CN102841984B - 一种连续型栅格数据的预测方法及装置 - Google Patents

Abstract

本申请提供了一种连续型栅格数据的预测方法及装置，用以对未来栅格数据的发展进行预测。其中，所述一种连续型栅格数据的预测方法包括：按预测粒度划分给定时间序列的连续型栅格数据，所述预测粒度为由像素组成的最小预测单元；计算所述每个预测粒度的像素平均值L；确定时间影响函数，依据所述时间影响函数计算所述时间序列中每个时间序列点的时间影响因子P；根据所述时间影响因子P和所述像素平均值L计算所述预测粒度的预测值V；将所述预测值V组织为预测栅格数据。本申请可以对未来时间点的栅格数据进行预测，得到栅格数据发展演变的趋势，从而对相应决策提供科学依据。

Description

一种连续型栅格数据的预测方法及装置

技术领域

本申请涉及栅格数据处理的技术领域，特别是涉及一种连续型栅格数据的预测方法及装置。

背景技术

栅格数据是用一个规则格网来描述与每一个格网单元位置相对应的空间现象特征的位置和取值，每个格网单元称之为像素，每个像素对应存储一个数值，表示描述该像素对应空间现象特征的属性信息。像素数值主要有两类，一类像素数值表示实际物理意义的数值，比如数字高程模型(DigitalEleLationModel，DEM)栅格数据的像素值代表地表高度，坡度栅格数据的像素值代表地表坡度值等等，这类栅格数据称之为连续型栅格数据；另一类像素数值表示分类代码值，比如植被类型栅格数据的像素值1，2，3等分别代表某类植被类型，该像素的分类代码值不具有孤立含义，这类栅格数据称之为分类型栅格数据。

地理信息系统中许多数据都用栅格格式来表示。尤其是随着计算机技术、卫星、传感器等科技的快速发展，栅格数据的生产能力大幅度提高，同时也大量应用于各行各业。随之衍生出对栅格数据信息的进一步挖掘应用。

因此，本领域技术人员迫切需要解决的一个技术问题在于，如何根据现有的给定一定时间序列的连续型栅格数据，对未来栅格数据的发展演变进行预测。

发明内容

本申请提供一种连续型栅格数据的预测方法及装置，用以对未来栅格数据的发展进行预测。

为了解决上述问题，本申请公开了一种连续型栅格数据的预测方法，包括：

按预测粒度划分给定时间序列的连续型栅格数据，所述预测粒度为由像素组成的最小预测单元；

计算所述每个预测粒度的像素平均值L；

确定时间影响函数，依据所述时间影响函数计算所述时间序列中每个时间序列点的时间影响因子P；

根据所述时间影响因子P和所述像素平均值L计算所述预测粒度的预测值V；

将所述预测值V组织为预测栅格数据。

优选地，所述预测粒度为由M*N个像素组成的最小预测单元；

所述计算每个预测粒度的像素平均值L包括：

剔除每个预测粒度中M*N个像素中误差最大的像素；

计算剩余M*N-1个像素的像素平均值L。

优选地，所述剔除每个预测粒度中M*N个像素中误差最大的像素包括：

将所述每个预测粒度的M*N个像素值分别与像素平均值相减后取绝对值，剔除所述绝对值最大的像素。

优选地，所述确定时间影响函数包括：

根据所述给定时间序列的栅格数据，选择线性函数、指数函数、对数函数或幂函数作为时间影响函数。

优选地，所述依据时间影响函数计算时间序列中每个时间序列点的时间影响因子P的公式为：

P(t)＝f(t)/∑f(t)；

其中f(t)为时间序列为点t时对应的时间影响函数的值，t取整数；

∑f(t)为所有时间序列点对应的时间影响函数值之和，

∑f(t)＝f(1)+f(2)+f(3)+f(4)+…+f(t)。

优选地，所述根据所述时间影响因子P和所述像素平均值L计算所述预测粒度的预测值V的公式为：

V＝∑L(t)*P(t)；

其中，L(t)是时间序列点为t时预测粒度的像素平均值，P(t)是时间序列点为t时对应的时间影响因子。

本申请还公开了一种连续型栅格数据的预测装置，包括：

栅格数据划分模块，用于按预测粒度划分给定时间序列的连续型栅格数据，所述预测粒度为由像素组成的最小预测单元；

像素平均值计算模块，用于计算所述每个预测粒度的像素平均值L；

时间影响因子计算模块，用于确定时间影响函数，依据所述时间影响函数计算所述时间序列中每个时间序列点的时间影响因子P；

预测值计算模块，用于根据所述时间影响因子P和所述像素平均值L计算所述预测粒度的预测值V；

预测栅格数据组织模块，用于将所述预测值V组织为预测栅格数据。

优选地，所述像素平均值计算模块包括：

误差最大像素剔除子模块，用于剔除误差最大像素，所述误差最大像素为将所述M*N个像素值分别与像素平均值L相减后绝对值最大的像素；

剩余像素平均值计算子模块，用于计算剩余M*N-1个像素的像素平均值L。

优选地，所述时间影响因子计算模块所用的公式为：

P(t)＝f(t)/∑f(t)；

其中f(t)为时间序列为点t时对应的时间影响函数的值，t取整数；

∑f(t)为所有时间序列点对应的时间影响函数值之和，

∑f(t)＝f(1)+f(2)+f(3)+f(4)+…+f(t)。

优选地，所述预测值计算模块所用的公式为：

V＝∑L(t)*P(t)；

其中，L(t)是时间序列点为t时预测粒度的像素平均值，P(t)是时间序列点为t时对应的时间影响因子。

与现有技术相比，本申请包括以下优点：

首先，通过本申请所提出的方法，可以得到未来时间点的预测栅格数据，可以观察到栅格数据发展演变的趋势，从而对相应决策提供科学依据。例如，通过对现有的北京市土壤侵蚀量栅格数据进行预测，可以得到未来栅格数据，从而得到未来北京市土壤侵蚀量的发展趋势，集中区域等，为全市的水土保持工作等提供积极的决策参考。

其次，通过本申请提出的方法得到未来时间点的预测栅格数据，可以对防洪、防震等预警系统进行完善，对预警系统的预测提供科学依据，改善了预警系统的准确性，从而对相应现象的预警系统进行完善。

最后，本申请所提出的方法，预测到地震、洪水等自然灾害时，可以提前采取措施，做好防震防洪等准备工作。

附图说明

图1是本申请实施例一种连续型栅格数据预测方法的流程图；

图2是本申请实施例按预测粒度划分栅格数据的示意图；

图3是本申请实施例按预测粒度划分栅格数据后预测粒度1的示意图；

图4是本申请实施例对时间序列栅格数据中预测粒度1的预测值计算过程示意图；

图5是本申请实施例2009年北京市土壤侵蚀量部分栅格数据的示意图；

图6是本申请实施例2010年北京市土壤侵蚀量部分栅格数据的示意图；

图7是本申请实施例2011年北京市土壤侵蚀量部分栅格数据的示意图；

图8是本申请实施例2009年北京市土壤侵蚀量对预测粒度处理后的数据示意图；

图9是本申请实施例2010年北京市土壤侵蚀量对预测粒度处理后的数据示意图；

图10是本申请实施例2011年北京市土壤侵蚀量对预测粒度处理后的数据示意图；

图11是本申请实施例2012年北京市土壤侵蚀量部分预测结果栅格数据的示意图；

图12是本申请实施例2009年北京市土壤侵蚀量栅格数据的示意图；

图13是本申请实施例2010年北京市土壤侵蚀量栅格数据的示意图；

图14是本申请实施例2011年北京市土壤侵蚀量栅格数据的示意图；

图15是本申请实施例2012年北京市土壤侵蚀量栅格数据的示意图；

图16是本申请实施例一种连续型栅格数据预测装置的结构框图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

本申请针对连续型栅格数据，对于给定时间序列{T1，T2，…，Tt}的栅格数据文件{Rd1，Rd2，…，Rdt}，假定栅格数据文件都是属于连续型栅格数据，也即对栅格像素的数值进行代数运算是有物理意义的，栅格数据文件描述的空间范围属性均一致，即所有栅格数据文件描述的空间范围，每个像素格子的分辨率都一致，这样每个栅格数据文件的像素均对应于同一空间位置。满足假定条件的栅格数据在实际应用中非常普遍，比如，多年的降雨栅格数据，全国的人口分布栅格数据等等。

实施例一：

参照图1，示出了本申请一种连续型栅格数据的预测方法实施例的流程图，本实施例具体可以包括如下步骤：

步骤S101，按预测粒度划分给定时间序列的连续型栅格数据，所述预测粒度为由像素组成的最小预测单元；

由于栅格数据文件像素大小差异性较大，有的海量栅格数据的像素达到百亿，万亿甚至更高级别，所以对海量栅格数据，不能对每个像素进行预测计算，否则运算量会相当庞大。因此，本申请提出“预测粒度”的概念，将给定的时间序列栅格数据按此最小预测单元进行划分，得到一系列由最小预测粒度组成的栅格数据文件。例如连续型栅格数据由100万*100万个像素组成，如果按10万*10万的预测粒度来划分，最后得到的栅格数据文件即由10万*10万的预测粒度组成，对该划分后的栅格数据文件进行处理与之前的100万*100万像素进行处理相比，将大大减少运算量。

参照图2，是按预测粒度划分给定时间序列的连续型栅格数据的示意图。假定栅格数据由K*L个像素组成，预测粒度为由M*N个像素组成的最小预测单元，将所述栅格数据按该最小预测粒度进行划分，划分为预测粒度1、预测粒度2、...预测粒度s*t。其中每行像素划分为s个预测粒度，每列像素划分为t个预测粒度，最终划分为s*t个预测粒度。划分得到的栅格数据即由s*t个预测粒度组成。

在实际预测应用中，可以根据时间序列的数量以及栅格数据文件像素的大小，进行适当的预测粒度的设定；预测粒度设置的越小，计算效率越慢，但是预测的结果栅格分辨率就越高；相反，预测粒度设置的越大，计算效率越块，预测结果栅格分辨率越低；这完全由实际应用情况确定，由预测结果栅格分辨率和处理效率做平衡考虑，对此本申请实施例不做严格规定。

步骤S102，计算所述每个预测粒度的像素平均值L；

对由M*N个像素组成的预测粒度，计算M*N个像素的平均值L。参考图3所示按预测粒度划分栅格数据后预测粒度1的示意图，预测粒度为3*3像素，其中预测粒度1的像素值分别为1.254、1.137、1.478、1.642、1.002、1.315、1.421、1.132、1.055，将这些像素值相加后除以个数9，就得到预测粒度1的像素平均值L＝1.271。

步骤S103，确定时间影响函数，依据所述时间影响函数计算所述时间序列中每个时间序列点的时间影响因子P；

确定时间影响函数f(t)，计算时间序列中每个时间序列点的影响因子{P1，P2，…，Pt}。如果栅格数据描述的是空间范围上的降雨量属性信息，对多年的降雨观察得知，未来降雨量主要受近些年的降雨影响较大，越早的年份对未来的影响越小，因此选择f(t)＝x²作为时间影响函数，假定给定的是连续5年降雨量的栅格数据序列，计算这五年每年的时间影响因子P1＝f(1)/∑f(i)，P2＝f(2)/∑f(i)，P3＝f(3)/∑f(i)，P4＝f(4)/∑f(i)，P5＝f(5)/∑f(i)，其中∑f(i)＝f(1)+f(2)+f(3)+f(4)+f(5)。

在本申请的一种优选实施例中，所述依据时间影响函数计算时间序列中每个时间序列点的时间影响因子P的公式为：

P(t)＝f(t)/∑f(t)；

其中f(t)为时间序列为点t时对应的时间影响函数的值，t取整数；

∑f(t)为所有时间序列点对应的时间影响函数值之和，

∑f(t)＝f(1)+f(2)+f(3)+f(4)+…+f(t)。

在本实施例中，时间序列点的影响因子{P1，P2，…，Pt}只需要计算一次，后面的对每一预测粒度的处理，都是使用这一组时间影响因子。如计算出的2005年降雨量栅格数据的时间影响因子P1，那么在2005年的栅格数据中，所有预测粒度的时间影响因子都是P1。同样计算得到每个时间序列点的时间影响因子{P1，P2，…，Pt}后，之后进行对应时间序列的栅格数据中每个预测粒度的处理时，都选用这一组时间影响因子。

需要说明的是，在本申请的优选实施例中，可以根据给定时间序列的栅格数据，选择线性函数、指数函数、对数函数或幂函数作为时间影响函数。具体地，所述选择线性函数作为时间影响函数，则时间影响函数f(t)＝at；所述选择指数函数作为时间影响函数，则时间影响函数f(t)＝tⁿ；所述选择对数函数作为时间影响函数，则时间影响函数f(t)＝log_a；所述选择幂函数作为时间影响函数，则时间影响函数f(t)＝e^t。在实际预测中，例如在对传染病爆发人群数量进行预测时，由于传染病的快速传染特性，因此常用幂函数关系来描述不同时间点的变化趋势；又如，在对人口增长进行预测时，常用指数函数关系来描述各个时间点的关系；再如，在对金融、经济发展趋势进行预测时，对数函数关系是一种常用的体现不同时间点的数学模型。

步骤S104，根据所述时间影响因子P和所述像素平均值L计算所述预测粒度的预测值V；

参考图4，对时间序列栅格数据中预测粒度1的预测值计算过程如下，对预测粒度1，按给定的时间序列采用步骤S102叙述的方法进行处理得到一时间序列的平均值{L1，L2，…，Lt}，应用步骤S103中计算得到的时间影响因子{P1，P2，…，Pt}，计算得到预测粒度的预测值V。本申请实施例中给定时间序列中对应的预测粒度计算得到一个预测值V，如上述时间序列中所有对应位置的预测粒度1计算得到一个预测值V。

对给定时间序列{T1，T2，…，Tt}的栅格数据文件{Rd1，Rd2，…，Rdt}按步骤S101划分预测粒度单元后，对每个预测粒度进行步骤S104所述的计算。这样对原先给定的m*n个像素组成的预测粒度得到一个预测值，这也正是“预测粒度”的含义，对给定的整个栅格数据M*N像素进行计算后便得到一个更低分辨率的结果预测栅格数据。

在本申请的一个优选实施例中，所述根据所述时间影响因子P和所述像素平均值L计算所述预测粒度的预测值V的公式为：

V＝∑L(t)*P(t)；

其中，L(t)是时间序列点为t时预测粒度的像素平均值，P(t)是时间序列点为t时对应的时间影响因子。

步骤S105，将所述预测值V组织为预测栅格数据。

在步骤S104中，已经计算得到预测粒度的预测值V，将这些预测值组织为预测栅格数据，就得到一个更低分辨率的结果预测栅格数据。

通过本实施例的方法，可以得到未来时间点的预测栅格数据，可以观察到栅格数据发展演变的趋势，从而对相应决策提供科学依据。例如，通过对现有的北京市土壤侵蚀量栅格数据进行预测，可以得到未来栅格数据，从而得到未来北京市土壤侵蚀量的发展趋势，集中区域等，为全市的水土保持工作等提供积极的决策参考。

实施例二：

本实施例作为实施例一的优选实施例，对实施例一中步骤S102进行了改进，所述预测粒度为由M*N个像素组成的最小预测单元；

所述计算每个预测粒度的像素平均值L包括：

步骤1，剔除每个预测粒度中M*N个像素中误差最大的像素；

剔除误差最大像素的方法是：先对这M*N个像素组成的预测粒度，计算M*N个像素的平均值L，然后计算这M*N个像素值分别于平均值L的误差绝对值，其中误差绝对值最大的像素，即为要剔除的像素。

对应地，所述剔除每个预测粒度中M*N个像素中误差最大的像素包括：

将所述每个预测粒度的M*N个像素值分别与像素平均值相减后取绝对值，剔除所述绝对值最大的像素。

步骤2，计算剩余M*N-1个像素的像素平均值L。

本实施例详细描述了和实施例一中步骤S102的区别，其他步骤参见实施例一即可。

需要说明的是，本实施例之所以要剔除误差最大像素，是因为，从栅格数据的本质来看，同一预测粒度范围内的栅格像素，其描述的是同一小范围空间内的某事物的属性，同一预测粒度范围内的栅格像素值一般意义上市非常接近的，极少存在差异性很大的情况。然而，在栅格数据的采集制作过程中，难免会由误差或其他偶尔因素导致的栅格数据部准确而存在较大误差的情况，所以对误差较大的像素进行剔除是有必要的。通过对预测粒度范围内误差最大的像素进行剔除处理，可以得到更加真实准确的栅格数据，再对这M*N-1像素进行处理，计算剩余M*N-1像素的平均值，将使后续得到的预测栅格数据更加准确、合理。

实施例三：

参考图5、图6、图7，下面以2009年、2010年、2011年北京市土壤侵蚀量栅格数据为例，对本申请进行说明。

2009年、2010年、2011年北京市土壤侵蚀量栅格数据的分辨率都为10米，栅格像素大小为：行像素17959*列像素17777；栅格数据的预测粒度为3*3像素；将给定的3年的土壤侵蚀量栅格数据按此预测粒度进行划分，每个栅格数据有5987x5926个预测粒度组成。

以图5所示的2009年北京市土壤侵蚀量部分栅格数据中的两个预测粒度：预测粒度1和预测粒度N为例进行说明。

1，按预测粒度划分给定时间序列的连续型栅格数据，所述预测粒度为由像素组成的最小预测单元；

本实施例中，按最小预测单元3*3像素对2009年北京市土壤侵蚀量栅格数据进行划分，划分结果如图5所示。

2，计算所述每个预测粒度的像素平均值L；

图5中预测粒度1的9个像素值分别为22.3、12.6、24.1、21.8、19.4、22、24、187.2、21.8，将这些像素值相加后除以个数9，就得到预测粒度1的像素平均值L＝39。

3，剔除每个预测粒度中M*N个像素中误差最大的像素；

将所述预测粒度1的每个像素值分别与像素平均值L相减后取绝对值，分别为16.7、26.4、14.9、19.2、19.6、17、15、148.2、17.2，绝对值最大为148.2，对应的像素值为187.2，剔除所述绝对值最大的像素187.2。

4，计算剩余M*N-1个像素的像素平均值L。

剩余8个像素值分别为22.3、12.6、24.1、21.8、19.4、22、24、21.8，将这些像素值相加后除以个数8，就得到预测粒度1剔除误差最大像素后剩余像素的像素平均值L2＝21.0。

对预测粒度N采用和处理预测粒度1相同的方法，得到预测粒度N剔除误差最大像素后剩余像素的像素平均值L2＝1577.9，如图8所示。预测粒度N剔除误差最大像素后剩余像素的像素平均值L2＝1577.9。

采用和处理2009年北京市土壤侵蚀量栅格数据相同的方法对2010、2011年北京市土壤侵蚀量栅格数据进行处理，对应于预测粒度1和预测粒度N的处理数据结果分别如图9、图10所示。图9中2010年北京市土壤侵蚀量栅格数据的预测粒度1剔除误差最大像素后剩余像素的像素平均值L2＝32.7，预测粒度N剔除误差最大像素后剩余像素的像素平均值L2＝1826.5。图10中2011年北京市土壤侵蚀量栅格数据的预测粒度1剔除误差最大像素后剩余像素的像素平均值L2＝55.9，预测粒度N剔除误差最大像素后剩余像素的像素平均值L2＝2236.7。

5，确定时间影响函数，依据所述时间影响函数计算所述时间序列中每个时间序列点的时间影响因子P；

根据多年在土壤侵蚀计算工作中的经验知识，确定时间影响函数f(x)＝x²，这个时间影响函数的物理意义在于，近期的影响土壤侵蚀量的因素壁历史早期的相应因素对预测结果起更大的主导作用，由多年的统计结果确定量化关系为平方关系。

根据上述时间影响函数f(x)＝x²，计算给定3年时间序列{1，2，3}中每个时间序列点的时间影响因子{P1，P2，P3}。P1＝f(1)/{f(1)+f(2)+f(3)}＝1/(1+2²+3²)＝1/14，P2＝f(2)/{f(1)+f(2)+f(3)}＝2²/(1+2²+3²)＝2/7，P3＝f(3)/{f(1)+f(2)+f(3)}＝3²/(1+2²+3²)＝9/14。

6，根据所述时间影响因子P和所述像素平均值L计算所述预测粒度的预测值V；

再对图8，图9，图10中的每个像素(其中每像素对应原栅格数据的一个预测粒度3x3像素，图8，图9，图10中分别都有5987x5926个像素)计算得到一个预测值，以预测粒度1和预测粒度N为例子，预测值计算方法：预测粒度1对应的像素的预测值V1＝21.0*P1+32.7*P2+55.9*P3＝46.74；预测粒度N对应的像素的预测值VN＝1577.9*P1+1826.5*P2+2236.7*P3＝2072.4。

7，将所述预测值V组织为预测栅格数据。

计算完所有的像素预测值，得到一个5987x5926像素的北京市2012年土壤侵蚀量预测结果栅格数据，如图11所示，2012年北京市土壤侵蚀量栅格数据的第一个像素值V1为46.74，第N个像素值VN为2072.4。

这样，根据历史栅格数据2009、2010、2011年北京市土壤侵蚀量栅格数据，就可以得到一个未来时间点2012年的预测栅格数，为全市的水土保持工作等提供积极的决策参考。

图12-15是上述2009-2012年北京市土壤侵蚀量栅格数据的示意图，从图15预测得到的2012年北京市土壤侵蚀量栅格数据的示意图可以看出2012年房山区的土壤侵蚀量比较严重，应该在房山区进行水土保持工作，采取多植树等措施来预防房山区的土壤侵蚀情况继续恶化。

通过本实施例提出的方法对洪水、地震等历史栅格数据进行处理，预测得到未来时间点的预测栅格数据，可以对防洪、防震等预警系统进行完善，对预警系统的预测提供科学依据，进而对防洪防震的准确工作进行指导，改善了预警系统的准确性，从而对相应现象的预警系统进行完善。当预测到未来地震、洪水等自然灾害时，可以提前采取措施，做好防震防洪等准备工作。

实施例四：

参照图16，示出了本申请实施例一种连续型栅格数据预测装置的结构框图，本实施例具体可以包括如下模块：

栅格数据划分模块401，用于按预测粒度划分给定时间序列的连续型栅格数据，所述预测粒度为由像素组成的最小预测单元；

像素平均值计算模块402，用于计算所述每个预测粒度的像素平均值L；

时间影响因子计算模块403，用于确定时间影响函数，依据所述时间影响函数计算所述时间序列中每个时间序列点的时间影响因子P；

预测值计算模块404，用于根据所述时间影响因子P和所述像素平均值L计算所述预测粒度的预测值V；

预测栅格数据组织模块405，用于将所述预测值V组织为预测栅格数据。

在本实施例的一种优选实施例中，所述像素平均值计算模块402包括：

误差最大像素剔除子模块，用于剔除误差最大像素，所述误差最大像素为将所述M*N个像素值分别与像素平均值L相减后绝对值最大的像素；

剩余像素平均值计算子模块，用于计算剩余M*N-1个像素的像素平均值L。

对于图16所示的装置实施例而言，由于其与图1所示的方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

以上对本申请所提供的一种连续型栅格数据的预测方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (5)

1.一种连续型栅格数据的预测方法，其特征在于，包括：

按预测粒度划分给定时间序列的连续型栅格数据，所述预测粒度为由像素组成的最小预测单元；

计算每个所述预测粒度的像素平均值L；

确定时间影响函数，依据所述时间影响函数计算所述时间序列中每个时间序列点的时间影响因子P；

所述确定时间影响函数包括：根据所述给定时间序列的连续型栅格数据，选择线性函数、指数函数、对数函数或幂函数作为时间影响函数；

所述依据时间影响函数计算时间序列中每个时间序列点的时间影响因子P的公式为：P(t)＝f(t)/∑f(t)，其中f(t)为时间序列为点t时对应的时间影响函数的值，t取整数，∑f(t)为所有时间序列点对应的时间影响函数值之和，∑f(t)＝f(1)+f(2)+f(3)+f(4)+…+f(t)；

根据所述时间影响因子P和所述像素平均值L计算所述预测粒度的预测值V；

所述根据所述时间影响因子P和所述像素平均值L计算所述预测粒度的预测值V的公式为：V＝∑L(t)*P(t)，其中，L(t)是时间序列点为t时预测粒度的像素平均值，P(t)是时间序列点为t时对应的时间影响因子；

将所述预测值V组织为预测栅格数据。

2.根据权利要求1所述的方法，其特征在于，所述预测粒度为由M*N个像素组成的最小预测单元；

所述计算每个预测粒度的像素平均值L包括：

剔除每个预测粒度中M*N个像素中误差最大的像素；

计算剩余M*N-1个像素的像素平均值L。

3.根据权利要求2所述的方法，其特征在于，所述剔除每个预测粒度中M*N个像素中误差最大的像素包括：

将所述每个预测粒度的M*N个像素值分别与像素平均值相减后取绝对值，剔除所述绝对值最大的像素。

4.一种连续型栅格数据的预测装置，其特征在于，包括：

栅格数据划分模块，用于按预测粒度划分给定时间序列的连续型栅格数据，所述预测粒度为由像素组成的最小预测单元；

像素平均值计算模块，用于计算每个所述预测粒度的像素平均值L；

时间影响因子计算模块，用于确定时间影响函数，依据所述时间影响函数计算所述时间序列中每个时间序列点的时间影响因子P，所述确定时间影响函数包括：根据所述给定时间序列的连续型栅格数据，选择线性函数、指数函数、对数函数或幂函数作为时间影响函数，所述时间影响因子计算模块所用的公式为：P(t)＝f(t)/∑f(t)，其中f(t)为时间序列为点t时对应的时间影响函数的值，t取整数，∑f(t)为所有时间序列点对应的时间影响函数值之和，∑f(t)＝f(1)+f(2)+f(3)+f(4)+…+f(t)；

预测值计算模块，用于根据所述时间影响因子P和所述像素平均值L计算所述预测粒度的预测值V，所述预测值计算模块所用的公式为：V＝∑L(t)*P(t)，其中，L(t)是时间序列点为t时预测粒度的像素平均值，P(t)是时间序列点为t时对应的时间影响因子；

预测栅格数据组织模块，用于将所述预测值V组织为预测栅格数据。

5.根据权利要求4所述的装置，其特征在于，所述像素平均值计算模块包括：

误差最大像素剔除子模块，用于剔除误差最大像素，所述误差最大像素为将M*N个像素值分别与像素平均值L相减后绝对值最大的像素；

剩余像素平均值计算子模块，用于计算剩余M*N-1个像素的像素平均值L。