尺度驱动的空间聚类理论
空间聚类是探索性空间数据分析的有力手段,不仅可以直接用于发现地理现象的分布格局与分布特征,亦可以为其他空间数据分析任务提供重要的预处理步骤.空间聚类有望成为大数据认知的突破口.空间聚类研究虽然已经引起了广泛关注,但是依然面临两大最根本的困境:“无中生有”和“无从理解”.“无中生有”指的是:绝大多数方法,即使针对不包含聚类结构的数据集,仍然会发现聚类;“无从理解”指的是:即使同一种聚类方法,采用不同的聚类参数就会获得千变万化的聚类结果,而这些结果的含义不明确.造成上述困境的根本原因在于:尺度没有在聚类模型中被当作重要参数而恰当地体现.为此,笔者受到人类视觉多尺度认知原理的启发,根据多尺度表达的“自然法则”,建立了一套尺度驱动的空间聚类理论.首先将尺度定量化建模为聚类模型的参数,然后将空间聚类的尺度依赖性建模为一种假设检验问题,最后通过控制尺度参数以自动获得统计显著的多尺度聚类结果.在该理论指导下,可以构建适用不同应用需求的多尺度空间聚类模型,一方面降低了空间聚类过程中的主观性,另一方面有利于对空间聚类模式进行全面而深入的分析.
地理现象 空间聚类 尺度驱动 视觉认知
李志林 刘启亮 唐建波
香港理工大学土地测量与地理资讯学系,香港九龙;西南交通大学高铁运营安全空间信息技术国家地方联合实验室,四川成都611756 香港理工大学土地测量与地理资讯学系,香港九龙;中南大学地理信息系,湖南长沙410083 中南大学地理信息系,湖南长沙410083
国内会议
2017测绘地理信息与导航高端论坛——《测绘学报》创刊60周年学术研讨会
深圳
中文
1534-1548
2017-10-01（万方平台首次上网日期，不代表论文的发表时间）