以站点观测数据为参考真值，对它们进行了中国地区的空间误差对比及基于误差排序的相对表现分析。评估结果初步显示：①WESTDC在我国西北及东北积雪区表现较好，适合用于我国北方的雪深研究；②MERRA2在西北和东北积雪区也有较好的表现，但由于其分辨率较粗，缺乏细节的空间信息，因此认为比较适用于大区域的统计分析；③AMSR-E在我国中部和东南地区表现最好，因此认为适合我国中部及东南部的雪深研究。     

北半球及典型区雪深时空分布与变化特征

基于欧空局的GlobSnow雪水当量数据集和国家青藏高原科学数据中心的北半球长时间序列雪深数据集NHSD研究了北半球及9个典型区的雪深时空分布与变化特征。结果表明：北半球1988~2018年平均雪深总体呈显著下降趋势（p<0.01）,年际变化幅度为-0.55 cm·（10 a）^-1。在高纬度地区,加拿大北部和阿拉斯加年平均雪深下降明显（p<0.01）,下降速率分别为3.48 cm·（10 a）^-1和3 cm·（10 a）^-1,两地区月平均雪深在冬季显著下降。西西伯利亚平原和东欧平原年平均雪深呈下降趋势,其中东欧平原雪深下降较为明显（p<0.01）,变化速率为-2.3 cm·（10 a）^-1,两地区的月平均雪深在春季显著下降,其中5月份最为明显。东西伯利亚山地的雪深年际变化呈增加趋势,除堪察加半岛外,其月平均雪深在冬季呈显著增加趋势。对于高山区,阿尔卑斯山脉和落基山脉的年平均雪深呈缓慢增长趋势,而青藏高原地区雪深呈缓慢下降趋势。阿尔卑斯山脉的月平均雪深在冬季呈显著增加趋势,5月份显著减小。落基山脉和青藏高原雪深变化呈现出空间异质性：在整个研究时段,落基山脉北部月平均雪深呈下降趋势,中部和南部呈上升趋势;青藏高原的北部边缘山脉雪深呈显著上升趋势,中部大多数地区呈下降趋势。喜马拉雅山脉的北坡雪深增加,南坡雪深减小,但其变化率绝对值小于0.5 cm·a^-1。东南部雪深较大的念青唐古拉山脉冬季雪深呈显著下降趋势。对9个典型区雪深的年内分析（2001~2010年平均值）结果显示：高山区雪深峰值远低于高纬度地区雪深峰值。除青藏高原外,高山区的积雪融化起始日期明显早于高纬度地区。     

Matlab和C语言集成下的Oracle Spatial空间插值方法研究

基于Matlab提供的CAPI函数以及OracleSpatial空间数据管理模型,论文给出了在VisualC++环境下利用Matlab的插值函数对OracleSpatial下的离散点进行空间插值的详细步骤和应用实例。作者认为将C语言和Matlab结合起来实现对OracleSpatial空间对象的管理和操作,是实现快速开发GIS应用程序的一条有效途径。     

利用被动微波遥感数据反演我国积雪深度及其精度评

考虑到我国西部地区使用SSM/I全球算法将高估积雪深度,故以东经105°为界将我国分为东部和西部。在西部地区采用修正后的雪深算法,东部地区沿用全球算法。对散射系数较高,容易和积雪相混淆的降雨、寒漠和冻土地表类型,通过积雪分类树进行剔除,进而发展了一套适用于全国积雪深度的业务化反演方案。最后利用MODIS积雪产品对冬季90天的结果进行了精度评价,总体精度平均达到86.4%,最高精度达到95.5%,Kappa系数均值为65.5%,最大值达到86.2%。     

被动微波雪深反演算法在东北地区的时空分析与验证

Chang算法及改进算法是被动微波遥感雪深反演算法中较简单的经验算法。为了评价改进的Chang算法在东北地区的适用性,对改进的Chang算法进行分析与验证。从空间上,选取了84个野外数据采样点和48个气象站点对改进的Chang算法进行分析与验证。结果表明:森林下垫面改进的Chang算法会低估雪深3.6cm,而农田下垫面改进的Chang算法会高估雪深1.5cm。从时间序列上,选取五营、呼中、庆安和巴彦4个气象站点2012年11月15日~2013年2月28日的时间序列雪深数据,对改进的Chang算法进行分析与验证。结果表明:森林下垫面改进的Chang算法会低估雪深,五营站点低估雪深13.7cm,呼中站点低估雪深8.3cm,农田下垫面改进的Chang算法会高估雪深,庆安站点高估雪深3.4cm,巴彦站点高估雪深0.8cm。无论从空间上还是时间序列上,验证结果都表明,农田下垫面时改进的Chang算法的精度比森林下垫面时要高。此外,站点雪深不变而改进的Chang算法反演的雪深却在增大,这可能是由于期间雪粒径不断增大的缘故。     

基于多源数据的阿勒泰地区雪深反演研究

利用阿勒泰地区 2010~2012年冬季(11月~次年2月)3类积雪数据:风云三号微波成像仪(FY\|3/MWRI)反演的雪深数据、美国人机交互式多仪器冰雪制图系统(IMS)积雪面积数据、阿勒泰及周边地区实测雪深数据,进行积雪深度的反演研究。通过结合3类积雪数据的各自优势,建立修正模型,最终得到较准确的研究区雪深数据。同时通过编程实现了相应模型的操作平台,为今后研究区积雪业务化监测做好准备。结果表明:模型提高了FY\|3/MWRI数据反演阿勒泰地区积雪深度的准确性,改善了FY\|3/MWRI数据在阿勒泰地区雪深反演偏低的缺点,使微波与实测平均雪深误差由修正前的21.7~12.1 cm缩小为修正后的3.7~1.5 cm。