探讨如何建立和实施地理时空三向聚类分析方法（自然地理学和测绘学资料）.docVIP

探讨如何建立和实施地理时空三向聚类分析方法（自然地理学和测绘学资料） 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 文1：探讨如何建立和实施地理时空三向聚类分析方法 2 1、引言 2 2、聚类方法 3 三向聚类 6 3、三向聚类的应用流程与地理时空数据组织 7 4、地理时空分异与叠加效应的解译实践 8 5、结论与讨论 11 文2：基本概念和分析方法 12 第三节 基本概念和分析方法 12 一、守法行为的概念 12 二、经济学分析的研究方法 13 第四节 经济学分析的优势 14 一、道德分析的经济学意义 15 二、经济学分析标准的统一性 16 （一）道德标准的不确定性 16 （二）经济效率标准的确定性和普遍性 18 参考文摘引言： 20 原创性声明（模板） 22 文章致谢（模板） 22 正文 探讨如何建立和实施地理时空三向聚类分析方法（自然地理学和测绘学资料） 文1：探讨如何建立和实施地理时空三向聚类分析方法 1、引言 地理学是研究地理要素或地理综合体空间格局、时间演变过程和驱动机制的一门学科[1，2，3]。地理数据是测度地理特征基本的量化指标，由于地理数据具有重要的空间与时间属性，因而它是理解地理特征的核心基础。随着技术的不断进步，获取地理数据的能力不断增强，以大数据为代表的新型数据为地理学提供了难得的机遇[4]。地理研究的核心内容之一是对地理数据的分析，即通过数据集群的时空特征，认识地理现象的格局特征、演化过程和行为机制。聚类分析是识别数据集合内部结构与数值分异规律的重要工具，因此地理数据的聚类分析是识别地理特征的关键。例如，解焱等[5]用聚类结果开展了中国生物地理区划的实证研究；结果表明：利用聚类结果辅助区划界线的确定可以减少区划对研究者科学知识及经验的依赖，其研究结果更具有客观性。王秀红[6]、郑度等[7]、宋辞等[8]也分别肯定了聚类在地理时空分异规律研究中的作用。 随着大数据时代的到来，传统聚类方法面临挑战。近年基因、文本分析等领域开始逐步采用双向聚类分析数据，并取得重要进展；但三向聚类的思想及算法国内尚未报道。过去几十年，传统聚类在科学数据的分类研究中起了重要作用。随着大数据时代的到来，数据的收集越来越容易、数据种类越来越多、体量越来越大。参与分析的数据不仅存在数据量大，而且存在数据维度高（属性多）、数据质量低（例如，测量不够精确、数据缺失或稀疏）等特点，向传统聚类方法提出挑战。最早推进聚类方法进行时代变革的是基因领域。Hartigan等最早提出“块聚类”的双向聚类思想[9]。自Cheng等提出了面向高维基因数据的双向聚类方法[10]以来，双向聚类算法不断发展完善，并广泛应用于基因分析[11，12]、医学[13，14，15]、文本分析与自然语言理解[16，17]等领域；近期双向聚类在生态群落领域的研究也初见端倪[18] 随着地理数据获取能力的不断提升，地理数据也存在量大、维度高、质量参差不齐等特点。同时，从浩如烟海的地理数据中解读时空分异规律时，易犯“横看成岭侧成峰”的错误，且存在“远近高低各不同”的跨尺度解译需求。地理现象或事件是在空间、时间、尺度、属性上的综合体现，“如何从上述4个角度联合解译地理特征”成为地理数据分析领域面临的时代挑战。鉴于双向聚类在地理领域鲜有应用，作者团队针对荷兰物候时空分异[19]、全球自然灾害事件时空分异[20]、中国春季物候时空分异模式[21]等问题，引入双向聚类方法，探索了其对“多空间—多属性”“多空间—多时间—单属性”等地理数据的解译能力。为进一步拓展地理研究的联合解译能力，作者团队提出并研发了一种全新的三向聚类算法[22，23]，并在北京城区时空分异模式研究中验证了三向聚类在不同时间尺度下对“多空间—多时间—单属性”的联合解释能力[23] 2、聚类方法 从单向到三向的变革简单地说，聚类是对大量未知标注的数据集，按数据内在的相似性将其划分为多个类别（成为“簇”或“类”），并使类内数据尽可能相似、而类间数据尽可能不相似。 单向聚类 以层次聚类为代表的传统聚类方法是以样本为研究对象，将样本视为由属性构造的n维空间中的点，通过测量两点（样本）间的距离或矢量余弦相似度，将接近的样本聚为一类。传统的聚类方法可分为两种：一种是基于所有属性对样本进行聚类，例如根据一些经济指标对中国各城市进行分级；另一种是基于所有样本对属性进行聚类。这类仅对样本或属性进行聚类的方法称“单向聚类”（图1a） 单向聚类在过去几十年科学分类的研究中起到了重要的作用。但是，来自基因、文本分析领域的大量实践发现了单向聚类的不足。(1)单向聚类仅关注样本在“大部分”的属性上的相似程