Language
Country/Area
No result found
地理信息系统中的数据融合：为何这是科学探索的关键？
数据融合是整合多个数据来源的过程，旨在产生比任何单一数据来源提供的更一致、更准确和更有用的信息。随着数据融合技术的进步，其应用范围已从传统领域扩展到地理信息系统(GIS)，并成为科学探索的重要工具。
数据融合过程通常被划分为低、中、高级，这取决于融合发生的处理阶段。
低级数据融合将几个原始数据源结合起来，生成新的原始数据。在这一过程中，融合的数据期望能提供比原始输入更有信息量的结果。例如，传感器融合是一种数据融合的子集，类似于人类和动物整合来自多种感官的信息，以提高生存能力的方式。
JDL/DFIG模型
显然，以往的数据融合模型已不再能满足当前复杂的信息需求。 1980年代中期，联合实验室主任小组成立了数据融合小组，随着互联网的兴起，数据融合不仅限于传感器数据的整合，还包括了信息融合。 JDL/DFIG模型将不同的数据处理过程划分成若干层级，以便更清晰地理解数据融合的效应。
目前，数据融合信息小组（DFIG）模型共分为六个层级：源预处理、物体评估、情况评估、影响评估、过程精炼及用户精炼。
虽然这些模型在数据融合的可视化中具有一定的应用价值，并促进了讨论与共识，但仍受到批评，尤其是在处理人机互动方面的表现。
地理区域应用
在地理信息系统领域，数据融合通常与数据整合同义。在这些应用中，将各种多样数据集组合成统一的数据集以包含所有的数据点和时间步骤是非常重要的。融合后的数据集不同于简单的集合，因为融合的数据点拥有原始数据集中可能未包含的属性和元数据。例如，透过数据融合，研究人员能够将动物追踪数据与海洋生物栖息地数据结合，进而探索动物行为和环境因素的相互作用。
在塔斯马尼亚沿岸，使用数据融合软件将南方岩龙虾的追踪数据与环境数据相结合，生成了四维的岩龙虾行为影像。
透过这一过程，科学家能够识别出环境中的关键位置和时间，并对生态系统的更加深入理解。
数据整合
在地理信息系统之外，数据整合和数据融合的概念略有不同。在商业智能等领域，数据整合通常用于描述数据的组合，而数据融合则是指在整合之后进行的减少或替代。数据整合可视为集合的组合，而融合则是一种提高效率的技术。
应用领域
在交通感测技术中，来自不同感测技术的数据能够结合在一起，以准确判断交通状态。利用路旁收集的声波、图像及传感器数据的数据融合方法已显示出其有效性，充分利用了各个独立方法的优势。
此外，在某些情况下，地理分布广泛的传感器受到能量和带宽的限制。这导致原始数据常常只是以少量位元进行传送，而在此情况下，决策融合中心负责将传感器所发送的二进位决策进行整合以提高分类表现。
统计方法
在数据融合中，统计方法如贝叶斯自回归高斯过程和半参数估计等新方法也被开发出来，促进了数据融合的发展。
这些方法使得在多个数据源中高效地估计结果成为可能，从而为科学探索提供了更坚实的数据基础。
在当今这个数据驱动的世界中，地理信息系统中的数据融合不仅提供了关于环境的关键洞察，也推动了科学的进一步探索和理解。我们是否能在数据融合技术的持续演进中，找到解决未来挑战的新途径?
