空间数据库报告分析

空间数据挖掘

一、空间数据库概述

空间数据库指的是地理信息系统在计算机物理存储介质上存储的与应用相关的地理空间数据的总和，一般是以一系列特定结构的文件的形式组织在存储介质之上的。空间数据库的研究始于20世纪70年代的地图制图与遥感图像处理领域，其目的是为了有效地利用卫星遥感资源迅速绘制出各种经济专题地图。由于传统的关系数据库在空间数据的表示、存储、管理、检索上存在许多缺陷，从而形成了空间数据库这一数据库研究领域。而传统数据库系统只针对简单对象，无法有效的支持复杂对象（如图形、图像）。

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。

空间数据挖掘与传统数据挖掘的不同表现在以下三个方面：

传统数据挖掘处理的是数字和类，而空间数据则是一些更为复杂的数据类型；传统数据挖掘通常具有显式的输入，而空间数据挖掘的输入则常常是隐式的；在传统数据挖掘中，有一个至关重要的前提假设：数据样品是独立生成的。而这一假设在空间数据分析中是不成立的。事实上，空间数据之间是高度自关联的。

二、空间数据挖掘的技术特点

(一)数据挖掘算法具有高效、可测的特点

数据库一般有数千个表和属性以及上百万个元组。数据库中千兆级别的数据已不再罕见，因为万亿级别的数量数据库已经腾空出世，取代了千兆级别的数据库。高维空间的海量数据库不但使搜索的空间变大，而且更容易发现模式存在的错误，所以充分利用相关知识去改变维数，降低维数，删除多余的数据，使数据挖掘的算法更具高效性。海量空间数据提供知识的算法要有可测性、高效性。多项式算法和指数算法没有实际的使用价值，但是若把算法换成以有限的数据做成特定的模型来获取合适的参数，实现的价值将会相当可观。

(二)所挖掘的信息来源于各种数据

用因特网、广域网、局域网与其他数据源组成一个结构复杂、空间庞大的数据库。数据进行挖掘主要是在各种语义的非格式化和格式化的数据中挖掘数据知识，这种数据挖掘可以弥补庞大、复杂的数据库所不能查询的数据知识。数据库本身已拥有分布广、规模大、数据挖掘方法复杂等特性，该特性的要求是要构建一种分布平行的数据挖掘技术。

(三)具有集成功能

一个发现系统的功能和方法如果没有足够多样，其能够使用的范围也必定会受到影响和限制。要想拓宽发现知识的领域，空间数据的挖掘系统就必须要把网络系统、知识管理库、数据管理库、专家系统、可视化系统、决策支持系统等技术集成到一起。

(四)数据挖掘知识可以在多抽象层上交互

预测数据库将会挖掘出何种知识，这是一件艰难的事情，因此作为高级的数据查询挖掘系统必须要更深人地探寻更多有利的线索。数据挖掘具有的交互特点可以帮助用户及时定义出数据挖掘的需求，使数据挖掘的过程得到深化，并以不同的视觉机智地看待数据挖掘技术在多抽象层面上出现的结果。

(五)用户的界面可以达到人机交互的效果

空间数据的挖掘目的是要实现数据挖掘结果的准确性，并且要言简意赅，容易表达。用多角度、多视角的考察方式对知识进行探索发现，把带有图文的界面与高级语言有机结合起来，对数据的结果和要求进行表达。在当下，还有很多用户无法与知识发现工具和知识发现系统进行人机的交互，针对这种情况，可以选择数据库的演绎方法以及贝叶斯法去发现知识，进而实现用户界面与人进行交互的效果。

(六)数据挖掘的安全性和私有性

数据挖掘的过程中，通常会以一种全方位、多角度、多层面的视觉去看待数据，这往往会对数据挖掘的安全性和私有性产生严重影响。探究、分析数据挖掘时出现的数据不合法人侵等现象，可以对数据库的安全方法进行合理改进，以此来保护信息，防止信息被泄露出去。

(七)对不同的数据进行处理

各种数据库之间是存在有关系、有联系的，所以要清楚地分析数据库之间的关系，从而有效地执行对数据库的科学挖掘。数据应用的领域各有不同，其所在的数据库也将有所不同，经常出现各种类型的复杂数据，同一个数据的挖掘系统没有办法实现对各种数据的处理观，要有针对性地对数据类型的特点，建立符合相关功能的数据挖掘系统。

三、空间数据挖掘常用方法

1. 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。

2. 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。

3. 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。

4. 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、Han Jiawei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。

5. 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。

6. 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。

7. 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。

8. 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。

9. 粗集理论。

一种由上近似集和下近似集来构成粗集，进而以此为基础来处理不精确、不确定和不完备信息的智能数据决策分析工具，较适于基于属性不确定性的空间数据挖掘。

10. 基于模糊集合论的方法。

这是一系列利用模糊集合理论描述带有不确定性的研究对象，对实际问题进行分析和处理的方法。基于模糊集合论的方法在遥感图像的模糊分类、GIS模糊查询、空间数据不确定性表达和处理等方面得到了广泛应用。

11. 空间特征和趋势探侧方法。

这是一种基于邻域图和邻域路径概念的空间数据挖掘算法，它通过不同类型属性或对象出现的相对频率的差异来提取空间规则。

12. 基于云理论的方法。

云理论是一种分析不确定信息的新理论，由云模型、不确定性推理和云变换三部分构成。基于云理论的空间数据挖掘方法把定性分析和定量计算结合起来，处理空间对象中融随机性和模糊性为一体的不确定性属性；可用于空间关联规则

的挖掘、空间数据库的不确定性查询等。

13. 基于证据理论的方法。

证据理论是一种通过可信度函数（度量已有证据对假设支持的最低程度）和可能函数（衡量根据已有证据不能否定假设的最高程度）来处理不确定性信息的理论，可用于具有不确定属性的空间数据挖掘。

14. 遗传算法。

这是一种模拟生物进化过程的算法，可对问题的解空间进行高效并行的全局搜索，能在搜索过程中自动获取和积累有关搜索空间的知识，并可通过自适应机制控制搜索过程以求得最优解。空间数据挖掘中的许多问题，如分类、聚类、预测等知识的获取，均可以用遗传算法来求解。这种方法曾被应用于遥感影像数据中的特征发现。

15. 数据可视化方法。

这是一种通过可视化技术将空间数据显示出来，帮助人们利用视觉分析来寻找数据中的结构、特征、模式、趋势、异常现象或相关关系等空间知识的方法。为了确保这种方法行之有效，必须构建功能强大的可视化工具和辅助分析工具。

16. 计算几何方法。

这是一种利用计算机程序来计算平面点集的Voronoi图，进而发现空间知识的方法。利用Voronoi图可以解决空间拓扑关系、数据的多尺度表达、自动综合、空间聚类、空间目标的势力范围、公共设施的选址、确定最短路径等问题。17. 空间在线数据挖掘。

这是一种基于网络的验证型空间来进行数据挖掘和分析的工具。它以多维视图为基础，强调执行效率和对用户命令的及时响应，一般以空间数据仓库为直接数据源。这种方法通过数据分析与报表模块的查询和分析工具（如OLAP、决策分析、数据挖掘等）完成对信息和知识的提取，以满足决策的需要。

四、空间数据挖掘算法模型

1、空间数据不确定性的Monte Carlo模拟

根据不同空间数据的不确定性(误差)分布采用Monte Carlo模拟法进行不确定性模拟．本文中取用2002年中国37个主要大中城市的地理空间经济数据的位置数据和若干属性数据(距海洋的距离、人均GDP、人均年可支配收入和商品房均价)，采用Monte Carlo模拟法对它们进行不确定性模拟，根据不同空间对象的位置数据和不同属性数据的均值和中误差，分别得到不同空间对象的位置数和不同属性数据的1 000组模拟数据。具体算法如下：

1)确定每个待输入空间数据集的不确定性类型(位置数据的圆形正态模型，属性数据的一维正态模型)；

2)取用依空间数据集分布的随机采样来代替原输入空间数据；

3)对每一次实现，存储其结果；

4)随机抽取l 000组实验数据作为样本数据．这里，随机数发生器采用普雷斯等人(1996)推荐的随机数发生器ran2，随机向量的抽样方法采用著名的博克斯一马勒(Box-Muller)方法。

2、基于不确定性空间数据的空间自相关度量

几乎所有空间数据都具有空间自相关性，因此在处理地理区域或地带的离散数据时须考虑空间数据的空间自相关性。本文借用Voronoi和Delaunay图，结

合距离标准来构建空间权重矩阵．普通的距离计算技术一般隐含地假设空间数据的位置是精确的．考虑到空间数据的不确定性，采用3种方法计算空间数据间空间自相关矩阵：中心法、最小法和最大法哺]．假设区域S中有／,／个位置不确定的点，第i个点P。的误差带用一个圆形Q。表示．具体算法如下：输入：区域S中的一组点的误差带Q一{Q。，Q。，?，Q)和邻域距离d输出：区域S 中一组点的邻域图和空间自相关距阵

步骤1：构造点集P的Voronoi多边形

步骤2：对所有相邻的Voronoi多边形进行如下运算

步骤2．1：计算d。。。。(C。，Cj)，d。。，(Qf，Q，)，d。i。(Qi，Q；) 步骤2．2：如果d

3、不确定性空间数据聚类算法

传统的空间数据聚类算法是利用经典的聚类算法(如K—means，K—medoid)进行聚类．这种方法由于并未考虑空间数据的空间约束，其结果经常在地理位置上很混乱．此外，这种聚类方法还有一个共同的缺点是将空间对象集合划分为互不相交的子集，其中每个空间对象最多只属于一个聚类．但是当空间对象与2个聚类之间的距离相等，或者空间对象与2个聚类区域同时相交时，强制聚类之间不能相交的约束就不符合实际。

4、不确定性空间数据关联规则挖掘模型

在空间数据挖掘过程中，一方面须分析挖掘过程中存在的不确定性，并采用有效方法处理其不确定性；另一方面，又不可能消除所有的不确定性，因为空间数据挖掘算法本身和不确定性处理过程中均会带来不同程度的新的不确定性．所以，对空间数据挖掘进行质量评价是十分必要，它可以帮助我们更客观地度量空间数据挖掘的真实性．本文结合传统数据挖掘质量评价方法[1 0。，考虑空间数据不确定性特点的基础上，初步建立了一套适合不确定性空间数据关联规则挖掘的质量评价指标。包括覆盖度、支持度、可信度、作用度、杠杆作用度和兴趣度[11]以及它们的均值(mean)和方差(variance)．

五、基于GIS的空间数据挖掘

由于空间数据挖掘在处理空间数据上具有重要意义，早在２０世纪９０年代初美国韩家炜就对空间数据挖掘进行了研究，提出了联机分析挖掘思想，并在MapInfo 软件平台上开发空间数据挖掘原型系统。Walter 于２００８年提出了建立在栅格算法基础上的矢量数据库自动解译。Donato 利用归纳逻辑技术的方法提取了空间人口调查数据的关联规则。国内对空间数据挖掘的研究起步稍晚，在１９９４年李德仁教授提出了从GIS 数据库中发现知识，并对空间知识发现的特点和方法进行了系统的分析。董春、张清浦等人提出了基于地理数据库进行空间数据挖掘的构想。陈江平、傅仲良等人提出一种建立在空间分析基础上的空间关联规则挖掘算法。由于空间数据挖掘是计算机、数据库应用和管理决策支持等技术发展到一定阶段时，由数据库、模式识别、统计学、人工智能和管理信息系统多学科交叉的新兴学科，因而空间数据挖掘方法较

为丰富，但针对地理空间数据库，其方法可总结为以下４种：

1、空间分析算法

空间分析作为地理信息系统区别于一般计算机系统的主要标志，也是支持其强大功能的关键技术。借助GIS系统强大的空间分析功能模块，可以发现客观事物在地理空间上的相邻、相连和共生等关联关系、找出客观事物之间的最优路径、最短路径和最佳位置。空间分析通常作为处理空间数据和提取空间数据特征的方法，进而发现空间数据库知识。

2、空间聚类算法

聚类是按一定的规则将数据分成若干个相互区别的组，发现数据的分布特征，使得每组中的数据具有高相似，而不同组之间的数据尽可能不同。目前空间聚类算法较为丰富，但主要有划分方法、层次的方法、基于密度的方法、基于网格的方法及基于模型的方法５大类。

3、空间关联规则算法

关联规则是由Agrawal 等人通过对大型的事务型数据库的挖掘首次提出，而后Koperski 等人将其扩展至空间数据库，进一步提出了挖掘强空间关联规则的算法，并给出了空间优化技术。空间关联规则可表示为：AUB（c１％、A ∩B（c２％，其A 、B 表示空间或非空间谓词的集合，c１％、c２％为规则的支持度和可信度，空间谓词有３种表示形式：空间方向的谓词、拓扑结构的谓词和距离的谓词。

近些年来，虽然空间数据挖掘技术发展迅速，并取得了一定的成果，但许多的理论与方法仍需进行深入研究。未来空间数据挖掘应把基于空间不确定性的数据挖掘、多源空间数据的数据挖掘、一体化栅格矢量数据挖掘、空间查询语言数据挖掘、遥感图像及其网络空间数据的挖掘等方面作为主要努力方向。与此同时，在开发空间数据挖掘系统时，还要研究人机交互技术、空间数据挖掘系统与地理信息系统、多源空间数据的集成，多算法的集成、地理空间数据库、空间数据决策支持系统以及解译专家解译系统的集成等问题。

六、结束语

空间数据库含有空间数据和非空间数据。目前卫星、红外、电视摄像、光电、电子显微成像、CT成像等各种宏观与微观传感器的大量使用，空间数据的数量和复杂性都在飞快地增长。终端用户要详细的分析这些空间数据，并提取感兴趣的知识或特征是不现实的。因此，从空间数据库中自动地挖掘知识，寻找隐藏在空间数据库中的不明确的、隐含的知识、空间关系或其他模式，即空间数据挖掘和知识发现，变得越来越重要。目前，从空间数据库发现知识的传统途径是通过数据挖掘和专家系统空间分析等技术来实现的。但是在空间数据库隐含知识的发现方面。只单独依靠某一种技术，往往存在着这样或那样的缺陷。比如对于数据挖掘来讲。空间数据库与普通数据库在数据存储机制方面的不同、空间数据的相互依赖性等决定了在空间数据库无法直接采用传统的数据挖掘方法。对于专家系统来讲，专家系统不具备自动学习的能力，仅能利用已有的知识进行推导。对于空间分析来讲，虽然空间分析中常用的统计方法可以很好地处理数字型数据，但是它存在的问题很多。此外，统计方法对大规模数据库的计算代价非常高，所以在处理海量数据方面能力较低。因此，在空间数

据库进行知识发现，需要融合多种不同技术，比如使用空间数据挖掘技术来解决从空间数据库知识发现隐含知识的难题。

空间数据的挖掘可以借助海量数据库的搜寻来提取规律性和感兴趣的知识，然后利用这些数据解释空间数据、建立空间数据知识库等。随着空间数据挖掘技术的不断进步与深化，使得地理信息系统系统越来越趋向大众化、网络化、智能化、全球化的特点。由此可见，空间数据挖掘技术不但有利益计算机科学、空间科学的发展，而且也使得人类对世界有了更深层次的认识，开发了人类改变世界的潜能，进而为人类社会做出更好的服务。

参考文献：

1、“空间数据挖掘技术的应用研究”作者：王远敏出处：《计算机光盘软件与应用》2014年第21期

2、“空间数据挖掘技术应用探析”作者：顾润龙出处：《吉林省教育学院学报：中旬》2013年第5期

3、“浅析空间数据挖掘技术”作者：杜芳芳出处：《福建电脑》2010年第5期

4、“空间数据库中的数据挖掘”作者：李燕出处：《中南论坛：综合版》2010年第1期

5、“空间数据挖掘技术的研究”作者：廉彦平出处：《天津职业院校联合学报》2009年第5期

6、“空间数据库的数据挖掘”作者：胡艳慧陈俊杰[1]出处：《科技情报开发与经济》2007年第5期

7、“空间数据挖掘聚类算法研究”作者：宋殿霞王艳邹光辉出处：《滨州学院学报》2006年第6期

8 、“空间数据挖掘及其在地理信息系统中的应用”作者：李春梅范全润出处：《楚雄师范学院学报》

2005年第3期

9、“论空间数据挖掘和知识发现”[期刊论文] 《武汉大学学报(信息科学版)》ISTIC EI PKU -2001年6期

李德仁王树良史文中王新洲

10、“论空间数据处理与空间数据挖掘”[期刊论文] 《武汉大学学报（信息科学版）》ISTIC EI PKU -2006

年1期王新洲WANG Xinzhou

11 、“基于GIS的空间数据挖掘研究”[期刊论文] 《绿色科技》-2015年2期王皓王红崧Wang Hao

Wang Hongsong

12、“不确定性空间数据挖掘算法模型”[期刊论文] 《中国矿业大学学报》ISTIC EI PKU -2007年1期

何彬彬方涛郭达志HE Bin-bin FANG Tao GUO Da-zhi