数据类型与定量方法体系:(现有方法体系)
连续场数据:气温、叶面积指数、生境适宜度、滑坡危险度等)
直接观测:遥感技术 (机理和统计)
间接推测:空间内插 (机理模拟、统计和地统计方法)
类型要素:(土壤类型、植被类型等)
推测性分类:类别多边形(Area-Class)的方法
间接推测和推测性分类都属于推测方法(predictive approaches):S = f (E)。基于对研究现象和周围相关变量之间的关系的理解程度,可以将推测方法分为三类。知晓少许或零知识: 统计、地统计;拥有大量知识:过程、机理模型、仿真模拟;Manual Mapping:基于知识的方法(knowledge-based approach)。
地统计方法以Kringring为代表,地统计既考虑到样本值的大小,又重视样本空间位置及样本间的距离,弥补了经典统计学忽略空间方位的缺陷,但需要有一系列的前提假设,如随机过程,二阶平稳,变异函数(Semivariogram)等。
机理过程模拟方法通过建立机理等式方程建模,精确度很高,但它要求对机理方程有着充分完整以及细节知识的了解,以便描述其中的相互作用,事实上我们对很多地理现象及过程的了解都达不到这种程度。
以类别多边形为例的推测性分类,在属性域和空间域都进行了一定的综合化,比如隐藏了渐变性,消除了区域较小的类别等。
因此,现在有着基于GIS、人工智能、模糊数学等软知识的精细空间信息获取方法,朱阿兴教授以土壤资源调查方法为例给出一张聚集多种方法的图示。
图中S <= f (E)代表“推出”,不是小于号,与前面的相比较,分别利用了专家知识、人工智能、CBR、数据挖掘、关键点采样(Purposive Sampling)等方法进行了调查分类,最终精度都比较不错。特别是Purposive Sampling基本上完全是原创性的成果,传统的采样方法或是随机采样或是规则采样,而在关键点采样,有目的性的采样,提起来是不是更有吸引力?在精度和成本方面都会有着显著的进步,前提是要处理的好,他们的团队正在进行研究。
-------------------------------------------传说中的分隔线-------------------------------------------
这篇文章怎么写,折腾了我好几个小时,写下了好多文字,尽管很多都是整理老师的课件,最终决定以最简单的方法写出来,不再“斤斤计较”。毕竟这个题目太大,写好了,搞一篇paper都不成问题,而我现在怕是没这个时间没这个能耐,拿自己的框架知晓过程做个记录罢了。
最初学习裴韬老师的《空间分析》课程,了解了空间内插主要是地统计的相关内容,觉得整个架构了解的比较清楚,这部分的建模应该是差不多了。接着暑假小学期朱阿兴老师的讲座即便不是醍醐灌顶,让我也觉得眼光局限,地理建模架构远远更为宽阔,地统计不过沧海一声笑。王劲峰研究院的讲座更是讲GIS的应用与建模推向各个领域,包括空间内插都有着自创性的高效空间抽样调查Sandwich模型。
这些课程对我来说,更多的是让我自己多了些踌躇,甚至是恐慌,自己越来越靠近技术派路线,越来越gIS,为了让自己心里平衡,买下了《地理信息系统与科学》一书第二版。
软件是固化的思想,建模者在一步步改进着模拟现实世界的模型,技术派将这些模型转化成代码写进软件中。哪个更有原创性?哪个更吸引自己?难道只有分工不同,没有贵贱之分?