显著局部空间同位模式自动探测方法

局部空间同位模式挖掘旨在揭示多类地理事件在异质环境下的共生共存规律。已有的方法一方面需要模式筛选的频繁度阈值参数,另一方面需要区域探测的划分参数或聚类参数,参数的不合理设置会导致挖掘结果不可靠甚至出现错误。因此,提出了一种显著局部空间同位模式自动探测方法。首先,基于空间统计思想,采用非参数模式重建方法对空间同位模式进行显著性判别,将全局非显著空间同位模式作为进一步局部探测的候选模式;然后,借助自适应空间聚类方法提取每个候选模式的热点区域;最后,通过不断生长并测试每个热点区域,界定显著局部空间同位模式的有效边界,即空间影响域。通过实验与比较发现,该方法能够客观且有效判别空间同位模式的显著性,并且自适应地提取局部同位模式的空间分布结构,降低了现有方法参数设置的主观性。     

多尺度空间同位模式挖掘的点过程分解方法

空间同位模式挖掘旨在发现多类地理要素或事件频繁互邻近形成的关联规则,对于理解复杂地理现象内在发生机理具有重要价值。针对现有基于关联规则的空间同位模式挖掘方法难以对地理数据特性(如多尺度性)进行有效建模的缺陷,本文提出了一种基于点过程建模与分解的多尺度空间同位模式挖掘方法。首先通过构建一个随机变量将多类要素实例分布数据表达为混合空间点过程,并引入一个非参统计指标对同位模式进行特征尺度判别;基于此,定义一种条件概率密度分布函数,利用点过程分解思想挖掘多尺度空间同位模式及其实例分布。试验分析结果表明本文方法可以准确挖掘空间同位模式在不同尺度的空间分布形态,并且有效降低了人为设定参数的主观性。     

多尺度空间同位模式挖掘的点过程分解方法

空间同位模式挖掘旨在发现多类地理要素或事件频繁互邻近形成的关联规则,对于理解复杂地理现象内在发生机理具有重要价值。针对现有基于关联规则的空间同位模式挖掘方法难以对地理数据特性(如多尺度性)进行有效建模的缺陷,本文提出了一种基于点过程建模与分解的多尺度空间同位模式挖掘方法。首先通过构建一个随机变量将多类要素实例分布数据表达为混合空间点过程,并引入一个非参统计指标对同位模式进行特征尺度判别;基于此,定义一种条件概率密度分布函数,利用点过程分解思想挖掘多尺度空间同位模式及其实例分布。试验分析结果表明本文方法可以准确挖掘空间同位模式在不同尺度的空间分布形态,并且有效降低了人为设定参数的主观性。     

自然邻域支持下的空间同位模式挖掘方法

空间同位模式指频繁发生在邻近空间位置的事件集合,此类模式对于深入理解不同空间要素间的交互关系具有重要意义。空间同位模式挖掘的一个核心内容是空间要素邻近关系构建,然而现有方法在空间要素分布不均匀时难以准确地描述要素间的邻近关系,容易导致挖掘结果的遗漏或误判。为此,本文提出了一种基于自然邻域的空间同位模式挖掘方法。首先从同位模式的产生机理分析入手,过滤同位模式挖掘中的干扰要素;进而,从距离邻近性、密度变化一致性和关系紧密性的原则出发,自适应地构建空间要素实例的自然邻近关系;最后,以自然邻域为基础,基于图的连通性从整体到局部发现多层次同位模式。试验分析与比较发现,本文方法能够有效发现空间要素分布不均匀情况下的同位模式,而且降低了人为设置邻域参数对挖掘结果的影响。     

k-邻近空间关系下的空间同位模式挖掘算法

定义了一种基于k-邻近对象的空间同位模式,探讨了基于k-邻近空间关系的同位模式的特点及其与基于距离阈值的空间同位模式的区别与联系,并开发了k-邻近对象同位模式挖掘算法(KNFCOM).通过对真实数据的实验结果表明,KNFCOM算法可有效地发现大型空间数据集中存在的各种空间同位模式.     

多层次空间同位模式自适应挖掘方法

空间同位模式挖掘旨在从空间数据中发现频繁发生在邻近位置的事件集合,对于揭示地理现象间的共生规律具有重要价值。由于地理现象的空间异质特质,空间同位模式也存在区域性分异的特点,在不同空间层次上的分析结果各异。然而,现有方法仅从全局视角挖掘空间同位模式,发现局部空间同位模式依然是一个亟待解决的难题。为此,本文基于由整体到局部的思想,提出了一种多层次空间同位模式自适应挖掘方法。首先,从全局视角提取频繁的空间同位模式,将全局不频繁的空间同位模式作为候选的局部空间同位模式;然后,通过对候选局部同位模式进行自适应聚类自动识别其局部分布区域,并在这些局部区域内度量候选模式的频繁程度;进而,提出了一种叠置推绎的方法,从频繁子模式的局部区域中进一步推绎获得超模式的局部分布区域,最终生成所有频繁的局部空间同位模式集合。通过试验分析与比较发现,本文方法不仅可以发现全局的空间同位模式,还能有效提取具有区域性分布特征的局部空间同位模式,可以从多个空间层次上反映地理事件间的共生规则。     

基于粗糙集的局部同位模式挖掘算法北大核心CSCD

通过空间同位模式挖掘可发现频繁发生在邻近位置的事件集合,为揭示地理现象间的共生规律提供重要的决策支持。由于空间同位模式存在空间异质性问题,已有方法不能很好地探测出空间同位模式分布的相近性区域。为此,本文从地理属性的相近性方向探测同位模式的分布区域,提出了基于粗糙集的局部空间同位模式挖掘方法。首先,从全局视角提取不频繁的空间同位模式作为候选的局部空间同位模式;然后,对候选同位模式的实例位置进行处理,将其分布的热点区域属性作为粗糙数据集,借助粗糙集探测局部空间同位模式自然的分布区域;最后,度量在这些局部区域的频繁程度,生成所有频繁的局部空间同位模式。通过试验与应用发现,该方法不仅可以探测局部空间同位模式分布的相近性区域,还能反映同位模式分布区域的地理属性信息。     

网络约束下局部空间同位模式的扫描统计方法

空间同位模式挖掘旨在发现空间数据库中频繁发生在邻近位置的地理事件。由于空间异质性,地理事件在不同区域邻近出现的频繁程度亦存在差异,进而形成局部同位模式。现有局部同位模式挖掘方法多基于欧氏空间的平面假设,难以客观揭示网络空间（如城市道路）内地理事件间的局部同位规律,因此基于空间扫描统计思想,提出了一种网络约束下的局部同位模式挖掘方法。首先,发展了网络约束下的路径扩展方法,识别可能存在局部网络空间同位模式的候选路径;其次,基于网络约束下的二元泊松分布构建显著性检验的零模型,判别候选路径中局部网络空间同位模式的有效性。通过模拟实验与北京市出租车供需模式分析,发现该方法比现有方法得到的结果更精细、更客观,能够有效地挖掘网络约束下的局部同位模式。     

空间同位模式挖掘研究进展

从基本概念、挖掘方法、研究内容、研究成果等方面对空间同位模式挖掘进行了综述;通过对现有空间同位模式挖掘研究成果的分析,指出了其发展存在的问题,并对其前景进行了展望。     

网络空间同位模式的加色混合可视化挖掘方法

同位模式挖掘是空间数据挖掘的热点问题之一,应用领域广泛。已有的同位模式挖掘方法一般采用统计或数据挖掘的方式,要求对复杂的数学公式、算法及相关参数等有深刻的理解,主要针对同质的欧式空间中地理现象。而城市空间中人为地理现象大多发生在网络空间,鉴于此,本文提出了一种网络空间同位模式可视化挖掘方法。该方法利用视觉语言表达网络空间现象之间的影响和交互作用。首先,利用网络空间核密度估计表达网络空间现象的分布情况和影响范围,为网络空间现象的同位模式挖掘提供支持,并建立单个地理现象分布情况与颜色之间的映射;然后基于色光加色混合原理获得两个地理现象相互影响的认知,借以挖掘空间同位模式。本文提出的方法属于形象思维,具有直观,形象和易感受等特点。     

Multi‐scale approach to mining significant spatial co‐location patterns

Spatial co‐location pattern mining aims to discover a collection of Boolean spatial features, which are frequently located in close geographic proximity to each other. Existing methods for identifying spatial co‐location patterns usually require users to specify two thresholds, i.e. the prevalence threshold for measuring the prevalence of candidate co‐location patterns and distance threshold to search the spatial co‐location patterns. However, these two thresholds are difficult to determine in practice, and improper thresholds may lead to the misidentification of useful patterns and the incorrect reporting of meaningless patterns. The multi‐scale approach proposed in this study overcomes this limitation. Initially, the prevalence of candidate co‐location patterns is measured statistically by using a significance test, and a non‐parametric model is developed to construct the null distribution of features with the consideration of spatial auto‐correlation. Next, the spatial co‐location patterns are explored at multi‐scales instead of single scale (or distance threshold) discovery. The validity of the co‐location patterns is evaluated based on the concept of lifetime. Experiments on both synthetic and ecological datasets show that spatial co‐location patterns are discovered correctly and completely by using the proposed method; on the other hand, the subjectivity in discovery of spatial co‐location patterns is reduced significantly.     

These lit areas are undeveloped: Delimiting China’s urban extents from thresholded nighttime light imagery

Nighttime light imagery is a powerful tool to study urbanization because it can provide a uniform metric, lit area, to delimit urban extents. However, lit area is much larger than actual urban area, so thresholds of digital number (DN) values are usually needed to reduce the lit area. The threshold varies greatly among different regions, but at present it is still not very clear what factors impact the changes of the threshold. In this study, urban extent by province for China is mapped using official statistical data and four intercalibrated and geometrically corrected nighttime light images between 2004 and 2010. Lit area in the imagery for most provinces is at least 94% greater than the official amount of urban area. Regression analyses show a significant correlation between optimal thresholds and GDP per capita, and larger thresholds more commonly indicate higher economic level. Size and environmental condition may explain a province’s threshold that is disproportionate to GDP. Findings indicate one threshold DN is not appropriate for multiple (adjacent) province urban extent mapping, and optimal thresholds for one year may be notably different than the next. Province-level derived thresholds are not appropriate for other geographic levels. Brightness of nighttime lights is an advantage over imagery that relies on daylight reflection, and decreases in brightness indicate faster growth in the horizontal direction than the vertical. A province’s optimal threshold does not always maintain an increase with population and economic growth. In the economically developed eastern provinces, urban population densities decreased (and this is seen in the brightness data), while urban population increased.     

欧氏聚类算法支持下的点云数据分割

欧氏聚类算法是多元统计中的一种重要分类方法,可以将其应用于测绘领域中点云数据的分割。本文首先计算点云数据中两点之间的欧氏距离,将距离小于指定阈值作为分为一类的判定准则;然后迭代计算,直至所有的类间距大于指定阈值,完成欧氏聚类分割。具体步骤为：①利用Octree法建立点云数据拓扑组织结构;②对每个点进行k近邻搜索,计算该点与k个邻近点之间的欧氏距离,最小归为一类;③设置一定的阈值,对步骤②迭代计算,直至所有类与类之间的距离大于指定阈值。试验证明,欧氏聚类算法对不同测量技术手段获取的点云数据均具有适用性,可以成功对点云数据进行分割,分割效果良好。     

Knox时空交互检验空间阈值确定方法

Knox检验是一种常用的城市犯罪时空交互模式分析方法,但其阈值需要人为指定,这种主观的阈值确定方法存在一定随意性,因此需探索更为合理的阈值确定方法。提出利用点对平均最邻近距离作为Knox检验空间阈值的确定方法,并通过城市入室盗窃、盗窃电动车和扒窃3类事件进行实验验证。结果表明,与常见的几种阈值确定方法相比,所提方法检测出了最大数量的显著性交互事件对数,能更加充分地了解事件的真实时空交互模式,为基于Knox检验的事件时空聚集模式分析提供了一种有效的空间阈值确定手段。