淺析空間數(shù)據(jù)挖掘主要方法
1.空間分析方法
利用GIS的各種空間分析模型和空間操作對(duì)GIS數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行深加工，從而產(chǎn)生新的信息和知識(shí)。常用的空間分析方法有綜合屬性數(shù)據(jù)分析、拓?fù)浞治?、緩沖區(qū)分析、距離分析、疊置分析、地形分析、趨勢面分析、預(yù)測分析等，可發(fā)現(xiàn)目標(biāo)在空間上的相連、相鄰和共生等關(guān)聯(lián)規(guī)則，或發(fā)現(xiàn)目標(biāo)之間的最短路徑、***路徑等輔助決策知識(shí)。
2.統(tǒng)計(jì)分析方法
統(tǒng)計(jì)分析一直是分析空間數(shù)據(jù)的常用方法，著重于空間物體和現(xiàn)象的非空間特性分析。統(tǒng)計(jì)方法有較強(qiáng)的理論基礎(chǔ)，擁有大量成熟的算法。統(tǒng)計(jì)方法難以處理字符型數(shù)據(jù)，需要有領(lǐng)域知識(shí)和統(tǒng)計(jì)知識(shí)，一般由具有統(tǒng)計(jì)經(jīng)驗(yàn)的領(lǐng)域?qū)＜襾硗瓿伞?/P>
3.歸納學(xué)習(xí)方法
歸納學(xué)習(xí)方法是從大量的經(jīng)驗(yàn)數(shù)據(jù)中歸納制取一般的規(guī)則和模式，其大部分算法來源于機(jī)器學(xué)習(xí)領(lǐng)域，歸納學(xué)習(xí)的算法很多，如Michaski等的 AQ11，AQ15，洪家榮等的AE1，AE9，Hunt的CLS，Quinlan的ID3，C5.0等，其中***的是Quinlan提出的C5.0決策樹算法。
4.聚類與分類方法
聚類和分類方法按一定的距離或相似性系統(tǒng)將數(shù)據(jù)分成一系列相互區(qū)分的組。常用的經(jīng)典聚類方法有Kmean，Kmeriod，ISO DATA等。分類和聚類都是對(duì)目標(biāo)進(jìn)行空間劃分，劃分的標(biāo)準(zhǔn)是類內(nèi)差別最小，類間差別***。分類和聚類的區(qū)別在于分類事先知道類別數(shù)和種類的典型特征，而聚類則事先不知道。
5.探測性的數(shù)據(jù)分析方法
李德仁、邸凱昌等提出了探測性的數(shù)據(jù)分析(簡稱EDA)。EDA采用動(dòng)態(tài)統(tǒng)計(jì)圖形和動(dòng)態(tài)鏈接窗口技術(shù)將數(shù)據(jù)及統(tǒng)計(jì)特征顯示出來，可發(fā)現(xiàn)數(shù)據(jù)中非直觀的數(shù)據(jù)特征及異常數(shù)據(jù)。 EDA與空間分析相結(jié)合，構(gòu)成探測性空間分析(exploratory spatial analysis，簡稱ESA)。EDA和ESA技術(shù)在數(shù)據(jù)挖掘中用于選取與問題領(lǐng)域相關(guān)的數(shù)據(jù)子集，并可初步發(fā)現(xiàn)隱含在數(shù)據(jù)中的某些特征和規(guī)律。
6.粗集方法
粗集理論是波蘭華沙大學(xué)Z.Pawlak教授在1982年提出的一種智能數(shù)據(jù)決策分析工具，被廣泛研究并應(yīng)用于不精確、不確定、不完全的信息的分類分析和知識(shí)獲取。粗集理論為空間數(shù)據(jù)的屬性分析和知識(shí)發(fā)現(xiàn)開辟了一條新途徑，可用于GIS數(shù)據(jù)庫屬性表的一致性分析、屬性的重要性、屬性依賴、屬性表簡化、最小決策和分類算法生成等。粗集理論與其他知識(shí)發(fā)現(xiàn)算法相結(jié)合可以在GIS數(shù)據(jù)庫中數(shù)據(jù)不確定的情況下獲取多種知識(shí)。
7.空間特征和趨勢探測方法
這是Ester等人在第4屆KDD國際研討會(huì)(1998)上提出的基于領(lǐng)域圖(neighborhoodgraphs)和鄰域路徑 (neighborhoodpath)概念的挖掘算法。Ester等將一個(gè)空間特征定義為GIS數(shù)據(jù)庫中具有空間/非空間性質(zhì)的目標(biāo)對(duì)象集，并以非空間屬性值出現(xiàn)的相對(duì)頻率和不同空間對(duì)象出現(xiàn)的相對(duì)頻率(目標(biāo)對(duì)象集相對(duì)于整個(gè)數(shù)據(jù)庫)作為感興趣的性質(zhì)，從空間目標(biāo)集合經(jīng)過它的相鄰擴(kuò)展后的一個(gè)開始點(diǎn)出發(fā)，發(fā)現(xiàn)一個(gè)或多個(gè)非空間性質(zhì)的變化規(guī)律。這種算法的效率在很大程度上取決于其處理相鄰關(guān)系的能力。
8.數(shù)字地圖圖像分析和模式識(shí)別方法
GIS數(shù)據(jù)庫(數(shù)據(jù)倉庫)中含有大量的圖形圖像數(shù)據(jù)，一些圖像分析和模式識(shí)別方法可直接用于挖掘數(shù)據(jù)和發(fā)現(xiàn)知識(shí)，或作為其他挖掘方法的預(yù)處理方法。用于圖像分析和模式識(shí)別的方法主要有：決策樹(desicion tree)方法、神經(jīng)元網(wǎng)絡(luò)(artificial neural net work)方法、數(shù)學(xué)形態(tài)學(xué)方法、圖論方法。
9.可視化方法
可視化數(shù)據(jù)分析技術(shù)拓寬了傳統(tǒng)的圖表功能，使用戶對(duì)數(shù)據(jù)的剖析更清楚。例如把數(shù)據(jù)庫中的多維數(shù)據(jù)變成多種圖形，這對(duì)提示數(shù)據(jù)的狀況、內(nèi)在本 質(zhì)及規(guī)律性起到了很強(qiáng)的作用。當(dāng)顯示SDM發(fā)現(xiàn)的結(jié)果時(shí)，將地圖同時(shí)顯示作為背景。一方面能夠顯示其知識(shí)特征的分布規(guī)律；另一方面也可對(duì)挖掘出的結(jié)果進(jìn)行 可視化解釋，從而達(dá)到***的分析效果?？梢暬夹g(shù)使用戶看到數(shù)據(jù)處理的全過程、監(jiān)測并控制數(shù)據(jù)分析過程。為了發(fā)現(xiàn)某類知識(shí)，常要綜合運(yùn)用這些方法。數(shù)據(jù)挖 掘方法還要與常規(guī)的數(shù)據(jù)庫技術(shù)充分結(jié)合，數(shù)據(jù)挖掘利用的技術(shù)越多，得出的結(jié)果精確性就越高。
#p#
空間數(shù)據(jù)庫中的知識(shí)
基于GIS與遙感應(yīng)用，一般認(rèn)為(Li D R. et al., 1994,1997; 邸凱昌等，1996,1997；Han J., 1996; Koperski K. et al, 1996), 可以從空間數(shù)據(jù)庫中發(fā)現(xiàn)的知識(shí)有以下8種：
a.普遍的幾何知識(shí)(general geometric knowledge)
所謂普遍的幾何知識(shí)，是指關(guān)于目標(biāo)的數(shù)量、大小、形態(tài)特征等的普遍性知識(shí)，如點(diǎn)狀目標(biāo)的位置、大小等，線狀目標(biāo)的長度、大小和方向等，面狀目標(biāo)的周長、面積、幾何中心等?？梢酝ㄟ^計(jì)算或統(tǒng)計(jì)得出GIS中空間目標(biāo)某種幾何特征量的最小值、***值、均值、方差、中數(shù)等，還可以統(tǒng)計(jì)出有關(guān)特征量的直方圖等。
b.空間分布規(guī)律(spatial distribution regularities)
空間分布規(guī)律是指目標(biāo)在地理空間中垂直向、水平向以及垂直與水平聯(lián)合的分布規(guī)律。垂 直分布是指空間目標(biāo)沿地理調(diào)和的分布，如植被覆蓋與生物多樣性的海拔變化，作物生長的坡度變化等；水平分布是指地物沿地理區(qū)域的平面分布，如水稻畝產(chǎn)的區(qū) 域分異性，基礎(chǔ)設(shè)施的城鄉(xiāng)差異等；垂直與水平的聯(lián)合分布是指目標(biāo)的高程和區(qū)域方面的同時(shí)變化，如風(fēng)土人情的流域差異性、氣候特征的地理分異性等。
c.空間關(guān)聯(lián)規(guī)則(spatial association rules)
空間關(guān)聯(lián)規(guī)則是指空間目標(biāo)的相鄰、相連、共生、包含等關(guān)系，如道路與河流的相連，國家與國家的相鄰等。
d.空間分類(聚類)規(guī)則(spatial classification/clustering rules)
空間分類規(guī)則是根據(jù)目標(biāo)的空間或非空間特征進(jìn)行類別劃分的規(guī)則；而空間聚類規(guī)則是根據(jù)目標(biāo)的聚散程度進(jìn)行類別劃分的規(guī)則，可用于GIS的空間概括和空間綜合?？臻g分類和空間的共同之處是：都是對(duì)目標(biāo)空間的再劃分，劃分的標(biāo)準(zhǔn)是類內(nèi)差別最小而類間差別***；不同之處是：分類是有導(dǎo)師的 (supervised)而聚類是無導(dǎo)師的，即分類是事先知道類別數(shù)和各類的典型特征，而聚類則事先不知道。
以遙感圖像分析為例，一般性遙感圖像處理是針對(duì)一幅圖像或一個(gè)試驗(yàn)區(qū)的多幅圖像進(jìn)行處理和分析，找出某種結(jié)論性的東西；而遙感數(shù)據(jù)挖掘則強(qiáng)調(diào)對(duì)大量數(shù)據(jù)的處理、分析和對(duì)比，進(jìn)而找出共性和特性，總結(jié)出規(guī)律和規(guī)則，而這些規(guī)律和規(guī)則在后續(xù)的圖像分析中具有指導(dǎo)作用。
e.空間特征規(guī)則(spatial characteristic rules)
空間特征規(guī)則是指某類或某幾類空間目標(biāo)的幾何與屬性的普遍特征，是對(duì)共性的描述。比如：“高速公路一般都比較直”、“高速公路一般6車道”是兩條描述高速公路普遍特征的空間特征規(guī)則。普遍的幾何知識(shí)屬于空間特征規(guī)則的一類，將它分離出來單獨(dú)作為一類知識(shí)是由于它在遙感影像解譯中有十分重要的作用。
f.空間區(qū)分規(guī)則(spatial discriminate rules)
空間區(qū)分規(guī)則特征是指兩類或多類目標(biāo)間幾何或?qū)傩缘牟煌卣?，是?duì)個(gè)性的描述?！案咚俟芬话惚容^直，高等級(jí)公路一般稍彎一些”、“高速公路一般6車道，高等級(jí)公路一般4車道”是兩條描繪高速公路與高等級(jí)公路特征差別的區(qū)分規(guī)則。它不同于空間分類規(guī)則；分類規(guī)則是對(duì)空間目標(biāo)進(jìn)行明確分類，強(qiáng)調(diào)的是分類精度，為了保持分類精度，一般在較低的層次進(jìn)行分類；而區(qū)分規(guī)則是對(duì)已知類別對(duì)象的對(duì)比，一般是比較高層次上的描述。
g.空間演化規(guī)則(spatial evolution rules)
空間演化規(guī)則是指空間目標(biāo)的幾何、屬性特征隨時(shí)間而變化的規(guī)律。這一規(guī)律的發(fā)現(xiàn)必須基于時(shí)空數(shù)據(jù)庫或同一區(qū)域的多個(gè)時(shí)相的數(shù)據(jù)。
h.面向?qū)ο蟮闹R(shí)(object oriented knowledge)
它是關(guān)于某類復(fù)雜對(duì)象的子類構(gòu)成及其普遍特征的知識(shí)。比如對(duì)于一個(gè)小區(qū)對(duì)象，由住宅樓、服務(wù)樓、幼兒園、綠地、健身區(qū)等子類對(duì)象構(gòu)成，相互之間的空間穿插和均衡布局等構(gòu)成該小區(qū)的總體特征。
【編輯推薦】
