基于FME与ArcGIS的空间数据连接与数值模拟

屈 清，田永中，王 龙，郭金铭，刁德彬

（1.西南大学 地理科学学院，重庆 北碚 400715；2.内江师范学院 地理与资源环境学院 ，四川 内江 641112）

基于FME与ArcGIS的空间数据连接与数值模拟

屈 清1，田永中1，王 龙1，郭金铭2，刁德彬1

（1.西南大学 地理科学学院，重庆 北碚 400715；2.内江师范学院 地理与资源环境学院 ，四川 内江 641112）

在已有GIS理论与空间数值模拟的基础上，根据涪陵区DEM、降水、温度、农用地质量等级和永久基本农田等数据，综合使用FME与ArcGIS的数据链接集成、可视化与图解建模等功能，并结合数据统计分析软件SPSS，发现农用地利用等指数分布与其他地理要素存在线性相关关系；并在此基础上构建了多元线性回归模型。此模型主要用于解决永久基本农田划定中利用等指数部分缺失问题。

基本农田；GIS；空间数据；模拟

地理空间数据是用来表示地理实体或现象的位置、形状、大小及其分布等诸方面特征的数据[1,2]。从众多的地理空间数据中获取有用的地理空间数据是比较困难的，本文以区域性的地理数据处理为例，将FME与ArcGIS相结合进行了空间数据处理并实现了数值模拟，探寻未知区域的数据[3]。

1 研究区空间数据特征分析

1.1 研究区概况

涪陵区位于北纬29°21′～30°01′，东经106°56′～107°43′之间，地处四川盆地和盆边山地过渡地带，长江与乌江交汇处。该区域地貌以低山丘陵为主，地势总体上东南高而西北低[4]，整体条件优异，有利于农作物的生长。

1.2 地形特征分析

根据中国科学院研究员李炳元[5]对陈志明[6]及欧洲地貌形态的总结分类，总体上涪陵区地形可归纳为4大类型（见表1）：微起伏平原、平坝，起伏丘陵，山地起伏低山和山地起伏低中山。

表1 涪陵区地表形态归类

利用ArcGIS10可实现地表形态的可视化分类，实验过程分4步进行（见图1）。结合ArcGIS10的图解建模功能，利用涪陵区的DEM与地表起伏度数据建立涪陵区地表形态分类组合图解模型。图解模型中最主要部分是要实现栅格数据的擦除功能，以及海拔数据与起伏度两者相结合的涪陵区地表形态分类（见图2），并在此基础上将每个结果合并为一个数据集，最终得到涪陵区的地表形态分类（见图3）。由此可见，涪陵区地表形态主要是起伏丘陵山地，其次是平原、平坝，起伏较大的山地比较少。

图1 涪陵区地表形态分类过程图

图2 ArcGIS10擦除功能实现图解模型图

图3 涪陵区地表形态分类图

图4 数据推导模型构建流程图

1.3 气候特征分析

涪陵全区总体上降水量比较充沛，但仍然存在空间上的不均，降水主要集中在东南武陵山丘陵、山地起伏区，西南微起伏平原、平坝区，长江、乌江一线降水量相对偏少。涪陵区常年均温较高，年均高温区主要集中在长江、乌江一线，年均中温区主要位于台地和丘陵地区，年均低温区包括东南山地起伏和山地区。

1.4 农用地等级空间分布

根据涪陵区农用地分等定级成果数据，通过空间可视化定性分析，全区利用等级较高的区域主要分布在平原、平坝区域以及年均温较高降水适中的区域；利用等级较低区域大都分布在起伏山地与丘陵区域，年均温较低区域。从可视化角度，结合上述地形与降水、气温图分析发现，利用等级与地形分类的相关程度较高，吻合度较好，具有一定的规律性。

2 空间数据处理

为了探寻未知区域的数据，需把不同来源但相同空间位置的数据通过叠加，将上述海拔、地表起伏度、气温、降水、坡度、农用地利用等数据集成在一起进行空间统计分析，并构建相关的数学模型，实现对未知区域数据的求解。首先需要构建数据分析处理总体流程，如图4所示。

2.1 数据链接输入

FME重投影是在缺少转换七参数的前提下首选的方式。首先需要在FME Workbench中将原始基于北京54坐标系的土地利用等数据*．shp格式文件输入FME，然后调用Reprojector函数模块，设置输出的坐标系统为西安80坐标系，通过这种方法可很好地将基于北京54的农田分等定级数据与基于西安80的基本农田数据实现空间位置配准。在空间数据校正的基础上，以基本农田图斑为统计单位，利用ArcGIS中的分区统计将需要融入分析的空间位置相同的数据以标识码为统计单位和数据链接依据，将所涉及的空间数据集成为一张表，便于数据统计分析。这里所涉及的空间数据主要包括海拔、地表起伏度、气温、降水、坡度、基本农田图斑和农用地利用等。

2.2 利用等指数反演数学模型构建

采用上述数据集成方法将海拔、气温和降水等数据合并为一张表格（见表2），建立基本农田图斑标识码与这些数据的对应关系，总计涉及83 764个图斑，其中缺失质量数据部分总计15 530块图斑，此部分利用等指数的获取作为空间数值模拟的重点。

结合诸多要素数据以及回归模型，其基本构建流程为：①对多要素与基本农田质量指数的相关性进行分析；②提取相关性明显的要素进行回归分析，选取构建模型构建回归模型。

2.2.1 数据的量化分析

根据表2中数据，采用地理学中的经典统计分析方法，分别分析5类地理要素与利用等指数之间的相关程度，分别记为相关系数Rei、Rqi、Rsi、Rri和Rti。将上述空间变量代入Pearson的相关系数计算公式可求出相关系数。

表2 基本农田图斑地理要素对应表

利用SPSS数据分析软件对上述数据进行相关分析，得到各要素与土地质量等级的相关性程度表（表3）。可以看出，在样本容量为66 948且置信水平为0．01的情况下，质量等级与坡度、起伏度表现出强烈的负相关；与年均降水量和海拔高度呈负相关，但相关性较弱；与年均气温呈正相关，且正相关较强。总之，这5类地理要素与质量等级之间表现为较强的线性关系，从相关程度上选取起伏度、坡度和年均气温作为构建土地质量估计模型的参数。

表3 各地理要素与土地利用等指数相关系数表

2.2.2 构建回归模型及模型显著性检验

在构建回归模型之前，需明确地理要素变量的多寡，如果要素变量在一个以上，则需要选择多元线性回归模型，多元线性回归 模型更具有普遍意义[7]。

假设土地利用等指数这一因变量i受3个自变量s、p、q的影响，其n组观测值为（ia，sa，pa，qa），a=1，2，…，66 948，那么多元线性回归模型的结构形式为：

式中，β0、β1、β2、β3为待定参数；εa为随机变量。

如果b0、b1、b2、b3分别为β0、β1、β2、β3的拟合值，则回归方程为：

式中，b0为常数；b1、b2、b3分别为偏回归系数。其意义在于当其他自变量sj、tj、qj（j≠w）固定时，sw、tw、qw中一个自变量每变化一个单位而使因变量i平均改变的数值。

根据最小二乘法原理，β0、β1、β2、β3的估计值b0、b1、b2、b3应该使拟合值与观测值之间的离差平方和趋近于最小，将样本数据代入向量计算公式得到：

套用公式，进行矩阵运算，得到回归系数：

坡度（s）、温度（t）和起伏度（q）之间的线性回归方程为：

将所需参数代入公式得：

在置信水平α=0．05上，通过使用Excel中的F值计算函数FINV( )，可以查出F0．05（3，66 948）= 2．61。由于F＞ 2．08，所以回归方程是显著的。

2.2.3 对基本农田缺失土地质量的反演

通过以上的定量化分析，土地利用等指数与地表起伏度、坡度和气温线性关系明显，从而利用拟合线性回归模型并根据起伏度、坡度和气温的值就能计算出基本农田中缺失土地利用等指数部分的指数。

3 结 语

1）通过数值的回归模拟，解决了涪陵区基本农田数据中部分图斑缺失利用等指数部分的数据。

2）综合使用FME与ArcGIS等主流数据处理软件，对空间数据集成的一般技术步骤做了进一步探析。

3）对涪陵区的地表形态分类做了一定的探讨，不足之处在于对空间数值模拟结果需要进一步验证，并在验证的基础上对模型做改进。

[1] Chang Kang-tsung． Introduction to Geographic Information Systems[M]．北京:科学出版社,2003

[2] 田永中．地理信息系统基础与实验教程[M]．北京:科学出版社,2010

[3] Guo Diansheng, Mennis J． Spatial Data Mining and Geographic Knowledge Discovery—An Introduction [J]．Computers, Environment and Urban Systems,2009,33： 403-404

[4] 重庆市涪陵区统计局．涪陵统计年鉴2011[G]．2011

[5] 李炳元．中国陆地基本地貌类型及其划分指标探讨[J]．第四纪研究, 2008, 28(4): 535-543

[6] 陈志明．1∶400万中国及其毗邻地区地貌图说明书[M]．北京：中国地图出版社, 1993

[7] 徐建华．计量地理学[M]．北京：高等教育出版社,2006

P208

B

1672-4623（2014）01-0114-03

10.11709/j.issn.1672-4623.2014.01.039

屈清，硕士，研究方向为地图制图技术与土地信息系统。

2013-05-03。

项目来源：“十二五”农村领域国家科技项目（2012BAJ231300）。