文档介绍：空间数据挖掘技术研究分析空间数据挖掘技术研究分析摘要: 随着空间数据采集技术的飞速发展,复杂多样的空间数据日益膨胀, 迫切需要更新数据挖掘的知识和方法。文章从空间数据挖掘的基本概念出发, 阐述了空间数据挖掘的类型与过程, 介绍了空间数据挖掘在 GIS 中的应用, 分析了当前空问数据挖掘面临的问题, 并对空间数据挖掘技术的发展进行了展望。关键词: 空间数据挖掘地理信息系统研究分析随着数据采集技术的成熟和普及,大量的空间数据通过遥感、地理信息系统、多媒体系统、医学和卫星图像等多种形式汇集成庞大而丰富的信息源。面对庞杂、繁多的数据类型,空间数据挖掘技术应运而生,并在地理信息系统、遥感勘测、图像处理、交通管理、环境研究等领域得到广泛应用。1 空间数据挖掘研究概述空间数据挖掘(spatial Data Mining ,简称 SDM) ,是指从空间数据库中提取用户感兴趣的空间模式、普遍关系、数据特征的过程。空间数据挖掘技术综合数据挖掘技术与空间数据库技术, 可用于对空间数据的理解、空间关系和空间与非空间关系的发现、空间知识库的构造以及空间数据库的重组和查询的优化等, 其根本目标是把大量的原始数据转换成有价值的知识, 发现大量的地学信息中所隐含的规则。空间数据挖掘是计算机技术、数据库应用技术和管理决策支持技术等多学科交叉发展的新兴边缘学科,一般来说, 空间数据挖掘可分成空间分类、空间聚类、空间趋势分析和空间关联规则四类。空间分类的目的是在空间数据库对象的空间属性和非空间属性之间发现分类规则, 是近年来空间数据挖掘领域中比较活跃的一个方向, 常用的方法是决策树。空间聚类是在一个比较大的多维数据集中根据距离的度量找出簇或稠密区域, 目前提出的空间聚类方法有基于分割的方法、基于层次的方法、基于密度的方法和基于棚格的方法。空间趋势分析指离开一个给定的起始对象时非空间属性的变化情况,例如,当离城市中心越来越远时经济形势的变化趋势,空间趋势分析需要使用回归和相关的分析方法。空间关联规则是指空间邻接图中对象之间的关联,空间关联挖掘多采用逐步求精的优化思想,即首先用一种快速的算法粗略地对初始空间数据库进行一次挖掘,然后再在裁剪过的数据库上用代价高的算法进行进一步精化挖掘。空间数据挖掘过程一般可分为数据筛选( 消除原始数据的噪声或不一致数据)、数据集成( 将多种数据源组合在一起)、数据选择( 根据用户的要求从空间数据库中提取与空间数据挖掘相关的数据) 、数据变换( 将数据统一成适合挖掘的形式) 、空间数据挖掘( 运用选定的知识发现算法, 从数据中提取用户所需的知识)、模式评估( 根据某种兴趣度度量并识别表示知识的真正有趣的模式), 知识表示( 使用可视化技术和知识表示技术,向用户提供挖掘的知识) 等阶段( 见图 1) 。空间数据挖掘实际上是一个“人引导机器, 机器帮助人”的交互理解数据的过程。2 空间数据挖掘在 GIS 中的应用空间数据挖掘技术与地理信息系统(GIS) 的结合具有非常广泛的应用空间。数据挖掘与 GIs 集成具有三种模式: 其一为松散耦合式,也称外部空间数据挖掘模式,这种模式基本上将 GIS 当作一个空间数据库看待,在 G IS 环境外部借助其它软件或计算机语言进行空间数据挖掘,与 GIS 之间采用数据通讯的方式联系。其二为嵌入式, 又称内部空间数据挖掘模式, 即在