docs

项目综合说明文档

项目概述

本项目(瓦斯数据与赋存规律分析系统）是一个基于 Web 的地理空间数据计算与可视化系统，主要用于渔网点数据的多指标综合评价计算和空间插值分析。系统采用前后端分离架构，前端使用 Leaflet.js 进行地图可视化，后端使用 Node.js + Express 提供 API 服务，Python 脚本执行复杂的数值计算。

核心功能

多指标综合评价计算：支持熵权法、G1法、组合权重法、加权求和法等多种权重计算方法
交互式地图可视化：支持热力图、点符号图、阈值分类图等多种可视化方式
数据管理：支持数据库表管理、图层管理、计算结果历史记录等

用户使用说明

1. 系统界面介绍

系统界面分为三个主要部分：

1.1 顶部导航栏

图层信息按钮：切换到图层信息面板，显示 QGIS 导出的静态图层
计算编辑按钮：切换到计算编辑面板，显示数据库连接的计算图层和计算结果

1.2 左侧面板（配置面板）

根据当前模式显示不同的内容：

图层信息模式：

显示 QGIS 导出的静态图层列表
可以控制图层的显示/隐藏

计算编辑模式：

步骤1：选择数据表：从数据库中选择要计算的数据表
步骤2：选择字段：选择参与计算的数值字段（f1, f2, f3, f4 等）
步骤3：配置计算参数：根据选择的计算方法配置相应参数
执行计算：点击”计算”按钮执行计算任务

1.3 右侧面板（结果面板）

根据当前模式显示不同的内容：

图层信息模式：

显示 QGIS 图层的详细信息

计算编辑模式：

计算结果列表：显示所有历史计算任务
图层控制：每个计算结果可以：
- 勾选/取消勾选显示在地图上
- 调整透明度（0-100%）
- 展开/折叠可视化选项
- 查看数据详情
- 删除计算结果

2. 计算功能使用

2.1 熵权法计算

适用场景：当需要根据数据本身的变异程度自动确定权重时使用。

操作步骤：

在左侧面板选择数据表和字段
选择计算方法为”熵权法”
配置参数：
- 标准化方法：选择 min-max（最小-最大标准化）或 z-score（Z分数标准化）
- 指标影响方向：设置每个指标是正向影响（1）还是负向影响（-1）
点击”计算”按钮

效果说明：

系统会自动计算每个指标的信息熵
根据信息熵计算权重（熵值越小，权重越大）
计算每个点的综合得分并显示在地图上

2.2 G1法计算

适用场景：当有专家确定的指标重要性排序时使用。

操作步骤：

选择数据表和字段
选择计算方法为”G1法”
配置参数：
- r值列表：相邻指标的重要度比值（通常范围 1.0-1.8）
- 例如：如果有4个指标，需要3个r值，表示第1个指标与第2个指标的重要度比、第2个与第3个的比、第3个与第4个的比
点击”计算”按钮

效果说明：

根据专家确定的指标排序和重要度比值计算权重
权重反映专家对指标重要性的判断

2.3 组合权重法计算

适用场景：结合主观权重（G1法）和客观权重（熵权法）的优势。

操作步骤：

选择数据表和字段
选择计算方法为”组合权重法（罗金辉）”或”组合权重法（博弈论）”
配置参数：
- G1 r值：G1法的重要度比值
- 标准化方法：数据标准化方法
- 指标影响方向：每个指标的影响方向
点击”计算”按钮

效果说明：

罗金辉方法：根据G1权重的差异系数自动确定组合系数
博弈论方法：通过求解优化问题确定最优组合系数
最终权重综合了主观和客观信息

2.4 加权求和法计算

适用场景：当需要手动指定各指标的权重时使用。

操作步骤：

选择数据表和字段
选择计算方法为”加权求和法”
配置参数：
- 权重设置：为每个字段手动设置权重值（权重会自动归一化）
- 标准化方法：数据标准化方法
- 指标影响方向：每个指标的影响方向
点击”计算”按钮

效果说明：

使用用户指定的权重进行加权求和
适合有明确权重分配方案的情况

3. 可视化功能使用

3.1 渲染方式选择

每个计算结果支持三种渲染方式：

点符号图：

每个数据点显示为一个圆形符号
颜色根据数值大小映射
可调整点的大小（半径）

热力图：

使用 Leaflet.heat 插件渲染
根据数据点密度和数值强度生成热力图
可调整半径（影响范围）和模糊度（平滑程度）

阈值分类：

将数值分为若干等级
每个等级用不同颜色表示
可调整分级数量（3-10级）

3.2 颜色方案选择

系统提供多种颜色方案：

红-黄-绿：从红色（低值）到绿色（高值）
蓝-红：从蓝色（低值）到红色（高值）
Viridis：科学可视化常用色带
Plasma：另一种科学可视化色带
冷-暖：从冷色调到暖色调

3.3 值域设置

自动值域：点击”自动”按钮，使用数据的最小值和最大值
手动值域：手动输入最小值和最大值，用于固定颜色映射范围

3.4 应用设置

修改可视化参数后，点击”应用设置”按钮：

系统会重新创建图层以应用新设置
按钮会短暂显示”已应用”提示

3.5 透明度调整

使用透明度滑块实时调整图层透明度（0-100%）
调整会立即生效，无需点击应用按钮

项目结构说明

1. 整体架构

wasi_4/
├── client/                    # 前端客户端代码
│   ├── edit_calculate.js     # 计算编辑面板主逻辑
│   └── edit_calculate.css    # 样式文件
├── server/                    # 后端服务器代码
│   ├── index.js              # Express 服务器入口
│   ├── routes/               # API 路由
│   │   ├── yw.js             # 渔网计算相关 API
│   │   ├── interpolate.js    # 插值相关 API
│   │   ├── editcalc.js       # 数据编辑相关 API
│   │   ├── layers.js         # 图层管理 API
│   │   └── rasters.js        # 栅格管理 API
│   ├── services/             # 服务层
│   │   ├── pythonRunner.js   # Python 脚本执行服务
│   │   └── rasterService.js  # 栅格处理服务
│   ├── utils/                # 工具函数
│   │   ├── db_yw.js          # 渔网数据库工具
│   │   └── db.js             # 通用数据库工具
│   ├── scripts/              # Python 脚本
│   │   ├── interpolate.py    # 插值脚本（完整版）
│   │   ├── interpolate_v2.py # 插值脚本（简化版）
│   │   └── interpolate_simple.py # 插值脚本（最小依赖版）
│   ├── compute_yw.py         # 渔网计算主脚本
│   └── requirements.txt      # Python 依赖
├── sample/                    # 示例数据和计算模块
│   ├── Entropy.py            # 熵权法计算模块
│   ├── G1.py                 # G1法计算模块
│   ├── CombineWeight.py      # 组合权重计算模块
│   └── 83yuwang/             # 示例 Shapefile 数据
├── db/                        # 数据库文件
│   ├── 83yuwang.sqlite       # 主数据库（SpatiaLite）
│   └── ...
├── qgis2web_2025_09_19-16_43_01_978602/  # QGIS 导出静态文件
│   ├── index.html            # 主 HTML 文件
│   ├── js/                   # JavaScript 库
│   ├── css/                  # 样式文件
│   └── data/                 # 静态数据文件
└── package.json              # Node.js 依赖配置

2. 前端架构

2.1 技术栈

Leaflet.js：地图可视化库
Leaflet.heat：热力图插件
原生 JavaScript：无框架，直接操作 DOM

2.2 核心文件说明

client/edit_calculate.js：

计算编辑面板的核心逻辑
管理图层状态、计算结果、可视化配置
处理用户交互（计算、可视化、数据查看）
约 2100 行代码，包含：
- 状态管理（Map 数据结构存储图层、配置等）
- API 调用（与后端通信）
- 图层创建和管理（点符号、热力图、阈值分类）
- 可视化选项渲染和事件绑定

qgis2web_2025_09_19-16_43_01_978602/index.html：

主 HTML 文件
加载 Leaflet 和相关插件
定义页面布局（顶部导航、左右面板、地图容器）
初始化地图和图层

2.3 前端数据流

用户操作
  ↓
edit_calculate.js 处理事件
  ↓
调用 API（fetch）
  ↓
后端处理并返回数据
  ↓
更新前端状态
  ↓
重新渲染 UI 和地图图层

3. 后端架构

3.1 技术栈

Node.js + Express：Web 服务器框架
SQLite3 + SpatiaLite：空间数据库
Python：数值计算脚本

3.2 核心文件说明

server/index.js：

Express 应用入口
配置中间件（body-parser、CSP）
注册路由模块
静态文件服务

server/routes/yw.js：

渔网计算相关 API 路由
主要接口：
- POST /api/yw/compute：执行计算任务
- GET /api/yw/runs：获取所有计算任务
- GET /api/yw/run/:id：获取单个任务详情
- GET /api/yw/run/:id/geojson：获取任务结果的 GeoJSON（带坐标转换）
- GET /api/yw/run/:id/values：获取任务结果的数据值
- PATCH /api/yw/run/:id/name：更新任务名称
- DELETE /api/yw/run/:id：删除任务
坐标转换功能：将 EPSG:2415（北京1954坐标系）转换为 EPSG:4326（WGS84）

server/routes/interpolate.js：

插值相关 API
POST /api/interpolate：执行插值计算

server/services/pythonRunner.js：

Python 脚本执行服务
runPython(script, args)：执行 Python 脚本
runPythonWithStdin(script, args, stdinData)：通过 stdin 传递数据（避免命令行编码问题）

server/utils/db_yw.js：

渔网数据库工具
openDb()：打开数据库连接并加载 SpatiaLite 扩展

3.3 后端数据流

HTTP 请求
  ↓
Express 路由
  ↓
数据库操作 / Python 脚本调用
  ↓
返回 JSON 响应

4. 数据库结构

4.1 主数据库（83yuwang.sqlite）

表1：yw_point

存储原始渔网点数据
字段：
- ogc_fid：主键
- f1, f2, f3, f4：四个数值字段（构造坡、底板标高、砂体、钻孔瓦斯含量）
- GEOMETRY：点的几何信息（POINT，SRID=2415）

表2：yw_run

存储计算任务记录
字段：
- run_id：主键（自增）
- name：任务名称
- method：计算方法（entropy, g1, combined_luo, combined_gt, weighted_sum）
- created_at：创建时间
- params_json：参数配置（JSON 字符串）

表3：yw_value

存储计算结果
字段：
- run_id：任务ID（外键）
- point_id：点ID（外键）
- value：计算结果值
- 主键：(run_id, point_id)

4.2 空间数据库特性

使用 SpatiaLite 扩展支持空间数据类型和函数
支持 ST_X, ST_Y, AsGeoJSON, Transform 等空间函数
自动维护空间索引（R-Tree）

5. Python 计算模块

5.1 计算脚本

server/compute_yw.py：

主计算脚本，从数据库读取数据，执行计算，写入结果
支持多种计算方法（通过命令行参数或 stdin 接收 JSON 配置）
输出 JSON 格式的结果

sample/Entropy.py：

熵权法计算模块
standardize_data()：数据标准化
calculate_entropy()：计算信息熵和权重

sample/G1.py：

G1法计算模块
calculate_g1_weights()：根据指标排序和重要度比值计算权重

sample/CombineWeight.py：

组合权重计算模块
Luo_combined_weights()：罗金辉组合权重方法
GT_combined_weights()：博弈论组合权重方法
solve_optimal_lambda()：求解最优组合系数

5.2 插值脚本

server/scripts/interpolate_v2.py：

主要使用的插值脚本
支持 IDW、最近邻、线性插值
通过 stdin 接收字段配置（避免命令行编码问题）
输出 PNG 栅格和 world 文件

计算逻辑说明

1. 数据标准化

1.1 Min-Max 标准化

公式：

正向指标：std_value = (value - min) / (max - min)
负向指标：std_value = (max - value) / (max - min)

原理：

将数据映射到 [0, 1] 区间
正向指标：值越大，标准化值越大
负向指标：值越大，标准化值越小（通过取反实现）

代码位置：sample/Entropy.py 的 standardize_data() 函数

1.2 Z-Score 标准化

公式：std_value = (value - mean) / std

原理：

将数据转换为均值为 0、标准差为 1 的分布
适合数据分布接近正态分布的情况

代码位置：sample/Entropy.py 的 standardize_data() 函数

2. 熵权法计算

2.1 计算原理

熵权法是一种客观赋权方法，基于信息熵理论。信息熵越大，指标提供的信息量越少，权重越小；反之，信息熵越小，指标提供的信息量越多，权重越大。

2.2 计算步骤

步骤1：计算比重矩阵

对于标准化后的数据矩阵，计算每个值在所在列中的比重：

p_ij = x_ij / Σ(x_ij)  (i=1,2,...,n; j=1,2,...,m)

其中：

x_ij：第 i 个对象在第 j 个指标上的标准化值
n：对象数量
m：指标数量

步骤2：计算信息熵

E_j = -k * Σ(p_ij * ln(p_ij))  (i=1,2,...,n)

其中：

k = 1 / ln(n)：常数，确保熵值在 [0, 1] 区间
当 p_ij = 0 时，p_ij * ln(p_ij) = 0（避免 log(0)）

步骤3：计算权重

w_j = (1 - E_j) / Σ(1 - E_k)  (k=1,2,...,m)

权重归一化，确保 Σw_j = 1。

2.3 代码实现

文件：sample/Entropy.py

关键函数：

calculate_entropy(standardized_data, indicator_names)：
1. 计算比重矩阵 p_matrix
2. 计算每个指标的信息熵 entropy
3. 计算权重 weights = (1 - entropy) / sum(1 - entropy)
4. 返回权重字典

调用流程：

compute_yw.py::compute_entropy()
  ↓
ew.standardize_data()  # 标准化
  ↓
ew.calculate_entropy()  # 计算权重
  ↓
加权求和计算综合得分

3. G1法计算

3.1 计算原理

G1法是一种主观赋权方法，基于专家确定的指标重要性排序和相邻指标的重要度比值。

3.2 计算步骤

步骤1：确定指标排序

专家确定指标的排序关系，例如：

U1 > U2 > U3 > ... > Um

其中 > 表示”重要于”。

步骤2：确定重要度比值

专家确定相邻指标的重要度比值：

r1 = ω1* / ω2*  (第1个指标与第2个指标的重要度比)
r2 = ω2* / ω3*  (第2个指标与第3个指标的重要度比)
...
r(m-1) = ω(m-1)* / ωm*  (第m-1个指标与第m个指标的重要度比)

通常 r 的取值范围为 [1.0, 1.8]：

r = 1.0：两个指标同等重要
r = 1.2：前一个指标比后一个指标稍重要
r = 1.8：前一个指标比后一个指标明显重要

步骤3：计算最次要指标的权重

ωm* = 1 / [1 + Σ(i=1到m-1) Π(g=i到m-1) r_g]

其中：

Π(g=i到m-1) r_g：从 r_i 到 r(m-1) 的连乘积
Σ(i=1到m-1)：对所有 i 求和

步骤4：反向计算其他指标权重

ω(m-1)* = r(m-1) * ωm*
ω(m-2)* = r(m-2) * ω(m-1)*
...
ω1* = r1 * ω2*

步骤5：归一化

ωi = ωi* / Σ(ωj*)  (j=1,2,...,m)

3.3 代码实现

文件：sample/G1.py

关键函数：

calculate_g1_weights(indicators, r_values)：
1. 验证输入（r_values 长度应为 m-1）
2. 计算最次要指标权重 omega_m_star
3. 反向计算其他指标权重
4. 归一化并返回权重字典

调用流程：

compute_yw.py::compute_g1()
  ↓
g1w.calculate_g1_weights()  # 计算 G1 权重
  ↓
ew.standardize_data()  # 标准化数据
  ↓
加权求和计算综合得分

4. 组合权重法计算

4.1 罗老师组合权重法

原理：组合权重公式：

w = t * w_G1 + (1-t) * w_I

其中：

w_G1：G1法权重（主观权重）
w_I：熵权法权重（客观权重）
t：组合系数，由 G1 权重的差异系数确定

差异系数计算：

G_G1 = std(w_G1) / mean(w_G1)

组合系数计算：

t = (2 / (m-1)) * G_G1

如果 m=1（单指标），则 t=0.5。

约束：t 限制在 [0, 1] 范围内。

代码实现：

文件：sample/CombineWeight.py
函数：Luo_combined_weights(w_G1_weight_map, w_I_weight_map)

4.2 博弈论组合权重法

原理：通过求解优化问题确定最优组合系数，使组合权重同时接近两种权重。

目标函数：

min ||λ1*w1 + λ2*w2 - w1||² + ||λ1*w1 + λ2*w2 - w2||²

约束条件：

λ1 + λ2 = 1

求解方法：

对目标函数求偏导并令其为 0，得到线性方程组
求解线性方程组得到 λ1 和 λ2
归一化：λ1* = |λ1| / (|λ1| + |λ2|), λ2* = |λ2| / (|λ1| + |λ2|)

组合权重：

w = λ1* * w1 + λ2* * w2

代码实现：

文件：sample/CombineWeight.py
函数：
- GT_combined_weights(w_1, w_2)：主函数
- solve_optimal_lambda(normalized_1, normalized_2)：求解最优系数

5. 加权求和法计算

原理：用户手动指定各指标的权重，直接进行加权求和。

公式：

score_i = Σ(w_j * x_ij)  (j=1,2,...,m)

其中：

w_j：第 j 个指标的权重（用户指定，自动归一化）
x_ij：第 i 个对象在第 j 个指标上的标准化值

代码实现：

文件：server/compute_yw.py
函数：compute_weighted_sum()

6. 综合得分计算

所有计算方法最终都通过加权求和计算综合得分：

score_i = Σ(w_j * std_ij)  (j=1,2,...,m)

其中：

w_j：第 j 个指标的权重（由不同方法计算得到）
std_ij：第 i 个对象在第 j 个指标上的标准化值

代码位置：server/compute_yw.py 的各个 compute_*() 函数

附录

A. 技术栈总结

前端：

Leaflet.js 1.x
Leaflet.heat
原生 JavaScript（ES6+）

后端：

Node.js
Express 5.x
SQLite3 + SpatiaLite

计算：

Python 3.x
NumPy
Pandas

docs

项目综合说明文档

目录

项目概述

核心功能

用户使用说明

1. 系统界面介绍

1.1 顶部导航栏

1.2 左侧面板（配置面板）

1.3 右侧面板（结果面板）

2. 计算功能使用

2.1 熵权法计算

2.2 G1法计算

2.3 组合权重法计算

2.4 加权求和法计算

3. 可视化功能使用

3.1 渲染方式选择

3.2 颜色方案选择

3.3 值域设置

3.4 应用设置

3.5 透明度调整

项目结构说明

1. 整体架构

2. 前端架构

2.1 技术栈

2.2 核心文件说明

2.3 前端数据流

3. 后端架构

3.1 技术栈

3.2 核心文件说明

3.3 后端数据流

4. 数据库结构

4.1 主数据库（83yuwang.sqlite）

4.2 空间数据库特性

5. Python 计算模块

5.1 计算脚本

5.2 插值脚本

计算逻辑说明

1. 数据标准化

1.1 Min-Max 标准化

1.2 Z-Score 标准化

2. 熵权法计算

2.1 计算原理

2.2 计算步骤

2.3 代码实现

3. G1法计算

3.1 计算原理

3.2 计算步骤

3.3 代码实现

4. 组合权重法计算

4.1 罗老师组合权重法

4.2 博弈论组合权重法

5. 加权求和法计算

6. 综合得分计算

附录

A. 技术栈总结