地理时空动态是地理客观世界永恒不变的研究主题。时空数据记录了地理现象在空间和时间上的行为与属性,蕴含着大量潜在的、有价值的时空知识。随着地理数据获取能力的提高以及现代社会对地理时空数据需求的不断扩大和需求层次的日益提高,地理现象和过程在时空上的结构模式、演化过程及相互作用的研究理论与方法,已经成为地理科学未来发展的重要方向。在这样的趋势下,人们日益关注地理时空数据中蕴含的潜在价值,迫切需要以地理时空信息挖掘的相关理论技术作为支撑,从多维、多尺度、多源的时空数据中探寻地理过程的时变规律和时空知识。作为地理空间表达的一种重要方式,地理对象(Geographic Object)在对地理时空过程涉及的空间、时间和属性信息进行描述的同时,也能够反映出其随时间变化而变化的时空状态与行为。然而,现有基于对象的研究大都忽略了地理简单对象到地理组合对象之间的层级结构关系,缺乏对从地理简单对象到地理组合对象抽象表达过程中各种语义、结构、空间关系及形态等特征的定义和抽取,对地理组合对象中蕴含的空间信息的提取能力有限。而在空间维度上,传统基于事件的时空数据模型(Event-based Spatiotemporal Data Model)和时空聚合模型(“Zone-Sequence-Process-Event”)能够较好地追踪具有“连续场”特征的地理时空现象,却不能反映地理现象的动态“离散(对象)”特征,对大量地理对象的追踪能力有限,很难捕捉到地理对象之间演变轨迹和时空演化关系,同时也难以实现对象间演变轨迹的可视化。在时间维度上,现有研究只关注统计层面的时域信息以及聚类模式下时域信息的空间分布,忽略了时域事变(Temporal Features或者Temporal Incidents)的提取及其与空间的关联性,缺乏对地理现象时域事变的空间属性与特征的获取,不能综合反映出时域事变在空间上的连续变化过程与空间扩散行为,更是缺乏相关的时域事变信息提取和可视化方法。针对以上不足,本研究以地理对象为基类,派生了三个对象:地理组合对象、时空对象和时域事变对象。在此基础上,提出了基于对象的时空演变分析与知识发现研究框架体系,建立了从地理简单对象到组合对象的抽象聚合以及层次表达体系,并基于对象分别对空间维和时间维上的时空过程进行过程追踪、轨迹重建和信息挖掘。本研究的主要内容和结论如下:(1)基于图论建立了从地理简单对象到组合对象抽象过程中涉及空间关系、形态特征以及语义特征的定义,并设计了一系列算法将这些特征、属性和关系集成于一种新的关系属性邻近图(Relational Attributed Neighborhood Graph)数据结构中,并成功应用在城市土地利用类型的自动分类实例中,取得了比传统分类方法更高的精度。本研究在总结从地理简单对象到组合对象的抽象过程和机制的基础上,基于图论,建立了一种新的关系属性邻近邻近图对简单对象和组合对象的层次体系和抽象过程进行定义和描述。该关系属性邻近图采用逻辑集合对地理对象之间的空间和语义结构进行表达,通过扩展关系集合、属性集合以及语义集合,对地理对象的外在和内部结构关系进行细致的表达,实现从简单、一阶的原始低级信息向组合、高阶的知识提取过渡。该模型首先根据对象之间的邻近拓扑关系建立了邻近图结构,采用中心度度量、邻近事件矩阵、连通性以及形态学等算法建立了多样的特征变量,利用随机森林对训练集进行训练建模后,最终实现对大范围组合对象语义的自动分类标记。本研究提出的关系属性邻近图结构成功地应用在了从土地覆盖类型(Land Cover)到土地利用类型(Land Use)的识别实例中,最终研究得到的平均分类精度达到86.60%。和传统的土地利用类型分类模型XRAG(eXtended Relational Attributed Graph)相比,该数据模型得到的分类精度提高了12%左右,并且具有更强的普适性。(2)提出了基于时空对象的“时空对象→时空序列→时空过程”(Spatiotemporal Objects→Spatio-temporal Sequences→Spatio-temporal Processes)时空分级表达框架,并在此基础上构建出时空路径和时空关系图,不仅能够挖掘地理现象的时空基本知识,重塑时空对象的演变轨迹,还能获取时空对象之间的时空演化关系。该时空分析框架成功应用在美国加州干旱的动态演变追踪中。针对传统基于事件的时空数据模型不能进行地理对象演变轨迹捕捉的缺陷,本研究通过融合“Zone-Sequence-Process-Event”时空聚合结构,提出了一种新的基于对象和事件的时空表达框架。该框架由三个不同时空聚合等级的时空结构组成:时空对象、时空序列和时空过程。通过定义地理对象在时空中的拓扑关系,基于时空拓扑运算和回溯拓扑检测算法分级提取了时空对象、时空序列和时空过程。在这三个时空结构中,时空对象之间的时空拓扑关系以及演变轨迹得到了清晰地表达和记录。随后,通过时空对象之间的时空连接关系构建出时空序列路径(Spatio-temporal Sequence Path)和时空过程路径(Spatio-temporal Process Path),并在GIS三维环境中(以Z轴作为时间轴)采用三维线对两种时空路径进行了三维可视化。根据时空路径中的时空拓扑关系,建立了有向的时空关系拓扑图(Spatio-temporal Graph),对时空对象之间的时空演化关系进行描述。最后,对上述框架进行了数据结构和存储的设计,并进行了物理实现。采用该研究框架对发生在美国加州2000年至2016年间的异常干旱和极度干旱事件进行了动态追踪分析。结果表明,本研究提出的基于对象和事件的时空分析框架不仅成功地提取出了干旱发生的起止时间、起始位置、持续时长、影响范围等基本时空属性,也成功地对干旱的移动轨迹和干旱对象之间的动态演变关系进行获取。与传统的干旱时空分析方法相比,本研究方法不仅支持大数据量干旱的自动时空演变追踪分析,也支持干旱时空信息和干旱三维移动路径的自动提取、展示与输出,同时也能够为对干旱过程的演化关系进行描述。(3)提出了时域事变对象(Temporal Feature Objects)和时域事变波(Temporal Feature Waves)概念,并设计了一系列新颖的数值计算以及自动提取算法,不仅可以获取地理现象时域事变的空间属性与特征,同时也可对时域事变的连续时空变化过程与空间扩散行为进行提取,建立了地理现象时态模式分析的理论基础与方法体系。在应用研究中,采用植被物候动态实例进行了该方法体系的验证。针对传统时域分析方法无法获取时域事变在空间上的分布特征与扩散行为的缺陷,本研究首次提出了“时域事变→时域事变对象→时域事变波”(Temporal Features→Temporal Feature Objects→Temporal Feature Waves)的研究思路。该方法是以时间维度为根基,将地理现象时间维度上所体现的时域事变直接表征于地理空间上,是分析地理现象时空模式的全新出发点。该方法首先采用Savizky-Golay滤波平滑法对时间序列进行平滑降噪,基于最小二乘法对平滑后的曲线进行逻辑斯蒂(Logistic)曲线拟合,随后通过求解曲率变化率得到不同空间位置上的时域事变。然后,采用Suzuki连通区域标记算法以及新提出的基于链码的五邻域轮廓跟踪算法对具有相同时域事变的邻近空间位置进行连通标记和轮廓提取,提取出时域事变对象。根据时域事变对象之间的时空邻近距离,本研究提出一种自适应的距离阈值聚类方法对时域事变对象进行聚类;在聚类的基础上,本研究进一步提出了基于Delaunay三角化的凹包(Concave Hull)构建算法和多边形主骨架线提取算法完成了时域事变波的提取。与现有时空分析手段不同,时域事变对象和时域事变波建立了时域事变与空间的关联,实现了地理时态过程的空间可视化以及空间扩散分析。本研究将该研究方法体系应用到美国阿拉斯加北坡的植被物候的动态分析中,提取了四种不同类型的物候时域事变对象以及对应的物候时域事变波,详细、准确地追踪了该地区植被物候的空间分布与空间扩散过程。与现有的植被物候分析方法相比,本研究方法不仅能够准确提取出植被物候的时域信息,准确地反映出植被物候时域事变的时空动态行为和规律,同时也解决了传统方法不能进行时域事变空间可视化的缺陷。(4)将上述新概念和新方法进行了算法和结构设计,并采用ArcObjects SDK for the Microsoft.NET Framework和C#编程语言进行了物理实现,最终形成“时空演变分析可视化原型系统”,用于本研究所有案例的自动分析与计算。