空間數據挖掘主要方法 @ 帆軟大師兄

1.空間分析方法
利用GIS的各種空間分析模型和空間操作對GIS資料庫中的數據進行深加工，從而產生新的信息和知識。常用的空間分析方法有綜合屬性數據分析、拓撲分析、緩衝區分析、距離分析、疊置分析、地形分析、趨勢面分析、預測分析等，可發現目標在空間上的相連、相鄰和共生等關聯規則，或發現目標之間的最短路徑、最優路徑等輔助決策知識。

2.統計分析方法
統計分析一直是分析空間數據的常用方法，著重於空間物體和現象的非空間特性分析。統計方法有較強的理論基礎，擁有大量成熟的演算法。統計方法難以處理字元型數據，需要有領域知識和統計知識，一般由具有統計經驗的領域專家來完成。
3.歸納學習方法
歸納學習方法是從大量的經驗數據中歸納製取一般的規則和模式，其大部分演算法來源於機器學習領域，歸納學習的演算法很多，如Michaski等的 AQ11，AQ15，洪家榮等的AE1，AE9，Hunt的CLS，Quinlan的ID3，C5.0等，其中最著名的是Quinlan提出的C5.0決策樹演算法。
4.聚類與分類方法
聚類和分類方法按一定的距離或相似性系統將數據分成一系列相互區分的組。常用的經典聚類方法有 Kmean，Kmeriod，ISO DATA等。分類和聚類都是對目標進行空間劃分，劃分的標準是類內差別最小，類間差別最大。分類和聚類的區別在於分類事先知道類別數和種類的典型特徵，而聚類則事先不知道。
5.探測性的數據分析方法
李德仁、邸凱昌等提出了探測性的數據分析(簡稱EDA)。EDA採用動態統計圖形和動態鏈接窗口技術將數據及統計特征顯示出來，可發現數據中非直觀的數據特徵及異常數據。 EDA與空間分析相結合，構成探測性空間分析(exploratory spatial analysis，簡稱ESA)。EDA和ESA技術在數據挖掘中用於選取與問題領域相關的數據子集，並可初步發現隱含在數據中的某些特徵和規律。
6.粗集方法
粗集理論是波蘭華沙大學Z.Pawlak教授在1982年提出的一種智能數據決策分析工具，被廣泛研究並應用於不精確、不確定、不完全的信息的分類分析和知識獲取。粗集理論為空間數據的屬性分析和知識發現開闢了一條新途徑，可用於GIS資料庫屬性表的一致性分析、屬性的重要性、屬性依賴、屬性表簡化、最小決策和分類演算法生成等。粗集理論與其他知識發現演算法相結合可以在GIS資料庫中數據不確定的情況下獲取多種知識。
7.空間特徵和趨勢探測方法
這是Ester等人在第4屆KDD國際研討會(1998)上提出的基於領域圖 (neighborhoodgraphs)和鄰域路徑 (neighborhoodpath)概念的挖掘演算法。Ester等將一個空間特徵定義為GIS資料庫中具有空間/非空間性質的目標對象集，並以非空間屬性值出現的相對頻率和不同空間對象出現的相對頻率(目標對象集相對於整個資料庫)作為感興趣的性質，從空間目標集合經過它的相鄰擴展後的一個開始點出發，發現一個或多個非空間性質的變化規律。這種演算法的效率在很大程度上取決於其處理相鄰關係的能力。
8.數字地圖圖像分析和模式識別方法
GIS資料庫(數據倉庫)中含有大量的圖形圖像數據，一些圖像分析和模式識別方法可直接用於挖掘數據和發現知識，或作為其他挖掘方法的預處理方法。用於圖像分析和模式識別的方法主要有：決策樹(desicion tree)方法、神經元網路(artificial neural net work)方法、數學形態學方法、圖論方法。
9.可視化方法
可視化數據分析技術拓寬了傳統的圖表功能，使用戶對數據的剖析更清楚。例如把資料庫中的多維數據變成多種圖形，這對提示數據的狀況、內在本質及規律性起到了很強的作用。當顯示SDM發現的結果時，將地圖同時顯示作為背景。一方面能夠顯示其知識特徵的分布規律；另一方面也可對挖掘出的結果進行可視化解釋，從而達到最佳的分析效果。可視化技術使用戶看到數據處理的全過程、監測並控制數據分析過程。為了發現某類知識，常要綜合運用這些方法。數據挖掘方法還要與常規的資料庫技術充分結合，數據挖掘利用的技術越多，得出的結果精確性就越高。
空間資料庫中的知識
基於GIS與遙感應用，一般認為(Li D R. et al., 1994,1997;　邸凱昌等，1996,1997；Han J., 1996; Koperski K. et al, 1996), 可以從空間資料庫中發現的知識有以下8種：
a.普遍的幾何知識(general geometric knowledge)
所謂普遍的幾何知識，是指關於目標的數量、大小、形態特徵等的普遍性知識，如點狀目標的位置、大小等，線狀目標的長度、大小和方向等，面狀目標的周長、面積、幾何中心等。可以通過計算或統計得出GIS中空間目標某種幾何特徵量的最小值、最大值、均值、方差、中數等，還可以統計出有關特徵量的直方圖等。
b.空間分布規律(spatial distribution regularities)
空間分布規律是指目標在地理空間中垂直向、水平向以及垂直與水平聯合的分布規律。垂直分布是指空間目標沿地理調和的分布，如植被覆蓋與生物多樣性的海拔變化，作物生長的坡度變化等；水平分布是指地物沿地理區域的平面分布，如水稻畝產的區域分異性，基礎設施的城鄉差異等；垂直與水平的聯合分布是指目標的高程和區域方面的同時變化，如風土人情的流域差異性、氣候特徵的地理分異性等。
c.空間關聯規則(spatial association rules)
空間關聯規則是指空間目標的相鄰、相連、共生、包含等關係，如道路與河流的相連，國家與國家的相鄰等。
d.空間分類(聚類)規則(spatial classification/clustering rules)
空間分類規則是根據目標的空間或非空間特徵進行類別劃分的規則；而空間聚類規則是根據目標的聚散程度進行類別劃分的規則，可用於GIS的空間概括和空間綜合。空間分類和空間的共同之處是：都是對目標空間的再劃分，劃分的標準是類內差別最小而類間差別最大；不同之處是：分類是有導師的 (supervised)而聚類是無導師的，即分類是事先知道類別數和各類的典型特徵，而聚類則事先不知道。
以遙感圖像分析為例，一般性遙感圖像處理是針對一幅圖像或一個試驗區的多幅圖像進行處理和分析，找出某種結論性的東西；而遙感數據挖掘則強調對大量數據的處理、分析和對比，進而找出共性和特性，總結出規律和規則，而這些規律和規則在後續的圖像分析中具有指導作用。
e.空間特徵規則(spatial characteristic rules)
空間特徵規則是指某類或某幾類空間目標的幾何與屬性的普遍特徵，是對共性的描述。比如：」高速公路一般都比較直」、「高速公路一般6車道」是兩條描述高速公路普遍特徵的空間特徵規則。普遍的幾何知識屬於空間特徵規則的一類，將它分離出來單獨作為一類知識是由於它在遙感影像解譯中有十分重要的作用。
f.空間區分規則(spatial discriminate rules)
空間區分規則特徵是指兩類或多類目標間幾何或屬性的不同特徵，是對個性的描述。」高速公路一般比較直，高等級公路一般稍彎一些」、」高速公路一般6 車道，高等級公路一般4車道」是兩條描繪高速公路與高等級公路特徵差別的區分規則。它不同於空間分類規則；分類規則是對空間目標進行明確分類，強調的是分類精度，為了保持分類精度，一般在較低的層次進行分類；而區分規則是對已知類別對象的對比，一般是比較高層次上的描述。
g.空間演化規則(spatial evolution rules)
空間演化規則是指空間目標的幾何、屬性特徵隨時間而變化的規律。這一規律的發現必須基於時空資料庫或同一區域的多個時相的數據。
h.面向對象的知識(object oriented knowledge)
它是關於某類複雜對象的子類構成及其普遍特徵的知識。比如對於一個小區對象，由住宅樓、服務樓、幼兒園、綠地、健身區等子類對象構成，相互之間的空間穿插和均衡布局等構成該小區的總體特徵。