空间数据挖掘

空间数据挖掘是指从空间数据库中抽取没有清楚表现出来的隐含的知识和空间关系，并发现其中有用的特征和模式的理论、方法和技术。 空间数据挖掘和知识发现的过程大致可分为以下多个步骤：数据准备、数据选择、数据预处理、数据缩减或者数据变换、确定数据挖掘目标、确定知识发现算法、数据挖掘、模式解释、知识评价等，而数据挖掘只是其中的一个关键步骤。但是为了简便，人们常常用空间数据挖掘来代替空间数据挖掘和知识发现。

常用的空间数据挖掘方法：

基于概率论的方法

这是一种通过计算不确定性属性的概率来挖掘空间知识的方法，所发现的知识通常被表示成给定条件下某一假设为真的条件概率。在用误差矩阵描述遥感分类结果的不确定性时，可以用这种条件概率作为背景知识来表示不确定性的置信度。

空间分析方法

指采用综合属性数据分析、拓扑分析、缓冲区分析、密度分析、距离分析、叠置分析、网络分析、地形分析、趋势面分析、预测分析等在内的分析模型和方法，用以发现目标在空间上的相连、相邻和共生等关联规则，或挖掘出目标之间的最短路径、最优路径等知识。目前常用的空间分析方法包括探测性的数据分析、空间相邻关系挖掘算法、探测性空间分析方法、探测性归纳学习方法、图像分析方法等。

统计分析方法

指利用空间对象的有限信息和/或不确定性信息进行统计分析，进而评估、预测空间对象属性的特征、统计规律等知识的方法。它主要运用空间自协方差结构、变异函数或与其相关的自协变量或局部变量值的相似程度实现包含不确定性的空间数据挖掘。

归纳学习方法

即在一定的知识背景下，对数据进行概括和综合，在空间数据库（数据仓库）中搜索和挖掘一般的规则和模式的方法。归纳学习的算法很多，如由Quinlan提出的著名的C5.0决策树算法、HanJiawei教授等提出的面向属性的归纳方法、裴健等人提出的基于空间属性的归纳方法等。

空间关联规则挖掘方法

即在空间数据库（数据仓库）中搜索和挖掘空间对象（及其属性）之间的关联关系的算法。最著名的关联规则挖掘算法是Agrawal提出的Apriori算法；此外还有程继华等提出的多层次关联规则的挖掘算法、许龙飞等提出的广义关联规则模型挖掘方法等。

聚类分析方法

即根据实体的特征对其进行聚类或分类，进而发现数据集的整个空间分布规律和典型模式的方法。常用的聚类方法有K-mean,K-medoids方法、Ester等提出的基于R—树的数据聚焦法及发现聚合亲近关系和公共特征的算法、周成虎等提出的基于信息熵的时空数据分割聚类模型等。

神经网络方法

即通过大量神经元构成的网络来实现自适应非线性动态系统，并使其具有分布存储、联想记忆、大规模并行处理、自学习、自组织、自适应等功能的方法；在空间数据挖掘中可用来进行分类和聚类知识以及特征的挖掘。

决策树方法

即根据不同的特征，以树型结构表示分类或决策集合，进而产生规则和发现规律的方法。采用决策树方法进行空间数据挖掘的基本步骤如下：首先利用训练空间实体集生成测试函数；其次根据不同取值建立决策树的分支，并在每个分支子集中重复建立下层结点和分支，形成决策树；然后对决策树进行剪枝处理，把决策树转化为据以对新实体进行分类的规则。

此外，还有粗集理论、基于模糊集合论的方法、空间特征和趋势探侧方法、基于云理论的方法、基于证据理论的方法、遗传算法、 数据可视化方法、计算几何方法以及空间在线数据挖掘等常用的空间数据挖掘方法。