论文部分内容阅读
空间数据离散化主要研究如何将连续型空间数据转化为离散型空间数据,是空间分析领域一个重要而基础的研究问题。合理的空间数据离散化结果有助于优化空间数据可视化表达效果、改善空间分析方法的精度、提高空间分布现象理解和认知的准确性。目前,空间数据离散化基本上使用传统非空间数据离散化算法。与非空间数据相比,空间数据具有空间地理位置、拓扑、几何等地理空间特征。由于传统离散化算法未考虑空间数据的空间特征,当其直接应用于空间数据离散化时,其有效性往往会受到一定的限制。本文主要研究基于空间特征的空间数据离散化算法,结合空间特征监督空间数据离散化过程中最优断点集选取,弥补传统离散化算法直接应用于空间数据时空间信息缺失的不足,以获得更优的空间数据离散化结果。 针对空间数据离散化问题,本文开展了五方面的研究工作:(1)探讨非监督条件下如何进行空间数据离散化。以地理探测器模型为例,给出较优非监督离散化算法选择流程,对于非监督条件下的空间数据离散化具有一定的指导意义。(2)探讨非监督条件下,如何利用空间数据局部聚集特征获取较优空间数据离散化结果。提出基于LISA的空间数据离散化算法。该算法通过LISA获取空间数据的局部空间聚集特征,并利用局部空间聚集特征监督空间数据离散化。它可以克服传统非监督离散化算法需要预先设定离散化区间数的不足,避免了非监督离散化算法由于区间数设定不合理导致的离散化结果的不确定性。(3)提出基于空间邻接关系的空间数据监督离散化算法。该算法通过邻接矩阵度量空间数据的自相关性,并在空间自相关性度量的基础上,判断离散化过程中断点的重要性,以得到较优离散化结果。同时,本文以遥感影像数据为例,介绍了算法流程,并评价了算法的有效性。(4)提出基于变差函数的空间数据监督离散化算法。该算法考虑了空间数据的距离特征,通过变差度量空间数据的自相关性,并在空间自相关性度量的基础上,判断离散化过程中断点的重要性,以得到较优离散化结果。同样,以TM遥感影像数据为例,介绍了算法流程,并评价了算法的有效性。(5)提出基于空间分层的空间数据监督离散化算法。该算法考虑了空间数据的空间分布特征,利用空间分层的方法来度量空间数据的异质性,通过空间分层信息辅助监督空间数据离散化过程中断点的选取,并利用GA算法寻找较优断点集。以山西省和顺县出生缺陷数据为例介绍了基于空间分层的空间数据离散化算法的算法流程,并通过交叉验证的方式验证了离散化算法的有效性。