一种基于场论的空间异常探测方法

从空间数据场的角度,借鉴高斯势函数发展了一种新的空间异常度度量指标。进而,提出了一种基于场论的空间异常探测方法。该方法通过空间聚类获得局部相关性较强的空间簇,并构建合理、稳定的空间邻近域。在此基础上,采用专题属性变化梯度修复策略减弱空间邻近域中潜在异常的影响,并利用空间异常度度量指标计算实体的异常度,从而探测空间异常。实验结果及实例证明了此方法的正确性。     

一种顾及邻近域内实体间距离的空间异常检测新方法

空间异常检测已成为空间数据挖掘和知识发现的一个重要研究内容.空间异常蕴含着许多意想不到的知识,现有的空间异常检测方法大多依据空间邻近域的非空间属性差异来计算偏离因子,忽略了邻近域内空间实体间距离的影响.本文首先讨论了空间邻近域内实体间距离对空间异常检测的影响,在此基础上,提出了一种顾及邻近域内实体间距离的空间异常度量方法--SOM法,并分析了它的复杂度.由于该方法是利用实体非空间属性的加权内插值与实测值的差值作为度量空间异常程度的参数,从而顾及了邻近域内所有实体相互间距离对非空间属性偏离的影响,并且克服了现有检测方法在不均匀分布空间实体集内寻找空间异常的缺陷.最后,通过一个实际算例验证了所提方法的可行性和正确性.     

流空间邻近关系约束下的流行病分布空间异常探测方法

针对现有流行病空间异常探测方法在全面探测多因素导致的潜在空间异常方面的局限性,本文提出一种流空间邻近约束关系下的流行病分布空间异常探测方法.首先,基于地理探测器识别与传播中心人群流出强度因素具有显著关联关系的疫情专题属性;然后,基于流空间邻近关系度量自适应构建流空间权重矩阵;最后,构造疫情属性空间局部变化梯度变量刻画空间单元疫情态势特征,提出改进的全局和局部莫兰指数(Moran's I)实现流空间疫情分布模式的统计判别与局部空间异常区域探测.新型冠状病毒肺炎(COVID-19)疫情的实例,验证了本文方法相比现有欧氏空间异常探测方法,能够有效识别疫情发展过程中除人群跨区域流动之外的多类潜在因素导致的疫情分布空间异常区域,有助于支持对疫情分阶段的分区分级精准防控.     

多尺度空间实体多目标相似性度量

多尺度空间实体的相似性度量是制图自动综合质量评价、自适应空间实体多尺度表达等领域关注的基本问题.提出一种顾及距离、拓扑、方向关系的多尺度空间实体相似性度量模型,分析模型与多尺度空间实体的数量特征综合程度指标的相互竞争关系,形成一个多目标最佳优化问题,用帕累托最优化方法构建了多尺度空间实体的集值相似性标准.实验结果表明,空间相似性图形距离、空间相似度是科学有效的多尺度空间实体相似性度量指标,而帕累托集值相似性标准比独立的数量特征综合程度或几何相似性包含更多的信息.     

显著局部空间同位模式自动探测方法

局部空间同位模式挖掘旨在揭示多类地理事件在异质环境下的共生共存规律。已有的方法一方面需要模式筛选的频繁度阈值参数,另一方面需要区域探测的划分参数或聚类参数,参数的不合理设置会导致挖掘结果不可靠甚至出现错误。因此,提出了一种显著局部空间同位模式自动探测方法。首先,基于空间统计思想,采用非参数模式重建方法对空间同位模式进行显著性判别,将全局非显著空间同位模式作为进一步局部探测的候选模式;然后,借助自适应空间聚类方法提取每个候选模式的热点区域;最后,通过不断生长并测试每个热点区域,界定显著局部空间同位模式的有效边界,即空间影响域。通过实验与比较发现,该方法能够客观且有效判别空间同位模式的显著性,并且自适应地提取局部同位模式的空间分布结构,降低了现有方法参数设置的主观性。     

地理空间异常模式自适应探测方法研究

地理空间异常模式探测旨在发现地理空间中“与众不同”的实体或现象,为深入剖析地理现象或地理过程的特殊分布状况、变化或发展规律提供重要的理论依据和实践指导。随着异常探测应用需求的越来越广泛、深入,对异常探测的算法精度、智能化以及探测结果的可靠性要求越来越高。因而,一方面需要充分考虑地理空间数据自相关、异质性、多尺度等特性;另一方面需要解决探测参数设置大多依赖主观经验,以及探测结果有效性评价等问题。鉴于此,论文在既有研究的基础上,结合空间认知、空间统计学、图论等理论工具,深入系统地研究地理空间异常模式统计探测模型与方法。     

采用聚类技术探测空间异常

提出了一种基于聚类的空间异常探测方法。该方法通过空间聚类获得局部相关性较强的实体集合,分别探测空间异常,给出了一种稳健的空间异常度量指标,提高了异常探测结果的可靠性。通过实例验证以及与SOM方法的比较分析,证明了该方法的正确性和优越性。     

一种基于多层次专题属性约束的空间异常探测方法

针对现有空间异常探测方法在构建空间邻近域以及准确探测各类空间异常模式方面的局限性,本文提出了一种基于多层次专题属性约束的空间异常探测方法(spatial outlier detection by considering multi-level thematic attribute constraints,MTACSOD)。首先采用层次约束Delaunay三角网构建合理、稳定的空间邻近域;进而根据空间邻接实体间的专题属性距离,针对各空间连通子图施加全局和局部约束;最后通过一个异常模式识别指标提取各类空间异常模式。该方法不需要人为输入参数,通过模拟实验比较和实际应用验证了本文方法的优越性和有效性。     

多尺度空间同位模式挖掘的点过程分解方法

空间同位模式挖掘旨在发现多类地理要素或事件频繁互邻近形成的关联规则,对于理解复杂地理现象内在发生机理具有重要价值。针对现有基于关联规则的空间同位模式挖掘方法难以对地理数据特性(如多尺度性)进行有效建模的缺陷,本文提出了一种基于点过程建模与分解的多尺度空间同位模式挖掘方法。首先通过构建一个随机变量将多类要素实例分布数据表达为混合空间点过程,并引入一个非参统计指标对同位模式进行特征尺度判别;基于此,定义一种条件概率密度分布函数,利用点过程分解思想挖掘多尺度空间同位模式及其实例分布。试验分析结果表明本文方法可以准确挖掘空间同位模式在不同尺度的空间分布形态,并且有效降低了人为设定参数的主观性。     

多尺度空间同位模式挖掘的点过程分解方法

空间同位模式挖掘旨在发现多类地理要素或事件频繁互邻近形成的关联规则,对于理解复杂地理现象内在发生机理具有重要价值。针对现有基于关联规则的空间同位模式挖掘方法难以对地理数据特性(如多尺度性)进行有效建模的缺陷,本文提出了一种基于点过程建模与分解的多尺度空间同位模式挖掘方法。首先通过构建一个随机变量将多类要素实例分布数据表达为混合空间点过程,并引入一个非参统计指标对同位模式进行特征尺度判别;基于此,定义一种条件概率密度分布函数,利用点过程分解思想挖掘多尺度空间同位模式及其实例分布。试验分析结果表明本文方法可以准确挖掘空间同位模式在不同尺度的空间分布形态,并且有效降低了人为设定参数的主观性。     

一种分布式计算的空间离群点挖掘算法

针对现有空间离群点挖掘算法无法适应大规模空间数据挖掘的需求,该文提出了一种分布式条件下的空间离群点挖掘算法。首先,该文针对集群上分布式计算和存储的特点提出使用空间填充曲线来划分数据集,加速寻找目标点的近似空间最近邻居。其次,使用信息熵的理论来定义空间离群系数,考虑到多维数据中不同属性对离群系数的影响具有差异性,该算法能够自动根据数据原有特点,计算各属性的权重;同时使用反距离权定义空间因素对离群系数的影响。最后,实验结果表明该算法在大规模的空间数据集中挖掘离群点的效率远高于传统算法,离群点的挖掘精度在90%以上。     

从GIS数据库中挖掘空间离群点的一种高效算法

根据GIS的空间特性，借鉴已有的定义和概念，定义了空间离群点是和在其非空间属性邻域内其他空间对象在空间位置上差异十分显著的空间对象，并设计了SOD算法。实验结果验证了SOD算法的有效性和优越性，给出了从GIS数据库中挖掘空间离群点的一般步骤。     

空间层次聚类显著性判别的重排检验方法

同时顾及空间邻近与专题属性相似的空间层次聚类是挖掘空间分布模式的一种有效手段。空间层次聚类方法虽然可以获得多层次的聚集结构,但聚类结果显著性的统计判别依然是一个尚未解决的难题。为此,本文提出了一种空间层次聚类结果显著性的统计判别方法,用于确定空间层次聚类的停止准则,减少聚类过程对参数设置的依赖。通过试验分析与比较发现,该方法能够有效判别空间层次聚类结果的显著性和确定层次聚类合并过程的停止条件,同时具有很好的抗噪性,避免随机结构的干扰。     

A Multiscale Approach for Spatio-Temporal Outlier Detection

A spatial outlier is a spatially referenced object whose thematic attribute values are significantly different from those of other spatially referenced objects in its spatial neighborhood. It represents an object that is significantly different from its neighbourhoods even though it may not be significantly different from the entire population. Here we extend this concept to the spatio‐temporal domain and define a spatial‐temporal outlier (ST‐outlier) to be a spatial‐temporal object whose thematic attribute values are significantly different from those of other spatially and temporally referenced objects in its spatial or/and temporal neighbourhoods. Identification of ST‐outliers can lead to the discovery of unexpected, interesting, and implicit knowledge, such as local instability or deformation. Many methods have been recently proposed to detect spatial outliers, but how to detect the temporal outliers or spatial‐temporal outliers has been seldom discussed. In this paper we propose a multiscale approach to detect ST‐outliers by evaluating the change between consecutive spatial and temporal scales. A four‐step procedure consisting of classification, aggregation, comparison and verification is put forward to address the semantic and dynamic properties of geographic phenomena for ST‐outlier detection. The effectiveness of the approach is illustrated by a practical coastal geomorphic study.     

基于等效残差积探测粗差的方差-协方差分量估计

已有方差-协方差分量估计(VCE)的粗差探测是对残差检验,而VCE的本质是利用残差的二阶量来估计它的二阶中心矩,因此更合理的方法应该对残差二阶量检验.由最小二乘残差估值导出了一组服从标准正态分布的等效残差;然后从等效残差的VCE基本方程出发,分别采用χ2统计量和正态积Np统计量检验等效残差的平方及其乘积.结果表明,采用...     

Effect of heteroscedasticity and heterogeneousness on outlier detection for geodetic networks

The robustness of an outlier detection method strongly depends on the weights of observations, i.e., the type of the stochastic model applied (homoscedasticity, heteroscedasticity and heterogeneousness). In this paper, we have investigated how the reliability of the robust methods and tests for outliers changes depending on the weights of the observations in geodetic networks. Furthermore, the contribution of the directions and distances to horizontal control network with regard to reliability are investigated separately. The concept of a breakdown point is used as a global measure of robustness against outliers. The mean success rate (MSR) is found to be a practical tool for confirming the breakdown point. Many different “good” data samples are generated for each network and then deliberately contaminated using a Monte-Carlo simulation. Six robust methods and Baarda’s test are applied to the corrupted samples and the degree of corruption is varied. The performance of each method is measured using both local and global MSRs. Our research shows: (1) The MSRs of Baarda’s test change depending on the strength of the heteroscedasticity, but do not change for trilateration and leveling networks, (2) the global MSRs of robust methods do not differ considerably from the local ones     

大尺度土地覆盖数据集在中国及周边区域的精度评价

大尺度土地覆盖数据是全球陆地表层过程研究、生态系统评估、环境建模等科学研究的重要基础,研究现有数据集的特点对数据使用者及生产新的数据集都具有指导意义。本研究以中国及周边区域为研究区,根据不同分类体系对地物的定义,研究不同分类体系中对应地物的相关系数,并将所有分类体系转换为IGBP分类体系;然后,从定性和定量两方面分析现有5种土地覆盖数据集(IGBP DISCover、UMD、GLC2000、MOD12Q1和GlobCover 2005)的空间一致性;并利用Google Earth高分影像选取两期验证样本评价5种土地覆盖数据集的精度。结果表明:同种地物在不同土地覆盖数据集之间的空间分布格局差异较大,且不同土地覆盖数据集之间的总体一致性系数较低;5种土地覆盖数据集中,GLC2000的总体精度和Kappa系数均最高,GlobCover 2005的总体精度和Kappa系数均最低。