作者简介:邬群勇(1973-),男,山东诸城人,研究员,主要从事地理信息系统及其应用研究.E-mail:qywu@fzu.edu.cn
时空数据模型不仅关系到时空对象的动态表达,更是时空分析与推理的重要支撑,也是TGIS的关键基础。对时空数据模型提出至今的国内外理论和应用现状进行了详细综述,梳理了近50年的时空数据模型发展族谱,阐述了时空数据模型的改进和应用现状,总结了当前时空数据模型存在的问题,展望了时空数据模型的未来发展方向。
First author:Wu Qunyong(1973-),male,Zhucheng City,Shandong Province,Professor. Research areas include geographic information system and its application.E-mail:qywu@fzu.edu.cn
Traditional GIS(Geographic Information System)mostly can only describe the transient state data and does not have the ability to deal with the temporal dynamic data. When the data changes, new data will take the place of the old data, namely the transient state change into another, and the old data will disappear. Therefore, it is unable to make an analysis of the updating changes of the data and predict the development trend of the future. In this case, TGIS (Temporal Geographic Information System) emerges and expands the time dimension on the basis of traditional GIS. Spatio-temporal data model is the key to TGIS. Spatio-temporal data modeling is not only related to dynamic expression of spatio-temporal objects, but also gives an important support for spatio-temporal analysis and reasoning. This paper summarized the theories and applications status at home and abroad of spatio-temporal data model in detail, illustrated family tree of spatio-temporal data model for the nearly fifty years, discussed improvement and application status of Base State with Amendments Model, Event-based Spatio-temporal Data Model, Object-oriented Data Model and other spatio-temporal data models, and raised the existing problems of spatio-temporal data model. The current existing problems mainly includes: ①There are a lot of spatio-temporal data models put forward, but some of them only focus on semantic design and neglect the verified; ②Most of existing spatio-temporal data model are for vector data, only the Event-based Spatio-temporal Data Model is raster data structure; ③At present, the expression the time-space information of geographic entity is relative separated with spatio-temporal data model; ④Spatio-temporal data model is mainly used in cadastral management, land use and forestry data updating, less application in other fields. In the end, the future development direction was put forward of spatio-temporal data model. In the time of big data and “Internet plus”, it is necessary to explore the big data spatio-temporal data model that supports multiple data formats.
时态地理信息系统(Temporal Geographic Information System, TGIS)是在传统GIS的基础上拓展了时间维, 它的出现弥补了传统GIS无法处理时间动态变化数据的缺陷, 使人们能够更好地实现地理实体时间和空间信息的动态表达与建模, 是地理空间分析、地理知识表达和挖掘的基础[1], 对于模拟和预测分析时空信息也具有重要意义[2]。时态GIS已经广泛应用于环境气候、公共交通、灾害预警和应急响应等领域[3~9], 其为具体应用背景下的分析、模拟和预测提供了可靠支撑。
时空数据模型是构建TGIS的关键, 如何设计和构建一个高效合理的时空数据模型对于TGIS更好地适应地理信息行业发展的需要至关重要。本文主要梳理了时空数据模型从提出到现在近50年的发展族谱, 阐述了几种代表性时空数据模型的改进和应用现状, 总结了当前时空数据模型存在的问题, 展望了时空数据模型的未来发展方向。
时空数据模型的发展主要经历了20世纪70年代的酝酿开创阶段、20世纪80年代的探索时期、20世纪90年代的大发展和21世纪以来的应用阶段。其发展族谱如图1所示。
20世纪70年代, 人们开始把时间问题引入对地理实体空间和属性信息变化的研究中, 讨论和提出了一些基本概念和理论。这一时期对时空数据模型的研究主要集中于各个传统学科, 特别是在传统地理学中引入时态信息, 这在时空数据模型的发展过程中起到了重要的铺垫作用。时空立方体模型[10]就是在这一时期提出的。
20世纪80年代, 研究者们主要对时态技术和数据库技术的融合与集成展开研究, 主要集中于对时态数据库及其查询语言的探讨和研究。这一阶段, 研究学者们对停留在概念和理论层面的研究进行了尝试和实践, 为时空数据模型的发展论证了实践和应用上的可能性。提出的时空数据模型主要有:第一范式模型[11]、对象— 历史模型[12]、同时关系模型[13]、序列快照模型[14]、基态修正模型[15]和时空复合模型[15]等。
20世纪90年代, 人们逐渐将目光转向时空数据模型、时空拓扑关系和时空查询语言等问题的研究。在时空对象描述方面, 提出了面向对象的时空数据模型[16], 龚健雅[17]和舒红等[18]进行了改进和拓展; Yuan[19]提出了时空属三域模型; 在时空状态描述方面提出了基于事件的模型[20]; 在时空推理方面, Allen等[21]提出了因果联系模型, Pang等[22]提出了一种基于过程的时空数据模型; 李小娟[23]提出了一种基于特征的时空数据模型, 并应用于土地利用动态监测。
21世纪以来, 时空数据模型的提出和改进更多地用来满足具体行业和研究领域的需要。Wilcox等[24]提出了基于图论的时空数据模型, 尹章才等[25]和黄照强等[26]进行了扩展; Rasinmä ki[27]针对自然林分设计了一种以嵌套地理实体类结构为基础的环境资源时空数据模型, 并于2009年进一步讨论和完善了时空数据处理、时空数据查询和林分模拟分析等操作[28]; 薛存金等[29]针对连续渐变地理实体提出了面向过程的时空数据模型; Lyell等[30]引入时空坐标的概念并提出了一个基于Web本体语言(OWL Web Ontology Language, OWL)的时空数据模型; Wang等[31]提出在时间段内检索临时基态与修正态的时空数据模型; Anh等[32]提出了一个新的四维时空数据模型(TUDM), 该模型旨在简化将语义对象融合到指定应用程序的过程; 龚健雅等[33]针对实时GIS地理要素的存储管理需要, 提出了一种面向动态地理对象与动态过程模拟的实时GIS时空数据模型; 张忠贵等[34]构建了一种通用的网络时空数据模型(Network Spatiotemporal Data Model, NSTDM), 并通过燃气管网进行了实例验证。
2.2.1 基态修正模型的改进
序列快照模型(Sequent Snapshots)是一种直观表达和记录地理实体当前状态的方法, 并不记录2个快照之间的变化, 而基态修正模型(Base State with Amendments Model)只存储某个时间点的数据基态和相对于基态的变化量, 弥补了序列快照未记录快照之间变化的缺陷。
张祖勋等[35]认为Langran提出的关于相对基态的修正方式(图 2a)在检索延伸很远的过去状态时几乎需要翻阅整个数据库, 且每次更新基态都要对所有修正态进行修改, 这是不现实的。在此基础上, 张祖勋等[35]提出采用分级索引的方法加以改进(图2b, c)。曹志月等[36]认为张祖勋等[35]提出的2种改进方法虽然在一定程度上弥补了Langran的修正方式, 但当历史久远时同样存在检索效率低下的问题, 为此, 他们提出了动态多级索引方法, 在整个历史过程中动态设立多个基态, 可以根据需要动态确定基态距阈值, 其中一个主要问题是基态距阈值的确定方法, 但是没有进行详细阐述, 修正方式如图 2d所示。刘仁义等[37]采用区段快速索引、变粒度索引因子和具有进行时特征的过程库方法改进了基态修正模型, 并在土地产权产籍系统中得到实现。2003年, 余志文等[38]结合唐常杰等[39]的“ 动态数据变粒度分段存储策略” 提出变粒度基态距因子以提高时空数据的检索效率, 需要注意的是要处理好查询时间与存储空间的关系。张保钢等[40]认为曹志月等[36]的方法虽然提高了检索效率, 但增加了基态的占用空间。他们综合了张祖勋等[35]和曹志月等[36]的方法, 结合时间索引提出了多基态多级差文件修正方法和多基态单级差文件修正方法, 并阐述了基态距阈值的确定方法(图2e, f)。方辉[41]认为张保钢等[40]的改进方法随着时间的增加, 数据量会变得很大, 针对几种模型的不足, 提出以历史初态为基态对基态修正模型进行改进, 并采用变动的基态距阈值, 如图 2g所示。李勇等[42]认为决定数据检索效率的根本因素是基态的数据量和相邻基态之间对象发生变化的次数, 据此, 他们提出以对象变化临界指数(M)来优化基态距的修正方式(图2h)。其中, M值是根据对象发生变化的次数是否达到或超过一个临界值来确定的。
刘睿等[43]提出了一种灵活的基态分配方法, 即基于动态基态的数据组织方法, 并设计实现了时空数据检索机制; 齐庆超等[44]综合现有多基态修正模型的特点, 提出以过去某一时刻的状态作为初始基态, 对其他基态创建索引, 并以差文件方式存储的方法。
陆纳纳等[45]引入面向对象方法来描述地理实体, 通过引入基态距影响因子改进了基态修正模型, 并具体设计了时间查询方法; 胡辉等[46]设计实现了一种基于Shapefile文件格式的时空数据模型, 使用改进的基态修正方法进行数据存储和组织; Liu等[47]引入动态基状态和动态存储空间的概念, 提出了一种基于动态基状态方法的时空数据模型; 高心丹等[48]使用动态多级索引的方法改进了传统基态修正模型查询效率低下的问题, 构建了基于版本的多基态修正扩展时空数据模型(VBMBSEA-STDM)。基态修正模型的改进历程如图3所示。
基态修正模型自提出以来就得到了人们的广泛关注, 也是一直以来的研究热点。通过以上对基态修正模型改进的发展综述不难发现, 基态修正模型以其“ 基态+修正态” 的方法大大降低了数据冗余的问题, 却也不可避免地造成了“ 当历史时间往后延伸很久时, 数据查询效率如何保证?” 等问题。这也是研究学者们主要关注和研究的热点问题, 许多研究学者们大都以提高历史查询效率和降低数据冗余为目标对基态修正模型进行改进。
2.2.2 基于事件的时空数据模型的扩展
基于事件的时空数据模型(Event-based Spatio-temporal Data Model, ESTDM)是一种能够显示表达地理实体时间变化特征的方法, 事件的概念最早由Peuquet等[20]引入时空数据模型, 其基本思想是将某一区域内的每一次状态变化视为一个事件, 并将其表示在时间轴上。
Jiang等[49]和Chen等[50]提出了“ 复合事件” 和“ 原子事件” 的概念, 针对土地细分过程中事件的特点提出了一种应用于土地细分系统的基于事件的时空数据模型; 郑扣根等[51]对基于事件的时空数据模型进行了扩展, 使其适用于高层时态查询、时空一体化的对象标识等功能; 孟令奎等[52]针对国土管理与规划的应用需要提出了一种基于地理事件时变序列的时空数据模型, 该模型适用于地理事件与空间对象状态因果关系的推理; 林广发[53]针对地理实体的离散变化过程, 提出了一种基于事件的时空数据模型(OET模型), 并利用房产历史数据进行了验证; Worboys[2]提出了一个纯粹的面向事件的时空过程理论; 王春波等[54]提出利用亲缘继承关系进行历史回溯查询, 针对宗地历史数据管理的需要, 建立了基于事件的时空对象模型; 牛方曲等[55]以地图数据的现状图作为基图, 针对栅格数据提出了一种改进基于事件的时空数据模型。在该模型中, 记录的事件变化主要指位置的变化; 吴长彬等[56]提出了一种改进的基于事件— 过程的时空数据模型(Event-Process Based Spatio-Temporal Model, E-PSTM); 夏慧琼等[57]提出了一种采用了隐含和显式地理事件相结合的基于事件的时空数据模型(Geographical Event-based Spatiotemporal Data Model, GESTEDM), 并将其应用于广东省东莞市土地利用管理。孟令颂等[58]认为传统的基于事件的时空数据模型没有考虑到多个时空对象同步变化的情况, 为此, 他们建立了基于全生命周期和改进事件的地籍对象时空数据模型, 并应用于地籍时空管理原型系统; 刘飞等[59]提出了一种基于事件的双序列时空数据模型, 并将模型应用于地质灾害监测时空数据管理平台。基于事件的时空数据模型的扩展历程如图4所示。
研究学者们对基于事件的时空数据模型的改进主要是通过对“ 事件” 的语义扩展实现的。当前, 基于事件的时空数据模型大多采用栅格数据结构描述地理实体的位置信息, 这对存储方式提出了较高的要求, 而栅格数据采用游程长度编码的方式进行压缩, 压缩效率不高。
2.2.3 面向对象的时空数据模型的扩展
面向对象的时空数据模型(Object-oriented Data Model)提供了一种能够很好地描述时空对象的空间和时间语义及对象间关系的方法。1994年, Hoinkes等[60]发表了基于面向对象的时空数据建模方面的研究成果; 龚健雅[17]、舒红等[18]、张山山[61]、曹志月等[36]对面向对象的时空数据模型进行了改进。姜晓轶等[62]设计了一种通用的面向对象时空数据模型GOO-STDM, 并结合Geodatabase模型实现了原型系统; 李勇等[63]以模型驱动架构理论为基础, 设计构建了事件驱动的面向对象的时空数据模型; 袁一泓等[64]构建了一种面向对象的时空数据模型。
面向移动对象的时空数据模型是Wolfson于1997年提出的, 它是一种表达移动时空对象随时间变化的方法。此后, Wang等[65]提出了一种面向移动对象的时空数据模型来支持城市交通建模; 易善桢等[66]提出了一种平面移动对象的OPH时空数据模型, 其中, O为观测时刻平面对象的对照, P为在过去时刻形成的当前仍存在的几何部分, H为在过去时间内存在的历史几何部分; 丁治明[67]提出了一种面向移动对象的数据库模型(Dynamic Transportation Network Based Moving Objects Database, DTNMOD); 罗建平等[68]基于面向对象思想, 结合移动对象时空模型构建了一种面向对象的全时域移动对象模型; 邬群勇等[69]在其建立的面向对象的全时域模型基础上, 提出了一种新的动态阈值位置的更新策略和历史以及未来位置估计的几种方法。
本文论述的混合时空数据模型是指综合2种及以上时空数据模型的特点以服务于具体应用需求的时空数据模型。近年来, 混合时空数据模型的发展主要呈现出以满足具体行业和研究需要为基础的趋势。林广发等[70]设计了一种以事件为核心的面向对象时空数据模型, 以房产信息系统进行了验证; 李勇等[71]以城市公共交通为背景, 进行了基于模型驱动架构(Model Driven Architecture, MDA)与事件驱动的面向对象的时空数据建模; 李景文等[72]结合过程语义与面向对象的思想, 构建了一种基于过程的面向对象时空数据模型; 陈新保等[73]根据地理本体思想, 提出和构建了一种基于对象— 事件— 过程的面向对象的时空数据模型, 以动态变化的海冰为例进行了验证; 刘校妍等[74]基于事件和版本管理实现了逆向基态修正; 黄大宁等[75]结合基态修正模型和序列快照模型理论思想设计了地名时空数据库, 以福鼎市地名变更为例进行了实例分析; 梁桂明等[76]结合时空语义思想采用面向特征的建模方法, 构建了基于特征的无缝时空数据模型。
刘仁义等[77]采用区段快速索引和变粒度存储因子方法改进了基态修正模型, 将其应用于动态土地地籍管理信息系统; 柯丽娜等[78]提出了基于特征变化状态的时空数据模型, 应用于地籍变更; 张丰等[79]针对基态修正模型的历史回顾效率低下问题设计了一种基于动态多级基态的修正模型, 构建了土地产权产籍管理信息系统ReGIS对模型进行验证; 张丰等[80]结合面向对象建模技术和时空演变过程表达思想, 建立了以过程为核心的地籍时空数据更新模型; 姜智东等[81]针对地籍数据的特点, 引入动态变粒度方法, 提出了一种基于基态修正的地籍时空数据模型的改进方法; 王履华等[82]结合改进基态修正模型和双向递归算法实现空间数据的高效检索, 并应用于地籍管理中的宗地变更; Li等[83]以时间和空间的观点来探索时空演化和空间对象的数据存储过程, 提出了一种新的方式来构建无缝时空数据模型, 应用于城市地籍信息的组织和管理。
陈秀万等[84]针对基于事件的栅格时态数据模型(Event-based Spatio-temporal Data Model, ESTDM)对多属性描述方面存在的局限进行讨论, 结合土地利用的时空特点设计了基于事件的土地利用时空数据模型(Event-based Land Spatio-temporal Data Model, ELSTDM); 崔伟宏等[85]在超图理论的基础上结合基于特征的时空数据模型设计了基于特征的时空数据库, 并应用于土地利用动态监测; 李小娟等[86]结合我国土地利用动态监测现状, 提出了基于变化特征状态的时空数据模型(State of Changing Feature Based Spatio-temporal Data Model, SCFSTDM); Wang等[87]提出一种分层时空数据模型用以土地利用监测; 胡晋山等[88]针对矿区采动受损地表实体的损害和修复问题提出了复垦区时空数据模型; 黄大宁[89]构建了一种县级地名时空数据模型并实现了福鼎市地名时空数据查询与管理系统。
高金萍等[90]提出了面向小班对象的时空一体化数据模型; 赵春燕等[91]利用图论对小班数据更新的时空信息进行描述, 并构架了森林资源更新时空数据模型; 夏凯等[92]采用面向对象的数据组织方式设计了林业资源时空数据模型; 夏凯等[93]讨论了森林资源数据的数据更新问题, 通过原型系统验证了更新框架的可行性。
在其他应用领域, 李婷等[94]提出了一种基于线性参照系统的交通路况基态修正模型, 并应用于成都市交通数据管理; 卓嵩等[95]研究了基于事件的面向对象的时空数据建模, 并应用于眉山市疫情监测应急系统; Laksmiwati等[96]针对不可预测数据和移动对象提出了时空数据模型在灾害预测和管理方面的应用。
通过以上对时空数据模型自提出以来的理论、改进和应用现状的详细综述, 总结当前时空数据模型的研究特点和对未来研究方向的展望如下:
(1) 在时空数据模型近50年的发展过程中, 先后被提出的时空数据模型的数量很多, 其中不乏只集中于语义上的设计而尚未得到实际验证的时空数据模型。在时空数据模型未来的研究中, 应该在加深基本语义与理论研究的同时, 加强实际应用的实证研究。
(2) 现有的时空数据模型大多针对矢量数据, 只有基于事件的时空数据模型是采用栅格数据结构的, 应该在加强模型对栅格数据适用性的同时, 探索矢量— 栅格一体化的时空数据模型研究。在信息化、数字化、大数据和互联网+的时代背景下, 探索适合支持多种数据格式的时空大数据模型显得尤为必要。
(3) 海量数据为时空分析和模拟提供了可靠的数据基础, 却也不可避免地带来了数据存储、组织、管理和分析的压力。在这种情况下, 如何有效组织时空数据、降低数据冗余量、提高数据查询效率都是需要考虑的问题。时空数据模型的设计与构建不仅要考虑到地理实体的良好描述与表达, 更要顾及地理数据的高效存储与组织。
(4) 对于时空数据模型而言, 最重要的莫过于对时间和空间的研究。当前, 时空数据模型对于地理实体时空信息的表达还是相对分离的。为此, 应该加强时间和空间的联系, 构建结合多空间尺度和多时间粒度的时空数据模型。
(5) 当前时空数据模型主要应用于地籍管理、土地利用、林业资源数据更新等领域, 其他领域应用较少。因此, 时空数据模型未来的应用方向应更多更广地延伸, 结合具体行业和领域的应用需要, 整合不同学科领域的数据和过程模型, 以形成宏观、动态的数据模型同化体系[97], 帮助管理, 支持决策。
本文分析和阐述了时空数据模型近50年的发展, 构建了时空数据模型发展族谱。分析了基于基态修正模型、基于事件、面向对象的时空数据模型改进和发展历程; 综述了时空数据模型在地籍管理、土地利用管理和林业管理等行业和领域的应用; 最后, 提出了时空数据模型存在的一些问题和对未来研究方向的展望。
The authors have declared that no competing interests exist.
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|
[16] |
|
[17] |
|
[18] |
|
[19] |
|
[20] |
|
[21] |
|
[22] |
|
[23] |
|
[24] |
|
[25] |
|
[26] |
|
[27] |
|
[28] |
|
[29] |
|
[30] |
|
[31] |
|
[32] |
|
[33] |
|
[34] |
|
[35] |
|
[36] |
|
[37] |
|
[38] |
|
[39] |
|
[40] |
|
[41] |
|
[42] |
|
[43] |
|
[44] |
|
[45] |
|
[46] |
|
[47] |
|
[48] |
|
[49] |
|
[50] |
|
[51] |
|
[52] |
|
[53] |
|
[54] |
|
[55] |
|
[56] |
|
[57] |
|
[58] |
|
[59] |
|
[60] |
|
[61] |
|
[62] |
|
[63] |
|
[64] |
|
[65] |
|
[66] |
|
[67] |
|
[68] |
|
[69] |
|
[70] |
|
[71] |
|
[72] |
|
[73] |
|
[74] |
|
[75] |
|
[76] |
|
[77] |
|
[78] |
|
[79] |
|
[80] |
|
[81] |
|
[82] |
|
[83] |
|
[84] |
|
[85] |
|
[86] |
|
[87] |
|
[88] |
|
[89] |
|
[90] |
|
[91] |
|
[92] |
|
[93] |
|
[94] |
|
[95] |
|
[96] |
|
[97] |
|