关联性gis技术 arcgis 关联

GIS基本技术有哪些？

引言

创新互联是专业的宁远网站建设公司，宁远接单;提供成都网站建设、网站制作,网页设计,网站设计,建网站,PHP网站建设等专业做网站服务;采用PHP框架,可快速的进行宁远网站开发网页制作和功能扩展;专业做搜索引擎喜爱的网站,专业的做网站团队,希望更多企业前来合作!

地理信息系统(Geographic Information System，简称GIS)是计算机科学、地理学、测量学、地图学等多门学科综合的技术[1]。GIS的基本技术是空间数据库、地图可视化及空间分析，而空间数据库是GIS的关键。空间数据挖掘技术作为当前数据库技术最活跃的分支与知识获取手段，在GIS中的应用推动着GIS朝智能化和集成化的方向发展。

1 空间数据库与空间数据挖掘技术的特点

随着数据库技术的不断发展和数据库管理系统的广泛应用，数据库中存储的数据量也在急剧增大，在这些海量数据的背后隐藏了很多具有决策意义的信息。但是，现今数据库的大多数应用仍然停留在查询、检索阶段，数据库中隐藏的丰富的知识远远没有得到充分的发掘和利用，数据库中数据的急剧增长和人们对数据库处理和理解的困难形成了强烈的反差，导致“人们被数据淹没，但却饥饿于知识”的现象。

空间数据库(数据仓库)中的空间数据除了其显式信息外，还具有丰富的隐含信息，如数字高程模型〔DEM或TIN〕，除了载荷高程信息外，还隐含了地质岩性与构造方面的信息；植物的种类是显式信息，但其中还隐含了气候的水平地带性和垂直地带性的信息，等等。这些隐含的信息只有通过数据挖掘才能显示出来。空间数据挖掘（Spatial Data Mining，简称SDM），或者称为从空间数据库中发现知识，是为了解决空间数据海量特性而扩展的一个新的数据挖掘的研究分支，是指从空间数据库中提取隐含的、用户感兴趣的空间或非空间的模式和普遍特征的过程[2]。由于SDM的对象主要是空间数据库，而空间数据库中不仅存储了空间事物或对象的几何数据、属性数据，而且存储了空间事物或对象之间的图形空间关系，因此其处理方法有别于一般的数据挖掘方法。SDM与传统的地学数据分析方法的本质区别在于SDM是在没有明确假设的前提下去挖掘信息、发现知识，挖掘出的知识应具有事先未知、有效和可实用3个特征。

空间数据挖掘技术需要综合数据挖掘技术与空间数据库技术，它可用于对空间数据的理解，对空间关系和空间与非空间关系的发现、空间知识库的构造以及空间数据库的重组和查询的优化等。

2 空间数据挖掘技术的主要方法及特点

常用的空间数据挖掘技术包括：序列分析、分类分析、预测、聚类分析、关联规则分析、时间序列分析、粗集方法及云理论等。本文从挖掘任务和挖掘方法的角度,着重介绍了分类分析、聚类分析和关联规则分析三种常用的重要的方法。

2.1、分类分析

分类在数据挖掘中是一项非常重要的任务，目前在商业上应用最多。分类的目的是学会一个分类函数或分类模型(也常常称作分类器)，该模型能把数据库中的数据项映射到给定类别中的某一个。分类和我们熟知的回归方法都可用于预测，两者的目的都是从历史数据纪录中自动推导出对给定数据的推广描述，从而能对未来数据进行预测。和回归方法不同的是，分类的输出是离散的类别值，而回归的输出则是连续的数值。二者常表现为一棵决策树，根据数据值从树根开始搜索，沿着数据满足的分支往上走，走到树叶就能确定类别。空间分类的规则实质是对给定数据对象集的抽象和概括，可用宏元组表示。

要构造分类器,需要有一个训练样本数据集作为输入。训练集由一组数据库记录或元组构成,每个元组是一个由特征(又称属性)值组成的特征向量,此外,训练样本还有一个类别标记。一个具体样本的形式可为:( v1, v2, ..., vn; c )；其中vi表示字段值，c表示类别。

分类器的构造方法有统计方法、机器学习方法、神经网络方法等等。统计方法包括贝叶斯法和非参数法(近邻学习或基于事例的学习)，对应的知识表示是判别函数和原型事例。机器学习方法包括决策树法和规则归纳法，前者对应的表示为决策树或判别树，后者则一般为产生式规则。神经网络方法主要是反向传播（Back-Propagation,简称BP）算法，它的模型表示是前向反馈神经网络模型(由代表神经元的节点和代表联接权值的边组成的一种体系结构)，BP算法本质上是一种非线性判别函数[3]。另外，最近又兴起了一种新的方法:粗糙集(rough set)，其知识表示是产生式规则。

不同的分类器有不同的特点。有三种分类器评价或比较尺度：1) 预测准确度；2) 计算复杂度；3) 模型描述的简洁度。预测准确度是用得最多的一种比较尺度，特别是对于预测型分类任务，目前公认的方法是10番分层交叉验证法。计算复杂度依赖于具体的实现细节和硬件环境，在数据挖掘中，由于操作对象是海量的数据库，因此空间和时间的复杂度问题将是非常重要的一个环节。对于描述型的分类任务，模型描述越简洁越受欢迎。例如，采用规则归纳法表示的分类器构造法就很有用，而神经网络方法产生的结果就难以理解。

另外要注意的是，分类的效果一般和数据的特点有关。有的数据噪声大，有的有缺值， 有的分布稀疏，有的字段或属性间相关性强，有的属性是离散的而有的是连续值或混合式的。目前普遍认为不存在某种方法能适合于各种特点的数据。

分类技术在实际应用非常重要，比如：可以根据房屋的地理位置决定房屋的档次等。

2. 2 聚类分析

聚类是指根据“物以类聚”的原理，将本身没有类别的样本聚集成不同的组，并且对每一个这样的组进行描述的过程。它的目的是使得属于同一个组的样本之间应该彼此相似，而不同组的样本应足够不相似。与分类分析不同，进行聚类前并不知道将要划分成几个组和什么样的组，也不知道根据哪些空间区分规则来定义组。其目的旨在发现空间实体的属性间的函数关系，挖掘的知识用以属性名为变量的数学方程来表示。聚类方法包括统计方法、机器学习方法、神经网络方法和面向数据库的方法。基于聚类分析方法的空间数据挖掘算法包括均值近似算法[4]、CLARANS、BIRCH、DBSCAN等算法。目前，对空间数据聚类分析方法的研究是一个热点。

对于空间数据，利用聚类分析方法，可以根据地理位置以及障碍物的存在情况自动地进行区域划分。例如，根据分布在不同地理位置的ATM机的情况将居民进行区域划分，根据这一信息，可以有效地进行ATM机的设置规划，避免浪费，同时也避免失掉每一个商机。

2.3 关联规则分析

关联规则分析主要用于发现不同事件之间的关联性，即一事物发生时，另一事物也经常发生。关联分析的重点在于快速发现那些有实用价值的关联发生的事件。其主要依据是：事件发生的概率和条件概率应该符合一定的统计意义。空间关联规则的形式是X－＞Y[S%，C%]，其中X、Y是空间或非空间谓词的集合，S%表示规则的支持度，C%表示规则的置信度。空间谓词的形式有3种：表示拓扑结构的谓词、表示空间方向的谓词和表示距离的谓词[5]。各种各样的空间谓词可以构成空间关联规则。如，距离信息（如Close_to(临近)、Far_away(远离)）、拓扑关系（Intersect（交）、Overlap（重叠）、Disjoin(分离)）和空间方位（如Right_of(右边)、West_of(西边)）。实际上大多数算法都是利用空间数据的关联特性改进其分类算法，使得它适合于挖掘空间数据中的相关性，从而可以根据一个空间实体而确定另一个空间实体的地理位置，有利于进行空间位置查询和重建空间实体等。大致算法可描述如下：(1)根据查询要求查找相关的空间数据；(2)利用临近等原则描述空间属性和特定属性；(3)根据最小支持度原则过滤不重要的数据；(4)运用其它手段对数据进一步提纯(如OVERLAY)；(5)生成关联规则。

关联规则通常可分为两种：布尔型的关联规则和多值关联规则。多值关联规则比较复杂，一种自然的想法是将它转换为布尔型关联规则，由于空间关联规则的挖掘需要在大量的空间对象中计算多种空间关系，因此其代价是很高的。—种逐步求精的挖掘优化方法可用于空间关联的分析，该方法首先用一种快速的算法粗略地对一个较大的数据集进行一次挖掘，然后在裁减过的数据集上用代价较高的算法进一步改进挖掘的质量。因为其代价非常高，所以空间的关联方法需要进一步的优化。

对于空间数据，利用关联规则分析，可以发现地理位置的关联性。例如，85%的靠近高速公路的大城镇与水相邻，或者发现通常与高尔夫球场相邻的对象是停车场等。

3 空间数据挖掘技术的研究方向

3.1 处理不同类型的数据

绝大多数数据库是关系型的，因此在关系数据库上有效地执行数据挖掘是至关重要的。但是在不同应用领域中存在各种数据和数据库，而且经常包含复杂的数据类型，例如结构数据、复杂对象、事务数据、历史数据等。由于数据类型的多样性和不同的数据挖掘目标，一个数据挖掘系统不可能处理各种数据。因此针对特定的数据类型，需要建立特定的数据挖掘系统。

3.2 数据挖掘算法的有效性和可测性

海量数据库通常有上百个属性和表及数百万个元组。GB数量级数据库已不鲜见，TB数量级数据库已经出现，高维大型数据库不仅增大了搜索空间，也增加了发现错误模式的可能性。因此必须利用领域知识降低维数，除去无关数据，从而提高算法效率。从一个大型空间数据库中抽取知识的算法必须高效、可测量，即数据挖掘算法的运行时间必须可预测，且可接受，指数和多项式复杂性的算法不具有实用价值。但当算法用有限数据为特定模型寻找适当参数时，有时也会导致物超所值，降低效率。

3.3 交互性用户界面

数据挖掘的结果应准确地描述数据挖掘的要求，并易于表达。从不同的角度考察发现的知识，并以不同形式表示，用高层次语言和图形界面表示数据挖掘要求和结果。目前许多知识发现系统和工具缺乏与用户的交互，难以有效利用领域知识。对此可以利用贝叶斯方法和演译数据库本身的演译能力发现知识。

3.4 在多抽象层上交互式挖掘知识

很难预测从数据库中会挖掘出什么样的知识，因此一个高层次的数据挖掘查询应作为进一步探询的线索。交互式挖掘使用户能交互地定义一个数据挖掘要求，深化数据挖掘过程，从不同角度灵活看待多抽象层上的数据挖掘结果。

3.5 从不同数据源挖掘信息

局域网、广域网以及Internet网将多个数据源联成一个大型分布、异构的数据库，从包含不同语义的格式化和非格式化数据中挖掘知识是对数据挖掘的一个挑战。数据挖掘可揭示大型异构数据库中存在的普通查询不能发现的知识。数据库的巨大规模、广泛分布及数据挖掘方法的计算复杂性，要求建立并行分布的数据挖掘。

3.6 私有性和安全性

数据挖掘能从不同角度、不同抽象层上看待数据，这将影响到数据挖掘的私有性和安全性。通过研究数据挖掘导致的数据非法侵入，可改进数据库安全方法，以避免信息泄漏。

3.7 和其它系统的集成

方法、功能单一的发现系统的适用范围必然受到一定的限制。要想在更广泛的领域发现知识，空间数据挖掘系统就应该是数据库、知识库、专家系统、决策支持系统、可视化工具、网络等技术的集成。

4 有待研究的问题

我们虽然在空间数据挖掘技术的研究和应用中取得了很大的成绩，但在一些理论及应用方面仍存在急需解决的问题。

4.1 数据访问的效率和可伸缩性

空间数据的复杂性和数据的大量性，TB数量级的数据库的出现，必然增大发现算法的搜索空间，增加了搜索的盲目性。如何有效的去除与任务无关的数据，降低问题的维数，设计出更加高效的挖掘算法对空间数据挖掘提出了巨大的挑战。

4.2 对当前一些GIS软件缺乏时间属性和静态存储的改进

由于数据挖掘的应用在很大的程度上涉及到时序关系，因此静态的数据存储严重妨碍了数据挖掘的应用。基于图层的计算模式、不同尺度空间数据之间的完全割裂也对空间数据挖掘设置了重重障碍。空间实体与属性数据之间的联系仅仅依赖于标识码，这种一维的连接方式无疑将丢失大量的连接信息，不能有效的表示多维和隐含的内在连接关系，这些都增加了数据挖掘计算的复杂度，极大地增加了数据准备阶段的工作量和人工干预的程度。

4.3 发现模式的精炼

当发现空间很大时会获得大量的结果，尽管有些是无关或没有意义的模式，这时可利用领域的知识进一步精炼发现的模式，从而得到有意义的知识。

在空间数据挖掘技术方面，重要的研究和应用的方向还包括：网络环境上的数据挖掘、栅格矢量一体化的挖掘、不确定性情况下的数据挖掘、分布式环境下的数据挖掘、数据挖掘查询语言和新的高效的挖掘算法等。

5 小结

随着GIS与数据挖掘及相关领域科学研究的不断发展，空间数据挖掘技术在广度和深度上的不断深入，在不久的将来，一个集成了挖掘技术的GIS、GPS、RS集成系统必将朝着智能化、网络化、全球化与大众化的方向发展。

在ArcGIS中，关联与连接的联系与区别？

主要有两个区别：

1、连接关系不一样。Relate(关联连接)方式连接的两个表之间的记录可以是“一对一”、“多对一”、“一对多”的关系，而Join(合并连接)方式连接的两个表之间的记录只能是“一对一”、“多对一”的关系，不能实现“一对多”的合并。

2、显示不一样。Relat实现两个表连接后，外观任然是两个独立的表，一个表的记录进入选择集时，另一个表中的记录也同步进入选择集。分别显示在各自的窗口中。join实现两个表连接后，被连接的表合并到结果集中，结果表的字段得到扩展，表的显示比较紧凑、简洁，查询操作也较简单。

GIS技术的发展趋势

GIS在资源环境领域的应用方兴未艾，从技术、地理信息、经济社会的需求等方面分析，在该领域有以下趋势及建议：

应用软件数据端口应有专门化，专业化方向发展，在同类型同方向的GIS数据交流共享方向提供适当的方便，以解决GIS数据来源和数据质量难以保证的问题。

结合国家信息化推进工作，以电子政务相关工程为基础，推动GIS在资源环境管理中的推广应用。

信息化建设已成为我国各级 *** 及企业的重要任务，GIS在以资源、能源、生产、资金等空间综合配置、优化组合为目的的信息化建设中，可以发挥应有的作用；结合相应的应用工程，推动GIS的发展；

应用往专业化方向发展，功能由通用管理功能转向资源评估、监督、跟踪分析等专业功能方向发展。

随着经济社会的发展，经济社会与资源环境之间的各方面的矛盾及问题逐渐暴露出来，这些问题在时间和空间上具有诸多的关联性，分析这些问题、提出合理的解决方案建议，需要功能更专业化的GIS软件系统支持；

支持多源、多尺度、多类型集成应用的软件平台工具的开发应用。

信息获取技术的快速发展和多源化趋势，要求资源环境方面的GIS应能够接收、处理及分析多种来源、多尺度的地理信息；

促进3S技术集成应用，推动专业技术及软件的发展，全球定位系统、遥感技术与GIS的集成应用已成为GIS软件发展的趋势之一，而这种应用的发展是在应用推动的基础上建立的，针对特定的应用领域的集成化的GIS将成为资源环境领域GIS的发展方向，也是系统与业务结合的需要；

开展专业应用系统开发建设，结合资源环境各领域的需求，开发多种专业化的GIS，如针对性生态保护区、生态功能区、地下水、生物资源等领域的专业性GIS软件与管理系统。

国内GIS现状和对策

地理信息系统技术是一门综合性的技术，它的发展是与地理学、地图学、摄影测量学、遥感技术、数学和统计科学、信息技术等有关学科的发展分不开的。

GIS的发展可分为四个阶段：第一个阶段是初始发展阶段，20世纪60年代世界上第一个GIS系统由加拿大测量学家R.F.Tomlison提出并建立，主要用于自然资源的管理和规划；第二个阶段是发展巩固阶段，20世纪70年代由于计算机硬件和软件技术的飞速发展，尤其是大容量存储设备的使用，促进了GIS朝实用的方向发展，不同专题、不同规模、不同类型的各具特色的地理信息系统在世界各地纷纷付诸研制，如美国、英国、德国、瑞典和日本等国对GIS的研究都投入了大量的人力、物力和财力；第三个阶段是推广应用阶段，20世纪80年代，GIS逐步走向成熟，并在全世界范围内全面推广，应用领域不断扩大，并与卫星遥感技术结合，开始应用于全球性的问题，这个阶段涌现出一大批GIS软件，如ARC/INFO，GENAMAP，SPANS，MAPINFO，ERDAS，Microstation等；第四个阶段是蓬勃发展阶段，20世纪90年代，随着地理信息产品的建立和数字化信息产品在全世界的普及，GIS成为确定性的产业，并逐渐渗透到各行各业，成为人们生活、学习和工作不可缺少的工具和助手。

地理信息系统的研制与应用在我国起步较晚，虽然历史较短，但发展势头迅猛。

我国GIS的发展可分为三个阶段。

第一阶段从1970年到1980年，为准备阶段，主要经历了提出倡议、组建队伍、培训人才、组织个别实验研究等阶段。

机械制图和遥感应用，为GIS的研制和应用做了技术和理论上的准备。

第二阶段从1981年到1985年，为起步阶段，完成了技术引进、数据规范和标准的研究、空间数据库的建立、数据处理和分析算法及应用软件的开发等环节，对GIS进行了理论探索和区域性的实验研究。

第三个阶段从1986年到2013年，为初步发展阶段，我国GIS的研究和应用进入有组织、有计划、有目标的阶段，逐步建立了不同层次、不同规模的组织机构、研究中心和实验室。

GIS研究逐步与国民经济建设和社会生活需求相结合，并取得了重要进展和实际应用效益。

主要表现在四个方面：（1）制定了国家地理信息系统规范，解决信息共享和系统兼容问题，为全国地理信息系统的建立做准备。

（2）应用型GIS发展迅速。

（3）在引进的基础上扩充和研制了一批软件。

（4）开始出版有关地理信息系统理论、技术和应用等方面的书籍，设立了地理信息系统专业，培养了大批人才，并积极开展国际合作，参与全球性地理信息系统的讨论和实验。

在科技部等国家有关部门的大力组织和支持下，国产GIS基础软件开发工作取得了重要进展，出现了一批GIS高技术企业，开发出了较为成熟的国产GIS软件，如MapGIS、GeoStar、CityStar、SuperMap、MapEngine、GROW等，并形成了一定的产业规模。

这些国产GIS软件以较高的性价比，打破了国外GIS软件对我国市场的垄断，有力促进了我国地理信息系统技术的发展。

这些年，GIS技术在我国得到了广泛应用，其应用面从传统的城市规划、土地利用、测绘、环境保护、电力、电信、减灾防灾等领域渗透到矿产资源调查、海洋资源调查与管理等各方面，取得了丰硕的成果和巨大的经济效益。

当前，国家有关部门正逐步将GIS嵌入到电子政务系统中。

随着计算机和信息技术的快速发展，GIS技术得到了迅猛的发展。

GIS系统正朝着专业或大型化、社会化方向不断发展着。

“大型化”体现在系统和数据规模两个方面；“社会化”则要求GIS要面向整个社会，满足社会各界对有关地理信息的需求，简言之就是“开放数据”、“简化操作”，“面向服务”，通过网络实现从数据乃至系统之间的完全共享和互动。

下面我们从地理信息系统技术角度来讨论和分析当前GIS的相关技术及其发展趋势。

1.1 空间信息的获取、处理与交换地理空间数据是GIS的血液，构建和维护空间数据库是一项复杂、工作量巨大的工程，它包括：数据的获取、校验和规范化、结构化处理、数据维护等过程。

GIS处理的数据对象是空间对象，有很强的时空特性，获取数据的手段及数据的形式也复杂多样。

获取数据的基本方式有：野外全站仪平板测量、GPS测量、室内地图扫描数字化、数字摄影测量、从遥感影像进行目标测量和数据转换等。

这些获取技术已基本成熟。

同时，空间数据也具有很强的时效性，不同的空间数据必须进行周期不等的数据更新维护，空间数据库中数据的准确、及时、完整是实现GIS应用系统价值的前提基础。

空间数据维护往往涉及跨部门、跨行业的多种数据格式和多种数据类型的大量数据，提供有效的空间数据编辑更新手段是当前亟待解决的一个重要课题。

基于上述信息获取技术，在过去的二十年间，国家有关部委和行业部门已经积累了大量原始数字化数据和相应资料，建立了1100多个大、中型数据库以及大量的各类数字化地理基础图、专题图、城市地籍图等。

国家测绘局已经完成了全国l：100万、 1：25万基础地理空间数据库以及全国七大江河数字地形模型的建设，并启动了全国l：5万，部分省份1：1万基础地理空间数据库的建设。

这些基础数据有力促进了GIS技术的广泛应用，进而产生了大量的GIS数据。

但由于地理信息系统软件大多采用不同的空间数据模型，以及它们在地理实体上的认识差异，使得所积累的数据难以转换和共享（即使能够数据转换，也会产生信息的丢失），从而形成一个个新的数据孤岛。

制订数据交换的格式标准已成为大家的共识。

一些国家和组织已经在进行这方面的工作，并定义了一些数据交换标准，如SDTS，OpenGIS联盟制订的GML，另外一些公认的数据格式如DXF，Shapefile和MIF文件格式等正逐渐成为数据交换的事实标准。

我国也在“九五”期间制定了地球空间数据转换标准。

但是由于人们对空间信息认识和研究成果的制约，还没有一个统一的地理数据模型，因此建立实用的数据交换格式和信息标准将是一个长期、复杂过程。

1.2 空间数据的管理空间数据的管理涉及到二个方面的内容：空间数据模型和空间数据库。

空间数据模型刻画了现实世界中空间实体及其相互间的联系，它为空间数据的组织和空间数据库的设计提供了基本的方法。

因此，空间数据模型的研究对设计空间数据库和发展新一代GIS系统起着举足轻重的作用。

在GIS中与空间信息有关的信息模型有三个，即基于对象(要素)(Feature)的模型、场(Field)模型以及网络(Network)模型。

GIS基础软件平台的研制和应用系统的设计开发一直沿用这三种空间数据模型，但这些模型在空间实体间的相互关系及其时空变化的描述与表达、数据组织、空间分析等方面均有较大的局限性，难以满足新一代GIS基础软件平台和应用系统发展的要求。

主要表现为：（1） 仅能表达空间点、线、面目标间极为有限的简单拓扑关系，且这些拓扑关系的生成与维护耗时费力；（2） 难以有效地表达现实三维空间实体及其相互关系；（3） 适于记录和表达某一时刻空间实体性状及相互间关系静态分布，难以有效地描述和表达空间实体及其相互间关系的时空变化；（4） 没有考虑异地、异构、异质空间数据的互操作和分布式“对象”处理等问题。

针对上述不足，时空数据模型、三维数据模型、分布式空间数据管理、GIS设计的CASE工具等研究已成为当前国际上GIS空间数据模型研究的学术前沿。