基于数据场的空间分析技术及其在土地定级中的应用

研究了空间数据场的特征,构建了土地定级数据场,提出了基于数据场的空间分析方法,建立了基于定级地价数据场叠加分析的城镇土地定级分析模型。以武汉市为实验区,研究了基于地价数据场分析技术的城镇商业土地定级方法,实验结果显示了此定级方法的可信性和科学性。     

地图数据中的信息挖掘

将数据挖掘运用到地图数据中，从地图数据中挖掘出多方面的知识。通过统计分析可以研究各种现象在空间或一定时间范围内存在的变异、相互关系，从中找出事物内部的规律；通过统计分析可以研究各种现象的空间分布规律，相互联系，动态变化，建立各种数学模型等。     

基于数据场的C均值聚类方法研究

提出了基于数据场的C均值聚类方法。引入数据场准确寻找初始中心的聚类点,根据势场分布函数,先找到k个势心,然后选择距离势心最近的样本数据,得到用数据场生成的初始中心,从而实现C均值聚类算法。该方法可以广泛地应用到空间数据的分类分级研究中。实例验证了该方法的可行性和科学性。     

基于空间行为的面向对象空间数据模型

本文根据面向对象空间数据模型的相关概念和特点,将地理空间中的空间行为进行建模后纳入面向对象空间数据模型的框架中。面向对象空间数据模型由数据模型和空间行为模型两个部分组成:数据模型包括空间特征数据和属性特征数据;同时将空间行为模型分为两大类,即静态空间行为模型(地理目标间关系)和动态行为模型(地理目标行为)两部分。在此框架提出的基础上,本文利用二进制、XML流等格式文件对该空间数据模型进行了整合和组织。     

基于数据场的图像分割方法初探

分析了数据场的基本原理,提出了一种基于数据场的图像分割方法。该方法在原有图像分割方法基础上实现了可视化基础上的分割,通过实验,并根据图像分割效果定性定量角度的分析,论证了该方法的可行性和有效性。     

基于出租车轨迹数据的空间关联规则挖掘

出租车作为城市公共交通的重要组成部分,对于人们的日常活动有着重要的作用。而出租车的运营产生了大量的轨迹数据,通过对轨迹数据的挖掘可以反映城市居民的人口流动状况及出租车的运营规律。空间关联规则挖掘作为数据挖掘的重要组成部分,通过对轨迹数据进行关联规则的挖掘可以得到其隐含的规律信息,从而改进出租车运营模式。而OpenStreetMap是众源地理数据中极具代表性的项目,其数据量丰富、现势性强、成本低廉,被广泛关注。以深圳市出租车轨迹数据及OpenStreetMap矢量地图数据为基本数据,基于出租车上(下)车点进行关联规则挖掘,进而得到深圳人口流动特征,从而为人口活动分析及基于位置的服务提供参考。     

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。     

基于语义挖掘的应急空间信息采集技术

首先介绍了语义搜索、地名地址匹配、空间分析等技术;然后基于Hadoop搭建了分布式搜索引擎,实现了空间信息的搜索与提取;并将其应用于应急管理领域,获得了福州市由暴雨导致的涝点数据。     

基于Hadoop的地质大数据融合与挖掘技术框架

地质领域数据量大,且种类多样。实现高效的多源异构地质数据的融合与挖掘,是研究地质作用机理,展开地质考察研究的重要手段。然而目前普遍存在着数据条块分割,格式各异,难以实现有效的共享与互操作。为此,本文提出了一种基于Hadoop的地质大数据融合与挖掘技术框架,该框架包括统一的地质大数据采集与预处理方法,基于元数据索引的存储与管理平台,基于Map/Reduce的地质大数据并行化计算模式与系统,面向可重用的地质大数据挖掘服务,以及支持在线三维展示的地质大数据分析结果可视化系统。该框架具有良好的实用性与可扩展性。本文在5个节点的测试系统上实现了多元素关联性分析,并取得了相对应单台机器3部的加速可比性。     

Behavior mining of spatial objects with data field

The advanced data mining technologies and the large quantities of remotely sensed Imagery provide a data mining opportunity with high potential for useful results. Extracting interesting patterns and rules from data sets composed of images and associated ground data can be of importance in object identification, community planning, resource discovery and other areas. In this paper, a data field is presented to express the observed spatial objects and conduct behavior mining on them. First, most of the important aspects are discussed on behavior mining and its implications for the future of data mining. Furthermore, an ideal framework of the behavior mining system is proposed in the network environment. Second, the model of behavior mining is given on the observed spatial objects, including the objects described by the first feature data field and the main feature data field by means of the potential function. Finally, a case study about object identification in public is given and analyzed. The experimental results show that the new model is feasible in behavior mining.     

可视化交互空间数据挖掘技术的探讨

随着地理信息获取技术飞速发展,使得当前存储在空间数据库中的空间数据的深度和广度得到了前所未有的发展,传统的空间统计方法和空间分析方法已经难以有效而迅速地处理和分析它们,如何有效而及时地分析和处理空间数据变得越来越迫切。空间数据挖掘作为上个世纪90年代逐步发展起来的新兴技术,逐渐在研究和实践中显示出它的优势。与此同时,地理可视化技术也逐步走向成熟,二者的结合催生出新型空间数据分析技术———可视化交互空间数据挖掘。本文就该技术的相关问题进行了一些研究探讨。     

空间信息可视化挖掘研究

空间信息的可视化挖掘是数据挖掘领域的热点 ,具有很强的应用前景。本文从数据挖掘的基本概念入手 ,详细介绍了可视化数据挖掘的两种分类体系 :Keim分类体系和Card分类体系 ,同时分析了这两种分类体系中各种可视化数据挖掘方法的基本思路 ,探讨了可视化数据挖掘技术与空间信息领域应用相结合的各种途径 ,并给出了空间信息可视化挖掘的常用方法     

Data field for mining big data

Abstract

Big data is a highlighted challenge for many fields with the rapid expansion of large-volume, complex, and fast-growing sources of data. Mining from big data is required for exploring the essence of data and providing meaningful information. To this end, we have previously introduced the theory of physical field to explore relations between objects in data space and proposed a framework of data field to discover the underlying distribution of big data. This paper concerns an overview of big data mining by the use of data field. It mainly discusses the theory of data field and different aspects of applications including feature selection for high-dimensional data, clustering, and the recognition of facial expression in human–computer interaction. In these applications, data field is employed to capture the intrinsic distribution of data objects for selecting meaningful features, fast clustering, and describing variation of facial expression. It is expected that our contributions would help overcome the problems in accordance with big data.     

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。     

地下空间数据挖掘与虚拟现实

目前,地理信息系统处理空间数据多停留在点、线、面三类二维的地表数据,对离散或连续的真三维数据进行处理尚处于初步研究阶段。本文基于ArcGIS9.2版本中新开发的Extrude Between模块的拉伸封闭多边形面功能,以某校区地下87个离散钻孔数据为例,进行三维虚拟实现:首先,进行空间数据的挖掘,即对87个钻孔数据通过预处理,进行对具有特异值的各个钻孔数据层空间内插,生成具有深度属性的各层等高线,最终生成模拟各地层上表面形态的TIN;然后,虚拟实现真三维数据的可视化及体视化,达到对地下实体空间进行逼真模拟,反映该校区地形、地貌、地层分布以及水文地质特征。     

基于空间数据挖掘的煤矿安全管理的研究

煤炭企业属于传统的资源开采型企业,煤矿安全对煤炭企业影响巨大,安全工作在煤矿生产中占有重要地位。其管理好坏直接关系到煤炭企业的生存和发展。煤矿安全管理任务十分艰巨,是因为影响煤矿安全的因素非常复杂,而且含有大量的不确定性因素。本论文利用空间数据挖掘技术来研究采煤方式的选择,并选用焦作矿务局某矿一工作面的实例进行分析,结果表明用粗集来确定采煤方式是比较客观的、科学的和全面的,对保证煤矿的安全提供了一定的保障。     

空间数据挖掘技术及其在数字矿山中的应用

随着数字矿山的不断深入与开展,矿区的历史与现实数据量会越积累越多,数据处理会越困难。如何及时有效地分析处理这些海量数据,从这些数据背后挖掘出隐藏着的重要信息,为矿区的安全生产起到决策与支持作用,数据挖掘也就应运而生。本文就是在分析空间数据挖掘的基本方法的基础上,针对矿区错综复杂的大量数据及需要解决的问题,对空间数据挖掘技术应用于矿山作了探讨。