一种以陆表事件为中心的传感器关联方法

一种以陆表事件为中心的传感器关联方法
【专利摘要】本发明涉及智慧地球对地观测【技术领域】，尤其涉及一种对地观测网中陆表事件与多传感器的关联方法。本方法构建了‘陆表事件-传感器’间的多维关联规则，设计了基于时空约束的多层次匹配算法。本方法解决了现有的‘事件-传感器’关联方法主要依赖于以往经验、专家知识、人工统计等的问题，本方法为陆表事件与传感器的关联提供了科学的匹配模式，改变过去传感器规划与调度不全面与不准确的局面。该‘事件-传感器’的关联匹配机制为传感器规划与调度所需的资源集来源提供了依据。因此，证明了本方法是智慧地球对地观测网中促使海量、离散的传感器资源得到充分合理发现与利用的比较实用可靠的科学方法。
【专利说明】一种以陆表事件为中心的传感器关联方法【技术领域】[0001]本发明涉及智慧地球对地观测【技术领域】，尤其涉及一种以陆表事件为中心的传感 器关联方法，具体地说本方法涉及一种‘陆表事件-传感器’的关联问题，陆表事件是给定 的，其时间、空间、主题域的特征都是已知的，但要通过关联得到的传感器子集是不确定的， 它们呈‘休眠’态存在于传感器资源描述模型库中。因此，寻求两者的关联关系可以理解为: 从确定的给定对象(陆表事件)寻求未知的目标对象(传感器资源集)的关联匹配过程。【背景技术】[0002]传感器技术作为现代信息技术的三大基础之一，传感器无所不在，它完成对地球 观测信息的采集。美国《商业周刊》1999年8月30日一期刊登了一组系列文章，总题为《21 世纪的21种设想》，其中第十四篇为关于因特网的设想，指出地球将披上一层电子皮肤，其 中电子皮肤为形形色色的嵌入式电子传感设备。据科学家估计，到2020年前后，世界上会 有7万亿个有线或无线的传感器，它们通过网络组织起来，以满足人们的即时需要。2007年 ((Pervasive Computing))第六卷第二期的文章指出，如何对传感器密集型的世界进行资源 管理是一个大的挑战。对地观测是利用对地观测传感器对地球表面和低层大气进行探测， 以获取用户感兴趣信息的科学任务。对地观测网是执行地球环境事件感知任务的地理空间 观测网。对地观测网传感器类型多样、观测机理各异、数量巨大。当发生特定灾害事件，特 别是观测现象多样且时效性强的应急事件时，决策者能全面发现、准确规划与快速调度海 量传感器，这些对于决策的产生尤为关键。[0003]对于分布式的异源或同源数据，如何判断它们之间或内部是否存在一种关联关 系，通过该关联关系，可以科学地解释、准确地回答以及快速地响应特定的研究任务。因此， 从对地观测陆表事件出发，在海量异构的传感器资源中，关联最适用的传感器以进行事件 应急观测是一大需要解决，并具有现实价值的问题。[0004]在发生特定陆表事件时，目前的传感器规划与调度所需的传感器来源主要依靠以 下方式来确定:(I)推论统计型关联分析，对于给定的一组数据，观察者根据数据的形态建 立一个数学模型，推论型数据统计分析可以推论研究中的数据母体现状与潜在趋势。它旨 在把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对 象的内在规律。它要求数据样本足以代表母体，否则根据样本所做出来的推论和结论容易 出现不全面、不深刻，甚至错误；(2)经验型专家关联分析，专家系统是通过以某一专有领 域专家解决问题的办法作为知识库，并采用特定的方法来编辑或生成这些知识，最后，用户 可以通过计算机系统像专家一样推理和解决复杂的领域问题。但该类关联分析具有关联 结构简单，关联推理仅仅是基于有限的经验规则，难以应用于理论复杂和具有严密体系的 关联；(3) Apriori关联，它是最经典的关联算法，它的核心提出频繁集理论的递推方法。 Apriori关联建立在有样本的前提下，寻找样本内部两项集或多项集间潜在的某种规律性 或关联性。[0005]2012年，武汉大学的陈能成与胡楚丽提出了对地观测卫星传感器统一描述模型，其中描述了传感器标识、能力特征等信息。对于陆表事件，目前没有统一定义，更没有其描 述模型。现行著名的传感器关联查询系统或工具主要有美国AGI公司的STK、南卡罗莱纳大 学遥感规划(RSPT)、NASA GCMD地球观测传感器模糊关联、日本的Satellite Tracker 3D 以及Google模糊查询等。但它们不是从特定陆表事件观测出发，并未能满足传感器关联匹 配的查全率或查准率。[0006]综上所述，以陆表事件为中心的传感器关联面临的主要问题是:目前的关联方法 主要依赖于以往经验、专家知识、人工统计等，缺乏一种从事件到传感器的关联匹配机制， 从而导致对地观测网中海量且离散的传感器资源难以得到充分合理发现与利用。
【发明内容】
[0007]本发明的目的是针对现有技术的不足，而提出了一种以陆表事件为中心的传感器 关联方法。通过寻求‘陆表事件-对地观测传感器’的关联性；建立了两者间的多维度多层 次关联规则；基于关联规则，进一步设计了时空约束的多层次匹配算法。[0008]为实现上述目的，本发明所采用的技术方案是:提供一种以陆表事件为中心的传 感器关联方法，按如下步骤操作:步骤1:建立陆表事件与对地观测传感器的关联规则；所述关联规则包括以下子步骤: 步骤1.1:构建规则前件；步骤1.2:构建规则后件；步骤1.3:构建关联所涉及的时间谓词及逻辑；步骤1.4:构建关联所涉及的空间谓词及逻辑；步骤1.5:构建遥感非成像及原位传感器直接关联模式；步骤1.6:构建遥感成像传感器间接关联模式；步骤1.7:构建多维布尔型关联过程；步骤2:设计基于时空约束的多层次匹配算法；所述的多层次匹配算法包括以下子步骤:步骤2.1:分析从给定的细粒度事件描述中动态地关联求解符合需求的传感器资源过 程，确立基于时空约束的多层次匹配即MM_TL算法流程；步骤2.2:第一级匹配，即基于时间谓词逻辑的关联匹配；步骤2.3:第二级匹配，即基于空间谓词逻辑的关联匹配；步骤2.4:第三级匹配，即基于主题维关联解析，实现以陆表事件为中心的传感器子集 最终关联。[0009]本发明的方法步骤1.1中，所述的规则前件为发生在特定时间和空间且以感知 一系列物理现象为观测任务的细粒度陆表事件；细粒度事件用一个四元组形式化描述:E= (ID, <T, L, Th〉}，其中，E为事件Event ；ID为事件的唯一标识码；T为事件发生的时间Time， 为时间点或时间段；L为事件发生的地点Location，为任何形状的区域；Th为事件对应的观 测主题Thematic，指的是一个细粒度且能够被分解的观测任务；步骤1.2中，所述的规则后件为传感器资源描述模型库中具有特定观测时效、区域以 及频域的传感器子集；对地观测传感器用一个四元组形式化表达，即Se= {ID，<T, Or, Sp>}， 其中，Se指传感器Sensor ;ID为传感器的唯一标识码；T为传感器的有效时间Time，为时间段；Or为传感器的有效观测范围，为以某点为中心向外围扩展的圆型区域或均匀的条带； Sp为传感器的频谱能力，泛指不同类的传感器的频域；步骤1.3中，所述的构建关联所涉及的时间谓词及逻辑，是提取传感器有效观测时 间段Time(S)和事件发生的时间段Time(E)，构建关联所涉及的三种时间谓词，包括坐落 于一Is_located_in、部分坐落于一Is_Partly_located_in、不坐落于一Is_Not_located_ in ；以及两者在时间谓词上的逻辑，包括Time (E).1s_located_in.Time (E)、Time (E).1s_ partly_located_in.Time (E)和 Time (E).1s_Not_located_in.Time (E)；步骤1.4中，所述的构建关联所涉及的空间谓词及逻辑，是提取传感器在特定的时间 范围内有效的空间观测区域Area(S)和事件发生的空间区域Area(E)，构建关联所涉及的 四种空间谓词，包括:相离一Disjoints、夕卜转连接一Outside-Touches、包含一Contains、 相交一Crosses ；以及两者在空间谓词上的逻辑，包括Area (E).Disjoints.Area(S)、 Area (E).0utside-Touches.Area (S) > Area (E).Contains.Area (S) > Area (E).Crosses.Area ⑶；步骤1.5中，所述的遥感非成像及原位传感器直接关联模式，是只需提取出其观测结 果，然后直接与事件所需监测的观测现象进行关联匹配；步骤1.6中，所述的构建遥感成像传感器间接关联模式，是提取出遥感传感器影像相 关的处理模型或算法，以影像的不同波段作为输入，判断经过处理模型或算法后的输出值 能否与事件所需监测的观测现象进行关联匹配，即多层次间接地从陆表事件关联到适用的 遥感成像传感器；步骤1.7中，所述的构建多维布尔型关联过程为确立关联过程与表达式，确定规则前 件事件E有3个特征{T，L, Th}与规则后件传感器的能力特征SC有3个值，BP {T, Or, Sp}后， 将‘事件-传感器’的关联性描述为 R ={ j〈E.T, SC.T>, j〈E.L, SC.0r〉，j〈E.Th, SC.Sp> }， 求解关联逻辑值 A= Vj〈E.T，SC.T>AVj<E.L, SC.0r>AVj<E.Th, SC.Sp>，构建‘事件-传 感器’关联规则蕴含表达式:E{T，L, Th} SC{T，Or, Sp} (C)，并设置规则关联性C，有且仅有 在Vj<E.T, SC.T>、Vj〈E.L, SC.0r>以及Vj<E.Th, SC.Sp>取值都为I时，才能得到关联性 C为‘真’。[0010]本发明的方法步骤2.1中，所述的确立MM_TL算法流程为时间谓词逻辑的关联匹 配、空间谓词逻辑的关联匹配和主题维关联解析；步骤2.2中，所述的基于时间谓词逻辑的关联匹配为执行时间谓词逻辑过滤，遍历传 感器资源描述模型库，从每一个传感器资源描述模型中提取传感器的有效观测时间要素， 求出所有满足时间关系谓词‘Is_located_in’和‘Is_Partly_located_in’的传感器子集 S1_T ；步骤2.3中，所述的基于空间谓词逻辑的关联匹配为执行空间谓词逻辑过滤，遍历步 骤2.2中的S1_T集合，按照传感器类型判断传感器观测的有效空间范围，与给定事件的空 间要素进行匹配，求出所有满足空间关系谓词‘Contains’和‘Crosses’的传感器子集S2_ L ；步骤2.4中，所述的基于主题维关联解析为执行主题维关联规则的解析，遍历步骤2.3 中的S2_L集合，当项集S2_L类型为原位传感器或遥感非成像传感器，提取出传感器的观 测结果；当项集32立类型为遥感成像传感器，则遍历该传感器观测影像后处理过程，以影像为处理模型的输入，提取出其处理输出结果；将以上两种结果与给定陆表事件观测现象所对应的溯源数据进行匹配，当前者能直接定量或定性反映后者，则统计出传感器子集S3_ end。[0011]本发明相对于现有技术，具有以下优点和积极效果:(I)确立了 ‘陆表事件-传感器’间多维关联规则。改变过去关联主要靠以往经验、专家知识与人工统计的现状，为陆表事件与传感器的关联提供了科学的匹配模式。[0012](2)实现了基于时空约束的多层次匹配。改变过去传感器规划与调度不全面与不准确的局面。该‘事件-传感器’的关联匹配机制为传感器规划与调度所需的资源集来源提供了依据，促使海量、离散的传感器资源得到充分合理发现与利用。【专利附图】

【附图说明】[0013]图1是本发明的以陆表事件为中心的传感器关联方法的流程图。[0014]图2是本发明的实施例提供的‘陆表事件-传感器’时间谓词逻辑分析图。[0015]图3是本发明的实施例提供的‘陆表事件-传感器’空间谓词逻辑分析图。[0016]图4是本发明的实施例构建的细粒度陆表事件与传感器子集主题维关联解析图。[0017]图5是本发明的实施例构建的MM_TL算法执行流程图。[0018]上述图中:1 一A事件发生的时间点；2—A事件发生的时间段；3—B事件发生的时间点；4一B事件发生的时间段；5—C事件发生的时间点；6—C事件发生的时间段；7—传感器有效观测时间段Time (S) ； 8一事件发生的时间段Time (E) ；9一原位传感器a;10—原位传感器b ; 11—原位传感器c ； 12—原位移动或遥感移动传感器d ; 13—原位移动或遥感移动传感器e ; 14—原位移动或遥感移动传感器f ; 15—原位移动或遥感移动传感器g ；16— 事件发生的空间区域Area(E) ;17—原位传感器观测区。【具体实施方式】[0019]下面以具体实施例并结合附图对本发明作进一步说明。[0020]实施例1:本发明提供的一种以陆表事件为中心的传感器关联方法，其操作步骤如图1所示流程，包含确立多维关联规则和设计基于时空约束的多层次匹配(Mult1-level Matching Algorithm based on Time and Location Constraints: MM_TL)算法。[0021]步骤1，建立陆表事件与对地观测传感器的关联规则；具体包括:步骤1.1，构建规则前件:对于任何事件，它是由一系列细粒度事件综合演变来的，事件存在时间、空间和主题维的属性。细粒度事件用一个四元组形式化描述:E= (ID, <T, L, Th〉}，其中，E为事件Event ；ID为事件的唯一标识码；T为事件发生的时间Time， 可以是时间点，也可为时间段；L为事件发生的地点Location，可以为任何形状的区域；Th 为事件对应的观测主题Thematic，指的是一个细粒度且可以被分解的观测任务。对地观测网中每一个陆表事件都应该得到相应的处置，本方法关注于通过实时的传感器规划与调度，完成陆表事件的全面、准确与及时的监测与响应。对于一个细粒度陆表事件中的观测主题Th，要实现对它的监测与响应，可以理解为要感知一系列观测现象，即Th=(Pl，P2^..，Pn)，Pn表示第η个观测现象。因此，规则前件为发生在特定时间和空间且以感知一系列物理现象为观测任务的细粒度陆表事件。[0022]步骤1.2，构建规则后件:任何对地观测传感器都具有一定的能力特性，因此它总 可以被关联于某一些或特定的观测任务。由于对地观测传感器存在时间，空间和主题维的 属性，它们都可以用一个四元组形式化表达，即Se= {ID,〈T, Or, Sp>},其中，Se指的是传感 器Sensor ;ID为传感器的唯一标识码；T为传感器的的有效时间Time，一般指向时间段；0r 为传感器的有效观测范围ObservaitonRange, —般为以某点为中心向外围扩展的圆型区 域或均勻的条带等；Sp为传感器的频谱能力Spectrum,泛指不同类的传感器的频域,如光 谱、声谱、无线电谱等。由于本方法关注于‘陆表事件-传感器’关联所得到的传感器集合， 即判断传感器与特定陆表事件的相关性。因此，规则后件为传感器资源描述模型库中具有 特定观测时效、区域以及频域的传感器子集。[0023]步骤1.3，构建关联所涉及的时间谓词及逻辑:如图2所示，假设线条7为传感器 有效观测时间段Time(S);虚线条8为事件发生的时间Time(E)，包括:圆点1、2、3分别为 A、B、C事件发生的时间点，线状的条带4、5、6为A、B、C事件发生的时间段。事件与传感器 关联在时间维存在六种情况，可分为三种时间关系谓词逻辑:坐落于、部分坐落于以及不坐落于。[0024]1.坐落于(Is_located_in)对于任意E.1s_located_in.S,存在Time (E) e Time(S)。图2中A、B事件发生时间 点1、3和A事件发生的时间段2的模式与传感器有效观测时间的关系符合该种谓词逻辑。[0025]2.部分坐落于(Is_Partly_located_in)对于任意 Ε.Is_Partly_located_in.S，存在 Time(E) IHTime(S)幸 0 Λ Time (E) Time(S)。图2中B事件发生的时间段4模式与传感器有效观测时间的关系符合该种谓词 逻辑。[0026]3.不坐落于(Is_Not_located _in)对于任意 E.1s_Not_located_in.S,存在 Time(E) Π Time (S) =0。图 2 中 C 事件发 生的时间点5和C事件发生的时间段6模式与传感器有效观测时间的关系符合该种谓词逻辑。[0027]步骤1.4，构建关联所涉及的空间谓词及逻辑:如图3所示，假设填充格子的矩形 为事件发生的空间区域Area(E) 16，其它几种形状为传感器在特定的时间范围内有效的空 间观测区域Area(S)。其中3个中间空心圆点分别表示原位传感器a 9、原位传感器b 10、 原位传感器c 11，以各中间空心圆点为定点向四周观测辐射的大圆圈是原位传感器观测区 17 ;原位移动或遥感移动传感器d 12、原位移动或遥感移动传感器e 13、原位移动或遥感 移动传感器f 14、原位移动或遥感移动传感器g 15则表示这些原位移动或遥感移动传感 器在特定时间内的观测情况。如图3所示，Area(E)和Area⑶之间存在四种空间关系谓 词，逻辑包括:相离、外转连接、包含、相交。[0028]1.相离(Dis joints)两种空间区域的交集，对于任意E.Disjoints.S,存在Area(E) Π Area(S)= 0。图3 中的原位传感器a 9和原位移动或遥感移动传感器g 15的空间观测区域与事件发生的空 间区域Area(E) 16属于此类空间谓词逻辑。[0029]2.外围连接(Outside-Touches)该种空间关系谓词为特殊的相离，对于任意E.0utside-Touches.S,存在Area(E) Π Area(S) Φ 0，但是除了有相连的边，并无任何相交的区域。图3中的原位移动 或遥感移动传感器f 14的空间观测区域与事件发生的空间区域Area(E) 16属于此类空间 谓词逻辑。[0030]3.包含(Contains)对于任意 E.Contains.S，存在 Area(E) Π Area (S) Φ.Λ Area (E) Π Area (S)= Area(S)。图3中的原位传感器b 10和原位移动或遥感移动传感器d 12的空间观测区 域与事件发生的空间区域Area(E) 16属于此类空间谓词逻辑。值得注意的是，该空间关 系谓词还包括一种特殊的Inside-Touches逻辑，与Outside-Touches相反，两种空间区 域的交集，除了有相连的边，并且存在Area(E) H Area(S)= Area(S)，因此，这里没有将 Inside-Touches关系谓词单独罗列出来。[0031]4.相交(Crosses)对于任意 Ε.Crosses.S，存在 Area (E) Π Area(S)幸 Λ Area(E) Π Area(S)幸 Area(S) Λ Area(E) Π Area(S) Φ Area(E)。图3中的原位传感器c 11和原位移动或遥 感移动传感器e 13的空间观测区域与事件发生的空间区域Area(E) 16属于此类空间谓词 逻辑。[0032]步骤1.5，构建遥感非成像及原位传感器直接关联模式:对于遥感非成像及原位 传感器而言，它们的输出即为观测现象的结果值，如遥感式雷达高度计的观测输出为海水 深度，原位雨量传感器的观测输出为降雨量等，就直接是相应观测现象的结果值。因此，对 于遥感非成像及原位传感器，它们的观测结果与事件所需的监测数据直接相关。如图4所 示，只需提取出其观测结果，即可直接与事件所需监测的观测现象进行关联匹配。[0033]以洪涝事件为例，如表I所示，在洪涝的应急响应环节，相对的细粒度事件包括洪 水态势发展与洪水淹没等，需要观测的主题包括水情、雨情、淹没范围、淹没面积、水深以及 容积等。不同的观测主题需要其相应的数据产品，这些数据产品可以溯源为一系列具体数 据，如数据产品-水情监测结果可以溯源为水位、流量、蒸发量与流速；洪水淹没范围与面 积可以溯源为洪水水体提取图。其中，水位则是通过水位传感器直接观测得到，也就是说， 水位观测数据直接关联于原位型水位传感器。[0034]步骤1.6，构建遥感成像传感器间接关联模式:对于遥感成像传感器而言，它们的 输出为光谱频段不一致的影像，如:遥感传感器观测系统AQUA_M0DIS，它的观测结果为包 含36个波段的多光谱影像；E0-l_HyperiOn的观测结果为包含256个波段的高光谱影像 等。这些影像对于普通用户来说，它并不能被识别出有用信息。遥感之所以能够根据收集 到的电磁波来判断地物目标以及自然现象，是因为不同类型的地表物体对于电磁的反射和 辐射程度不一样。也就是说，不同的电磁波段适用于识别不同的物体对象。[0035]然而在实际情况中，相同的影像通过不同的处理算法，可以应用于不同的监测现 象，如:归一化水指数(Normal Differential Water Index:NDWI)处理模型，它的输入 是绿波段与近红外波段，通过归一化比值解算后，能得到植被的含水量；归一化植被指数 (Normalized Difference Vegetation Index:NDVI)处理模型，它却通过以红波段与近红 外波段为输入后，可以得到植被覆盖的比值指数。即通过相关的遥感影像处理模型，将影像 的不同波段作为处理模型的输入，经过处理方法的解算，得到能与实际所需监测现象相关 的结果值。[0036]在实际情况中，没有人会根据所需监测的现象直接关联影像，但比如一个地区的 洪水分布范围情况，它可以通过以MODIS影像为输入数据，经过NDWI处理方法解算出该地 区水体、植被与土壤分布图，进而与之关联。也就是说，遥感成像传感器本身的影像输出是 不能、往往也不被用来直接与事件所需的监测现象关联匹配，只有通过相关的遥感处理模 型，以影像的不同波段作为输入，其输出值才能与事件进行关联。因此，对于未能通过直接 观测得到的溯源数据，如遥感成像传感器，它们的影像并不直接关联于事件所需的溯源数 据，如图4所示，根据遥感影像适用的处理模型或算法，进而通过处理输入所需的光谱波段 为源，多层次间接地从陆表事件关联到适用的遥感成像传感器。[0037]表I ‘洪涝事件-传感器’关联模式片段
【权利要求】
1.一种以陆表事件为中心的传感器关联方法，其特征在于:按如下步骤操作:步骤1:建立陆表事件与对地观测传感器的关联规则；所述关联规则包括以下子步骤: 步骤1.1:构建规则前件；步骤1.2:构建规则后件；步骤1.3:构建关联所涉及的时间谓词及逻辑；步骤1.4:构建关联所涉及的空间谓词及逻辑；步骤1.5:构建遥感非成像及原位传感器直接关联模式；步骤1.6:构建遥感成像传感器间接关联模式；步骤1.7:构建多维布尔型关联过程；步骤2:设计基于时空约束的多层次匹配算法；所述的多层次匹配算法包括以下子步骤:步骤2.1:分析从给定的细粒度事件描述中动态地关联求解符合需求的传感器资源过程，确立基于时空约束的多层次匹配即MM_TL算法流程；步骤2.2:第一级匹配，即基于时间谓词逻辑的关联匹配；步骤2.3:第二级匹配，即基于空间谓词逻辑的关联匹配；步骤2.4:第三级匹配，即基于主题维关联解析，实现以陆表事件为中心的传感器子集最终关联。
2.根据权利要求1所述的一种以陆表事件为中心的传感器关联方法，其特征在于: 步骤1.1中，所述的规则前件为发生在特定时间和空间且以感知一系列物理现象为观测任务的细粒度陆表事件；细粒度事件用一个四元组形式化描述:E= {ID，〈T，L，Th>}， 其中，E为事件Event ;ID为事件的唯一标识码；T为事件发生的时间Time，为时间点或时间段山为事件发生的地点Location，为任何形状的区域；Th为事件对应的观测主题 Thematic,指的是一个细粒度且能够被分解的观测任务；步骤1.2中，所述的规则后件为传感器资源描述模型库中具有特定观测时效、区域以及频域的传感器子集；对地观测传感器用一个四元组形式化表达，即Se= {ID，<T, Or, Sp>}， 其中，Se指传感器Sensor ;ID为传感器的唯一标识码；T为传感器的有效时间Time，为时间段；Or为传感器的有效观测范围，为以某点为中心向外围扩展的圆型区域或均匀的条带； Sp为传感器的频谱能力，泛指不同类的传感器的频域；步骤1.3中，所述的构建关联所涉及的时间谓词及逻辑，是提取传感器有效观测时间段Time(S)和事件发生的时间段Time(E)，构建关联所涉及的三种时间谓词，包括坐落于一Is_located_in、部分坐落于一Is_Partly_located_in、不坐落于一Is_Not_located_ in ；以及两者在时间谓词上的逻辑，包括Time (E).1s_located_in.Time (E)、Time (E).1s_ partly_located_in.Time (E)和 Time (E).1s_Not_located_in.Time (E)；步骤1.4中，所述的构建关联所`涉及的空间谓词及逻辑，是提取传感器在特定的时间范围内有效的空间观测区域Area(S)和事件发生的空间区域Area(E)，构建关联所涉及的四种空间谓词，包括:相离一Disjoints、外转连接一Outside-Touches、包含一Contains、 相交一Crosses ；以及两者在空间谓词上的逻辑，包括Area (E).Disjoints.Area(S)、 Area (E).0utside-Touches.Area (S)、Area (E).Contains.Area (S)、Area (E).Crosses.Area ⑶；步骤1.5中，所述的遥感非成像及原位传感器直接关联模式，是只需提取出其观测结果，然后直接与事件所需监测的观测现象进行关联匹配；步骤1.6中，所述的构建遥感成像传感器间接关联模式，是提取出遥感传感器影像相关的处理模型或算法，以影像的不同波段作为输入，判断经过处理模型或算法后的输出值能否与事件所需监测的观测现象进行关联匹配，即多层次间接地从陆表事件关联到适用的遥感成像传感器；步骤1.7中，所述的构建多维布尔型关联过程为确立关联过程与表达式，确定规则前件事件E有3个特征{T，L, Th}与规则后件传感器的能力特征SC有3个值，即{T，Or, Sp) 后，将‘事件-传感器’的关联性描述为 R= { j〈E.T, SC.T>, j〈E.L, SC.0r〉，j〈E.Th, SC.Sp>}， 求解关联逻辑值 A=Vj<E.T, SC.Τ> Λ Vj<E.L, SC.0r> Λ Vj<Ε.Th, SC.Sp>,构建‘事件-传感器’关联规则蕴含表达式:E {T, L, Th} 4 SC {T, Or, Sp} (C)，并设置规则关联性C，有且仅有在 Vj<E.T, SC.T>、Vj<E.L, SC.0r>以及Vj<E.Th, SC.Sp>取值都为I时，才能得到关联性C为嗔，。
3.根据权利要求1所述的一种以陆表事件为中心的传感器关联方法，其特征在于:步骤2.1中，所述的确立MM_TL算法流程为时间谓词逻辑的关联匹配、空间谓词逻辑的关联匹配和主题维关联解析；步骤2.2中，所述的基于时间谓词逻辑的关联匹配为执行时间谓词逻辑过滤，遍历传感器资源描述模型库，从每一个传感器资源描述模型中提取传感器的有效观测时间要素， 求出所有满足时间关系谓词‘Is_located_in’和‘Is_Partly_located_in’的传感器子集 S1_T ；步骤2.3中，所述的基于空间谓词逻辑的关联匹配为执行空间谓词逻辑过滤，遍历步骤2.2中的S1_T集合，按照传感器类型判断传感器观测的有效空间范围，与给定事件的空间要素进行匹配，求出所有满足空间关系谓词‘Contains’和‘Crosses’的传感器子集S2_ L ；步骤2.4中，所述的基于主题维关联解析为执行主题维关联规则的解析，遍历步骤2.3 中的S2_L集合，当项集S2_L类型为原位传感器或遥感非成像传感器，提取出传感器的观测结果；当项集S2_L类型为遥感成像传感器，则遍历该传感器观测影像后处理过程，以影像为处理模型的输入，提取出其处理输出结果；将以上两种结果与给定陆表事件观测 现象所对应的溯源数据进行匹配，当前者能直接定量或定性反映后者，则统计出传感器子集S3_ end。
【文档编号】G06F17/30GK103559187SQ201310362002
【公开日】2014年2月5日 申请日期:2013年8月19日 优先权日:2013年8月19日
【发明者】胡楚丽, 陈能成, 李佳, 关庆锋 申请人:中国地质大学（武汉）