混凝土坝变形监测数据是典型的时空数据,但是在工程实际中由于种种原因,一些测点的变形序列往往会出现遗漏、缺失等问题,为分析这些测点的变形情况带来了不便。从混凝土坝结构的整体性出发,基于数据缺失测点空间邻近的数据完整测点的变形序列,对其缺失段进行建模和估计,提出了空间邻近点回归插值法和空间反距离加权插值法。工程实例验证表明,提出的缺失信息估计方法操作简单明了,且具有较高的估计精度。
Abstract
As a typical spatio-temporal data, the monitoring data of concrete dam deformation in lack at some partial points would bring about inconveniences for deformation analysis. In this paper, we present a method of estimating the missing data of deformation sequence by proposing a spatial proximity point regression interpolation method and a space inverse distance weighted interpolation method based on integral deformation sequences of monitoring points in the vicinity of missing points. Engineering examples verifies that the method proposed in this paper is simple, clear, and is highly precise.
关键词
混凝土坝 /
时空数据 /
数据缺失 /
空间插值 /
缺失信息估计方法
Key words
concrete dam /
spatio-temporal data /
missing data /
spatial interpolation /
estimation method for missing data
{{custom_sec.title}}
{{custom_sec.title}}
{{custom_sec.content}}
参考文献
[1] 沈长松, 王世夏, 林益才, 等. 水工建筑物. 北京: 中国水利水电出版社, 2008.
[2] 李雪红, 顾冲时, 徐洪钟. 混凝土坝变形的灰色回归时序模型. 河海大学学报(自然科学版), 2002, 30(6): 116-119.
[3] 李德仁, 王树良, 李德毅. 空间数据挖掘理论与应用. 2版.北京: 科学出版社, 2013.
[4] SHI W Z, FISHER P F, GOODCHILD M. Spatial Data Quality. London: CRC Press, 2002.
[5] MAYER S V, CUKIER K. Big Data: A Revolution That Will Transform How We Live, Work and Think. Hangzhou: Zhejiang People’s Publishing House, 2012.
[6] DASU T. Exploratory Data Mining and Data Cleaning . New York: John Wiley & Sons, 2003.
[7] 王建民, 张 锦, 邓增兵, 等. 时空Kriging插值在边坡变形监测中的应用. 煤炭学报, 2014, 39(5): 874-879.
[8] 李 莎, 舒 红, 徐正全. 利用时空Kriging进行气温插值研究. 武汉大学学报(信息科学版), 2012, 37(2): 237-241.
[9] 徐爱萍, 胡 力, 舒 红. 空间克里金插值的时空扩展于实现. 计算机应用, 2011, 31(1): 273-276.
[10] 王佳璆, 邓 敏, 程 涛,等. 时空序列数据分析和建模. 北京: 科学出版社, 2012.
[11] 任志勇. 辽宁省某市降雨量的空间插值算法比较研究. 北京测绘, 2017, (5): 164-166.
PDF(1743 KB)
