基于大数据挖掘的基础地理信息工程质检方法

徐业春

(山东省国土测绘院,山东 济南 250013)

0 引 言

近年来,基础测绘技术在地理信息工程的建设工作中得到了广泛的应用,再加上信息化、数字化平台、软件等的辅助与支持,获取了相对较好的效果。质量检测工作是基础测绘地理信息工程执行的一项重要工作[1],基础测绘技术在地理信息工程的建设工作中得到了广泛的应用。而基础测绘技术通常是借助测绘原理以及3S等相关模式对地理信息进行获取与收集[2],结合全国统一地理测绘基准,应用在质检工作之中。但是随着经济社会的发展,对于国家土地资源的建设越来越丰富,单一的质检模式无法确保结果的可靠性与准确性,在实际应用时仍然存在问题和缺陷。大数据挖掘技术是目前阶段较为先进的数据处理技术,包括分类、回归分析、聚类、关联规则等,可结合基础遥感数据、地理信息数据以及4D设备,形成更加稳定、可靠的地理信息质检模式。为了满足现阶段的测绘需求,本文基于大数据挖掘技术,对基础测绘地理信息工程质检方法进行研究,从而更好地保证监测检验数据的准确度,提升工程整体的质检效果。

1 大数据挖掘下基础测绘地理信息工程质检方法探析

1.1 基于聚类分析的基础数据分类储存

由于地理环境的多变性与不稳定性[3,4],再加之分类数据集自身的自然地理属性,地理信息数据量较为庞大[5],所以对基础测绘地理信息需要进行有效的分类。

聚类分析作为大数据挖掘中的非参数分析方法,可以通过数据搜集与数据转换,完成对数据分布局势的快速分析与聚类,深入分析每类数据的特征,识别出变量与类之间的关联性[6]。因此,本文结合大数据挖掘技术中的聚类分析方法,将地理信息工程划定为种植地、林草覆盖、固定性房屋建筑、交通区域、荒漠以及水域等,每一个区域均存在自身的地理信息单元[7]。将多个类型的单元数据依据特殊的格式分类并关联在一起,构建多目标的单元层级,并计算出单元覆盖范围,储存成果数据基础信息[8],确保自然地理属性与技术数据相匹配。具体如式(1)所示:

(1)

式(1)中:L表示单元覆盖范围,x表示遥感正射端值,v表示变动测绘距离。通过上述计算,最终可以得出实际的单元覆盖范围。通过聚类分析,将数据按照相似性与差异性进行聚类,汇总基础数据,将每一个单元的覆盖范围连接,完成数据分类储存。

1.2 基于Apriori算法的交互质检目标设定

基础地理测绘的信息均是实时的,因此,质检目标的构建同样也需要较强的关联。需要满足资源库控制质量要求[9],获取地理信息的测绘数据集,需要确保与图层一致、属性项一致以及数据拓扑一致,保证空间参考信息的完整性。

交互质检目标具有更强的灵活性与多变性。将多个地理信息子因素集合,依据不同的区域,划定逻辑质检层级,Apriori算法是大数据挖掘中关联规则挖掘算法的经典算法,它利用逐层搜索的迭代方法找出数据库中项集的关系。因此,本文利用大数据挖掘中的Apriori算法,对质检层级逐层搜索,经过迭代找出地理信息子因素集合中多个因素的关系,形成规则,通过类矩阵运算对独立图层文件和数据库文件对象进行矢量编辑,考虑多余的地理信息子元素、遗漏地理信息子元素,进一步完善交互质检目标的设定[10]。

1.3 拓扑质检层级构建

网络拓扑工程质检检查一般是对地理信息的基础测绘数据信息进行处理的一种形式层级,通常会以可持续测绘为方向目标,采取双向或者多项的形式来完成工程的质检工作,结合五项测绘的标准来构建相关的质检结构。五项测绘的内容如图1所示。

根据上述设定的层级,将所获取的数据依次划定在不同的质检层级之中,为后续的处理奠定基础。

1.4 双向三维数据挖掘基础测绘质检模型建立

在大数据挖掘的基础之上,可以将所设计的质检层级添加在初始的模型之中,并调整基础测绘的相关目标,确保最终质检结果的可靠性。进行双向质检比例的计算,如式(2)所示:

(2)

式(2)中:B表示双向质检比例,O表示极限测绘差值,F表示单项拓扑常数值。通过上述计算,最终可以得出实际的双向质检比例。将五项基础测绘内容融入质检模型之中,调节获取的数据极值。

在双向质检比例下,构建双向基础测绘区域,利用挖掘技术,核定模型得出的双向数据。通过三维成像技术,形成基础测绘的地理信息质检可视模型。在模型中添加实时数据,构建符合地质信息变化的质检形式,进一步扩大模型的质检范围,降低质检工作存在的误差。

1.5 应急测绘处理实现地理信息工程质检

对于大型的地理信息工程的质检工作,都会设定应急的测绘处理,补足地理信息,保证工程质检效果。但是由于本文在大数据挖掘的背景之下,所建立的质检模型是双向三维模式的,所以,需要扩展初始的测绘范围。具体的处理形式如图2所示:

根据图2,可以完成对应急测绘处理环节的构建,将其与测绘质检的模型相关联,进一步利用应急测绘处理来最终实现地理信息工程的质检。

2 方法测试

为了验证本文质检方法的实际应用效果,选取济南市K公园建设工程作为测试的主要目标对象。K公园建设工程总面积约为 3 500 km2,为济南市郊区某风景园林建造工程,建设完工后需要根据相关标准对其工程进行质检。将传统的线性单元基础测绘工程质检方法与交互覆盖基础测绘工程质检方法作为对比方法,与本文所设计的质检方法在相同的环境之下同时参与测定。

2.1 测试准备

在进行测试与分析之前,需要先搭建相关的工程测试环境。对基础测绘数据进行获取和收集,相关的数据如表1所示:

表1 基础测绘地理信息工程质检数据表

将表1相关数据添加在大数据挖掘处理平台,结合相关的测绘装备,进行地理信息的定位。以在测绘的设备中安装监控装置,并将其与大数据挖掘处理平台相关联,监控装置所获取的实时地理信息会即刻传输至大数据挖掘处理平台之中,获取测绘响应时间,为后续的基础测绘工作提供理论依据。具体如式(3)所示:

(3)

式(3)中:M表示测绘响应时间,d表示基准范围,m表示动态应变值,s表示基准响应系数。在实际测试的过程之中,需要将测绘质检的时间控制在上述的标准之内,结合监测定位装置,划定K测绘工程所覆盖的面积,结合大数据挖掘技术,设定具体的测绘质检结构,具体如图3所示:

图3 大数据挖掘基础测绘质检结构图示

考虑到地理信息的多变性,在大数据挖掘技术的辅助之下,设定测绘数据元素集,在初始的标准之内扩大相应的基础测绘面积,提升实际质检的面积。具体如式(4)所示:

(4)

式(4)中:G表示测绘数据元素集,D表示单一地理因子,c表示测绘元素数量,a表示变动信息值。通过上述计算,最终可以得出实际的测绘数据元素集。测绘数据元素集也必须在质检的合理范围之内。完成上述测试环境的搭建之后,核定相关的测试设备以及装置是否处于稳定的运行状态,同时确保不存在影响最终测试结果的外部因素,核定无误后,开始具体的测试。

2.2 测试过程及结果分析

利用监控设备获取K测绘工程的相关数据信息,构建多源异构测绘结构,并应用三维激光扫描设备,测定地理信息的应变精度值,具体如式(5)所示:

(5)

式(5)中:Y表示地理信息的应变精度值,Z表示聚合测绘系数,A表示单元归一测绘值,N表示响应测绘距离。和预设的测绘质检标准相对比,测定出相应的质检差值。结合三维模型测绘技术以及无人机测绘机理,获取实时数据信息。

双向测绘质检可以进一步增强测绘质检结果的可靠性与稳定性,利用大数据挖掘技术,定位工程的实际地理位置,并采用遥感技术获取地理工程的现实影像,与所创建的三维模型相对比,保持一致。通过得出的数据,构建基础测绘地理工程质检结构,具体如图4所示:

图4 基础测绘地理工程质检结构图示

根据图4,可以完成对基础测绘地理工程质检结构的建立。依据上述的模式,对K工程基础测绘地理信息的质检冗余值进行计算,具体如式(6)所示:

U=(3F+1)-g

(6)

式(6)中:U表示质检冗余值,f表示测绘变动常值,g表示极限测绘值。

由上文可知,第一测试组为传统的线性单元基础测绘工程质检方法,第二测试组为交互覆盖基础测绘工程质检方法;采用三种方法,依据公式(6)对K工程基础测绘地理信息的质检冗余值进行计算,对比结果如表2所示:

表2 测试结果对比分析表

根据表2分析结果可知,本文提出的基于大数据挖掘基础测绘工程质检测试组质检冗余值相对较小,均控制在10以下,远低于两种传统方法,表明其实际工程应用效果更佳,具有更高的应用价值。

3 结 语

本文基于大数据挖掘技术,提出一种基础测绘地理信息工程质检方法。通过大数据挖掘技术中的聚类分析方法和Apriori算法的应用,能够更改初始的测定结构,以地理信息工程的实际处理需求作为导向,重新制定新的质检标准,形成多元化的基础测绘体系。并将K公园建设工程作为测试的主要目标对象,证明本文提出方法在实际应用中的基础测绘地理信息工程质检效果较好,具有一定的应用价值。