概念：
間數據挖掘是指從空間數據庫中抽取沒(méi)有清楚表現出來(lái)的隱含的知識和空間關(guān)系，并發(fā)現其中有用的特征和模式的理論、方法和技術(shù)。
嚴格地說(shuō)，這一學(xué)科采用空間數據挖掘和知識發(fā)現（SDMKD）這一名稱(chēng)更為確切。事實(shí)上，空間數據挖掘和知識發(fā)現的過(guò)程大致可分為以下多個(gè)步驟:數據準備、數據選擇、數據預處理、數據縮減或者數據變換、確定數據挖掘目標、確定知識發(fā)現算法、數據挖掘、模式解釋、知識評價(jià)等，而數據挖掘只是其中的一個(gè)關(guān)鍵步驟。但是為了簡(jiǎn)便，人們常常用空間數據挖掘來(lái)代替空間數據挖掘和知識發(fā)現。
空間數據的特點(diǎn)
空間數據挖掘是數據挖掘學(xué)科的一個(gè)重要分支，但它與普遍意義上的數據挖掘又有很大的差別，這是由空間數據固有的特點(diǎn)及其復雜性所決定的。
空間數據與其他類(lèi)型數據的本質(zhì)區別是其空間屬性?？臻g屬性包括空間位置、距離、幾何形狀、大小等內容，并且可引伸為空間個(gè)體之間的相互關(guān)系，如拓撲關(guān)系、方位關(guān)系、度量關(guān)系等，從而使得空間數據比其他類(lèi)型的數據要更為復雜，主要表現在：空間屬性之間的非線(xiàn)性關(guān)系；空間數據的多尺度特征，即空間數據在不同觀(guān)察層次上所遵循的規律以及所體現出的特征不盡相同；空間信息的不確定性，空間位置、空間相關(guān)性及其他屬性均可能存在不確定性；空間數據屬性空間的高維數，與空間數據相關(guān)聯(lián)的可能很多（如遙感傳感器波段的數目可能多達上百個(gè)），從而使屬性空間的維數非常之高；空間數據的不完備性，在數據獲取和加工過(guò)程中，都有可能發(fā)生數據丟失或者無(wú)法獲取的現象，導致空間數據缺失的現象非常嚴重；海量數據，空間數據庫或數據倉庫中存儲著(zhù)各種類(lèi)型的柵格數據、矢量數據、空間個(gè)體的屬性數據等，其數據量異常巨大。 空間數據的這些特點(diǎn)使其中隱含著(zhù)更多、更為復雜的知識，因而也使空間數據挖掘的研究更加困難和更具挑戰性。
空間數據挖掘的任務(wù)
空間數據挖掘的任務(wù)可以概括如下： 在空間數據庫和數據倉庫的基礎上，綜合利用統計學(xué)、模式識別、人工智能、粗集、模糊數學(xué)、機器學(xué)習、專(zhuān)家系統、可視化等領(lǐng)域的相關(guān)技術(shù)和方法，以及其他相關(guān)的信息技術(shù)手段，從大量的空間數據、管理數據、經(jīng)營(yíng)數據或遙感數據中析取出可信的、新穎的、感興趣的、隱藏的、事先未知的、潛在有用的和最終可理解的知識，從而揭示出蘊含在空間數據背后客觀(guān)世界的本質(zhì)規律、內在聯(lián)系和發(fā)展趨勢，實(shí)現知識的自動(dòng)或半自動(dòng)獲取，為管理和經(jīng)營(yíng)決策提供依據(李德仁，2001年)。簡(jiǎn)言之，空間數據挖掘的任務(wù)就是要從空間數據庫和數據倉庫發(fā)現知識，并提供相關(guān)的決策支持。那么，我們究竟希望從中發(fā)現哪些類(lèi)型的知識呢？
一般而言，從空間數據庫和數據倉庫中可能發(fā)現的知識類(lèi)型包括以下幾種類(lèi)型：
普遍的幾何知識，即某類(lèi)目標的數量、大小、形態(tài)特征等普遍的幾何特征；
規則型知識，即包括空間關(guān)聯(lián)規則、空間特征規則、空間區分規則和演變規則等在內的知識，可用產(chǎn)生式規則、語(yǔ)義網(wǎng)絡(luò )、模擬表示及其他可能的方法來(lái)加以表示；
空間聚類(lèi)與分類(lèi)知識，是指將特征相近的空間對象進(jìn)行聚類(lèi)或者分類(lèi)處理，進(jìn)而對空間對象進(jìn)行概括和綜合的知識，例如，將具有嵌套關(guān)系的一組等高線(xiàn)聚合成一座山或者一個(gè)山脈等；
空間分布規律，即關(guān)于空間對象在地理空間的分布規律方面的知識，包括各種維度的分布規律：如垂直方向、水平方向、以及整個(gè)空間的聯(lián)合分布規律等，甚至還可包括屬性空間的任何一個(gè)維度上的分布規律，如軍事基地、防御工事的分布規律、電子戰中電磁頻譜的分布規律等；
空間對象的發(fā)展趨勢，即空間對象的某個(gè)或者某些屬性的規律性變化，戰場(chǎng)態(tài)勢的發(fā)展變化趨勢等；
空間對象的結構型知識，指關(guān)于復雜對象的普遍特征及其構成關(guān)系的知識；
空間偏差型知識，即關(guān)于空間對象或現象偏離常規的異常情況的知識，如戰場(chǎng)態(tài)勢中某些要素的異常變化等；
空間數據挖掘的任務(wù)是要在不同的空間概念層次（從微觀(guān)到宏觀(guān)）挖掘出上述各種類(lèi)型的知識，并用相應的知識模型表示出來(lái)?？晒┻x用的知識表示方法包括：基于規則的表示法(如產(chǎn)生式規則)、基于邏輯(如命題邏輯和一階謂詞邏輯)的知識表示、基于關(guān)系的知識表示、面向對象的知識表示、基于模型的知識表示、語(yǔ)義網(wǎng)絡(luò )表示、腳本表示、模擬表示、基于過(guò)程的表示以及基于本體的知識表示等。
不僅如此，空間數據挖掘的任務(wù)還包括根據所采用的知識表示方法設計出相應的推理模型，這樣才能為不同領(lǐng)域、不同層次、具有不同應用需求的用戶(hù)提供行之有效的輔助決策支持。
目前，常用的空間數據挖掘方法主要有：
1. 基于概率論的方法。這是一種通過(guò)計算不確定性屬性的概率來(lái)挖掘空間知識的方法，所發(fā)現的知識通常被表示成給定條件下某一假設為真的條件概率。在用誤差矩陣描述遙感分類(lèi)結果的不確定性時(shí)，可以用這種條件概率作為背景知識來(lái)表示不確定性的置信度。
2. 空間分析方法。指采用綜合屬性數據分析、拓撲分析、緩沖區分析、密度分析、距離分析、疊置分析、網(wǎng)絡(luò )分析、地形分析、趨勢面分析、預測分析等在內的分析模型和方法，用以發(fā)現目標在空間上的相連、相鄰和共生等關(guān)聯(lián)規則，或挖掘出目標之間的最短路徑、最優(yōu)路徑等知識。目前常用的空間分析方法包括探測性的數據分析、空間相鄰關(guān)系挖掘算法、探測性空間分析方法、探測性歸納學(xué)習方法、圖像分析方法等。
3. 統計分析方法。指利用空間對象的有限信息和/或不確定性信息進(jìn)行統計分析，進(jìn)而評估、預測空間對象屬性的特征、統計規律等知識的方法。它主要運用空間自協(xié)方差結構、變異函數或與其相關(guān)的自協(xié)變量或局部變量值的相似程度實(shí)現包含不確定性的空間數據挖掘。
4. 歸納學(xué)習方法。即在一定的知識背景下，對數據進(jìn)行概括和綜合，在空間數據庫（數據倉庫）中搜索和挖掘一般的規則和模式的方法。歸納學(xué)習的算法很多，如由Quinlan提出的著(zhù)名的C5.0決策樹(shù)算法、Han Jiawei教授等提出的面向屬性的歸納方法、裴健等人提出的基于空間屬性的歸納方法等。
5. 空間關(guān)聯(lián)規則挖掘方法。即在空間數據庫（數據倉庫）中搜索和挖掘空間對象（及其屬性）之間的關(guān)聯(lián)關(guān)系的算法。最著(zhù)名的關(guān)聯(lián)規則挖掘算法是Agrawal提出的Apriori算法；此外還有程繼華等提出的多層次關(guān)聯(lián)規則的挖掘算法、許龍飛等提出的廣義關(guān)聯(lián)規則模型挖掘方法等。
6. 聚類(lèi)分析方法。即根據實(shí)體的特征對其進(jìn)行聚類(lèi)或分類(lèi)，進(jìn)而發(fā)現數據集的整個(gè)空間分布規律和典型模式的方法。常用的聚類(lèi)方法有K-mean, K-medoids方法、Ester等提出的基于R—樹(shù)的數據聚焦法及發(fā)現聚合親近關(guān)系和公共特征的算法、周成虎等提出的基于信息熵的時(shí)空數據分割聚類(lèi)模型等。
7. 神經(jīng)網(wǎng)絡(luò )方法。即通過(guò)大量神經(jīng)元構成的網(wǎng)絡(luò )來(lái)實(shí)現自適應非線(xiàn)性動(dòng)態(tài)系統，并使其具有分布存儲、聯(lián)想記憶、大規模并行處理、自學(xué)習、自組織、自適應等功能的方法；在空間數據挖掘中可用來(lái)進(jìn)行分類(lèi)和聚類(lèi)知識以及特征的挖掘。
8. 決策樹(shù)方法。即根據不同的特征，以樹(shù)型結構表示分類(lèi)或決策集合，進(jìn)而產(chǎn)生規則和發(fā)現規律的方法。采用決策樹(shù)方法進(jìn)行空間數據挖掘的基本步驟如下：首先利用訓練空間實(shí)體集生成測試函數；其次根據不同取值建立決策樹(shù)的分支，并在每個(gè)分支子集中重復建立下層結點(diǎn)和分支，形成決策樹(shù)；然后對決策樹(shù)進(jìn)行剪枝處理，把決策樹(shù)轉化為據以對新實(shí)體進(jìn)行分類(lèi)的規則。
9. 粗集理論。一種由上近似集和下近似集來(lái)構成粗集，進(jìn)而以此為基礎來(lái)處理不精確、不確定和不完備信息的智能數據決策分析工具，較適于基于屬性不確定性的空間數據挖掘。
10. 基于模糊集合論的方法。這是一系列利用模糊集合理論描述帶有不確定性的研究對象，對實(shí)際問(wèn)題進(jìn)行分析和處理的方法?；谀：险摰姆椒ㄔ谶b感圖像的模糊分類(lèi)、GIS模糊查詢(xún)、空間數據不確定性表達和處理等方面得到了廣泛應用。
11. 空間特征和趨勢探側方法。這是一種基于鄰域圖和鄰域路徑概念的空間數據挖掘算法，它通過(guò)不同類(lèi)型屬性或對象出現的相對頻率的差異來(lái)提取空間規則。
12. 基于云理論的方法。云理論是一種分析不確定信息的新理論，由云模型、不確定性推理和云變換三部分構成?；谠评碚摰目臻g數據挖掘方法把定性分析和定量計算結合起來(lái)，處理空間對象中融隨機性和模糊性為一體的不確定性屬性；可用于空間關(guān)聯(lián)規則的挖掘、空間數據庫的不確定性查詢(xún)等。
13. 基于證據理論的方法。證據理論是一種通過(guò)可信度函數（度量已有證據對假設支持的最低程度）和可能函數（衡量根據已有證據不能否定假設的最高程度）來(lái)處理不確定性信息的理論，可用于具有不確定屬性的空間數據挖掘。
14. 遺傳算法。這是一種模擬生物進(jìn)化過(guò)程的算法，可對問(wèn)題的解空間進(jìn)行高效并行的全局搜索，能在搜索過(guò)程中自動(dòng)獲取和積累有關(guān)搜索空間的知識，并可通過(guò)自適應機制控制搜索過(guò)程以求得最優(yōu)解?？臻g數據挖掘中的許多問(wèn)題，如分類(lèi)、聚類(lèi)、預測等知識的獲取，均可以用遺傳算法來(lái)求解。這種方法曾被應用于遙感影像數據中的特征發(fā)現。
15. 數據可視化方法。這是一種通過(guò)可視化技術(shù)將空間數據顯示出來(lái)，幫助人們利用視覺(jué)分析來(lái)尋找數據中的結構、特征、模式、趨勢、異?，F象或相關(guān)關(guān)系等空間知識的方法。為了確保這種方法行之有效，必須構建功能強大的可視化工具和輔助分析工具。
16. 計算幾何方法。這是一種利用計算機程序來(lái)計算平面點(diǎn)集的Voronoi圖，進(jìn)而發(fā)現空間知識的方法。利用Voronoi圖可以解決空間拓撲關(guān)系、數據的多尺度表達、自動(dòng)綜合、空間聚類(lèi)、空間目標的勢力范圍、公共設施的選址、確定最短路徑等問(wèn)題。
17. 空間在線(xiàn)數據挖掘。這是一種基于網(wǎng)絡(luò )的驗證型空間來(lái)進(jìn)行數據挖掘和分析的工具。它以多維視圖為基礎，強調執行效率和對用戶(hù)命令的及時(shí)響應，一般以空間數據倉庫為直接數據源。這種方法通過(guò)數據分析與報表模塊的查詢(xún)和分析工具（如OLAP、決策分析、數據挖掘等）完成對信息和知識的提取，以滿(mǎn)足決策的需要。
