论文部分内容阅读
空间伴生模式(Spatial Co-location Patterns)是空间关联的一个特例,所谓空间伴生模式指根据空间邻近性原则频繁地聚集在一起的空间特征的集合。现有的空间伴生模式挖掘算法大多借鉴Apriori的思想,分“产生候选项集”和“检验”两个步骤实现伴生模式挖掘。算法在候选项集产生的过程中需要大量耗时的空间连接或实例链接操作来生成所有可能的行实例,且通常只能处理布尔型空间特征,无法有效地挖掘分类数据和连续型数据。本文在对传统空间伴生模式挖掘算法详细分析的基础上,针对现有算法无法处理分类或连续型数据和表实例生成效率低的问题,提出一种新的基于伴生模式行实例投影树(Co-location Pattern Row Instance Proiection-Tree,CPRIP-Tree)的空间伴生模式挖掘算法,并结合应用实例验证算法的有效性和实用性。主要研究内容和成果如下:(1)对空间伴生模式挖掘概念和相关基础理论进行简要介绍,对现有的空间伴生模式挖掘算法进行了系统的分析和评述,并详细分析了它们的优缺点;(2)从空间伴生模式挖掘算法的思想出发,重点分析了传统的基于Apriori的空间伴生模式行实例生成过程中存在的不足,提出了一种基于CPRIP-Tree的空间伴生模式挖掘算法。本算法通过平面扫描方法物化空间对象间的空间邻近关系,利用简单的实例查找方式生成空间伴生模式行实例,以此构建CPRIP-Tree挖掘频繁伴生模式;(3)以福建省沿海城市不同土地用地的土壤重金属化学元素污染的伴生现象为例,对基于CPRIP-Tree的算法进行示范应用研究,并结合行业背景对挖掘结果的现实意义进行解释,为相关行业部门决策提供重要的理论支持。