「GIS空間分析名詞解釋」

1、第一講地理信息系統(tǒng)與空間分析的根本概念空間數(shù)據：痞撲分疥、空間疊加、緩沖分析、網絡分析 P3數(shù)字地面模型DTM :數(shù)字高程模型DEM:不規(guī)那么三角網TIN:地質統(tǒng)計學：是利用空間變量的自相關特征研究空間隨機場性質的一種統(tǒng)計理論.它分為1結構分析理論；2克立格插值理論插值理論；3條件模擬理論.協(xié)方差、空間采樣理論P9估計誤差：是指實測值與真實值之間的誤差.估計方差:是指估計誤差的離散程度.SZ1數(shù)字高程模型數(shù)字高程模型DEM :是描述地面特性空間分布的有序數(shù)值陣列,所記地面特性是高程z,它的空間分布由x , y水平坐標系統(tǒng)來描述.DEM派生信息：以數(shù)字地面模型為根底,通過數(shù)字地形分析 DTA手段

2、可提取出用于描述地表不同方面特征的參數(shù), 這些參數(shù)統(tǒng)稱為 DE M派生信息.坡度、坡向、曲率 P16地面曲率：地面曲率是對地形外表一點扭曲變化程度的定量化度量因子,地面曲率在垂直和水平兩個方向上分量分別稱為平面曲率和剖面曲率.剖面曲率、平面曲率、坡形P18匯流量匯流面積：一個柵格單元的匯流量是其上游單元向其輸送的水流量的總和.地形濕度指數(shù)：單位等高線上的匯流面積與坡度之比.通視分析：就是利用DEM判斷地形上任意點之間是否可以相互可見的技術方法,分為視線分析和視域分析.第三講 矢柵空間分析緩沖區(qū)：地理空間目標的一種影響范圍或效勞范圍,具體指在點.線.面實體周圍自動建立的一定寬度的多邊形.疊置分析

3、：是將同一地區(qū)的兩組或兩組以上的要素進行疊置,產生新的特征的分析方法.合成疊置、統(tǒng)計疊置P30交、并、剪P 3 1 差、識別 P32距離分析：用于分析圖像上每個點與目標的距離,如有多目標,那么以最近的距離作為柵格值.距離制圖、直線距離分析 P32密度分析：針對一些點要素或線要素的特征值如人口數(shù)并不是集中在點上或線上的特點,對要素的特征值進行空間分配,從而更加真實地反映要素分布.密度制圖：根據輸入的要素數(shù)據集計算整個區(qū)域的數(shù)據聚集狀況,從而產生一個連續(xù)的密度外表.泰森多邊形：設平面有n個互不重疊的離散數(shù)據點,那么其中任意一個離散數(shù)據點Pi都有一個臨近范圍B i ,在 B i中的任一點同Pi點間的

4、距離都小于它們同其它離散數(shù)據點間的距離,其中Bi是一個不規(guī)那么多邊形,稱為泰森多邊形 .重分類Reclassify :即基于原有數(shù)值,對原有數(shù)值重新進行分類整理從而得到一組新值并輸出,是對單個波段,改變值的分布.重采樣Resample：是改變影像分辨率每個像素點代表矢量大小,可以用于多波段.像元統(tǒng)計、鄰域統(tǒng)計、區(qū)域統(tǒng)計 P38Agg r egate、Ma j ority Fil ter、Expand 和 Shrink P 38第五講空間統(tǒng)計的預備知識一隨機過程、區(qū)域化變量 P4 2協(xié)方差函數(shù)、互協(xié)方差函數(shù) P44平穩(wěn)假設：指區(qū)域化變量Z x的任意n維分布函數(shù)不因空間點x發(fā)生位移而改變.二階平穩(wěn)

5、假設：數(shù)學期望與協(xié)方差函數(shù)均存在且平穩(wěn).第六講變差函數(shù)和結構分析一變差函數(shù)：區(qū)域化變量Zx和Zx+h兩點之差的方差之半定義為Z x的變差函數(shù).角度容差、距離容差P50塊金常數(shù)、變程、基臺值P51套和結構：實際的區(qū)域化變量的變化性是十分復雜的,反映在變差函數(shù)上就是它的結構不是單純的一種結構,而是多層次結構疊加在一起稱為套和結構.第八講克里格方法體系克里格法：又稱空間局部估計或空間局部插值法,克里格法是建立在變異函數(shù)理論及結構分析根底上,在有限區(qū)域內對區(qū)域化變量取值進行線性無偏最優(yōu)估計的方法.簡單克里格法：當區(qū)域化變量Z(X )的E Z (x) =m,那么稱為簡單克里格法.假設 Z(x)的EZ(

6、X)未知,那么稱為普通克 里格法.泛克里格法：就是在漂移的形式 EZ( X) =m (x),和非平穩(wěn)隨機函數(shù) Z(x)的協(xié)方差函數(shù) 0(h)或變異函數(shù) 丫(h)為已 知的條件下,一種考慮到有漂移的無偏線性估計量的地統(tǒng)計學方法,這種方法屬于線性非平穩(wěn)地統(tǒng)計學范疇.漂移、漲落P65析取克立格法：假設任意區(qū)域化變量(Za , Zb)及(Zo, Zb)二維概率分布條件下,對待估點的值或待估點值超過給 定閾值的概率進行估計的一種非線性地統(tǒng)計法.協(xié)同克立格法：是多元地統(tǒng)計學研究的根本方法,建立在協(xié)同區(qū)域化變量理論根底之上,利用多個區(qū)域化變量之間的互相 關性,通過建立交叉協(xié)方差函數(shù)和交叉變異函數(shù)模型,用易于

7、觀測和限制的變量對不易觀測的變量進行局部估計.協(xié)同區(qū)域化：在統(tǒng)計意義及空間位置上均具有某種程度相關性,并且定義于同一空間域中的區(qū)域化變量.第十講空間模式分析K函數(shù)：是點密度距離的函數(shù),其根據一定半徑距離的搜索圓范圍來統(tǒng)計點數(shù)量.理論估計值為兀d2't于聚集模式,應大于兀d2全局空間自相關：主要描述整個研究區(qū)域上空間對象之間的關聯(lián)程度,以說明空間對象之間是否存在顯著的空間分布模 式.Mora n ' s I 統(tǒng)計量 P7 2空間權重矩陣：在實際使用中,一般通過矩陣形式給出空間逐點的空間權重指標,稱為空間權重矩陣.空間鄰接指標、空間距離指標、鄰居 P73二元鄰接矩陣、重心距離矩陣P

8、73局部空間關聯(lián)指標 LISA:是與I和C相關的局部化版本,為了說明在局部尺度上空間自相關的水平,需要定義在任意面積單元上導出空間自相關數(shù)值.及P 76G統(tǒng)計量 P75、空間滯后 P 7 7、Moran顯著性地圖 P78第十二講空間數(shù)據挖掘和知識發(fā)現(xiàn)數(shù)據才g掘：是指從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數(shù)據中,提取隱含在其中的、人們事先不知道 的、但又是潛在有用的信息和知識的過程.空間數(shù)據挖掘：是在空間數(shù)據庫或空間數(shù)據倉庫的根底上,綜合利用多門學科的理論技術,從海量空間數(shù)據中挖掘事先未知潛在有用最終可理解的可信新知識,揭示蘊含在空間數(shù)據中的客觀世界的本質規(guī)律內在聯(lián)系和開展趨勢,實

9、現(xiàn)知識的 自動獲取,提供技術決策與經營決策的依據.空間數(shù)據挖掘和知識發(fā)現(xiàn)：從空間數(shù)據庫中抽取和發(fā)現(xiàn)新的空間信息,并通過解釋評價,產生知識的過程.空間聚類：是根據研究對象(樣本或變量)的多種特征在數(shù)值上可能存在的相似性程度,將它們聚合為不同的點群的一種挖掘方法.簇(C luste r): 一個數(shù)據對象的集合在同一個類中,對象之間具有相似性,不同類的對象之間是相異的.聚類分析：把一個給定的數(shù)據對象集合分成不同的簇；聚類是一種無監(jiān)督分類法：沒有預先指定的類別.相似性度量：相關系數(shù)、距離系數(shù)、夾角余弦、離差平方和及其它的相似性統(tǒng)計量.P8 6Q型聚類：對樣本(個案)進行分類,它使具有共同特點的樣本聚齊

10、在一起,以便對不同類的樣本進行分析.R型聚類：對研究對象的觀察變量進行分類,它使具有共同特征的變量聚在一起,以便從不同類中分別選出具有代表性的變量作分析,從而減少分析變量的個數(shù).劃分聚類：給定一個大小為N的數(shù)據集,將其分為m類,使類內具有較高的相似度 ,而類間的相似度較低.第十三講常用聚類算法聚類：對大量未標注的數(shù)據集,按數(shù)據的內在相似性將數(shù)據集劃分為多個類別,使類別內的數(shù)據相似度較大而類別間的數(shù)據相似度較小.聚類嫡：衡量算法的類內和類間相似度.硬聚類：把每個待識別的對象嚴格的劃分某類中,具有非此即彼的性質.模糊聚類：建立了樣本對類別的不確定描述,更能客觀的反響客觀世界,從而成為聚類分析的主流

11、.隸屬度函數(shù)：是表示一個對象x隸屬于集合A的程度的函數(shù),通常記做科A( x),其自變量范圍是所有可能屬于集合A的對象(即集合A所在空間中的所有點),取值范圍是0, 1 ,即.<=A(x) <=1.模*® c均值聚類(F0M)：是用隸屬度確定每個數(shù)據點屬于某個聚類的程度的一種聚類算法.第十四講SVM(支持向量機)機器學習：主要研究從采集樣本出發(fā)得出目前尚不能通過原理分析得到的規(guī)律,并利用這些規(guī)律對未來數(shù)據或無法觀測的數(shù)據進行預測.即從給定的函數(shù)集f(x, a) (a是參數(shù))中,選擇出能最好地逼近練習器響應的函數(shù).模式識別：對表征事務或現(xiàn)象的各種形式(數(shù)值、文字及邏輯關系等)

12、信息進行處理和分析,以對事務或現(xiàn)象進行描述、識別、 分類和解釋的過程.經驗風險最小化(ERM)原那么：使用對參數(shù)w求經驗風險的最小值代替求期望風險已購的最小值.推廣水平：學習機器對未來輸出進行正確預測的水平稱作推廣水平(也稱為“泛化水平 ).VC維:對于一個指示函數(shù)集,如果存在h個樣本能夠被函數(shù)集里的函數(shù)根據所有可能的2h種形式分開,那么稱函數(shù)集能夠把h個樣本打散,函數(shù)集的 VC維就是能夠打散的最大樣本數(shù)目.SLT :從理論上較為系統(tǒng)地研究了經驗風險最小化原那么成立的條件、有限樣本下經驗風險與期望風險的關系及如何利用這些理論找到新的學習原那么和方法等問題.結構風險最小化SRM準那么：即把函數(shù)集

13、構造為一個函數(shù)子集序列,使各個子集根據V C維的大小排列；在每個子集中尋找最小經驗風險,在子集間折衷考慮經驗風險和置信范圍,取得實際風險的最小.支持向量機：從練習集中選擇一組特征子集,使得對特征子集的劃分等價于對整個數(shù)據集的劃分,這組特征子集就被稱為支持向量SV.最優(yōu)分類面：就是要求分類線不但能將兩類正確分開練習錯誤率為0 ,且使分類間隔最大.第十五講費舍爾和貝葉斯準那么、密度聚類分類:是根據類別母體的多種特征建立起一個或多個分類函數(shù),用其來判斷未知樣本的歸屬.費歇爾準那么：設有兩類母體 A和B,分別抽取a和b個樣本.求一個分割面,使得樣本在分割面上的兩類投影點,類間離差最大而類內離差最小.D

14、B S CAN :是一個基于密度的聚類算法,尋找被低密度區(qū)域別離的高密度區(qū)域.核心點、邊界點、噪音點 P113基于中央的密度：數(shù)據集中特定點的密度通過該點半徑之內的點計數(shù)包括本身來估計.密度依賴于半徑.直接密度可達、密度可達、密度相連P114噪聲、K階臨近距離 P 1 1 4 -115第十六講時空異常掃描、關聯(lián)規(guī)那么挖掘可信度：在事務集 W中,如果支持數(shù)據項集 A的事務中有c%也同時支持數(shù)據項集 B,那么c%稱為關聯(lián)規(guī)那么A -B的可信度.支持度：如果事務集W中有s%的事務同時支持數(shù)據項集 A和B,那么s%稱為關聯(lián)規(guī)那么的支持度.Apriori算法：是根據有關頻繁項集性質的先驗知識而命名的.該算法使用一種逐層搜索的迭代方法,利用k-項集探索k+1 -項集.第十七講趨勢面分析、元胞自動機與蒙特卡羅模擬趨勢面分析：用數(shù)學的方法,以數(shù)學模型來模擬或擬合地理數(shù)據的空間分布及其區(qū)域性變化趨勢的方法.趨勢面：是一種抽象的數(shù)學曲面,它抽象并過濾掉一些局域隨機因素的影響,使地理要素空間分布規(guī)律明顯化.元胞自動機：是一種由細小