空间关联规则挖掘尺度优化的模型和算法

Spatial association is widely observed in natural events and socio-economic phenomena. Exploring the spatial relationships between geographic entities/events is important to understand geographic patterns and to predict geographic events. Spatial heterogeneity and spatial scale are the two key and common elements that should be considered in geographical analysis and spatial data mining. For example, the result from spatial association analysis may not only demonstrate localized, or spatially varied, characteristics but also depend on the scale at which the analysis is conducted, meaning that the discovered patterns would be different as the scales change. However, most existing studies on spatial association mining do not consider such a scale effect and thus present no scale information in the ultimate result, which makes it hard for decision makers to apply the analyzed patterns into practice. Therefore, based on the understanding of spatial scale effect and possible spatial variations in the scale effect, the current research proposal aims to investigate such models and algorithms that support scale optimization in spatial association mining. The main topics covered in this proposed project include, 1) conducting systematic modeling of scale effect in spatial association mining, 2) designing high efficient algorithms for implementing the proposed model intending to discover the scale effect in spatial associations, 3) visualizing the discovered patterns, optimized scales at which most significant association patterns are present, and spatially varied distribution of the extracted optimized scales in heterogeneous environment, 4) showcasing the study by comparing the results from the proposed model and algorithm and traditional models without considering the scale effect in typical grassland ecosystems in Inner Mongolia. We expect that the outcome from the project will not only extend the applications in spatial data mining, but more importantly provide an effective tool for studies intending to discover associations among different spatial events in many complex ecosystems.

探索地理现象（事件）间的关联，预测地理事件的发生与演化，一直是地理学研究的重要目标。空间异质和空间尺度是地理分析考虑的必要前提，异质地理环境下，空间关联规则挖掘结果，受分析尺度制约，表现在空间尺度不同，关联规则挖掘结果有异。现有研究未将空间尺度纳入到挖掘模型中，使关联规则缺少尺度支持信息，给地理决策带来不确定性。本项目针对空间关联规则普遍表现的异质性和尺度依存，结合已有关联规则挖掘成果、空间统计学及空间关系建模，深入研究空间关联规则挖掘尺度优化的模型及算法，主要内容有：①空间关联规则挖掘的尺度优化模型；②空间关联规则挖掘尺度优化算法；③优化尺度提取及结果表达；④实践验证。通过本研究，可系统地给出空间关联规则挖掘尺度依存及尺度优化的理论和方法，为有效提取优化尺度、充分挖掘关联规则、正确解析关联规则尺度依存特征，提供技术手段，也为众多地理学研究中挖掘地理现象间的空间关联模式提供实用分析工

对地理现象（事件）间的关联，预测地理事件的发生与演化的探索，一直是地理学研究的重要目标。空间异质和空间尺度是地理分析考虑的必要前提，异质地理环境下，空间关联规则挖掘结果，受分析尺度制约，表现在空间尺度不同，关联规则挖掘结果有异。现有研究未将空间尺度纳入到挖掘模型中，使关联规则缺少尺度支持信息，给地理决策带来不确定性。本项目针对空间关联规则普遍表现的异质性和尺度依存，结合已有关联规则挖掘成果、空间统计学及空间关系建模，系统研究了空间关联规则挖掘尺度优化的模型及算法，主要内容有：①空间关联规则挖掘的尺度优化模型；②空间关联规则挖掘尺度优化算法；③优化尺度提取及结果表达；④实践验证。.本项目研究的主要成果如下：①系统研究了空间关联强度测度模型，给出了空间关联规则的尺度-关联特征函数理论、建立空间关联测度依尺度而变的特征关系，解决空间关联规则的尺度依存、获取强关联模式优化尺度的分析模型。②针对海量地理空间数据集，从算法实现上，提出基于并行计算及增量式关联模式计算方法，解决了尺度动态变化中的增量式关联规则挖掘算法优化，有效支持从尺度-关联特征函数中计算优化尺度及其空间异质分布。③完成了空间关联尺度优化的在线计算方法，并应用到生态系统、城市特征变化的动态展示中。④在遥感数据信息提取、城市变化领域，基于邻域尺度分析，提出尺度优化的景观指数计算，确定了用以表征要素的分布差异的指标以及用以表征尺度和密度差异的指标，显著提高景观破碎度结果表达的精确性。 基于优化尺度分析，应用全球生态系统固碳分析，首次成功绘制出土地管理措施优化可带来的植被固碳潜力通量图。.通过本研究提出的空间关联规则挖掘尺度依存及尺度优化的理论和方法，能有效提取优化尺度、充分挖掘关联规则，定量解析关联规则尺度依存的关系特征，在生态系统时空变化的因果关系分析、城市规划等地理学研究中，为挖掘地理现象间的空间关联模式提供实用分析工具。