『壹』 院士專家談 - 時空大數據：地理信息產業融合發展必由之路
作 者 ：中國工程院院士 王家耀
地理信息產業是以現代測繪和地理信息系統、遙感、衛星導航定位等技術為基礎，以地理信息資源開發利用為核心，從事地理信息獲取、處理、應用的高技術服務業。自20世紀60年代地理信息系統提出以來，其應用逐漸拓展到多個行業，從產生、成長到壯大，地理信息產業發展取得了可喜成績。
當前，我國的經濟和 社會 發展已經進入新的 歷史 階段， 社會 主要矛盾已經轉化為人民日益增長的美好生活需要和不平衡不充分的發展之間的矛盾；以5G、雲計算、大數據、邊緣計算、物聯網等為代表的新技術快速發展，人工智慧技術也因深層神經網路的成功而獲得了巨大進步；隨著我國行政體制改革和自然資源管理體系的建立，地理信息產業已融入自然資源管理體系中。面對新的 社會 需求、新的技術進步和新的管理體系要求，亟待根據國家大政方針、 社會 生產需要、技術發展趨勢、產業發展規律，做好地理信息產業的工程技術、商業模式、產品類型的轉型升級與融合創新，進一步提高地理信息產業發展的質量和水平。
地理信息產業融合發展的驅動力——人工智慧
信息化的發展遵循從數字化到網路化再到智能化的規律，地理信息產業的發展亦如此，智能化是地理信息產業融合發展的高級階段。
「互聯網 」改變了地理信息產業發展的思維方式。「互聯網 」的本質是跨界融合。「基礎地理信息 」和「通用時空大數據平台 」的本質也是跨界融合。「 」是核心，提出跨界融合的解決方案是關鍵。只有這樣，才能更充分地發揮基礎地理信息和通用時空大數據平台的「基礎」和「通用」作用，實現地理信息產業到時空大數據產業的轉型升級。
雲計算具有的信息資源管理、處理和應用的「全面彈性」，可以支撐「地理信息產業」到「時空大數據產業」的轉型。時空大數據產業化需要超強計算能力的支持。雲計算作為一種新的計算模式，通過「池化」和「雲化」把數千台甚至上萬台機器都放在一個「池子」裡面，這是「資源彈性」；並在「資源彈性」即基礎設施即服務（IaaS）之上增加了一層「應用彈性」，包括平台即服務（PaaS）和軟體即服務（SaaS），以滿足時空大數據的「應用彈性」需求。雲計算支撐時空大數據處理的分布式、協作（同）化和智能化；通過任務分解，解決分布式問題；通過工作流重構，解決並行問題；通過演算法調度，解決協作（同）化問題。
時空大數據產業
——屬於第四產業的范疇
時空大數據，指基於統一時空基準活動或存在於時間和空間與位置直接或間接相關聯的大數據。據此，時空大數據由時空框架數據和時空變化數據兩大類數據組成。
時空框架數據指基於統一時空基準的衛星導航定位數據（含連續運行參考站 CORS數據）、遙感影像數據、地圖數據、地名數據等。時空變化數據包括 社會 經濟人文數據、位置軌跡數據、與位置相關聯的空間媒體數據、社交網路數據、搜索引擎數據、視頻觀測數據、生態環境監測數據等。時空變化數據聚合（關聯）在時空框架數據上，就構成了時空大數據。時空大數據具有位置、屬性、時間、尺度、解析度、多樣性、異構性、多維性、價值隱含性、快速性等特性。時空大數據產業，指以天空地海感測器網路為基礎，以時空信息「獲取（感測網） 處理（生產） 應用（服務）」為產業鏈，以人工智慧等新興信息技術為支撐，以數據密集型計算為特徵的知識密集型信息產業，屬於從第三產業中分離出來的第四產業的范疇。同地理信息產業相比較，時空大數據產業內涵要寬泛得多，規模要大得多，類型更具多維性和多樣性，知識更密集，速度更快，產品更加多樣化和個性化，其應用領域更加廣闊，具有良好的產業發展前景。
時空大數據產業化的核心
——時空大數據平台
時空大數據平台是時空大數據產業化的核心。
它是指把各種分散的和分割的大數據即時空框架數據和時空變化數據匯聚到一個特定的平台上，並使之發生持續的聚合效應。這種聚合效應就是通過數據多維融合和關聯分析與數據挖掘，揭示事物的本質規律，對事物做出更加快捷、更加全面、更加精準和更加有效的研判和預測。從這個意義上講，時空大數據平台是大數據的核心價值，是大數據發展的高級形態，是大數據時代的解決方案。從產業化的角度講，通用時空大數據平台是指將時空框架數據匯聚在一個特定平台上，利用這個平台生產軍民兩用的基礎測繪地理信息產品。
所謂「通用時空大數據平台+」模式，即以通用時空大數據平台作為框架，聚合民用、軍用的時空變化數據，分別構成時空大數據平台。「通用時空大數據平台+民用」模式，即將地方政府各部門各行業的政務、自然資源、規劃、交通、水利、管網、人口、經濟、人文、 社會 、醫療、教育、電力、公安等數據匯聚在通用時空大數據平台上，使之成為新型智慧城市的「智腦」，通過持續的聚合效應，生成各類（種）民用深加工知識產品，為政府綜合決策、各部門各行業和 社會 公眾提供智能化服務。
時空大數據產業化是通過時空大數據平台產業化實現的。因為時空大數據產業化是一個新問題，應該走一條從基礎研究起步的產業化創新之路。這條創新之路首先要研究和建立以數據科學為核心的時空大數據理論體系。目前，「數據科學」的邊界還不清晰，時空大數據理論研究薄弱，更未形成時空大數據的理論體系，而這是時空大數據產業化的基礎。因此，這條創新之路要研究和建立以「數據隱含價值 計算發現價值 應用實現價值」為核心，以「數據獲取（感測器網） 處理（生產） 應用（服務）」為產業鏈的時空大數據產業化技術體系。走在這條創新之路上的人，更要研究和設計包括軟體產品、硬體產品、軟硬體集成產品、各類（種）應用平台產品和數字產品在內的時空大數據產品體系。
總之，在當前全球數字經濟快速發展的大背景下，數字化的知識和信息作為關鍵生產要素，以數字技術為核心驅動力量，以現代信息網路為重要載體，通過數字技術與實體經濟深度融合，數字經濟能夠不斷提高經濟 社會 的數字化、網路化、智能化水平，以加速重構經濟發展與 社會 治理模式。地理信息產業作為處理位置數據的核心產業，可以積極推動其基於「通用時空大數據平台+」模式深度融入數字產業化、產業數字化、數字化治理與數據價值化領域，積極融入自然資源管理工作整體布局，主動引領以地理信息為基礎的新型智慧城市、實景三維中國、新型基礎測繪建設，推進地理信息產業向全產業鏈發展，擴大地理信息產品供給面，加大地理信息消費級產品研發，鼓勵新應用、培育新市場，讓地理信息產品通過生態建設、智慧管理、數字經濟服務國家戰略建設並惠及全 社會 ，從而促使地理信息產業向時空大數據產業的融合發展與轉型升級。
『貳』 什麼是時空大數據
時空大數據
spatio-temporal big data
時空大數據定義：基於統一時空基準（時間參照系和空間參照系）、活動（運動變化）在時間和空間中與位置直接（定位）或間接（空間分布）相關聯的大規模海量數據集。
相關名詞：大數據 科學大數據 場景大數據 遙感大數據 地質大數據 交通大數據
【時空大數據相關】
時空大數據除具有一般大數據的5V特徵外，還具有位置特徵、時間特徵、屬性特徵、尺度（解析度）特徵、多源異構特徵、多維動態可視化特徵。時空大數據的這些特徵，有助於時空大數據的分析與挖掘，揭示大數據的時間變化趨勢和空間分布規律。任何規律的得出，任何決策的作出，都必須依據一定時間、確定地點（地區）的大數據，即時空大數據，同時也給時空大數據的組織、存儲、管理和提取增加了難度。
時空大數據由時空框架數據和時空變化數據構成。時空框架數據一般相對變化較慢，包括時空基準數據、全球衛星導航定位（GNSS）與連續運行參考站（CORS）數據、空間大地測量與物理大地測量數據、遙感影像數據、數字地圖與地名數據、海洋測繪數據、世界海峽與通道數據等；時空變化數據一般變化快，包括社交網路數據、搜索引擎數據、視頻觀測數據、網路空間數據、位置軌跡數據、變化檢測數據、與位置相關的空間媒體數據、空間環境數據、海洋水文數據、社會經濟人文數據、部門行業數據等。時空大數據的核心，是將時空變化數據融合或關聯到時空框架數據上。
時空大數據的提出，反映了人們對大數據本質及其研究內容認識的豐富和深化，揭示了大數據的時空特性，明確了數據文化是尊重事實、強調精準、推崇理性和邏輯的科學文化，這是我國時空大數據發展的靈魂。時空大數據的研究，對我國大數據理論體系、技術體系、產品體系和應用服務模式的形成和創新發展具有重要的實踐意義，有助於形成數據驅動的大數據創新體系和發展模式，推動構建以數據為關鍵要素的數字經濟並形成現代經濟體系，運用大數據提升國家治理的現代化水平與促進保障和改善民生。（時空大數據相關：中國工程院院士、河南大學教授王家耀）
『叄』 數據處理
11.4.3.1基礎地理數據處理和組織
基礎地理數據全面反映了資料庫覆蓋范圍內自然地理條件和社會經濟狀況，可以用於國土資源遙感綜合調查中各個專題的空間定位基礎。本次遙感綜合調查的基礎地理數據由浙江省測繪局提供，比例尺為1∶25萬，採用經緯度坐標系統，文件記錄格式採用MapInfo的TAB格式。它以矢量數據結構描述了水系、等高線、境界、交通、居民地等地形要素，還包括地形圖要素間的空間關系及相關屬性信息。整套數據共分Areaboul（界線）、Villres（村駐地）、Townres（鄉鎮駐地）、Text（村、鄉鎮駐地注記）、Hydroano（水系、山峰、島嶼等注記）、Counres（縣級駐地）、Counano（縣級駐地注記）、Areares（市級駐地）、Areaano（市級駐地注記）、Bridglk（橋梁）、Mairoalk（高速、國省道公路）、Secroalk（縣鄉道公路）、Railk（鐵路）、Terlkla（等高線）、Respy（居民地）、Hydlk（線狀水系）、Hydnt（面狀水系）、Merbount（1∶25萬圖廓）、Counbou（縣級行政區域）、Areabou（市級行政區域）等共20層專題要素。
在數據進入GeoDatabase前，首先進行資料預處理，檢查1∶25萬基礎地形圖上各級行政區周界是否嚴格閉合，對不閉合周界要進行封閉處理；檢查圖上道路段、河流段的連貫性，並將同名線段連成整體，標注名稱；檢查漏、多點，漏、多線，點、線偏移等情況；檢查等高線的錯漏情況；檢查圖件上線條、符號、注記間的避讓和壓蓋情況，對不符合建庫要求的進行若干調整。
經過檢驗、修正的數據，還需要進行標准化處理。所謂標准化，就是指將數據整理為符合已制定的標準的過程，在這里主要是指進入GeoDatabase前的一些預處理，主要對各類數據項進行檢查，要求經過初步處理的數據達到類型統一，數字長度統一，計量單位和精度的統一等；並對缺項數據情況進行處理。
最後，將相應的數據進行邏輯分層歸類處理，每一個大類根據物理存儲的機制（GeoDatabase）和實體的類型（點、線、面、注記）進行圖層的劃分，將不同的矢量要素類組織為一個矢量要素數據集，將相同專題的要素歸類。例如水系數據的點、線、面類型的要素組織成同一個矢量要素數據集，將村駐地、村駐地注記、鄉鎮駐地、鄉鎮駐地注記、縣級駐地、縣級駐地注記、市級駐地、市級駐地注記等點要素組織成一個帶文本信息的點注記要素數據集。然後進行相應的投影變換和數據格式轉換處理。
11.4.3.2DEM數據處理和組織
本次系統建庫的DEM數據由基礎地理資料庫中的Terlkla（等高線）層直接在ArcInfo中生成，採用3″相同的解析度，按照ArcSDE Geodatabase的柵格數據集進行組織和存儲。
ArcSDE存儲柵格數據的方式與存儲幾何對象的方式相似。柵格數據存儲到ArcSDE資料庫時，被轉換成ArcSDE的特定格式，在ArcSDE的系統表、用戶表中，柵格數據被表示為許多小的二進制大對象（blob）或片（tile），在創建的商業表中增加一個柵格數據欄位，欄位名只要符合底層資料庫的命名規則，可以任意選取。該表中只允許創建一個柵格數據欄位，同時創建另外四張新表，表名分別為SDE-raster-9、SDE-blk—9、SDE-aux-9、SDE-bnd-9，同時在表RASTER-COLUMNS中增加相應記錄。在SDE-blk-9中存放實際影像的像元數據及其位置，SDE-bnd-9中存放像元尺寸。
11.4.3.3TM和ETM＋遙感影像處理和組織
全省1∶25萬TM和ETM＋遙感影像圖成果由本項目的相應子專題提供，其分幅與編號執行GB/T13989的規定，平面坐標系統採用1954年北京坐標系，投影採用高斯-克呂格投影。將全省所涉及的TM或ETM＋數據按照1∶25萬的精度鑲嵌拼接後，再把它轉入到GeoDatabase中去。ETM遙感影像在ArcSDE Geodatabase中的組織和存儲機理與DEM同。
另外，利用ArcToolBox工具裝載柵格數據，在輸入大數據量的遙感影像數據時，經常會出現對話框，提示磁碟空間不夠的錯誤信息。為了避免出現這種情況，本次數據建庫時還利用ArcSDE自帶的API函數，編制了特定的轉換程序，解決了大批量遙感影像數據入庫的問題。
11.4.3.4各個專題數據處理和組織
根據項目總設計書的要求，各個專題成果涉及到矢量圖形，其數據格式必須以Arc/Info E00文件格式提交。若用其他GIS系統生成的成果數據，則原則上必須轉換成Arc/Info EOO的數據格式後再提交，若所使用的GIS系統不能轉換成Arc/Info Coverage或EOO的數據格式，則使用dxf或GB17798-1999《地球空間數據交換格式》所規定的數據交換格式VCT提交成果。其中，以VCT形式提交的數據成果的，必須提交各點、線、面對應的識別碼或標識碼，各識別碼或標識碼必須與對應各專題資源成果圖的國標或行業編碼相同。
各個專題成果若還涉及到其他柵格數據格式，除原始TM數據外，其他遙感衛星數據、航空像片數據、專題解譯圖像均須以通用的.TIFF格式或ERDAS系統的.IMG格式提交，或使用GB17798-1999《地球空間數據交換格式》所規定的數據交換格式提交。《地球空間數據交換格式》中影像數據交換只是在標準的TIFF或BMP格式之外增加一個文本說明文件。
待以上專題成果中涉及到的空間信息轉換成統一的文件格式後，就可分別按照矢量要素數據集、柵格數據集的處理方式在ArcSDE Geodatabase進行入庫。
11.4.3.5元數據處理和組織
國土資源遙感綜合調查基礎資料庫的每一個子庫都有自己的元數據（Metedata），包括矢量和柵格數據元數據內容。它存放有關數據源、數據分層、產品歸屬、空間參考、數據質量（數據精度、評價）、數據、圖幅接邊方面等信息。元數據主要以文本和HTML或SGML方式存放。
元數據也是一種數據，在形式上與其他數據沒有區別。元數據的形式是與元數據內容標准相一致的數字形式，可以用多種方式建立、存儲和使用。文本文件是最基本的方法，便於傳輸給用戶；另一種方法是用文本鏈接標示語言（HTML）編寫的超文本文件，或可擴展標記語言（XML）方式，用戶可利用瀏覽器方式（Netscape Navigator、Internet Explorer）去查詢它們；還有一種方法是用通用標示語言（SGML）建立元數據（王家耀，2000）。
11.4.3.6邏輯資料庫的擴展
邏輯資料庫的擴展是整個系統的主要特點之一，它的意義在於用戶可以根據實際的應用需要，自定義自己的空間數據子庫，結合資料庫中的專題資料庫（包括土地利用現狀資料庫、主要礦產資源資料庫、地質災害環境資料庫、近海島嶼資料庫、海岸帶資料庫、地質構造及地殼穩定性資料庫、重點城市動態變遷資料庫等）製作應用針對性更強的其他專題數據。
『肆』 大數據時代空間數據挖掘的認識及其思考
引言
空間數據挖掘（Spatial Data Mining，SDM）即找出開始並不知道但是卻隱藏在空間數據中潛在的、有價值的規則的過程。具體來說，空間數據挖掘就是在海量空間數據集中，結合確定集、模糊集、仿生學等理論，利用人工智慧、模式識別等科學技術，提取出令人相信的、潛在有用的知識，發現空間數據集背後隱藏的規律、聯系，為空間決策提供理論技術上的依據[1]。
1.空間數據挖掘的一般步驟
空間數據挖掘系統大致可以分為以下步驟：
（1）空間數據准備：選擇合適的多種數據來源，包括地圖數據、影像數據、地形數據、屬性數據等。
（2）空間數據預處理和特徵提取：數據預處理目的是去除數據中的雜訊，包括對數據的清洗、數據的轉換、數據的集成等。特徵提取是剔除掉冗餘或不相關的特徵並將特徵轉化為適合數據挖掘的新特徵。
（3）空間數據挖掘和知識評估：採用空間數據挖掘技術對空間數據進行分析處理和預測，從而發現數據背後的某種聯系。然後結合具體的領域知識進行評估，看是否達到預期效果。
2.空間數據挖掘的方法研究
空間數據挖掘是一門綜合型的交叉學科，結合了計算機科學、統計學、地理學等領域的很多特性，產生了大量處理空間數據的挖掘方法。
2.1 空間關聯規則
關聯規則挖掘是尋找數據項之間的聯系，表達式形式是X→Y，其中X與Y是兩種不相交的數據項集，即X∩Y=？覫。KOPERSKI K等人將關聯規則與空間資料庫相結合，提出了空間關聯規則挖掘[2]。空間關聯規則將數據項替換為了空間謂詞，一般表達形式如下：
A1∧A2∧…∧An→B1∧B2∧…∧Bm（3）
令A=（A1，A2，…，An），B=（B1，B2，…，Bm），A和B分別表示Ai和Bj的謂詞集合，A和B可以是空間謂詞或非空間謂詞，但是必須至少包含一個空間謂詞且A∩B=？覫。SHEKHAR S和HUANG Y針對空間關聯規則的特點提出了把關聯規則的思想泛化成空間索引點集的空間同位規則的概念，在不違背空間相關性的同時用鄰域替換掉了事務[3]。時空關聯不僅涉及事件在空間中的關聯，還考慮了空間位置和時間序列因素。國內的柴思躍、蘇奮振和周成虎提出了基於周期表的時空關聯規則挖掘方法[4]。
2.2 空間聚類
空間聚類分析是普通聚類分析的擴展，不能完全按照處理普通數據的聚類分析方法來處理空間數據。由於存在地理學第一定律，即空間對象之間都存在一定的相關性，因此在空間聚類分析中，對於簇內的定義，要考慮空間自相關這一因素。通過對空間數據進行自相關分析，可判斷對象之間是否存在空間相關性，從而可合理判斷出對象是否可以分為一簇。
基本的聚類挖掘演算法有：
（1）劃分聚類演算法：存在n個數據對象，對於給定k個分組（k≤n），將n個對象通過基於一定目標劃分規則，不停迭代、優化，直到將這n個對象分配到k個分組中，使得每組內部對象相似度大於組之間相似度。
（2）層次聚類演算法：通過將數據不停地拆分與重組，最終把數據轉為一棵符合一定標準的具有層次結構的聚類樹。
（3）密度聚類演算法：用低密度的區域對數據對象進行分割，最終將數據對象聚類成為若干高密度的區域。
（4）圖聚類演算法：用空間結點表示每個數據對象，然後基於一定標准形成若乾子圖，最後把所有子圖聚類成一個包含所有空間對象的整圖，子圖則代表一個個空間簇。
（5）網格聚類演算法：把空間區域分割成具有多重解析度的和有網格結構特性的若干網格單元，在網格單元上對數據進行聚類。
（6）模型聚類演算法：藉助一定的數學模型，使用最佳擬合數據的數學模型來對數據進行聚類，每一個簇用一個概率分布表示。
僅採用一種演算法通常無法達到令人滿意的預期結果，王家耀、張雪萍、周海燕將遺傳演算法與K-均值演算法結合提出了用於空間聚類分析的遺傳K-均值演算法[5]。現實空間環境中，存在很多像道路、橋梁、河流的障礙物，張雪萍、楊騰飛等人把K-Medoids演算法與量子粒子群演算法結合進行帶有空間障礙約束的聚類分析[6]。
2.3 空間分類
分類，簡單地說是通過學習得到一定的分類模型，然後把數據對象按照分類模型劃分至預先給定類的過程。空間分類時，不僅考慮數據對象的非空間屬性，還要顧及鄰近對象的非空間屬性對其類別的影響，是一種監督式的分析方法。
空間分類挖掘方法有統計方法、機器學習的方法和神經網路方法等。貝葉斯分類器是基於統計學的方法，利用數據對象的先驗概率和貝葉斯公式計算出其後驗概率，選擇較大後驗概率的類作為該對象映射的類別。決策樹分類器是機器學習的方法，採取從上到下的貪心策略，比較決策樹內部節點的屬性值來往下建立決策樹的各分支，每個葉節點代表滿足某個條件的屬性值，從根節點到葉節點的路徑表示一條合適的規則。支持向量機也是機器學習的方法，思路是使用非線性映射把訓練數據集映射到較高維，然後尋找出最大邊緣超平面，將數據對象分類。神經網路是一種模擬人神經的網路，由一組連接的輸入和輸出單元組成，賦予各個連接相應的權值，通過調節各連接的權值使得數據對象得到正確分類。
針對融入空間自相關性的空間分類挖掘，SHEKHAR S等人使用空間自回歸模型和基於貝葉斯的馬可夫隨機場進行空間分類挖掘[7]，汪閩、駱劍承、周成虎等人將高斯馬爾可夫隨機場與支持向量機結合並將其用於遙感圖像的信息提取[8]。
2.4 其他空間挖掘方法
空間數據挖掘的方法多種多樣，其他還包括：空間分析的方法，即利用GIS的方法、技術和理論對空間數據進行加工處理，從而找出未知有用的信息模式；基於模糊集、粗糙集和雲理論的方法可用來分析具有不確定性的空間數據；可視化方法是對空間數據對象的視覺表示，通過一定技術用圖像的形式表達要分析的空間數據，從而得到其隱含的信息；國內張自嘉、岳邦珊、潘琦等人將蟻群演算法與自適應濾波的模糊聚類演算法相結合用以對圖像進行分割[9]。
3.結論
空間數據挖掘作為數據挖掘的延伸，有很好的傳統數據挖掘方法理論的基礎，雖然取得了很大進步，然而其理論和方法仍需進一步的深入研究。伴隨著大數據時代，面對越來越多的空間數據，提升數據挖掘的准確度和精度是一個有待研究的問題。同時現在流行的空間數據挖掘演算法的時間復雜度仍停留在O（nlog（n））~O（n3）之間，處理大量的異構數據，數據挖掘演算法的效率也需要進一步提高。數據挖掘在雲環境下已經得到很好的應用[10]，對於處理空間數據的空間雲計算是有待學者們研究的方向。大多數空間數據挖掘演算法沒有考慮含有障礙約束的情況，如何解決現實中障礙約束問題值得探討。帶有時間屬性的空間數據呈現出了一種動態、可變的空間現象，時空數據挖掘將是未來研究的重點。
由於數據挖掘涉及多種學科，其基本理論與方法也已經比較成熟，針對空間數據挖掘，如何合理地利用和拓展這些理論方法以實現對空間數據的挖掘仍將是研究人員們需要長期努力的方向。
參考文獻
[1] 李德仁，王樹良，李德毅.空間數據挖掘理論與應用（第2版）[M].北京：科學出版社，2013.
[2] KOPERSKI K， HAN J W. Discovery of spatial association rules in geographic information databases[C]. Procedings of the 4th International Symposium on Advances in Spatial Databases， 1995： 47-66.
[3] SHEKHAR S， HUANG Y. Discovering spatial co-location patterns： a summary of results[C]. Procedings of the 7th International Symposium on Advances in Spatial and Temporal Databases， 2001：236-256.
[4] 柴思躍，蘇奮振，周成虎．基於周期表的時空關聯規則挖掘方法與實驗[J]．地球信息科學學報，2011，13（4）：455-464.
[5] 王家耀，張雪萍，周海燕.一個用於空間聚類分析的遺傳K-均值演算法[J].計算機工程，2006，32（3）：188-190.
[6] Zhang Xueping， Du Haohua， Yang Tengfei， et al. A novel spatial clustering with obstacles constraints based on PNPSO and K-medoids[C]. Advances in Swarm Intelligence， Lecture Notes in Computer Science （LNCS）， 2010： 476-483.
[7] SHEKHAR S， SCHRATER P R， VATSAVAI R R， et al．Spatial contextual classification and prediction models for mining geospatial data[J]． IEEE Transactions on Multimedia， 2002， 4（2）：174-187.
[8] 汪閩，駱劍承，周成虎，等.結合高斯馬爾可夫隨機場紋理模型與支撐向量機在高解析度遙感圖像上提取道路網[J].遙感學報，2005，9（3）：271-275.
[9] 張自嘉，岳邦珊，潘琦，等.基於蟻群和自適應濾波的模糊聚類圖像分割[J].電子技術應用，2015，41（4）：144-147.
[10] 石傑.雲計算環境下的數據挖掘應用[J].微型機與應用，2015，34（5）：13-15.
來源 | AET電子技術應用