基于聚类空间数据可视化方法.docVIP

基于聚类空间数据可视化方法 　　摘 要： 　　首先介绍了目前空间数据可视化技术的研究内容和基本方法，对基于实体和基于区域两类常用方法进行了分析和总结。在此基础上提出了一种基于聚类的空间数据可视化方法，其基本思想是利用以Delaunay三角网的自适应空间聚类算法（ASCDT）为代表的空间聚类算法进行聚类分析，并获得结果描述参数，结合基本方法和参数特征设计专门用于聚类结果表达的可视化对象，进而实现空间数据的图上投影。最后对该类方法有待进一步探讨和改进的内容进行了展望。 　　关键词：空间数据；空间聚类；Delaunay三角网的自适应空间聚类算法；空间数据可视化 　　0 引言 　　随着信息技术的高速发展，空间数据呈现出海量式的增长，而人们对数据的分析与处理要求不断提高，“数据爆炸，知识匮乏”的问题逐渐凸显。如何建立一种有效的空间数据表达方法，为相关规划与管理部门提供决策支持工具，解决数据与决策者之间的鸿沟问题，即用户如何从海量的空间数据中获取有用信息，成为这一领域研究的热点和难点。可视化技术作为一种重要的数据挖掘手段，通过对空间信息的有效组织和直观展现，在解决海量数据的知识发现（Knowledge Discovery in Database，KDD）问题中发挥了重要的作用。 　　空间数据最主要的特征体现在其依赖于地理位置（如经度、维度等）分布。目前，空间数据可视化最常用的解决方法是采用基于地理信息系统（Geographic Information System，GIS）的方法。但是，随着相关领域空间数据规模和复杂程度的不断提高，单纯依靠地理信息系统的方法存在明显的缺陷――重“数据对象显示”，轻“信息结构刻画”[1]。也就是说，基于地理信息系统的方法对数据中潜在的关系、规律、趋势和模式缺乏有效的表达，其结果通常很难直接作为决策者辅助决策的依据。 　　对于相对庞大的数据集而言，我们首先关注的往往是空间数据的宏观分布特征，即不直接以单个空间实体作为研究对象，而是通过一些统计性的手段对数据进行预处理，获取数据分布的基本模式和规律，然后通过合适的可视化手段进行表达，进而提高数据挖掘的效率。针对目前空间数据可视化技术在实际应用中的要求，结合现有方法存在的优缺点，本文提出了一种基于聚类的空间数据可视化方法。其基本思想是：通过聚类分析按照一定规则对空间数据进行有效的组织和规范；针对空间聚类结果，设计一种表达直观、易于学习、交互良好的可视化方法对其进行描述和展现，并且为用户提供必要的交互接口，进而提高空间数据挖掘进程的效率和结果的可信度。 　　1 空间数据可视化基本方法分析 　　地理信息系统作为相关信息系统设计与开发的技术支撑，可以将空间实体按照地理位置进行图上投影，并结合常用的可视化方法，实现专题属性的显示、查询和统计。空间数据可视化的基本方法包括基于圆点图标的方法、基于统计图的方法、基于密度图的方法和基于热区图的方法等。 　　基于圆点图标的方法用圆点表示空间对象，并利用空间对象的空间维信息将其投影到地图上，常用的投影方法有最近邻接点算法和基于曲线的算法。同时，可以利用圆点的尺寸、颜色和透明度等特征来表示空间对象的专题属性。但是，若数据量较大、地图范围有限，圆点图标会出现拥挤、重叠的现象，不能满足应用需要。利用栅格划分算法[2]能够在一定程度上缓解重叠问题带来的不良影响。 　　基于统计图的方法，首先对关注的地图范围按照一定规则进行区域划分，针对每个区域进行统计分析，获得描述该区域专题属性的主要统计特征参数，最后采用适合的统计图显示。该方法具备一般统计图的优势，例如，方便对数据进行精确度量和对比，专题维维度数量限制小等。常用的统计图有饼状图、柱状图和雷达图。但是，由于统计图基本显示尺寸的要求，其出现的重叠问题可能更加突出。 　　基于密度图的方法是应用最为广泛的数据可视化方法之一，尤其是在人口密度方面。该方法的主要思想是用颜色对空间对象在地图上分布的密度值进行编码，不同颜色对应不同密度值或者密度值范围，通常先定义密度最大值和最小值分别对应的颜色，两者之间在视觉上要有明显差异且符合人们的认识习惯，如用红色表示最大值，用蓝色表示最小值。 　　基于热区图的方法用事先定义好的标准圆形分别描绘各空间实体对象，圆心位置与实体坐标位置重合，所有圆形半径相等，并根据用户关注的具体数量值对圆形进行径向渐变色彩的填充，进而表达空间实体的聚集性特征。基于热区图的方法利用形状、色彩以及透明度传递空间数据信息，对非精确信息表达合理，容易接受和理解；采用渐变平滑过渡的显示方法，视觉上更加柔和。 　　综上所述，常用的空间数据可视化方法各有优缺点。其中，基于圆点图标的方法和基于热区图的方法是从空间实体个体本身出发，对于数据量较大的情况，一方面，可能出现显示