引言
創(chuàng)新互聯(lián)是一家集網(wǎng)站建設,東山企業(yè)網(wǎng)站建設,東山品牌網(wǎng)站建設,網(wǎng)站定制,東山網(wǎng)站建設報價,網(wǎng)絡營銷,網(wǎng)絡優(yōu)化,東山網(wǎng)站推廣為一體的創(chuàng)新建站企業(yè)，幫助傳統(tǒng)企業(yè)提升企業(yè)形象加強企業(yè)競爭力?？沙浞譂M足這一群體相比中小企業(yè)更為豐富、高端、多元的互聯(lián)網(wǎng)需求。同時我們時刻保持專業(yè)、時尚、前沿，時刻以成就客戶成長自我，堅持不斷學習、思考、沉淀、凈化自己，讓我們?yōu)楦嗟钠髽I(yè)打造出實用型網(wǎng)站。
地理信息系統(tǒng)(Geographic Information System，簡稱GIS)是計算機科學、地理學、測量學、地圖學等多門學科綜合的技術(shù)[1]。GIS的基本技術(shù)是空間數(shù)據(jù)庫、地圖可視化及空間分析，而空間數(shù)據(jù)庫是GIS的關(guān)鍵?？臻g數(shù)據(jù)挖掘技術(shù)作為當前數(shù)據(jù)庫技術(shù)最活躍的分支與知識獲取手段，在GIS中的應用推動著GIS朝智能化和集成化的方向發(fā)展。
1 空間數(shù)據(jù)庫與空間數(shù)據(jù)挖掘技術(shù)的特點
隨著數(shù)據(jù)庫技術(shù)的不斷發(fā)展和數(shù)據(jù)庫管理系統(tǒng)的廣泛應用，數(shù)據(jù)庫中存儲的數(shù)據(jù)量也在急劇增大，在這些海量數(shù)據(jù)的背后隱藏了很多具有決策意義的信息。但是，現(xiàn)今數(shù)據(jù)庫的大多數(shù)應用仍然停留在查詢、檢索階段，數(shù)據(jù)庫中隱藏的豐富的知識遠遠沒有得到充分的發(fā)掘和利用，數(shù)據(jù)庫中數(shù)據(jù)的急劇增長和人們對數(shù)據(jù)庫處理和理解的困難形成了強烈的反差，導致“人們被數(shù)據(jù)淹沒，但卻饑餓于知識”的現(xiàn)象。
空間數(shù)據(jù)庫(數(shù)據(jù)倉庫)中的空間數(shù)據(jù)除了其顯式信息外，還具有豐富的隱含信息，如數(shù)字高程模型〔DEM或TIN〕，除了載荷高程信息外，還隱含了地質(zhì)巖性與構(gòu)造方面的信息；植物的種類是顯式信息，但其中還隱含了氣候的水平地帶性和垂直地帶性的信息，等等。這些隱含的信息只有通過數(shù)據(jù)挖掘才能顯示出來?？臻g數(shù)據(jù)挖掘（Spatial Data Mining，簡稱SDM），或者稱為從空間數(shù)據(jù)庫中發(fā)現(xiàn)知識，是為了解決空間數(shù)據(jù)海量特性而擴展的一個新的數(shù)據(jù)挖掘的研究分支，是指從空間數(shù)據(jù)庫中提取隱含的、用戶感興趣的空間或非空間的模式和普遍特征的過程[2]。由于SDM的對象主要是空間數(shù)據(jù)庫，而空間數(shù)據(jù)庫中不僅存儲了空間事物或?qū)ο蟮膸缀螖?shù)據(jù)、屬性數(shù)據(jù)，而且存儲了空間事物或?qū)ο笾g的圖形空間關(guān)系，因此其處理方法有別于一般的數(shù)據(jù)挖掘方法。SDM與傳統(tǒng)的地學數(shù)據(jù)分析方法的本質(zhì)區(qū)別在于SDM是在沒有明確假設的前提下去挖掘信息、發(fā)現(xiàn)知識，挖掘出的知識應具有事先未知、有效和可實用3個特征。
空間數(shù)據(jù)挖掘技術(shù)需要綜合數(shù)據(jù)挖掘技術(shù)與空間數(shù)據(jù)庫技術(shù)，它可用于對空間數(shù)據(jù)的理解，對空間關(guān)系和空間與非空間關(guān)系的發(fā)現(xiàn)、空間知識庫的構(gòu)造以及空間數(shù)據(jù)庫的重組和查詢的優(yōu)化等。
2 空間數(shù)據(jù)挖掘技術(shù)的主要方法及特點
常用的空間數(shù)據(jù)挖掘技術(shù)包括：序列分析、分類分析、預測、聚類分析、關(guān)聯(lián)規(guī)則分析、時間序列分析、粗集方法及云理論等。本文從挖掘任務和挖掘方法的角度,著重介紹了分類分析、聚類分析和關(guān)聯(lián)規(guī)則分析三種常用的重要的方法。
2.1、分類分析
分類在數(shù)據(jù)挖掘中是一項非常重要的任務，目前在商業(yè)上應用最多。分類的目的是學會一個分類函數(shù)或分類模型(也常常稱作分類器)，該模型能把數(shù)據(jù)庫中的數(shù)據(jù)項映射到給定類別中的某一個。分類和我們熟知的回歸方法都可用于預測，兩者的目的都是從歷史數(shù)據(jù)紀錄中自動推導出對給定數(shù)據(jù)的推廣描述，從而能對未來數(shù)據(jù)進行預測。和回歸方法不同的是，分類的輸出是離散的類別值，而回歸的輸出則是連續(xù)的數(shù)值。二者常表現(xiàn)為一棵決策樹，根據(jù)數(shù)據(jù)值從樹根開始搜索，沿著數(shù)據(jù)滿足的分支往上走，走到樹葉就能確定類別?？臻g分類的規(guī)則實質(zhì)是對給定數(shù)據(jù)對象集的抽象和概括，可用宏元組表示。
要構(gòu)造分類器,需要有一個訓練樣本數(shù)據(jù)集作為輸入。訓練集由一組數(shù)據(jù)庫記錄或元組構(gòu)成,每個元組是一個由特征(又稱屬性)值組成的特征向量,此外,訓練樣本還有一個類別標記。一個具體樣本的形式可為:( v1, v2, ..., vn; c )；其中vi表示字段值，c表示類別。
分類器的構(gòu)造方法有統(tǒng)計方法、機器學習方法、神經(jīng)網(wǎng)絡方法等等。統(tǒng)計方法包括貝葉斯法和非參數(shù)法(近鄰學習或基于事例的學習)，對應的知識表示是判別函數(shù)和原型事例。機器學習方法包括決策樹法和規(guī)則歸納法，前者對應的表示為決策樹或判別樹，后者則一般為產(chǎn)生式規(guī)則。神經(jīng)網(wǎng)絡方法主要是反向傳播（Back-Propagation,簡稱BP）算法，它的模型表示是前向反饋神經(jīng)網(wǎng)絡模型(由代表神經(jīng)元的節(jié)點和代表聯(lián)接權(quán)值的邊組成的一種體系結(jié)構(gòu))，BP算法本質(zhì)上是一種非線性判別函數(shù)[3]。另外，最近又興起了一種新的方法:粗糙集(rough set)，其知識表示是產(chǎn)生式規(guī)則。
不同的分類器有不同的特點。有三種分類器評價或比較尺度：1) 預測準確度；2) 計算復雜度；3) 模型描述的簡潔度。預測準確度是用得最多的一種比較尺度，特別是對于預測型分類任務，目前公認的方法是10番分層交叉驗證法。計算復雜度依賴于具體的實現(xiàn)細節(jié)和硬件環(huán)境，在數(shù)據(jù)挖掘中，由于操作對象是海量的數(shù)據(jù)庫，因此空間和時間的復雜度問題將是非常重要的一個環(huán)節(jié)。對于描述型的分類任務，模型描述越簡潔越受歡迎。例如，采用規(guī)則歸納法表示的分類器構(gòu)造法就很有用，而神經(jīng)網(wǎng)絡方法產(chǎn)生的結(jié)果就難以理解。
另外要注意的是，分類的效果一般和數(shù)據(jù)的特點有關(guān)。有的數(shù)據(jù)噪聲大，有的有缺值， 有的分布稀疏，有的字段或?qū)傩蚤g相關(guān)性強，有的屬性是離散的而有的是連續(xù)值或混合式的。目前普遍認為不存在某種方法能適合于各種特點的數(shù)據(jù)。
分類技術(shù)在實際應用非常重要，比如：可以根據(jù)房屋的地理位置決定房屋的檔次等。
2. 2 聚類分析
聚類是指根據(jù)“物以類聚”的原理，將本身沒有類別的樣本聚集成不同的組，并且對每一個這樣的組進行描述的過程。它的目的是使得屬于同一個組的樣本之間應該彼此相似，而不同組的樣本應足夠不相似。與分類分析不同，進行聚類前并不知道將要劃分成幾個組和什么樣的組，也不知道根據(jù)哪些空間區(qū)分規(guī)則來定義組。其目的旨在發(fā)現(xiàn)空間實體的屬性間的函數(shù)關(guān)系，挖掘的知識用以屬性名為變量的數(shù)學方程來表示。聚類方法包括統(tǒng)計方法、機器學習方法、神經(jīng)網(wǎng)絡方法和面向數(shù)據(jù)庫的方法?；诰垲惙治龇椒ǖ目臻g數(shù)據(jù)挖掘算法包括均值近似算法[4]、CLARANS、BIRCH、DBSCAN等算法。目前，對空間數(shù)據(jù)聚類分析方法的研究是一個熱點。
對于空間數(shù)據(jù)，利用聚類分析方法，可以根據(jù)地理位置以及障礙物的存在情況自動地進行區(qū)域劃分。例如，根據(jù)分布在不同地理位置的ATM機的情況將居民進行區(qū)域劃分，根據(jù)這一信息，可以有效地進行ATM機的設置規(guī)劃，避免浪費，同時也避免失掉每一個商機。
2.3 關(guān)聯(lián)規(guī)則分析
關(guān)聯(lián)規(guī)則分析主要用于發(fā)現(xiàn)不同事件之間的關(guān)聯(lián)性，即一事物發(fā)生時，另一事物也經(jīng)常發(fā)生。關(guān)聯(lián)分析的重點在于快速發(fā)現(xiàn)那些有實用價值的關(guān)聯(lián)發(fā)生的事件。其主要依據(jù)是：事件發(fā)生的概率和條件概率應該符合一定的統(tǒng)計意義?？臻g關(guān)聯(lián)規(guī)則的形式是X－＞Y[S%，C%]，其中X、Y是空間或非空間謂詞的集合，S%表示規(guī)則的支持度，C%表示規(guī)則的置信度?？臻g謂詞的形式有3種：表示拓撲結(jié)構(gòu)的謂詞、表示空間方向的謂詞和表示距離的謂詞[5]。各種各樣的空間謂詞可以構(gòu)成空間關(guān)聯(lián)規(guī)則。如，距離信息（如Close_to(臨近)、Far_away(遠離)）、拓撲關(guān)系（Intersect（交）、Overlap（重疊）、Disjoin(分離)）和空間方位（如Right_of(右邊)、West_of(西邊)）。實際上大多數(shù)算法都是利用空間數(shù)據(jù)的關(guān)聯(lián)特性改進其分類算法，使得它適合于挖掘空間數(shù)據(jù)中的相關(guān)性，從而可以根據(jù)一個空間實體而確定另一個空間實體的地理位置，有利于進行空間位置查詢和重建空間實體等。大致算法可描述如下：(1)根據(jù)查詢要求查找相關(guān)的空間數(shù)據(jù)；(2)利用臨近等原則描述空間屬性和特定屬性；(3)根據(jù)最小支持度原則過濾不重要的數(shù)據(jù)；(4)運用其它手段對數(shù)據(jù)進一步提純(如OVERLAY)；(5)生成關(guān)聯(lián)規(guī)則。
關(guān)聯(lián)規(guī)則通?？煞譃閮煞N：布爾型的關(guān)聯(lián)規(guī)則和多值關(guān)聯(lián)規(guī)則。多值關(guān)聯(lián)規(guī)則比較復雜，一種自然的想法是將它轉(zhuǎn)換為布爾型關(guān)聯(lián)規(guī)則，由于空間關(guān)聯(lián)規(guī)則的挖掘需要在大量的空間對象中計算多種空間關(guān)系，因此其代價是很高的。—種逐步求精的挖掘優(yōu)化方法可用于空間關(guān)聯(lián)的分析，該方法首先用一種快速的算法粗略地對一個較大的數(shù)據(jù)集進行一次挖掘，然后在裁減過的數(shù)據(jù)集上用代價較高的算法進一步改進挖掘的質(zhì)量。因為其代價非常高，所以空間的關(guān)聯(lián)方法需要進一步的優(yōu)化。
對于空間數(shù)據(jù)，利用關(guān)聯(lián)規(guī)則分析，可以發(fā)現(xiàn)地理位置的關(guān)聯(lián)性。例如，85%的靠近高速公路的大城鎮(zhèn)與水相鄰，或者發(fā)現(xiàn)通常與高爾夫球場相鄰的對象是停車場等。
3 空間數(shù)據(jù)挖掘技術(shù)的研究方向
3.1 處理不同類型的數(shù)據(jù)
絕大多數(shù)數(shù)據(jù)庫是關(guān)系型的，因此在關(guān)系數(shù)據(jù)庫上有效地執(zhí)行數(shù)據(jù)挖掘是至關(guān)重要的。但是在不同應用領域中存在各種數(shù)據(jù)和數(shù)據(jù)庫，而且經(jīng)常包含復雜的數(shù)據(jù)類型，例如結(jié)構(gòu)數(shù)據(jù)、復雜對象、事務數(shù)據(jù)、歷史數(shù)據(jù)等。由于數(shù)據(jù)類型的多樣性和不同的數(shù)據(jù)挖掘目標，一個數(shù)據(jù)挖掘系統(tǒng)不可能處理各種數(shù)據(jù)。因此針對特定的數(shù)據(jù)類型，需要建立特定的數(shù)據(jù)挖掘系統(tǒng)。
3.2 數(shù)據(jù)挖掘算法的有效性和可測性
海量數(shù)據(jù)庫通常有上百個屬性和表及數(shù)百萬個元組。GB數(shù)量級數(shù)據(jù)庫已不鮮見，TB數(shù)量級數(shù)據(jù)庫已經(jīng)出現(xiàn)，高維大型數(shù)據(jù)庫不僅增大了搜索空間，也增加了發(fā)現(xiàn)錯誤模式的可能性。因此必須利用領域知識降低維數(shù)，除去無關(guān)數(shù)據(jù)，從而提高算法效率。從一個大型空間數(shù)據(jù)庫中抽取知識的算法必須高效、可測量，即數(shù)據(jù)挖掘算法的運行時間必須可預測，且可接受，指數(shù)和多項式復雜性的算法不具有實用價值。但當算法用有限數(shù)據(jù)為特定模型尋找適當參數(shù)時，有時也會導致物超所值，降低效率。
3.3 交互性用戶界面
數(shù)據(jù)挖掘的結(jié)果應準確地描述數(shù)據(jù)挖掘的要求，并易于表達。從不同的角度考察發(fā)現(xiàn)的知識，并以不同形式表示，用高層次語言和圖形界面表示數(shù)據(jù)挖掘要求和結(jié)果。目前許多知識發(fā)現(xiàn)系統(tǒng)和工具缺乏與用戶的交互，難以有效利用領域知識。對此可以利用貝葉斯方法和演譯數(shù)據(jù)庫本身的演譯能力發(fā)現(xiàn)知識。
3.4 在多抽象層上交互式挖掘知識
很難預測從數(shù)據(jù)庫中會挖掘出什么樣的知識，因此一個高層次的數(shù)據(jù)挖掘查詢應作為進一步探詢的線索。交互式挖掘使用戶能交互地定義一個數(shù)據(jù)挖掘要求，深化數(shù)據(jù)挖掘過程，從不同角度靈活看待多抽象層上的數(shù)據(jù)挖掘結(jié)果。
3.5 從不同數(shù)據(jù)源挖掘信息
局域網(wǎng)、廣域網(wǎng)以及Internet網(wǎng)將多個數(shù)據(jù)源聯(lián)成一個大型分布、異構(gòu)的數(shù)據(jù)庫，從包含不同語義的格式化和非格式化數(shù)據(jù)中挖掘知識是對數(shù)據(jù)挖掘的一個挑戰(zhàn)。數(shù)據(jù)挖掘可揭示大型異構(gòu)數(shù)據(jù)庫中存在的普通查詢不能發(fā)現(xiàn)的知識。數(shù)據(jù)庫的巨大規(guī)模、廣泛分布及數(shù)據(jù)挖掘方法的計算復雜性，要求建立并行分布的數(shù)據(jù)挖掘。
3.6 私有性和安全性
數(shù)據(jù)挖掘能從不同角度、不同抽象層上看待數(shù)據(jù)，這將影響到數(shù)據(jù)挖掘的私有性和安全性。通過研究數(shù)據(jù)挖掘?qū)е碌臄?shù)據(jù)非法侵入，可改進數(shù)據(jù)庫安全方法，以避免信息泄漏。
3.7 和其它系統(tǒng)的集成
方法、功能單一的發(fā)現(xiàn)系統(tǒng)的適用范圍必然受到一定的限制。要想在更廣泛的領域發(fā)現(xiàn)知識，空間數(shù)據(jù)挖掘系統(tǒng)就應該是數(shù)據(jù)庫、知識庫、專家系統(tǒng)、決策支持系統(tǒng)、可視化工具、網(wǎng)絡等技術(shù)的集成。
4 有待研究的問題
我們雖然在空間數(shù)據(jù)挖掘技術(shù)的研究和應用中取得了很大的成績，但在一些理論及應用方面仍存在急需解決的問題。
4.1 數(shù)據(jù)訪問的效率和可伸縮性
空間數(shù)據(jù)的復雜性和數(shù)據(jù)的大量性，TB數(shù)量級的數(shù)據(jù)庫的出現(xiàn)，必然增大發(fā)現(xiàn)算法的搜索空間，增加了搜索的盲目性。如何有效的去除與任務無關(guān)的數(shù)據(jù)，降低問題的維數(shù)，設計出更加高效的挖掘算法對空間數(shù)據(jù)挖掘提出了巨大的挑戰(zhàn)。
4.2 對當前一些GIS軟件缺乏時間屬性和靜態(tài)存儲的改進
由于數(shù)據(jù)挖掘的應用在很大的程度上涉及到時序關(guān)系，因此靜態(tài)的數(shù)據(jù)存儲嚴重妨礙了數(shù)據(jù)挖掘的應用。基于圖層的計算模式、不同尺度空間數(shù)據(jù)之間的完全割裂也對空間數(shù)據(jù)挖掘設置了重重障礙。空間實體與屬性數(shù)據(jù)之間的聯(lián)系僅僅依賴于標識碼，這種一維的連接方式無疑將丟失大量的連接信息，不能有效的表示多維和隱含的內(nèi)在連接關(guān)系，這些都增加了數(shù)據(jù)挖掘計算的復雜度，極大地增加了數(shù)據(jù)準備階段的工作量和人工干預的程度。
4.3 發(fā)現(xiàn)模式的精煉
當發(fā)現(xiàn)空間很大時會獲得大量的結(jié)果，盡管有些是無關(guān)或沒有意義的模式，這時可利用領域的知識進一步精煉發(fā)現(xiàn)的模式，從而得到有意義的知識。
在空間數(shù)據(jù)挖掘技術(shù)方面，重要的研究和應用的方向還包括：網(wǎng)絡環(huán)境上的數(shù)據(jù)挖掘、柵格矢量一體化的挖掘、不確定性情況下的數(shù)據(jù)挖掘、分布式環(huán)境下的數(shù)據(jù)挖掘、數(shù)據(jù)挖掘查詢語言和新的高效的挖掘算法等。
5 小結(jié)
隨著GIS與數(shù)據(jù)挖掘及相關(guān)領域科學研究的不斷發(fā)展，空間數(shù)據(jù)挖掘技術(shù)在廣度和深度上的不斷深入，在不久的將來，一個集成了挖掘技術(shù)的GIS、GPS、RS集成系統(tǒng)必將朝著智能化、網(wǎng)絡化、全球化與大眾化的方向發(fā)展。
三維可視化技術(shù)與GIS工程
一、前言目前，科學可視化、計算機動畫和虛擬現(xiàn)實技術(shù)蓬勃發(fā)展，并
成為計算機圖形學領域的三大熱門研究方向，它們的核心都是三維真實感圖
形[1],也就是三維可視化技術(shù)。三維可視化技術(shù)是目前計算機技術(shù)和圖像
圖形學發(fā)展的熱點之一，它是依靠視覺效果將數(shù)據(jù)所要表達的信息直觀顯示出來的一種最好的方法。傳統(tǒng)的地理信息系統(tǒng)對實物的空間立體感表達就比
較抽象，將三維可視化技術(shù)引入GIS領域中可以動態(tài)地、形象地、多視角地、多層次地、如實逼真地描繪地球科學中的客觀現(xiàn)象。如通常所見的地
形三維可視化、虛擬戰(zhàn)場、數(shù)字社區(qū)和虛擬城市等。本文結(jié)合在GIS中的應
用介紹三維可視化開發(fā)的基本方法。
二、三維可視化GIS關(guān)鍵技術(shù)三維可視化技術(shù)可以簡單的分解為三種技術(shù)的結(jié)合：可視化、三維和GIS。下面分析了可視化技術(shù)、虛擬現(xiàn)實、體視化技術(shù)、三維技術(shù)等關(guān)鍵技術(shù)。
1、可視化技術(shù)
可視化，也稱為科學計算可視化(VisualizationinScientific
Computer),它是指運用計算機圖形和圖像處理技術(shù)，把科學數(shù)據(jù)轉(zhuǎn)換成可視的、能幫助科學家理解的信息，并進行交互處理的理論、方法和技術(shù)。
GIS可視化技術(shù)是目前信息領
域中廣泛應用的一項技術(shù)，它通過強大的、有效的地圖系統(tǒng)將復雜的空間
和屬性數(shù)抓以地理的形式進行描述，具有界面風格人性化設計，實現(xiàn)了文本、
圖形和圖像信息相結(jié)合的定位、查詢、檢索模式信息表達形象化、自觀化操作簡單便利等特點［2］。
2、虛擬現(xiàn)實
虛擬現(xiàn)實(VirtualReality)技術(shù)是一個由圖像技術(shù)、傳感
器技術(shù)、計算機技術(shù)、網(wǎng)絡技術(shù)以及人機對話技術(shù)相結(jié)合的產(chǎn)物。它以計算
機技術(shù)為基礎，利用高性能、高度集成的計算機硬、軟件及各類先進的傳感
器，去創(chuàng)造一個使參與者處于一個三維視覺、聽覺和觸覺的環(huán)境，具有完善
的交互作用能力、能幫助和啟發(fā)進入虛擬境界的參與者的構(gòu)思的
地理信息技術(shù)主要包括三種類型：
遙感（RS）,具有探測范圍大，獲取信息速度快、周期短、信息量大，受地面條件限制少等優(yōu)勢，能夠?qū)崿F(xiàn)地物信息的實時、動態(tài)監(jiān)測。
全球衛(wèi)星導航系統(tǒng)（GNSS）,它利用衛(wèi)星在全球范圍內(nèi)進行實時定位、導航。主要由衛(wèi)星星座（空間部分）、地面監(jiān)控系統(tǒng)（地面控制部分）和信號接收系統(tǒng)（用戶部分）三部分組成，能夠為用戶提供精密的三維坐標、速度和時間，適用于陸地、海洋、航空和航天，具有全球性、全天候、連續(xù)性和實時性的特點。目前，全球衛(wèi)星導航系統(tǒng)有美國的全球定位系統(tǒng)（GPS）、俄羅斯的全球衛(wèi)星導航系統(tǒng)、歐洲的伽利略衛(wèi)星導航系統(tǒng)和我國的北斗衛(wèi)星導航系統(tǒng)(BDS)。
地理信息系統(tǒng)（GIS），是對地理數(shù)據(jù)進行輸人、處理、存儲、管理、查詢、分析、輸出等的計算機信息系統(tǒng)，利用地理信息系統(tǒng)的空間查詢與分析功能，可以根據(jù)不同目的對相關(guān)數(shù)據(jù)進行疊加分析。
重慶分公司
重慶分公司
