空间数据挖掘的方法进展及其问题分析

本文主要就空间数据挖掘方法和空间数据挖掘存在的问题这两方面进行了研究。采用归纳和总结的方法,研究了每种空间数据挖掘方法的特点和使用范围,指出目前空间数据挖掘方法的局限性,就目前空间数据挖掘存在的问题进行了深入的研究。得出空间数据挖掘是一个非常年轻而富有前景的研究领域,目前只是取得了一定的初步成果,仍有大量的理论与方法需要深入研究。最后本文就空间数据挖掘的今后发展方向进行了研究和归纳。     

时空数据挖掘综述

本文系统阐述了数据挖掘、空间数据挖掘、时空数据挖掘的发展历程,接着介绍了数据挖掘的相关概念,给出空间数据挖掘和传统知识发现的异同;然后对空间数据挖掘的基本方法与技术进行综述,在总结当前研究成果的基础上,阐述了空间、时空数据挖掘面临的难题;最后探讨了时空数据挖掘的发展方向和研究热点。     

基于空间数据挖掘的遥感图像处理

数据与数据库的爆炸式增长导致了一个十分突出的问题,即如何高效、智能地从巨量的、有噪音的、随机的数据中提取有效的、潜在有用的信息和知识.近几年来,空间数据挖掘技术的广泛研究正是基于此目的.本文初步探讨了空间数据挖掘技术在遥感图像处理中的应用,其重点阐述了关联规则,以及数据挖掘技术在遥感图像数据处理中的基本方法以及如何对遥感图像数据进行离散化处理.文章最后简要介绍了遥感图像处理的决策树和人工神经网络数据挖掘技术方法.     

WebGIS与基于网络的数据挖掘整合应用研究

数据挖掘为我们提供了一种从海量数据中发现潜在知识的技术手段,将数据挖掘技术应用到GIS能提升GIS对数据的分析能力,从而提高决策支持水平。WebGIS是传统GIS的网络化延伸,目前WebGIS的空间分析和决策支持能力都较低,将基于网络的数据挖掘和WebGIS结合能有效加强WebGIS的分析能力。本文对WebGIS和基于网络的数据挖掘的结合进行了探讨,提出了两者整合应用的模型。     

基于InSAR技术的地表三维形变获取方法综述

对近年来提出的基于InSAR技术的地表三维形变获取方法进行了综述,并对该技术的发展进行了展望。对一些重要的知识背景和理论方法进行了简单介绍,并针对每种方法列举典型案例,对其适用条件进行了简单总结,为相关领域的研究者提供了最新研究进展和技术参考。     

空间数据挖掘方法综述

空间数据挖掘和知识发现是空间数据库技术、空间数据荻取技术、计算机技术、网络通信技术和管理决策支持技术等发展到一定阶段的产物,是多学科相互交融和相互促进的新兴边缘学科,汇集了人工智能、模式识别、数据库、空间信息学、统计学等各学科技术的成果。如何在浩瀚的空间数据和人们的知识渴求之间建立一个桥梁的确是一个巨大的挑战,而以聚类、分类等人工智能技术为基础的空间数据挖掘为迎接这个挑战提供了新的支撑技术。总结了空间数据挖掘方法的国内外研究现状,为深入研究空间数据挖掘方法提供参考价值。     

空间数据挖掘技术的研究与发展

随着现代科学技术的迅速发展,复杂多变的空间数据日益膨胀,远远超出人们的解译能力,迫切需要数据挖掘和知识发现为其提供指导。文章从空间数据挖掘的基本概念出发,详细阐述了空间数据的特点、空间邻接关系及其相关操作,给出了几种典型的空间数据挖掘方法,并对空间数据挖掘的进一步发展做了展望。     

可视化空间数据挖掘研究综述

空间数据挖掘针对的是更具有可视化要求的地理空间数据的知识发现过程,可视化能提供同用户对空间目标心理认知过程相适应的信息表现和分析环境,可视化与空间数据挖掘的结合是该领域研究发展的必然,并已成为一个研究热点。论文综述了空间数据挖掘和可视化的研究现状,重点阐述了空间数据挖掘中的可视化化技术及其应用,并对可视化空间数据挖掘的发展趋势进行了阐述。     

空间数据挖掘中聚类分析算法的研究

随着数据获取技术的发展以及数据获取手段的多样化，大量与空间位置相关的数据被收集，人们迫切需要强有力的数据分析工具来从这些数据中获取信息或知识，这一需求导致了空间数据挖掘这一全新研究领域的出现。空间聚类分析既可以发现隐含在海量数据中的聚类规则，又可以与其它数据挖掘方法结合使用，发掘更深层次的知识，提高数据挖掘的效率和质量，是空间数据挖掘的重要研究方向之一。其主要研究内容和相关结论如下：     

基于统计归纳学习的GIS属性数据挖掘

将统计分析方法和面向属性的归纳方法结合起来,形成了一种应用面比较广的统计归纳学习方法,可以用于GIS属性数据挖掘.同时提出GIS属性数据挖掘可以分为3个层次,包括从数据生成新的数据、从数据产生模型和从数据归纳出知识.由原始数据生成新的数据,可以得出变量之间粗浅的关系;从数据推导出的模型,可以定量描述变量之间的关系;由数据挖掘出的知识,可以揭示客观世界的普遍性规律.     

空间数据发掘和知识发现的框架

探讨和提出了空间数据发掘和知识发现的理论技术框架，包括空间数据发掘和知识发现的定义与描述、理论框架、从空间数据库中可发现的知识类型及其应用、数据发掘与知识发现方法、空间知识发现系统的结构及开发方法等，最后探讨了空间数据发掘和知识发现的发展方向。     

The Role of Knowledge Representation in Geographic Knowledge Discovery: A Case Study

With the advent of massive, heterogeneous geographic datasets, data mining and knowledge discovery in databases (KDD) have become important tools in deriving meaningful information from these data. In this paper, we discuss how knowledge representation can be employed to significantly enhance the power of the knowledge discovery process to uncover patterns and relationships. We suggest that geographic data models that support knowledge discovery must represent both observational data and derived knowledge. In addition, knowledge representation in the context of KDD must support the iterative and interactive nature of the knowledge discovery process to enable the analyst to iteratively apply, and revise the parameters of, specific analytical techniques. Our approach to knowledge representation and discovery is demonstrated through a case study that focuses on the identification and analysis of storms and other related climate phenomena embedded within a spatio‐temporal data set of meteorological observations.     

基于数据挖掘的基坑监测关联性分析及联合预报研究

基坑监测数据量较大,且蕴含大量待发掘的有效信息。而数据挖掘则是从海量,数据信息中探寻内在规律及有效信息的技术。对此,提出将数据挖掘技术应用于基坑监测数据分析中,并利用其进行监测因素关联性研究;在顾及因素关联性基础上,对时间序列法进行改进,提出多因素时间序列法进行监测数据预测,并通过工程实例对此方法进行验证。     

Some thoughts on spatial data and structure analysis

The discussion is structured around two themes, namely spatial data analysis and spatial structure/process analysis. With respect to spatial data analysis, I concentrate on the issues related to geographical information systems (GIS), as well as spatial data mining and knowledge discovery in databases. With reference to spatial structure/process analysis, the emphasis is placed on the analysis of complex systems.     

论空间数据挖掘和知识发现

随着现代科技和传感器的发展和应用，复杂多变的空间数据日益膨胀，远远超出人的解译能力，迫切需要数据挖掘和知识发现为其提供知识。本文研究了空间数据挖掘和知识发现的含义、可发现的空间的关联、特征、分类和聚类等知识，以及它与数据挖掘与知识发现、机器学习、地学数据分析、空间数据库、空间数据仓库、数字地球等相关学科的关系，概述了SDMKD的产生和发展，分析和展望了SDMKD的应用开发。     

领域专家知识及其在空间数据挖掘中的作用

根据空间数据挖掘的需要，提出把领域专家知识分为3类，即，属性划分规则(Attribute Partition Rule)、概念层次树(Concept Hierarchical Trees)和约束条件(Constraints)。文中详细介绍了领域专家知识和领域专家在空间数据挖掘各个阶段的作用。领域专家知识的表示方法也是一个非常值得重视的问题，文中给出了常用的表示模型。     

数据仓库及其在城市规划决策支持系统中的应用探讨

在分析传统决策支持系统在城市规划决策应用中存在的问题的基础上 ,初步提出一种基于数据仓库的城市规划决策支持系统的基本框架 ,探讨了该系统建立中数据仓库的数据组织、数据挖掘、知识发现方法等关键技术问题 ,并进一步阐述城市规划决策支持系统的建立方法 ,最后以荆州市环境规划为例 ,说明数据仓库在城市规划决策支持系统中的具体应用。     

The Integration of Geographic Visualization with Knowledge Discovery in Databases and Geocomputation

This paper details the research agenda of the International Cartographic Association Commission on Visualization: Working Group on Database-Visualization Links. The paper stresses the need for the closer integration of three largely disparate technologies: geographic visualization, knowledge discovery in databases, and geocomputation. The introduction explains the meaning behind these terms, the ethos behind their practice, and their connections within the broad realm of knowledge construction activities. The state of the art is then described for different approaches to knowledge construction, concentrating where possible on visual and geographically oriented methods. From these sections, a research agenda is synthesized in the form of three sets of research questions addressing: (1) visual approaches to data mining; (2) visual support for knowledge construction and geocomputation; and (3) databases and data models that must be satisfied to make visually-led knowledge construction a reality in the geographic realm. Conclusions relate this agenda to issues of (1) data, (2) geographic knowledge, and (3) the visualization environment and pose significant challenges to the way we currently represent geographic information and knowledge within computational systems.     

Knowledge Discovery from Area–Class Resource Maps: Capturing Prototype Effects

This paper presents a knowledge discovery approach to extracting knowledge from area–class resource maps. Prototype theory forms the basis of the approach which consists of two major components: (1) a scheme for organizing knowledge used in categorizing geographic entities which allows for the modeling of indeterminate boundaries and non–uniform memberships within categories; and (2) a data mining method using the Expectation Maximization (EM) algorithm for extracting such knowledge from area–class maps. A case study on knowledge discovery from a soil map demonstrates the details of the approach. The study shows that knowledge for classifying geographic entities with indeterminate boundaries is embedded in area–class maps and can be extracted through data mining; and that continuous spatial variation of geographic entities can be better modeled if the knowledge discovery process retains knowledge of within-class variations as well as transitions between classes.