文档介绍：II江西·赣州III摘要空间数据挖掘是指从大量的、不完全的、有噪声的、模糊的空间数据中提取出隐含在其中的、人们事先不知道的但又潜在有用的知识的半自动化方法,它是解决“空间数据丰富、但信息贫乏”的有效方法。近十年来,空间数据挖掘在理论与实践上都得到了广泛研究,并被应用于工业及自然科学(比如:地理信息系统)等各个领域。GML(Geography Markup Language即地理标识语言)是由XML(eXtensible Markup Language)发展而来的一种简单、灵活的文本格式,它以其可扩展、平***立、灵活、规范、简单等特点以及强大的数据表达能力,在网络及其它领域的数据表示与交换方面扮演着越来越重要的角色。越来越多的空间数据以GML文档进行存储,在这些数据中隐含着大量的知识信息与各类模式,因此,人们迫切需要一些有效的方法来从中提取出一些潜在的、有价值的知识,这就是GML数据挖掘。基于以上分析,本文首先介绍了传统的数据挖掘与空间数据挖掘技术、XML与GML的基本理论,同时还介绍了演化算法相关知识;从分析空间数据的特点入手,简要的介绍了用常规方法进行空间数据聚类分析的难点和不足,提出了一种基于改进的演化算法空间数据聚类方法——SDCEA,它有效的解决了用传统方法进行空间数据聚类分析时存在的问题,从而增强了聚类分析方法的灵活性和有效性,实验结果表明,对于空间数据的聚类分析问题,该算法具有很好的性能;最后,采用Visual C#.NET与ArcObjects相结合,实现了对空间缓冲区分析的功能,在实验中选取ArcMap自带的一个GML数据源,通过对其点、线、面的缓冲区分析,从而高效、直观地提取出隐含在GML数据文档中的信息,实现了GML空间数据挖掘。关键词:GML,空间数据,数据挖掘,演化算法,聚类,空间缓冲区分析IVAbstractSpatial data mining is a non-trivial process of identifying valid, novel, potentially useful, and ultimately understandable patterns in spatial data. It is an efficient method for resolving the problem of “spatial data rich-information poor”. Forthe last decades, spatial data mining is extensively studied in theory and practice, and applied to various fields such as industry, and natural sciences(for example:Geographic Information System).GML(Geography Markup Language) is a simple,very flexible text format derived from XML(eXtensible Markup Language). GML is playing an increasingly important role in the exchange and respresent of a wide variety of data on the Web and elsewhere due to its expansibility, platform-independence, flexibility, simpleness, standardization and powerful ability for representing spatial data. Hence, there have been increasing demands for efficient methods that extract rules and patterns from GML data, namely GML data above analyses, this paper first introduce the traditional data mining & spatial data mining technology and the basic theory of XML & GML, the feature