導言
★
同位模式(Colocation pattern)是GIS中重要的空間模式，它是指不同類(lèi)型的地理事物頻繁地在相鄰的位置出現。通常，將地理事物抽象為空間點(diǎn)要素，然后采用各種同位模式分析模型識別要素中存在的同位模式和關(guān)聯(lián)規則。更確切地講，同位模式應該翻譯為同區位模式，區位更能夠準確表達Colocation pattern的內涵。目前，盡管同位模式的算法和實(shí)現工具相對較少，同位模式作為一種空間關(guān)聯(lián)規則分析的方法論，也沒(méi)有像其它空間關(guān)聯(lián)分析（Spatial Association Analysis），如空間自相關(guān)那樣受到廣泛關(guān)注，但其學(xué)術(shù)價(jià)值和應用潛力越來(lái)越受到人們的重視。
正如同位模式科普文中介紹的那樣，空間同位模式源于信息科學(xué)中的頻繁項集，是頻繁項集在地理學(xué)中的擴展及其應用，也是地理學(xué)思維融合到計算機數據挖掘算法中的經(jīng)典案例。它可以解決諸如從城市數百種餐館中識別出哪些類(lèi)別的餐館總是頻繁地出現在一起的問(wèn)題，即蘭州拉面和沙縣小吃、肯德基和麥當勞總是一起出現等現象。在實(shí)際應用中，它也可以是任何具體的設施，或者其它具體或抽象的地理事物。標志性的空間同位模式分析算法由華人地理學(xué)者熊輝、黃燕等提出，國內中南大學(xué)鄧敏教授團隊、武漢大學(xué)艾廷華教授等學(xué)者團隊也為此作出了重要貢獻。王法輝教授團隊的顯著(zhù)性同位模式挖掘模型被ESRI官方集成到了新一代的ArcGIS Pro桌面平臺中。近年來(lái)，南京師范大學(xué)湯國安教授團隊構建了面向OD流數據的同位模式識別方法，實(shí)現了從傳統場(chǎng)所同位模式到地理流同位模式的方法擴展。湯國安教授團隊在A(yíng)rcGIS Pro中實(shí)現了傳統場(chǎng)所同位模式和地理流同位模式的模型工具集。下面具體介紹這兩個(gè)工具的使用方法。
01
模型操作案例
1.1
基于場(chǎng)所的全局同位模式分析
案例場(chǎng)景描述：圖1為某城市片區中所有的餐館POI數據，數據屬性中包含了每個(gè)餐館所屬的類(lèi)別字段“T2”，“T3”字段為更細類(lèi)別的分類(lèi)，如圖2所示。就如“啤酒和尿布”，“肯德基和麥當勞”那樣的發(fā)現，在數十種類(lèi)型中，是否也存在某些類(lèi)別的餐館具有同位模式規律。通過(guò)“基于場(chǎng)所的全局同位模式分析工具”分別探測字段“T2”和“T3”中存在同位模式的餐館類(lèi)型組。餐館POI數據文件為“餐飲POI.shp”。
圖1 某城市片區餐飲服務(wù)POI數據
圖2 餐飲服務(wù)POI數據中的類(lèi)別字段
1) 打開(kāi)所提供的【同位模式挖掘工具箱】中的【基于場(chǎng)所的全局同位模式分析工具】，如圖3所示。配置【輸入點(diǎn)要素】為“餐飲POI”點(diǎn)圖層；“鄰域”字段設置為“200”，鄰域指為了將附近一定范圍內的要素標定為該點(diǎn)要素的鄰域要素所設置的搜索范圍；【類(lèi)別字段】設置為“T2”，支持度和置信度分別設置為0.8和0.6，其中支持度即滿(mǎn)足同位模式的最低閾值，而置信度是指滿(mǎn)足空間關(guān)聯(lián)規則的最低閾值，由用戶(hù)根據自己的分析目標確定；最后配置【輸出結果工作空間】，用于存儲同位模式和關(guān)聯(lián)規則的分析結果表。完成后運行工具。
圖3 基于場(chǎng)所的全局同位模式分析工具界面
2）運行完成后，會(huì )在輸出結果工作空間中生成同位模式分析結果表和關(guān)聯(lián)規則分析結果表，名稱(chēng)分別為“餐飲POI_colocationTB”和“餐飲POI_associationTB”，分別如圖4和5所示。
圖4 全局同位模式結果
圖5 空間關(guān)聯(lián)規則結果
全局同位模式和關(guān)聯(lián)規則并不適合于在地圖上可視化。從圖4可以看出，快餐廳、糕餅店和中餐廳在0.8的支持度下表現為同位模式。這也意味著(zhù)快餐廳、糕餅店和中餐廳兩兩之間也彼此表現為同位模式，其它模式的內涵與之類(lèi)似。從圖5中第17條記錄可以看出，至少糕餅店和快餐店的旁邊大概率會(huì )有中餐廳。但相反，中餐廳旁邊不一定有非常大的概率存在糕餅店或快餐店，這需要查看其它行中的關(guān)聯(lián)規則加以確定。
采用與步驟1類(lèi)似的方式，保持其它參數不變，僅將“T3”字段作為【類(lèi)別字段】，從更加細分的餐館類(lèi)別中挖掘隱含其中的同位模式和關(guān)聯(lián)規則。很遺憾，在0.8的支持度閾值下，諸如肯德基和麥當勞等具體類(lèi)別并沒(méi)有表現為同位模式，如果閾值設置得更小，剔除“餐飲相關(guān)”等類(lèi)別，則可能會(huì )出現這些餐館的同位模式現象。這里僅為了演示該模型的使用方式，其它細節和分析不再贅述。
1.2
基于流的全局同位模式分析
案例場(chǎng)景描述：OD流數據可以是實(shí)體流，如人流、物流和信息流等，也可以是語(yǔ)義流，如表現兩個(gè)區域或場(chǎng)所之間某種邏輯關(guān)系的具有方向的流。如圖6所示為通過(guò)某個(gè)屬性值區分開(kāi)來(lái)的三種OD流。對于某個(gè)OD流單元，當其它任何一個(gè)OD流與之同時(shí)滿(mǎn)足起點(diǎn)彼此鄰近，終點(diǎn)也彼此鄰近的條件時(shí)，則認為這兩個(gè)流單元彼此鄰近。如果要從中發(fā)現隱含的同位流模式和流關(guān)聯(lián)規則，則可以通過(guò)提供的另一個(gè)工具實(shí)現。流數據文件名稱(chēng)為“GeoFlows.shp”。
圖6 OD流數據
盡管基于點(diǎn)要素的同位模式和基于OD流要素的同位模式算法邏輯有所差異，但工具應用邏輯在兩個(gè)工具上實(shí)現了統一，即使用方式和配置參數類(lèi)似。如圖7所示為參數配置結果。需要注意的是，這里的支持度設置較低，是因為流數據是構建的虛擬數據集，或者通常稱(chēng)之為人工數據集，此數據同位不顯著(zhù)，只有將支持度閾值設置地較低時(shí)，才能提取出同位模式。實(shí)際應用中，需要根據數據情況和分析目標設定閾值大小。
圖7 基于場(chǎng)所的全局同位模式分析工具界面
02
模型應用場(chǎng)景
同位模式是GIS中用于空間模式挖掘的一種重要方法，可以在很多自然地理和人文地理問(wèn)題中使用。例如，在犯罪地理學(xué)中，地理學(xué)者可以探測發(fā)生盜竊案的熱點(diǎn)區域與周?chē)喾N環(huán)境要素之間是否存在同位模式，以尋求促使盜竊案發(fā)生的環(huán)境因素；在交通地理中，學(xué)者們可以使用同位模式分析模型探索高發(fā)事故點(diǎn)與周?chē)刂g是否具有同位模式，從而確定導致事故發(fā)生的因素；在地貌學(xué)中，可以用于分析不同地形特征要素之間的關(guān)聯(lián)模式，從而確定不同特征要素之間是否存在同位模式或關(guān)聯(lián)規則；再比如旅游地理學(xué)中，可以有效分析城市中的星級酒店與一般酒店是排斥關(guān)系還是共生關(guān)系。然而，同位模式的應用場(chǎng)景遠不限于此，它的應用場(chǎng)景和應用潛力，完全取決于您的想象力。
03
模型未來(lái)展望
盡管學(xué)者們提出了大量的同位模式及其關(guān)聯(lián)規則分析算法和模型，也開(kāi)展了大量應用研究，但就目前而言，同位模式的可用軟件開(kāi)發(fā)包和軟件工具非常少；此外，現有的大多數算法和模型都屬于全局同位模式，而部分局部同位模式算法缺陷明顯，尚沒(méi)有非常有效的局部同位模式分析模型，需要地理信息學(xué)者們繼續努力！
算法工具與練習數據地址：
【新地理學(xué)人】
撰文 | 文里
排版 | kinks
圖片 | 文里
歡迎討論：neogeographer@163.com
聯(lián)系客服
