空间数据挖掘

1．空间数据挖掘概念

随着数据库技术的不断发展和数据库管理系统的广泛应用，数据库中存储的数据量急剧增大，在大量数据的背后隐藏着很多具有决策意义的信息。但是，现今数据库的大多数应用仍然停留在查询、检索阶段，数据库中隐藏的丰富知识远远没有得到充分的发掘和利用，数据库的急剧增长和人们对数据库处理和理解的困难形成了强烈的反差。数据挖掘和知识发现（Data Mining and Knowledge Discovery，简称DMKD）技术，就是在这种背景下应运而生的。数据控制与知识发现是指从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取隐含的、未知的、潜在的、有用的信息的过程。

空间数据库（数据仓库）中的空间数据除了其显式信息外，还具有丰富的隐含信息，如数字高程模型的Grid或TIN模型中除了载荷高程信息外，还隐含了地质岩性与构造方面的信息；植物的种类是显式信息，但其中还隐含了气候的水平地带性和垂直地带性的信息，等等。这些隐含的信息只有通过数据挖掘才能显示出来。空间数据挖掘（Spatial Data Mining，简称SDM），或称从空间数据库中发现知识，作为数据挖掘的一个新的研究分支，是指从空间数据库中提取隐含的、用户感兴趣的空间和非空间的模式和普遍特征的过程。由于SDM的对象主要是空间数据库，而空间数据库中不仅存储了空间事物或对象的几何数据、属性数据，而且存储了空间事物或对象之间的图形空间关系，因此其处理方法有别于一般的数据挖掘。SDM是在没有明确假设的前提下去挖掘信息、发现知识，挖掘出的知识应具有事先未知、有效和实用三个特征。

2．空间数据挖掘的研究框架

国外Koperski等（1998）在Mathens等研究的基础上，提出了空间数据的挖掘模型，如图2-14所示。利用空间、非空间的等级概念、数据库方面的领域知识，用户能够控制知识发现中的每一步。经由空间索引和查询优化，数据被挖掘者获取并被聚焦模块进行数据的抽取和提炼，决定哪些数据和知识发现的目标相关，能够保证理想的结果。模式和规则的提取由模式抽取模块完成，结果的分析和评价由评估模块实现，用以去除冗余的知识，知识最后交于用户进行分析和评价。

图2-14 空间数据挖掘模型

（据Koperski，1998）

对比总结前人研究，周成虎等（2002）提出概念性SDM框架，如图2-15所示。SDM的基础是具有空间位置属性的空间数据库，这是它区别于其他DM工作之根本；提出的挖掘问题（任务）首先要经过数据库技术、领域相关的知识／规则进行信息提取（类似于图2-14的数据聚焦），形成与问题相关的信息库；在其基础上利用各种SDM方法进行挖掘，这是一个解决问题的过程，问题的答案可以是空间规律／知识、空间结构、时间过程等。我们强调，到此并不是SDM的终结，必须通过领域专家的分析验证、机理推求，形成一套知识／思想库，供空间决策使用。

图2-15 空间数据挖掘概念性框架