传统空间关联模式发现以空间图形的原始形态作为发现对象,提前依据待发现数据及发现目标建立谓词表作为发现逻辑,并且事务化的过程需要跨图层联合搜索。这种方法会造成:1)所发现的空间关联模式忽略空间现象的面积因素,无论大小均被当作单次出现。2)以谓词表作为邻域搜索逻辑,致使发现结果为提前建立谓词关系的组合,一旦谓词关系有遗漏,将会导致关联模式遗漏。基于以上问题,本文提出一种不依赖于空间谓词的关联模式发现方法,该方法首先对待发现数据进行多尺度格网化表达,然后选择合适的格网尺度,使用N×N掩膜对格网化表达的结果进行顺序扫描以得到对应的空间事务数据库。然后针对空间现象属性的不确定性,将传统Apriori算法去除部分属性间的自连接,对事务数据库进行关联模式发现,提取出有价值的空间关联模式。最后,以山西省晋城市长河流域为实证研究区,收集流域内耕地、地形、采煤相关等数据,以耕地为主题应用本方法抽取出有价值的关联模式。格网化过程共生成覆盖研究区的64mX64m格网28 434个,并给出格网化表达的定量误差,各数据层格网化误差均在5%以内。事务化过程以耕地为主因子,产生记录38 310条记录,并以同位模式验证了基于格网化表达的事务化方法精度。选取部分置信度较高的关联模式进行分析:发现结果符合长河流域矿农复合区背景下耕地相关的先验知识;该方法能有效提取空间数据及其属性信息中潜在的关联模式,提高了挖掘过程自由度和结果的兴趣度。