空间数据挖掘方法

空间数据挖掘方法


发布日期: 1970-01-01 更新日期: 2015-02-03 编辑:giser 浏览次数: 3720

标签:

摘要: 1)统计分析方法 目前空间数据分析最常用的方法是统计分析方法。统计分析非常适合处理数值型数据,统计分析方法多年来积累了大量的算法,可以用于对空间现象建模和分析。但空间统计分析也有很大的缺陷:首先统计分析方法关于空间分布数据的统计独立性的假设,往往不现实,因为...

1)统计分析方法

目前空间数据分析最常用的方法是统计分析方法。统计分析非常适合处理数值型数据,统计分析方法多年来积累了大量的算法,可以用于对空间现象建模和分析。但空间统计分析也有很大的缺陷:首先统计分析方法关于空间分布数据的统计独立性的假设,往往不现实,因为空间邻域之间存在着相互关系;其次,统计分析不适合处理非数值型数据,如空间对象的名称和定名数据类型等。另外统计分析往往对领域专家和统计方面的知识要求较高,只适合领域专家和有统计经验的人使用,而且当数据不完整或不充分时,统计分析的结果缺乏实际意义。再就是统计分析的计算代价也是很高的。为克服统计分析方法的缺点,需要新的数据挖掘方法。

2)基于概括的方法

基于概括的方法是一种面向属性的归纳学习方法,用于空间数据挖掘,可将空间和非空间属性的关系概括成高层次的概念知识。它需要背景知识,即概念层次体系(Concept Hierarchy),常以概念树的形式给出。如图10-14所示的是一个农业土地利用的概念树。同样地,空间数据也存在类似地概念层次,如乡镇——县市——省——国家。 以空间数据为主的概括算法,第一步也是收集用户查询的数据,然后根据给定的空间数据概念层次对空间对象进行合并,概括过程直到达到需要的概念层次为止。然后对于每个概括后的空间对象进行非空间数据概括,直到得到所有区域的正确描述。

3)聚类方法

聚类分析是统计分析的一个分支,这种方法的主要优点是不需要背景知识,可以直接从数据中发现感兴趣的结构或聚类模式,类似于机器学习中的非监督学习。 聚类分析与面向属性归纳推理结合,为描述相似对象的空间行为提供了可能,或用于判定不同类别的特征。同样可分为以空间数据为主和以非空间数据为主两种方法。以空间数据为主的方法,首先通过基于采样的高效的聚类算法将与任务有关的空间对象(如点)分类,接着对非空间数据使用面向属性归纳推理方法,提取描述各类一般属性。 以非空间数据为主的方法,首先将与任务有关的空间对象概括到较高的概念层次,进行聚类分析,然后将空间对象进行合并处理。

关注公众号
获取免费资源

随机推荐


Copyright © Since 2014. 开源地理空间基金会中文分会 吉ICP备05002032号

Powered by TorCMS

OSGeo 中国中心 邮件列表

问题讨论 : 要订阅或者退订列表,请点击 订阅

发言 : 请写信给: osgeo-china@lists.osgeo.org