一种建筑物只能聚类方法

建筑物聚类是大比例尺地图自动制图综合中需要解决的关键问题。通过分析Gestalt原理的邻近性、相似性等,采用建筑物重心、建筑物间的距离、建筑物与邻近线状地物要素间位置关系等参数描述建筑物。本文提出的建筑物智能聚类方法包含两个连续的步骤:首先计算建筑物的描述参数,利用SOM网络的聚类能力,进行建筑物的初步聚类;然后,利用SOM竞争层行列扫描的方法,对初步聚类的建筑物类簇进行精确划分,获得满足建筑物聚类的全局和局部约束条件等制图要求的建筑物聚类群组。     

基于空间聚类的城镇土地定级方法研究

分析了多因素综合评定法、级差收益测算法等城镇土地定级方法的不足,提出了基于空间聚类的地价分区定级法的主要思想和主要步骤,并以石狮市土地定级为例,验证了此方法。     

一种顾及障碍约束的空间聚类方法

为了使得空间聚类分析更加适应实际情况,发展了一种同时顾及空间障碍约束与空间位置邻近的空间聚类方法。该方法采用Delaunay三角网描述实体间的邻近关系,并且不依赖用户指定参数。实验验证了本方法的有效性与优越性。     

一种基于多约束的空间聚类方法

借助Delaunay三角网构建空间邻近关系的优势,通过施加不同层次、不同类型的约束,提出一种空间聚类的新方法。通过试验分析与比较发现,该算法可以探测复杂结构的空间簇,对噪声点稳健,并且能够同时顾及实体间空间位置与专题属性的相似性。     

基于自组织神经网络的空间点群聚类及其应用分析

探讨了采用自组织神经网络进行离散空间点群聚类的原理、方法及应用分析,提出了一种兼顾几何距离和属性特征的广义Euclid距离,并将其作为聚类统计量。并以实例验证了采用自组织空间聚类进行空间点群的数据分类、异常数据检验、均质区域划分等是有效的。     

面向土地用途分区的空间聚类系统设计与实现

传统的土地用途分区方法存在受人为因素影响、效率低下的问题,不利于土地用途分区管制的实施,基于GIS的智能化的土地用途分区系统则可以弥补这一缺陷。本文以GIS相关理论和土地用途分区的需求分析为基础,构建了系统的逻辑框架,研究了数据库、模型库、算法库和知识库的设计方案,提出了土地用途分区过程中的空间数据整合、目标函数和分区模型的选择等问题的解决方案,并实现了面向土地用途分区的空间聚类系统。以典型地区的土地用途分区为例,验证了该空间聚类系统是一种智能、高效、科学的土地用途分区平台。     

一种基于网格的空间聚类方法在区域划分中的应用

区域划分是依据人口和社会经济指标将行政统计单元或其他地理实体划分成若干个不同水平或类别的集合。由于大多数的人口和社会经济指标来源于面状数据-行政统计单元,常用的区域划分的空间聚类方法是基于面状数据的,本文通过分析现有面状数据的聚类算法特点和不足,进而提出一种新的算法,该方法提出将面状统计单元进行网格划分,引入基于网格密度聚类算法的思想,克服现有面状聚类的诸多缺点,打破行政区划的限制,更好地发现潜在信息。     

一种改进的多光谱影像模糊加权聚类方法

多光谱影像具有丰富的地物信息,利用多光谱影像进行聚类分析可以充分利用遥感影像为在大范围地区进行变化检测和土地利用分析作出应有的贡献。而模糊聚类更接近实际情况,能提高影像分类精度,缩短分类时间,提高系统运行效率。本文采用对多光谱影像先进行K-L变换去除了大量的冗余数据后,再进行改进的加权模糊聚类处理方法,取得了较理想的分类效果。     

对自组织映射聚类实现道路网网格模式识别

提出了一种基于对自组织映射聚类的道路网网格模式识别方法。以道路网中的网眼为基本单元,从网眼自身形状特征、相邻网眼的形状特征以及与周围网眼的关系等方面定义了5个参量。将由5个参量描述的网眼及由CRITIC方法导出的参量权重作为自组织映射的输入,经过训练,运用K-means方法对神经元码书向量进行聚类。对深圳市道路网数据进行了实验和对比分析,结果表明该方法能有效识别网格模式。     

一种基于人工神经网络的彩色地形图分层方法

本文针对当前全要素地形图计算机扫描处理存在的困难，提出了一种基于Ｋｏｈｏｎｅｎ网络的彩色地形图的分层方法，并设计了一种结构聚类方法进行后处理以消除产生的错分类。文中详细列出试验的方法与结果。     

一种基于属性值变化程度定权的聚类算法

针对经典K-means聚类算法以欧氏距离作为相似度判断法则进行聚类划分,而未考虑聚类对象的各属性值对聚类划分的影响程度存在差异的问题,该文提出了一种基于属性值变化程度定权的聚类算法。通过采用Iris dataset数据进行实验,该算法相对于其他聚类算法获得了更好的聚类效果,且该算法适用于生物物种分类、遥感影像识别等工作领域,能提高聚类运算的精准度。     

A neural network model for predicting weighted mean temperature

Water vapor is an important element of the Earth’s atmosphere, and most of it concentrates at the bottom of the troposphere. Knowledge of the water vapor measured by Global Navigation Satellite Systems (GNSS) is an important direction of GNSS research. In particular, when the zenith wet delay is converted to precipitable water vapor, the weighted mean temperature \(T_\mathrm{m}\) is a variable parameter to be determined in this conversion. The purpose of the study is getting a more accurate \(T_\mathrm{m}\) model for global users by a combination of two different characteristics of \(T_\mathrm{m}\) (i.e., the \(T_\mathrm{m}\) seasonal variations and the relationships between \(T_\mathrm{m}\) and surface meteorological elements). The modeling process was carried out by using the neural network technology. A multilayer feedforward neural network model (the NN) was established. The NN model is used with measurements of only surface temperature \(T_\mathrm{S}\). The NN was validated and compared with four other published global \(T_\mathrm{m}\) models. The results show that the NN performed better than any of the four compared models on the global scale.     

A spatially weighted degree model for network vulnerability analysis

Using degree distribution to assess network vulnerability represents a promising direction of network analysis.However,the traditional degree distribution model is inadequate for analyzing the vulnerability of spatial networks because it does not take into consideration the geographical aspects of spatial networks.This paper proposes a spatially weighted degree model in which both the functional class and the length of network links are considered to be important factors for determining the node degrees of spatial networks.A weight coefficient is used in this new model to account for the contribution of each factor to the node degree.The proposed model is compared with the traditional degree model and an accessibility-based vulnerability model in the vulnerabil-ity analysis of a highway network.Experiment results indicate that,although node degrees of spatial networks derived from the tra-ditional degree model follow a random distribution,node degrees determined by the spatially weighted model exhibit a scale-free distribution,which is a common characteristic of robust networks.Compared to the accessibility-based model,the proposed model has similar performance in identifying critical nodes but with higher computational efficiency and better ability to reveal the overall vulnerability of a spatial network.     

基于灰色聚类分析方法的生态环境质量综合评价模型

本文解释了生态环境质量评价的概念与现状,说明了灰色聚类分析的原理和一般过程,阐述了生态环境质量综合评价的基本步骤。以中国贵州省遵义县为研究区域,采用该县2003年的资源环境、人口社会经济及灾害数据,针对区域主要生态问题,选取评价指标体系,利用灰色系统理论的灰色聚类分析法建立了生态环境质量综合评价模型。评价结果显示东部生态环境质量较好,而西部较差。这与实际情况相吻合,说明该评价模型具有科学合理性与客观准确性。该评价方法也可用于其他区域的生态环境质量评价。     

模糊聚类模型在昌平区耕地质量评价中的应用

耕地质量评价是新一轮国土资源大调查的项目之一,准确掌握县域内耕地质量状况十分必要。以北京市昌平区为研究区,将模糊理论、自组织特征映射(self-organizing feature maps,SOFM)与GIS相结合,构造出SOFMGIS聚类模型,并开发出评价工具,对研究区耕地进行自然等级划分。通过在昌平地区的实验表明,利用SOFMGIS聚类模型评价耕地质量结果有效,说明SOFM-GIS聚类模型能很好地对耕地质量等级进行划分,并借助GIS的可视化功能显示耕地质量的分异特征,为相似地区耕地质量评价提供参考。     

基于协调度模型的城市土地集约利用评价研究

本文将协调度模型应用到城市土地集约利用研究中,首先介绍了协调度、协调发展度的基本原理以及评价城市土地集约利用的综合指标,然后介绍了城市土地集约利用评价的基本流程,并以海南省为例,将协调度模型应用到海南省集约用地评价中,得出海南省土地投入产出水平和土地利用程度的和谐程度及集约度,分析出1997～2004年海南省的集约用地水平,最后分析该模型应用于城市土地集约利用中的利弊。     

汶川县震后5年生态环境质量恢复评价

对汶川县震后5年生态恢复状况进行评价,以多源遥感数据为主,其他调查统计数据为辅,构建了基于压力—状态—响应模型的生态环境质量评价指标体系,采用综合指数法对汶川县2007年、2008年和2013年生态环境质量进行评价,得到震前、震后以及5年后的生态环境质量评价分级图,并对震后5年汶川县生态恢复状况进行分析。结果表明,2007年汶川县有79.4%的区域生态环境质量良好,2008年5月12日地震对生态环境造成极大破坏,尤其是靠近震源地区,生态环境质量下降更为严重。通过震后5年恢复,到2013年汶川县生态环境质量恢复比较显著,有55.84%的区域环境质量有明显改善,特别是生态环境质量较差地区改善幅度较大,但仍未达到2007年区域生态环境质量水平。最后为今后该区域生态环境恢复重建提出相应的建议。     

面向多维时空位置数据的动态加权聚类模型

针对传统聚类算法在处理时空位置数据挖掘时面临的多维聚类问题,提出了动态加权聚类模型。该模型叠加利用经典k-均值和基于密度的DBSCAN聚类算法,通过计算最大轮廓系数确定合适的簇数目,按照划分初始簇类、识别和剔除噪声点、修正聚类簇中心点位置坐标3个步骤实现对大体量多维时空位置数据的聚类分析,提出了动态权重系数计算公式,优化了基于密度的DBSCAN聚类算法中相似度函数,并在Python3.7环境下以网络签到数据集实例仿真验算了该模型算法。实验结果表明,相较单一的传统聚类算法,该模型能综合利用多维非位置属性对时空位置数据点聚类,更合理界定聚类簇的归属数据点,对提升时空位置数据集聚类簇中数据点的聚类效果明显。