空间数据挖掘与发展趋势探讨
第２６页地理与地理信息科学第２４卷
库管理系统提供的索引、查询优化等功能获取的空间数据或非空问数据。第二层是空间数据挖掘系统，包括控制器、挖掘处理过程和初步发现的知识。挖掘处理过程是空间数据挖掘系统的核心，包括数据库接口、数据聚焦、模式提取和评估４个模块。其中，数据库接口是用户直接通过空间数据库或数据仓库管理工具交互地选取与任务相关的数据，并对查询和检索结果进行可视化分析和查询优化；数据聚焦是进行对象和属性抽取，得到用于模式识别的数据；模式提取主要运用统计学、机器学习、数据挖掘等技术发现规则和模式；评估是对挖掘的“知识”去除冗余信息。第三层是知识层，是知识的具体运用，如进行空间决策分析等，或将有用的知识通过知识库管理系统存人领域知识库，用于指导搜索或评估结果模式的兴趣度。第四层是用户界面，用多种方式（如可视化工具等）将获取的信息和发现的知识以便于理解的方式反馈给用户，用户也可以通过本地或网络控制空问数据挖掘的每一步。一般空问数据挖掘的多个过程相互连接，需要反复进行人机交互，才能得到令用户满意的结果‘１４１。
－Ｉ用户
本地ｌ局域网ｌ广域网Ｉ‘‘
空问数据挖掘图形界面
ｒ、
控制器ｌ
｛｝≤多｛｝｛≥
Ｉ空间数据库Ｉ数据库接口ｌｌ数据聚焦ＩＩ模式提取ＩＩ评估Ｉ
ｌ（空间数据仓｝空间数据结Ｈ对象和屈Ｈ统计学、机器学Ｈ结果验证＇｜
ｆ库）管理系统ｌ构查询优化ｌＩ性提取ｌＩ习、数据挖掘矧ｌ去除冗余ｌ
空间数｛日ｌ挖掘系统
ｔ■‘
ｌ知识运用ｌＩ知识库管理系统Ｉ
ｆ舂
领域知识库
图Ｉ一种空间数据挖掘的体系结构
Ｆｉｇ．１ＡａｒｃｈｉｔｅｃｔｕｒｅｏｆｓｐａｔｉａｌｄａｔａｍｉｎｊＩ嘻
２．２空间数据挖掘的基本过程
空间数据挖掘的目标是把大量的原始数据转换成有价值的知识，挖掘过程一般可分为［１４］数据清理、数据集成、数据选择、数据变换、空间数据挖掘、模式评估、知识表示等阶段（图２）。数据清理是消除原始数据的噪声或不一致数据；数据集成是将多种数据源组合在一起；数据选择是根据用户的要求从空间数据库中提取与空间数据挖掘相关的数据；数据变换是将数据统一成适合挖掘的形式；空间数据挖掘是运用选定的知识发现算法，从数据中提取用户所需的知识；模式评估是根据某种兴趣度度量并识别表示知识的真正有趣的模式；知识表示就是使用可视化技术和知识表示技术，向用户提供挖掘的知识。不难看出，空问数据挖掘实际上是一个人引导机器、机器帮助人的交互理解数据的过程。
图２空间数据挖掘的基本过程
Ｐｉｇ．２Ｔｈｅｇｅｒ蟹ｒａｌｐｒｏｃｅｓｓｏｆｓｐａｔｉａｌｄａｔａｍｉＩ－ｊｎｇ
３空间数据挖掘的发展趋势
由于空问数据具有海量、非线性、多尺度和模糊性等特点，从空间数据库中提取知识比从传统的关系数据库中提取知识更为困难，这给空间数据挖掘研究带来了挑战。空间数据挖掘在未来的发展中，还有很多理论和方法有待深入研究：１）空间数据挖掘算法和技术的研究瞰’２５］。空间关联规则挖掘算法、时间序列挖掘技术、空问同位算法、空间分类技术、空问离群算法等是空间数据挖掘研究的热点，同时提高空间数据挖掘算法的效率也很重要。２）多源空间数据的预处理［２６＿２８］。空问数据内容包括数字线划数据、影像数据、数字高程模型和地物的属性数据，由于其本身的复杂性与数据采集的困难，空间数据中不可避免地存在着空缺值、噪声数据及不一致数据，多源空间数据的预处理就显得格外重要。３）网络环境下的空间数据挖掘［２９１、可视化数据挖掘［３０，３１］、栅格矢量一体化空间数据挖掘、背景知识概念树的自动生成、基于空问不确定性（位置、属性、时间等）的数据挖掘、递增式数据挖掘、多分辨率及多层次数据挖掘、并行数据挖掘、遥感图像数据库的数据挖掘、多媒体空问数据库的知识发现等Ｆ３２一川。
可以预见，空间数据挖掘不仅会促进空间科学、计算机科学等的发展，而且必将增强人类认识世界、发现知识的能力，从而既５｜子地改造世界，服务人类社会。
参考文献：
［１］ＨＥＲＳＫＯＶＩＴＳＥＨ，ＧＥＲＲＩＮＧＪＰ．Ａｐｐｌｉｃａｔｉｏｎｏｆａｄａｔａ—ｍｉｎｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓｔｏｌｅｓｉｏｎ－－ｄｅｆｉｃｉｔａ．
ｎａｌｙｓｉｓ口］．ＮｅｕｒｏＩｍａｇｅ，２００３，１９（４）：１６６４－－１６７３．
［２］ＥＳＴＭＬＬ－－ＣＡＳＴＲＯＶ．ＬＥＥＬ
Ｃｌｕｓｔｅｒｉｎｇｗｉｔｈｏｂｓｔａｃｌｅｓ
ｆｏｒ
空间数据挖掘与发展趋势探讨
作者：徐胜华， 刘纪平， 胡明远， XU Sheng-hua， LIU Ji-ping， HU Ming-yuan
作者单位：徐胜华,刘纪平,XU Sheng-hua,LIU Ji-ping(中国测绘科学研究院,北京,10003912)， 胡明远,HU Ming-yuan(武汉大学测绘遥感信息工程国家重点实验室,湖北,武汉,430079)
刊名：
地理与地理信息科学
英文刊名：GEOGRAPHY AND GEO-INFORMATION SCIENCE
年，卷(期)：2008,24(3)
参考文献(34条)
1.HERSKOVITS E H;GERRING J P Application of a datamining method based on Bayesian networks to
lesion-defidt analysis[外文期刊] 2003(04)
2.ESTMLL-CASTRO V;LEE L Clustering with obstacles for geographical data mining[外文期刊] 2004(1-2)
3.KANEVSKI M;PARKIN R;POZDNUKHOV A Environrnental data mining and modeling based on machine learning algorithms and geostatistics[外文期刊] 2004(09)
4.李德仁;王树良;史文中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) 2001(06)
5.邸凯昌;李德仁;李德毅Rough集理论及其在GIS属性分析和知识发现中的应用[期刊论文]-武汉测绘科技大学学报 1999(01)
6.邸凯昌;李德仁;李德毅云理论及其在空间数据发掘和知识发现中的应用[期刊论文]-中国图象图形学报
1999(11)
7.MURRAY A T;WSTIVILL-CASTRO V Cluster discovery techniques for exploratory spatial data analysis 1998(05)
8.RAYMOND T N;HAN J CLARANS:A method for clustering objects for spatial data mining 2002(05)
9.BEGEJA L;DRUCKER H;GIBBON D Semantic data mining of short utterances[外文期刊] 2005(05)
10.KEIM D A;PANSE C;SIPS M Pixel based visual data mining of geo-spatial data[外文期刊] 2004(03)
11.孙连英;彭苏萍;张德政基于超图模型的空间数据挖掘[期刊论文]-计算机工程与应用 2002(11)
12.段晓君;杜小勇;易东云可视化数据挖掘技术及其应用[期刊论文]-计算机应用 2000(01)
13.ESTIVILL-CASTRO V;HOULE M E Robust distancebased clustering with applications to spatial data mining 2001(02)
14.周海燕空间数据挖掘的研究[学位论文] 2003
15.李德毅发现状态空间理论 1994(11)
16.李德仁;王树良;李德毅论空间数据挖掘和知识发现的理论与方法[期刊论文]-武汉大学学报（信息科学版）2002(03)
17.CHEN Y L;CHEN J M;TUNGC W A data mining approach for retail knowledge discovery with consideration of the effect of shelf-space adjacency on sales[外文期刊] 2006(03)
18.LEEA JT;HONGRW;KOWM Mining spatial association rules in image databases[外文期刊] 2007(07)
19.WANGW;YANG J;MuNTZ R An approach to active spatial data mining based on statistical information [外文期刊] 2000(05)
20.蒋良孝;蔡之华空问数据挖掘的回顾与展望 2003(06)
21.HAN J;KAMBER M;范明数据挖掘概念与技术 2001
22.MALONE J;MOGARRY K;BOWERMAN C Automated trend analysis of proteomics data using an intelligent
data mining architecture[外文期刊] 2006(01)
23.MATHEUS C J;CHAN P K;PIATETSKY-SHAPIRO G Systems for knowledge discovery in databases[外文期刊] 1993(06)
24.BUI E N;HENDERSON B L;VIERGEVER K Knowledge discovery from models of soil properties developed through data mining[外文期刊] 2006(3-4)
25.SANTOS M Y;AMARAI L A Mining geo-referenced data with qualitative spatial reasoning strategies[外文期刊] 2004(03)
26.HSU S C;CHIEN C F Hybrid data mining approach for pattern extraction from wafer bin map to improve yield in semiconductor manufacturing[外文期刊] 2007(01)
27.POULIOT J;BEDARD K;KIRKWOODD Reasoning about geological space:Coupling 3D GeoModels and topological queries as an aid to spatial data selection[期刊论文]-Computers & Geosciences 2008(05) 28.ZHANG S Y;ZHU Z Y Parallelism of spatial data mining based on autocorrelation decision tree[期刊论文]-Journal of Systems Engineering and Electmnics 2005(04)
29.BIRANTD;KUT A ST-DBSCAN:An algorithm for clustering spatial-temporal data[外文期刊] 2007(01)
https://www.sodocs.net/doc/328521212.html,PIETA P;DI MARTINO S;BERTOLOTTO M Exploratory spatio-temporal data mining and visualization[外文期刊] 2007(03)
31.DEMSAR U Investigating visual exploration of geospatial data,An exploratory usability experiment for visual data rninirig[外文期刊] 2007(05)
32.WANG C H Recognition of semiconductor defect patterns using spatial filtering and spectral clustering[外文期刊] 2008(03)
33.SPIELMAN S E;THILL J C Social area analysis,data mining,and GIS[外文期刊] 2008(02)
34.HEAUBOUEF T;PETRY F E;LADNER R Spatial data methods and vague regions,A rough set approach
2007(01)
本文读者也读过(10条)
1.王树良.WANG Shuliang空间数据挖掘视角[期刊论文]-清华大学学报（自然科学版）2006,46(z1)
2.胡彩平.秦小麟.HU Cai-Ping.QIN Xiao-Lin空间数据挖掘研究综述[期刊论文]-计算机科学2007,34(5)
3.王新洲.WANG Xinzhou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）2006,31(1)
4.贾泽露.刘耀林.张彤.JIA Zelu.LIU Yaolin.ZHANG Tong可视化交互空间数据挖掘原型系统设计与实现[期刊论文]-武汉大学学报（信息科学版）2006,31(10)
5.毕硕本.耿焕同.闾国年.BI Shuo-ben.GENG Huan-tong.LU Guo-nian国内空间数据挖掘研究进展与技术体系探讨[期刊论文]-地理信息世界2008,6(1)
6.马玉宝.李旸.丁仁源空间数据挖掘中的空间数据结构的研究[期刊论文]-安徽农业科学2010,38(21)
7.葛登科基于GIS的空间数据挖掘方法研究[学位论文]2010
8.王树良.WANG Shu-liang空间数据挖掘进展[期刊论文]-地理信息世界2009,7(2)
9.何彬彬.方涛.郭达志.HE Bin-bin.FANG Tao.GUO Da-zhi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2007,36(1)
10.秦昆.李振宇.杜鹢.QIN Kun.LI Zhenyu.DU Yi基于概念分析的空间数据挖掘研究进展[期刊论文]-地球信息科学学报2009,11(1)
引用本文格式：徐胜华.刘纪平.胡明远.XU Sheng-hua.LIU Ji-ping.HU Ming-yuan空间数据挖掘与发展趋势探讨[期刊论文]-地理与地理信息科学 2008(3)
空间数据挖掘工具浅谈_汤海鹏
第28卷第3期2005年6月 测绘与空间地理信息 G E O M A T I C S ＆S P A T I A LI N F O R M A T I O NT E C H N O L O G Y V o l .28,N o .3 J u n .,2005 收稿日期:2004-09-14 基金项目:国家重点基础研究发展规划(973)资助项目(2001C B 309404) 作者简介:汤海鹏(1979-),男,湖南沅江人,本科,主要从事信息化管理和信息化建设等方面的研究。 空间数据挖掘工具浅谈 汤海鹏1 ,毛克彪 2,3 ,覃志豪2,吴 毅 4 (1.公安部出入境管理局技术处,北京100741;2.中国农业科学院自然资源与农业区划研究所农业遥感实验室, 北京100081;3.中国科学院遥感所,北京100101;4.黑龙江乌苏里江制药有限公司,黑龙江哈尔滨150060) 摘要:数据挖掘是一个利用各种分析工具在海量数据中发现模型和数据间关系的过程,这些模型和关系可以 用来做出预测。空间数据挖掘有十分广阔的应用范围和市场前景,目前已出现大量的数据挖掘工具用于企业决策、科学分析等各个领域。文中对2个数据挖掘工具进行讨论,介绍它们的功能、所使用的技术以及如何使用它们来进行数据挖掘。 关键词:数据挖掘;空间数据挖掘;数据立方体;知识库引擎 中图分类号:P 208 文献标识码:A 文章编号:1672-5867(2005)03-0004-02 AS u r v e y o f D a t a Mi n i n g T o o l s T A N GH a i -p e n g 1 ,M A OK e -b i a o 2,3 ,Q I NZ h i -h a o 2 ,W UY i 4 (1.B u r e a uo f E x i t a n dE n t r y A d m i n i s t r a t i o n ,M i n i s t r y o f P u b l i c S e c u r i t y ,B e i j i n g 100741,C h i n a ;2.T h e K e y L a b o r a t o r y o f R e m o t e S e n s i n g a n d D i g i t a l A g r i c u l t u r e ,C h i n a A c a d e m y o f A g r i c u l t u r e R e m o t e S e n s i n g L a b o r a t o r y ,B e i j i n g 100081,C h i n a ; 3.I n s t i t u t eo f R e m o t e S e n s i n g A p p l i c a t i o n s ,C h i n e s e A c a d e m y o f S c i e n c e s ,B e i j i n g 100101,C h i n a ; 4.H e i l o n g j i a n g Wu s u l i j i a n g P h a r m a c e u t i c a l C o .L t d .,H a r b i n 150060,C h i n a ) A b s t r a c t : B e c a u s e o f c o m m e r c i a l d e m a n d s a n dr e s e a r c hi n t e r e s t ,a l l k i n d s o f s p a t i a l d a t a m i n i n g s o f t w a r e t o o l s e m e r g e .I n o r d e r t o g e t u s e o f t h e d a t a m i n i n g t o o l s ,t w o o f t h e ma r e i n t r o d u c e d i n t h i s p a p e r a n d m a k e p r o s p e c t o f i n t e g r a t i o n o f G I S ,R S ,G P S a n d d a t a m i n -i n g .K e yw o r d s :d a t a m i n i n g ;s p a t i a l d a t a m i n i n g ;d a t a c u b e ;d a t a b a s e e n g i n e 0 引 言 随着数据获取手段(特别是对地观测技术)及数据库 技术的快速发展,科研机构、政府部门在过去的若干年里都积累了大量的数据,而且,目前这些数据仍保持迅猛的增长势头。如此大量的数据已远远超过传统的人工处理能力,怎样从大量数据中自动、快速、有效地提取模式和发现知识显得越来越重要。数据挖掘与知识发现作为一个新的研究领域和新的技术正方兴未艾,用于从巨量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式[1～2],很好地满足了海量数据处理的需要。 具体应用中,数据挖掘工具很多。它们在功能和方法等方面差别很大。如何选择适合具体挖掘需求的工具,是进行挖掘工作必须考察的前提。选择某一工具时,应考虑数据类型,主要是考察工具能处理的数据:①关系 数据库的数据。包括数据仓库数据、文本文档、空间数据、 多媒体数据、W e b 数据等;②功能和方法。数据挖掘功能是数据挖掘工具(或系统)的核心,一些数据挖掘工具仅提供一种功能(如分类),另一些工具可能支持另外的挖掘功能(如描述、关联、分类、预测和聚类等);③其他考虑的方面如:系统问题、数据源、可伸缩性、可视化、数据挖掘查询语言和图形用户接口、工具和数据库或数据仓库系统等。 在众多的数据中,有近80%的数据可以通过空间关系表达。现在,通过卫星扫描地球,每天都能获得大量的关于地表的遥感图像。要从大量的数据中判读出每一个图片所潜藏的信息,就必然要用到数据挖掘技术。本文将通过介绍专业的航空遥感图像处理系统E r d a s 和D B -M i n e r 来阐述处理空间数据和关系数据的这一过程及这2种软件的特点。
未来网络发展趋势
未来网络发展趋势
随着技术的进步,特别是 IT 和 IP 技术的发展,以及电信,IT,媒体和消费电子等行业之间的 融合,电信业正面临着巨大的变革. 未来 3-5 年是电信业转型的关键时期.伴随着业务转型的需要,宽带化,分组化,融合(包括 产业融合,业务融合,网络融合)和移动化成为电信网络的主流趋势.All IP 架构,FMC 是未来网 络发展的目标,而 IMS,IP 电信化,无缝移动性和 NG-SDP 等技术,是支撑未来运营商完成转型的 核心技术.
业务发展趋势
在新的产业融合背景下,运营商以带宽出租(如批发和专线业务等)和语音服务为主的业务已 不能适应未来用户的需求和市场竞争的需要.随着全球信息化程度的提高,运营商需要开展新的业 务,即面向消费者用户的 Multi-play 业务和面向商业用户的 ICT 服务.其中,IPTV 是面向家庭用户 和消费者用户最重要的业务切入点和关键点.而以网络为依托,为方案设计,业务托管,业务外包, 业务咨询乃至商业流程外包等提供高水准的综合解决方案,是满足未来商业用户需求的关键.
运营商的商业模式将从"Bit Pipe"向"Service"转变.这表现在,面对消费者市场,其商业 模式从"分享用户的通讯消费(Share of communication minutes) "向"分享用户的所有消费行为 (Share of total consumer spending) "转变;面向商业用户市场,其商业模式从"提供租用线路" 向"帮助用户优化商业流程"转变.在这一转变的过程中,开放合作和价值链的整合能力成为运营 商致胜的关键.
校园基础地理空间数据库建设设计方案
校园基础地理空间数据库建设设计方案 遥感1503班第10组 （杨森泉张晨欣杨剑钢熊倩倩） 测绘地理信息技术专业 昆明冶金高等专科学校测绘学院 2017年5月
一．数据来源 二. 目的 三 .任务 四. 任务范围 五 .任务分配与计划六．小组任务分配七. E-R模型设计八．关系模式九．属性结构表十．编码方案
一．数据来源 原始数据为大二上学期期末实训数字测图成果（即DWG格式的校园地形图） 导入GIS 软件数据则为修改过的校园地形图 二．目的 把现实世界中有一定范围内存在着的应用数据抽象成一个数据库的具体结构的过程。空间数据库设计要满足用户需求，具有良好的数据库性能，准确模拟现实世界，能够被某个数据库管理系统接受。
三．任务 任务包括三个方面：数据结构、数据操作、完整性约束 具体为： ①静态特征设计——结构特性，包括概念结构设计和逻辑结构设计； ②动态特性设计——数据库的行为特性，设计查询、静态事务处理等应用程序； ③物理设计，设计数据库的存储模式和存储方式。 主要步骤：需求分析→概念设计→逻辑设计→物理设计 原则：①尽量减少空间数据存储冗余；②提供稳定的空间数据结构，在用户的需要改变时，数据结构能够做出相应的变化；③满足用户对空间数据及时访问的需求，高校提供用户所需的空间数据查询结果；④在空间元素间为耻复杂的联系，反应空间数据的复杂性；⑤支持多种决策需要，具有较强的应用适应性。 四、任务范围 空间数据库实现的步骤、建库的前期准备工作内容、建库流程 步骤：①建立实际的空间数据库结构；②装入试验性数据测试应用程序；③装入实际空间数据，建立实际运行的空间数据库。 前期准备工作内容：①数据源的选择；②数据采集存储原则；③建库的数据准备；④数据库入库的组织管理。 建库流程：①首先必须确定数字化的方法及工具；②准备数字化原图，并掌握该图的投影、比例尺、网格等空间信息；③按照分层要求进行
武汉大学空间数据库复习资料整理
《空间数据库原理》 第一章数据库 1、空间数据库：①提供结构用于存储和分析空间数据②空间数据由多维空间的对象组成③在标准数据库中存储空间数据需要大量的空间，从一个标准数据库中检索查询空间数据需要很多时间并且很累赘，通常导致很多错误。 2、DBMS:（数据的操作系统）一种操纵和管理数据库的大型软件，用于建立、使用和维护数据库。SDBMS：增加了处理空间数据功能的DBMS。①在它的数据模型中提供空间数据类型和查询语言②至少在执行时支持提供空间数据类型：空间索引；空间链接有效的算法。 在地理信息系统中为什么要研究专门的空间数据库系统？ 1.空间数据库能提供结构存储和空间数据分析 2.空间数据库包含多面空间的对象 3.在标准数据库中存储空间数据会需要过多的空间 4.标准数据库的查询反馈和空间数据分析会消耗过多时减并且留下大量错误空间 5.空间数据库能提供更多有效率的存储和空间数据分析 3、哈希（Hash）函数：一种将任意长度的消息压缩到某一固定长度的消息摘要的函数。 质数除余法（直接取余法）：f(x):=x mod maxM ;maxM一般是不太接近2^t的一个质数。 乘法取整法：f(x):=trunc((x/maxX)*maxlongit) mod maxM，主要用于实数。 平方取中法：f(x):=(x*x div 1000 ) mod 1000000);平方后取中间的，每位包含信息比较多。 第二章数据库基本原理 1、数据模型Data Model：关于数据基础或对象以及他们之间的关系的抽象描述被表示在一个数据库中。 3、概念数据模型：也称语义模型，关于实体和实体间联系的抽象概念集，用统一的语言描述、综合、集成的用户视图。 2、数据字典：是指对数据库的内容包括数据项和属性码定义，是元数据的重要组成部分。（是指对数据的数据项、数据结构、数据流、数据存储、处理逻辑、外部实体等进行定义和描述，其目的是对数据流程图中的各个元素做出详细的说明。） Metadata：是描述数据的数据，主要是描述数据属性的信息，用来支持如指示存储位置、历史数据、资源查找、文件记录等功能。 3、数据库设计和实现：①需求分析②概念数据建模③逻辑建模（参考DBMS和基础数据模型）④物理建模或者实现（参考物理存储和电脑环境）。 需求调查：根据数据库设计的主题对用户的需求进行调查，了解用户特点和要求，取得设计者与用户对需求的一致看法。需求分析：指的是在创建一个新的或改变一个现存的系统或产品时，确定新系统的目的、范围、定义和功能时所要做的所有工作。 4、E-R图：描述对象类型之间的关系，是表示概念模型的一种方式。 第三章基本空间概念 1、凸多边形：把一个多边形任意一边向两方无限延长成为一条直线，如果多边形的其他各边均在此直线的同旁，那么这个多边形就叫做凸多边形。 2、点集拓扑：一个基于相邻关系定义拓扑学空间的方法。 3、大圆距离：大圆距离指的是从球面的一点A出发到达球面上另一点B，所经过的最短路径（圆弧）的长度。 曼哈顿距离：两个点上在标准坐标系上的绝对轴距之总和。 4、欧式空间（欧几里德空间）：空间的坐标模型。作用：能将空间属性转化为以实数为元组的属性；坐标系包括一个确定的原点和在原点交叉的一对正交轴线。
互联网+未来发展趋势
互联网+未来发展的趋势 从现状来看，“互联网+”处于初级阶段，是个都在热谈但是没有落实的理论阶段。各领域针对“互联网+”都会做一定的论证与探索，但是大部分商家仍旧会处于观望的阶段。从探索与实践的层面上，互联网商家会比传统企业主动，毕竟这些商家从诞生开始就不断用“互联网+”去改变更多的行业，他们有足够的经验可循，可以复制改造经验的模式去探索另外的区域，继而不断的融合更多的领域，持续扩大自己的生态。 互联网+真正难以改造的是那些非常传统的行业，但是这不意味着传统企业不做互联网化的尝试。很多传统企业都在过去几年就开始尝试营销的互联网化，多是借助B2B、B2C等电商平台来实现网络渠道的扩建。更多的线下企业还停留在信息推广与宣传的阶段，甚至不会、不敢或者不能尝试网络交易方面的营销，因为他们找不到合适的方案来解决线下渠道与线上渠道的冲突问题。还有一些商家自搭商城，但是成功的不是太多。但是自创品牌，通过电商平台销售经营的服装及零食等商家已经摸索出了一条电商之路。 与传统企业相反的是，当前“全民创业”时代的常态下，与互联网相结合的项目越来越多，这些项目从诞生开始就是“互联网+”的形态，因此它们不需要再像传统企业一样转型与升级。“互联网+”正是要促进更多的互联网创业项目的诞生，从而无需再耗费人力、物力及财力去研究与实施行业转型。可以说，每一个社会及商业阶段都有一个常态以及发展趋势，“互联网+”提出之前的常态是千万企业需要转型升级的大背景，后面的发展趋势则是大量“互联网+”模式的爆发以及传统企业的“破与立”。 本文尝试结合互联网线上线下的常态，做一个“互联网+”发展趋势的预测，希望对正在关注“互联网+”的朋友有所启发。 趋势一：政府推动“互联网+”落实 “互联网+”是全国性的，就如“三个代表”一样，各地政府都会提出建设主方案，然后招标或者外包给能够帮助企业做转型的服务型企业去具体执行。在今后长期的“互联网+”实施过程中，政府将扮演的是一个引领者与推动者的角色。 一是发现那些符合政策并且做的好的企业并立为标杆，起到模范带头作用。 二是挖掘那些有潜力的企业，在将来能够发展成为“互联网+”型企业，算是案例。
模糊数学在数据挖掘领域综述
模糊数学在数据挖掘研究综述 一、模糊数学 关于数学的分类，根据所研究对象的确定性可以分为经典数学、随机数学以及模糊数学。三者的关系如图1所示。经典数学建立在集合论的基础上，一个对象对于一个集合要么属于，要么不属于，两者必居其一，且仅居其一，绝不可模棱两可，由于这个要求，大大限制了数学的应用范围，使它无法处理日常生活中大量的不明确的模糊现象与概念。随着发展,过去那些与数学毫无关系或关系不大的学科如生物学，心理学，等都迫切要求定量化和数学化。 图1依照研究对象是否确定的数学分类 在日常生活中，我们经常会遇到一些模糊不清的概念。例如，“高个子”、“矮个子”等。如果把1.80米的人算高个子，那么，身高1.76米的人算不算高个子呢？这就很难说，因为“高个子”，“矮个子”并没有二者明确的标准，因而这些概念就显得模糊不清。为了适应这些学科自身的特点，只有通过改造数学，使它应用的面更为广泛。模糊数学就是研究事物这种模糊性质的一门数学学科。 模糊数学诞生于1965年，创始人是美国自动控制专家查德，他最早提出了模糊集合的概念，引入了隶属函数。自诞生之日起，就与电子计算机息息相关。今天精确的数学计算当然是不可少的，然而，当我们要求脑功能的时候，精确这个长处反而成了短处。例如，我们在判别走过的人是谁时，总是将来人的高矮，胖瘦、走路姿势与大脑存储的样子进行比较，从而作出判断。一般说来，这不是件难事，即使是分别多年的老友，也会很快地认出他来，但是若让计算机做这件事，使用精确数学就太复杂了。得测量来人的身高、体重、手臂摆的角度以及鞋底对地面的正压力、磨擦力、速度、加速度等数据，而且非要精确到后几十位才肯罢休。如果有位熟人最近稍为瘦了或胖了一些，计算机就“翻脸不认了”。显然，这样的“精确”容易使人糊涂。由此可见，要使计算机能模拟人功能，一定程度的模糊是必要的。模糊数学就是在这样的背景下诞生的。 随机数学与模糊数学都是对不确定性量的研究，但与模糊数学不同的是，随机数学是研究随机现象统计规律性的一个数学分支，涉及四个主要部分：概率论、随机过程、数理统计、随机运筹。随机数学更强调对数据的统计规律；而模糊数学强调的是变量的定义的模糊性。 模糊数学是一门新兴学科，过去那些与数学毫不相关或关系不大的学科（如生物学、心理学、语言学、社会科学等）都有可能用定量化和数学化加以描述和处理，从而使数学的应用范围大大扩展。它已初步应用于模糊控制、模糊识别、模糊聚类分析、模糊决策、模糊评判、系统理论、信息检索、医学、生物学等各个方面，并且在气象、结构力学、控制、心理学等方面已有具体的研究成果。模糊数学最重要的应用领域是计算机职能，它与新一代计算机的研制有密切的联系。 二、模糊计算
未来十互联网十大发展趋势分析P
世界已被互联网占领，互联网未来10年将如何变化与发展? 1.互联网全球普及 根据国际电信联盟最近统计，全球互联网用户总数已经达到20亿人;而联合国公布的最新统计数字显示，世界人口在2011年底突破70亿大关。所以到2020年毫无疑问会有更多的人使用互联网。据国家科学基金会(National Science Foundation)预测，2020年前全球互联网用户将增加到50亿。联合国估计2020年世界人口将为75亿，大部分人将使用互联网。 2.互联网将成为物联网 到2020年，互联网预计将成为一个设备网络而不再只是一个计算机网络。根据CIA World Factbook 2009的统计，今天的互联网拥有大约5.75亿台主机电脑。而美国国家科学基金会则预计未来会有数十亿个传感器连接到互联网。在物联网上，每个人都可以应用电子标签将真实的物体上网联结。学校班车将接入互联网，父母可实时了解孩子上学或放学途中的情况。 3.互联网将成为无线网络 目前移动宽带网的用户已经呈现出爆发式增长的迹象，据Informa公司统计，2009年第二季度，全球移动宽带的用户数突破了2.57亿人。这表明3G，WiMAX等高速无线网络的普及率已经比去年同期增长了85%左右。近年来，亚洲地区是无线宽带网用户最多的地区，不过用户增长率最强劲的地区则是在拉丁美洲地区。按Informa预计，到2014年，全球无线宽带网的用户数量将提升到25亿人左右。 4.社交网络的巅峰 基于Web2.0技术的社交网络是万维网技术的最新应用，很大程度上改变了社会生态。Facebook自2004年2月4日上线以来，用户数量已经超过了已经超过了8亿，至今并未呈现出减缓的迹象，Facebook、LinkedIn、Twitter、Instagram以及Google+还会继续增长。美国新媒体公司Wetpaint联合创始人兼CEO本·埃洛维茨(Ben Elowitz)在TechCrunch撰文称，未来十年内，社交网络将与搜索引擎全面整合，成为一位不知疲倦的个人助理，为用户规划日常生活，提高决策效率。 5.SoLoMo将主导互联网 2010年，中国手机用户数量达到了7.38亿，全球手机用户数量已经超过了50亿。2011年5亿Facebook用户中有2亿为移动用户，活跃度比远高于台式机用户。未来十年内随着智能手机和平板电脑等移动终端的普及，进入移动互联网时代。 随着社交网络和移动互联网的兴起，Social(社交的)、Local(本地的)、Mobile(移动的)三概念的结合，也称社交本地移动，代表着未来互联网发展的趋势。LBS已经成为连接真实世界与虚拟网络的一道桥梁，SoLoMo将引领未来十年移动互联网走势。 6.互联网变得越来越轻 互联网正在变得越来越轻，意味着轻量、轻松、轻快、轻简、傻瓜化、碎片化，主要有四个方面。 智能手机、平板电脑等种种手持移动终端轻量化，人人都可随身携带一个图书馆。 微博(micro blogging)、轻博(light blogging)等新媒体的兴起，展示形式更加简洁、便捷，网络表达方式在变轻。 轻游戏崛起，网络娱乐方式轻简化，风靡全球的轻度社交类游戏《愤怒的小鸟》《偷菜》《抢车位》是多么的简单、轻松。 软件应用更轻了，从各种应用市场(App Store)里可以直接下载各种应用，不像以前那样需要拷贝光盘或软盘，还有许多是基于云服务的在线应用。 7.大数据时代 未来的十年将是一个“大数据”引领的智慧科技的时代。随着社交网络的逐渐成熟，移动带宽迅速提升，云计算、物联网应用更加丰富。更多的传感设备、移动终端接入到网络，由此产生的数据及增长速度将比历史上的任何时期都要多和快。 互联网上的数据流量，尤其是高清图像和高清视频流量，迅猛增长。2012年华为报告指出未来十年网络容量提升千倍，每个移动终端也会达到Gb级的连接速度。思科预计，到2012年，互联网每个月的流量将会增加44艾字节(exabyte，109GB)，仅每月的增量就是今天互联网流量的一倍多。 8.云计算大行其道 2009年，市场调研公司ABI Research在一份名为《移动云计算》的报告中提出，云计算不久将成为移动世界中的一股爆破力量，最终会成为移动应用的主导运行方式。根据Gartner的调查，到2015年，将有超过40%的CIO期望将其大部分IT运行在云中。 物联网也离不开云计算，物联网中的网络传输和管理服务就会利用到云计算。一位美国专家曾经预测说，全球只要5台计算机就可以满足人们的日常生活需要了。 9.语义网的春天 从20世纪80年代万维网之父蒂姆·伯纳斯-李(Tim Berners-Lee)提出万维网(WWW)构想以来，互联网进入飞速发展阶段。网络信息的沟通方式，从“人际交流”延伸至“人机交流”，语言科学与计算机科学结合的语义网，将是对目前互联网的一种扩展。 2010年Google收购了一家语义技术领先公司Metaweb。Metaweb运营着一个开放的语义信息数据库Freebase。Freebase和维基百科类似，不同的是，它完全专注于结构化数据及个人用户可行性操作。 2010年Facebook也公布了一个大规模的新平台Open Graph(开放图谱)，让Facebook里的每个物件都拥有独特的ID。通过Open Graph把其他社交网站建构的网络给连接起来，将创造一个更聪明、更与社交连接、更个人化也更具语意意识的网络。 10.虚拟世界脱胎换骨 作为将来的网络系统，林登实验室于2003年推出的第二生命(second life)得到了很多主流媒体的关注。Second Life是一个基于因特网的虚拟世界，2011年美国虚拟社区Second Life年收入达1亿美元。 第二人生在一个巨大的Debian服务器阵列上模拟了一个平面的，类似地球的世界，被称为Grid。平台只提供土地，土地上的一切由人自己决定，网民可以像建主页一样建设自己的“世界”，并能与其他人的“世界”相连，最终形成一个巨型的“虚拟世界”，全世界各 地的玩家可以相互交流。未来10年，虚拟世界将会得我们的现实生活更加数字化。 未来十年，将是移动互联网普及应用、云计算技术大行其道、SoLoMo占主导、虚拟世界脱胎换骨的十年。除了以上的变化，未来还有三网合一、网络电视、富媒体应用、电商社区化、带宽提速、实时搜索、3D互联网、5G技术、人工智能等各种趋势和突破。
大数据时代的空间数据挖掘综述
第37卷第7期测绘与空间地理信息 GEOMATICS ＆SPATIAL INFOＲMATION TECHNOLOGY Vol．37，No．7收稿日期：2014－01－22 作者简介：马宏斌（1982－），男，甘肃天水人，作战环境学专业博士研究生，主要研究方向为地理空间信息服务。 大数据时代的空间数据挖掘综述 马宏斌1 ，王 柯1，马团学 2（1．信息工程大学地理空间信息学院，河南郑州450000；2．空降兵研究所，湖北孝感432000） 摘 要：随着大数据时代的到来，数据挖掘技术再度受到人们关注。本文回顾了传统空间数据挖掘面临的问题， 介绍了国内外研究中利用大数据处理工具和云计算技术，在空间数据的存储、管理和挖掘算法等方面的做法，并指出了该类研究存在的不足。最后，探讨了空间数据挖掘的发展趋势。关键词：大数据；空间数据挖掘；云计算中图分类号：P208 文献标识码：B 文章编号：1672－5867（2014）07－0019－04 Spatial Data Mining Big Data Era Ｒeview MA Hong －bin 1，WANG Ke 1，MA Tuan －xue 2 （1．Geospatial Information Institute ，Information Engineering University ，Zhengzhou 450000，China ； 2．Airborne Institute ，Xiaogan 432000，China ） Abstract ：In the era of Big Data ，more and more researchers begin to show interest in data mining techniques again．The paper review most unresolved problems left by traditional spatial data mining at first．And ，some progress made by researches using Big Data and Cloud Computing technology is introduced．Also ，their drawbacks are mentioned．Finally ，future trend of spatial data mining is dis-cussed． Key words ：big data ；spatial data mining ；cloud computing 0引言 随着地理空间信息技术的飞速发展，获取数据的手 段和途径都得到极大丰富，传感器的精度得到提高和时空覆盖范围得以扩大，数据量也随之激增。用于采集空间数据的可能是雷达、红外、光电、卫星、多光谱仪、数码相机、成像光谱仪、全站仪、天文望远镜、电视摄像、电子 显微镜、CT 成像等各种宏观与微观传感器或设备，也可能是常规的野外测量、人口普查、土地资源调查、地图扫描、 地图数字化、统计图表等空间数据获取手段，还可能是来自计算机、 网络、GPS ，ＲS 和GIS 等技术应用和分析空间数据。特别是近些年来，个人使用的、携带的各种传感器（重力感应器、电子罗盘、三轴陀螺仪、光线距离感应器、温度传感器、红外线传感器等），具备定位功能电子设备的普及，如智能手机、平板电脑、可穿戴设备（GOOGLE GLASS 和智能手表等），使人们在日常生活中产生了大量具有位置信息的数据。随着志愿者地理信息（Volunteer Geographic Information ）的出现，使这些普通民众也加入到了提供数据者的行列。 以上各种获取手段和途径的汇集，就使每天获取的 数据增长量达到GB 级、 TB 级乃至PB 级。如中国遥感卫星地面站现在保存的对地观测卫星数据资料达260TB ，并以每年15TB 的数据量增长。比如2011年退役的Landsat5卫星在其29年的在轨工作期间，平均每年获取8．6万景影像，每天获取67GB 的观测数据。而2012年发射的资源三号（ZY3）卫星，每天的观测数据获取量可以达到10TB 以上。类似的传感器现在已经大量部署在卫 星、 飞机等飞行平台上，未来10年，全球天空、地空间部署的百万计传感器每天获取的观测数据将超过10PB 。这预示着一个时代的到来，那就是大数据时代。大数据具有 “4V ”特性，即数据体量大（Volume ）、数据来源和类型繁多（Variety ）、数据的真实性难以保证（Veracity ）、数据增加和变化的速度快（Velocity ）。对地观测的系统如图1所示。 在这些数据中，与空间位置相关的数据占了绝大多数。传统的空间知识发现的科研模式在大数据情境下已经不再适用，原因是传统的科研模型不具有普适性且支持的数据量受限， 受到数据传输、存储及时效性需求的制约等。为了从存储在分布方式、虚拟化的数据中心获取信息或知识，这就需要利用强有力的数据分析工具来将
基于arcsde的空间数据库的设计与建立
基于ArcSDE的空间数据库的设计与建立 摘要：随着地理信息系统的发展，传统的以文件形式管理、存储地理空间数据的方式已不能满足现在应用的需求。针对以上问题，本文通过arcsde对空间数据进行管理，使空间数据和属性数据统一存储在面向对象的关系型数据库（sql server）中，实现统一、高效的管理。 关键词：空间数据库；属性数据；arcsde 围绕空间数据的管理，前后出现了几种不同的空间数据管理模式：纯文件模式、文件结合关系型数据库的管理模式、全关系型数据库管理模式和面向对象的数据库管理模式。前两种方式都是将空间数据和属性数据分离存储，这样往往会产生诸多问题：1.空间数据与属性数据的连接太弱，综合查询效率不高，容易造成空间数据与属性数据的脱节；2.空间数据与属性数据不能统一管理，实质上是两套管理系统，造成资源的浪费和管理的混乱，数据一致性较难维护；3.由于空间数据不能统一在标准数据库里存放，造成空间数据不能在网上共享。而面向对象数据库管理系统技术还不够成熟，并且价格昂贵，目前在gis领域还不够通用。所以在较长时间内，还不能完全脱离现有关系型数据库来建设gis空间数据库。arcsde是esri公司提供的一个基于关系型数据库基础上的地理数据库服务器。同一些数据库厂商推出的在原有数据库模型上进行空间数据模型扩展的产品（如oracle spatial）不同，esri的arcsde 的定位则是空间数据的管理及应用，而非简单的数据库空间化。
1.系统目标 建成一个多级比例尺(100万、25万、5万、1万)矢量、栅格以及航空影像、遥感影像(tm,spot)的c/s结构基础地理空间数据库,便于对空间数据有效的管理、分发和应用。 2.总体设计方案 系统总体技术方案设计在充分考虑实际应用环境及应用需求的 基础上,结合考虑国际国内发展的主流趋势和平台产品的功能与性能来完成。 2.1技术路线 空间数据库建设应放弃数据文件式的管理方式,采用大型关系数据库管理系统(sql server)管理空间数据，arcsde作为sql server 2008和arc/info或其他地理信息系统软件的接口, vb/vc/delphi/java/c#为前端应用开发工具。其中，空间数据通过arcsde存储在sql server 2008数据库。arcsde是基于c/s计算模型和关系数据管理模式的一个连续的空间数据模型，借助这一模型,可将空间数据加入到数据库管理系统(rdbms)中去[1]。arcsde 融于rdmbs后,提供了对空间、非空间数据进行高效率操作的数据接口。由于arcsde采用c/s体系结构，大量用户可同时针对同一数据进行操作。arcsde提供了应用程序接口(api)，开发人员可将空间数据检索和分析功能集成到应用工程中去，以完成前端的应用开发,最终提供数据的存储、查询和分发服务。如图1所示： 图1结构图
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。
展望互联网的未来发展趋势
展望互联网的未来发展趋势 互联网的到来也许并不像电，不像火那样让人顿时感到光亮，但它的影响却是“润物细无声”式的，很多人把互联网单纯等同于网上冲浪，如果你问他，没有互联网的话他会怎样，他也许会拍拍胸脯说，大不了我不斗地主，不聊QQ，不去淘宝，不逛论坛……云云，而实际上，互联网的应用绝不仅仅止于此，如果某一天你不能从银行转账，不能预订机票，遇到解决不了的问题不能随时随地Google一下……你会不会觉得非常不习惯？所以我们知道，互联网已经成为越来越多人生活中无法缺少的一环，既然如此，我们就来做个预言家，看看互联网在未来会有哪些看得见想得出的发展趋势。 互联网将进入全民时代 在未来，使用互联网的人一定越来越多，虽然这看上去是废话一般，但却是个不争的事实，也许以前因为经济、文化等因素致使很多像我们父母那一代的人无法接受互联网，但如今九年义务教育已经让文盲越来越少，而且电脑以及宽带费用也都个顶个地往下跌，一切都不是问题了，全民互联网时代自然也就来了，就像国家科学基金会所预测，2020年前全球互联网用户将增加到50亿。 电子计算机将不再“一家独大” 现如今电脑仍然是人们互联网应用的主体设备，而未来，这种情况将会得到改变，取而代之的是更多的城市基础设备，据国家科学基
金会预计,未来会有数十亿个安装在楼宇桥梁等设施内部的传感器将会被连接到互联网上,人们将使用这些传感器来监控电力运行和安保状况等，据估计，这数量要远远超过用户数量，何况计算机乎。 无线化是必然趋势 现在人们的生活、工作圈子已经得到了前所未有的扩大，今天这里明天那里，所以无线网络大受青睐，而在未来，一定有过之而无不及。按Informa预计，到2014年，全球无线宽带网的用户数量将提升到25亿人左右，所以说无线化是必然趋势毫不为过。 互联网的网络管理将更加自动化 除了安全方面的漏洞之外，目前的互联网技术最大的不足便是缺乏一套内建的网络管理技术。国家科学基金会希望科学家们能够开发出可以自动管理互联网的技术，比如自诊断协议，自动重启系统技术，更精细的网络数据采集，网络事件跟踪技术等等。 互联网技术对网络信号质量的要求将降低 随着越来越多无线网用户和偏远地区用户的加入，互联网的基础架构也将发生变化，将不再采取用户必须随时与网络保持连接状态的设定。相反，许多研究者已经开始研究允许网络延迟较大或可以利用其它用户将数据传输到某位用户那里的互联网技术，这种技术对移动互联网的意义尤其重大。部分研究者们甚至已经开始研究可用于在行
人口分布空间数据库设计书
人口分布空间数据库设计书 1）概念设计 概念设计是通过对错综复杂的现实世界的认识与抽象，最终形成空间数据库系统及其应用系统所需的模型。 具体是对需求分析阶段所收集的信息和数据进行分析、整理，确定地理实体、属性及它们之间的联系，将各用户的局部视图合并成一个总的全局视图，形成独立于计算机的反映用户观点的概念模式。概念模式与具体的DBMS无关，结构稳定，能较好地反映用户的信息需求。 表示概念模型最有力的工具是E-R模型，即实体-联系模型，包括实体、联系和属性三个基本成分。用它来描述现实地理世界，不必考虑信息的存储结构、存取路径及存取效率等与计算机有关的问题，比一般的数据模型更接近于现实地理世界，具有直观、自然、语义较丰富等特点。 本设计书中的E-R模型如图1所示： 图1 E-R模型 2）逻辑设计 在概念设计的基础上，按照不同的转换规则将概念模型转换为具体DBMS支持
的数据模型的过程，即导出具体DBMS可处理的地理数据库的逻辑结构(或外模式)，包括确定数据项、记录及记录间的联系、安全性、完整性和一致性约束等。导出的逻辑结构是否与概念模式一致，能否满足用户要求，还要对其功能和性能进行评价，并予以优化。 2.1要素分类 我们制作、统计的地理信息数据应该提供准确、可靠、经得起专业部门检验的地理信息，这就要求测绘部门和相关专业部门应该有一致的地理要素的定义和分类体系。依据GB/T 13923-2006《基础地理信息要素分类与编码》将地理要素分为了地位基础、水系、居民地及设施、交通、管线、境界与政区、地貌、植被 2.2 数据层设计 GIS的数据可以按照空间数据的逻辑关系或专业属性分为各种逻辑数据层或 专业数据层，原理上类似于图片的叠置。在进行空间分析、数据处理、图形显示时，往往只需要若干相应图层的数据。 数据层的设计一般是按照数据的专业内容和类型进行的。数据的专业内容的类型通常是数据分层的主要依据，同时也要考虑数据之间的关系。如需考虑两类物体共享边界(道路与行政边界重合、河流与地块边界的重合)等，这些数据间的关系在数据分层设计时应体现出来。不同类型的数据由于其应用功能相同，在分析和应用时往往会同时用到，因此在设计时应反映出这样的需求，即可将这些数据作为一层。 本设计书中的数据层设计如表2所示： 表2 数据层设计 2.3关系数据表 本设计书中的关系数据表如表3-表6所示：
可视化空间数据挖掘研究综述
可视化空间数据挖掘研究综述 贾泽露1，2 刘耀林2 （1. 河南理工大学测绘与国土信息工程学院，焦作，454000；2. 武汉大学资源与环境科学学院，武汉，430079）摘要：空间数据挖掘针对的是更具有可视化要求的地理空间数据的知识发现过程，可视化能提供同用户对空间目标心理认知过程相适应的信息表现和分析环境，可视化与空间数据挖掘的结合是该领域研究发展的必然，并已成为一个研究热点。论文综述了空间数据挖掘和可视化的研究现状，重点阐述了空间数据挖掘中的可视化化技术及其应用，并对可视化空间数据挖掘的发展趋势进行了阐述。 关键词：数据挖掘；空间数据挖掘；数据可视化；信息可视化；GIS； 空间信息获取技术的飞速发展和各种应用的广泛深入，多分辨率、多时态空间信息大量涌现，以及与之紧密相关的非空间数据的日益丰富，对海量空间信息的综合应用和处理技术提出了新的挑战，要求越来越高。空间数据挖掘技术作为一种高效处理海量地学空间数据、提高地学分析自动化和智能化水平、解决地学领域“数据爆炸、知识贫乏”问题的有效手段，已发展成为空间信息处理的关键技术。然而，传统数据挖掘“黑箱”作业过程使得用户只能被动地接受挖掘结果。可视化技术能为数据挖掘提供直观的数据输入、输出和挖掘过程的交互探索分析手段，提供在人的感知力、洞察力、判断力参与下的数据挖掘手段，从而大大地弥补了传统数据挖掘过程“黑箱”作业的缺点，同时也大大弥补了GIS重“显示数据对象”轻“刻画信息结构”的弱点，有力地提高空间数据挖掘进程的效率和结果的可信度[1]。空间数据挖掘中可视化技术已由数据的空间展现逐步发展成为表现数据内在复杂结构、关系和规律的技术，由静态空间关系的可视化发展到表示系统演变过程的可视化。可视化方法不仅用于数据的理解，而且用于空间知识的呈现。可视化与空间数据挖掘的结合己成为必然，并已形成了当前空间数据挖掘1与知识发现的一个新的研究热点——可视化空间数据挖掘(Visual Spatial Data Mining，VSDM)。VSDM技术将打破传统数据挖掘算法的“封闭性”，充分利用各式各样的数据可视化技术，以一种完全开放、互动的方式支持用户结合自身专业背景参与到数据挖掘的全过程中，从而提高数据挖掘的有效性和可靠性。本文将对空间数据挖掘、可视化的研究概况，以及可视化在空间数据挖掘中的应用进行概括性回顾总结，并对未来发展趋势进行探讨。 一、空间数据挖掘研究概述 1.1 空间数据挖掘的诞生及发展 1989年8月，在美国底特律市召开的第一届国际联合人工智能学术会议上，从事数据库、人工智能、数理统计和可视化等技术的学者们，首次出现了从数据库中发现知识(knowledge discovery in database，KDD)的概念，标志着数据挖掘技术的诞生[1]。此时的数据挖掘针对的 作者1简介：贾泽露（1977,6－），男，土家族，湖北巴东人，讲师，博士，主要从事空间数据挖掘、可视化、土地信息系统智能化及GIS理论、方法与应用的研究和教学工作。 作者2简介：刘耀林(1960,9- ),男，汉族，湖北黄冈人，教授，博士，博士生导师，武汉大学资源与环境科学学院院长，现从事地理信息系统的理论、方法和应用研究和教学工作。
空间数据库建库复习资料
第一章 1.GIS的名词分析与推论 GIS概念：具有地理数据的采集、管理、分析、表达能力，能为决策者提供有用地理信息的系统。 推论1：地理信息系统采集的数据为空间数据，即具有空间位置，又具有属性特征。地理信息系统的数据库因此又称为空间数据库。 推论二：地理信息系统具有采集、管理、分析地理数据和表达地理信息的能力。包括空间数据库建设和空间数据库的应用两个层次。 推论三：地理信息系统包括计算机硬件、软件、数据、系统开发人员和用户，但由于处理和分析的是地理数据，因此，在通用的硬件、软件基础上，还有体现专业特点的硬、软件。 2.GIS空间数据体系 空间数据库：空间数据和属性数据的组织 矢量有混合式、扩展式和开放式
矢量数据的空间数据组织：空间坐标数据的非结构化和属性数据的结构化 栅格数据：像元阵列 3.GIS数据模型 矢量数据模型：简单数据结构（面条结构）：如Shapefile、拓扑数据结构：如Coverge、面向对象的数据模型：如Geodatabase 栅格数据模型：栅格文件常用格式：*.tif,*.jpg,*.bmp等。GIS中的栅格格式：ESRI 的Grid、Geodatabase的栅格数据集等。遥感图像的格式：PCI的* .pix，Erdas 的*.img等。 4.空间数据库设计核心 将现实世界抽象为GIS数据模型，这是数据库设计的核心。 5.名词解释： 面条结构：数据按点、线、面为单元进行组织，点、线、面都有自己的坐标数据。最典型的是面条结构。 拓扑数据结构：不仅存储空间位置，同时存储空间关系。 拓扑关联：指存在于空间图形的不同类型元素之间的拓扑关系。如结点与弧段、弧段与多边形。 第二章 1.名词解释： 数据词典：以词典的方式描述和定义E-R模型设计中出现和形成的实体、关系。数据模型匹配：实现将实体类型和特征类型（Coverage、Shapefile、Grid等）的匹配。 区：基于现有的面特征来描述复杂的区域如多个独立的多边形组成的区域、相互