地理间空数据挖掘2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

地理间空数据挖掘PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

引言1

0.1 时空数据的特点1

0.2 基于栅格的数据分析及发掘流程2

0.3 涉及的关键技术4

0.3.1 空间统计分析技术4

0.3.2 数据挖掘技术5

0.3.3 空间数据挖掘技术6

0.3.4 基于贝叶斯网络的学习及概率推理技术7

0.4 案例7

0.5 本书组织结构8

参考文献10

第一篇 理论方法15

第1章 数据来源及预处理15

1.1 多源异构的数据来源15

1.1.1 按照存储格式划分15

1.1.2 按照来源划分15

1.1.3 按照类型划分16

1.1.4 矢量数据转换成栅格数据以及栅格数据的重采样16

1.2 数据预处理18

1.2.1 插值数据分析18

1.2.2 缺值数据分析20

1.2.3 正则化（数据过滤）22

1.2.4 孤立点及噪点分析25

1.2.5 数据转换26

1.2.6 多重共线性分析30

1.2.7 特征选择32

1.2.8 模型组合36

参考文献37

第2章 相关性分析40

2.1 普通的相关性分析40

2.1.1 Pearson相关系数探索连续变量相关性40

2.1.2 Spearman及Kendall’s tau-b相关系数探索离散变量关联性40

2.1.3 散点图分析40

2.1.4 条件直方图分析41

2.1.5 三维插值曲面图分析41

2.2 空间自相关及聚集性42

2.2.1 空间自相关性42

2.2.2 空间自相关的计算及（空间聚集性）解译43

2.2.3 空间自相关图47

2.3 空间变异性48

2.3.1 基本原理48

2.3.2 变异函数的定义及解译48

2.4 时间序列相关性51

2.4.1 自相关函数和偏自相关函数51

2.4.2 ARMA模型的自相关分析52

参考文献53

第3章 关联规则发现54

3.1 普通的关联规则发现54

3.1.1 Apriori算法54

3.1.2 FP-Growth算法55

3.2 空间上的关联规则56

3.2.1 空间关联规则57

3.2.2 空间同位规则57

3.3 时空上的关联性59

3.3.1 区内非序列关联模式60

3.3.2 区内序列关联模式61

3.3.3 区之间非序列／序列关联模式62

3.4 案例62

参考文献66

第4章 监督学习提取知识及预测68

4.1 基于规则的学习方法68

4.1.1 决策树学习器68

4.1.2 粗糙集学习器74

4.2 基于空间回归的学习及预测81

4.2.1 点数据回归81

4.2.2 格数据回归84

4.2.3 案例87

参考文献88

第5章 非监督学习识别空间异构模式90

5.1 距离测量90

5.1.1 不同的数据类型90

5.1.2 样点之间距离的定义91

5.1.3 样点之间相似系数的定义93

5.1.4 指标（因变量）分类的常用距离和相似系数95

5.2 聚类的过程及常规方法97

5.2.1 聚类前的数据标准化（正则化）97

5.2.2 类间与距离与系统聚类方法98

5.2.3 K-均值聚类算法102

5.2.4 ISODATA算法103

5.2.5 ISODATA算法的改进105

5.3 SOM神经网络聚集分析105

5.3.1 算法基础106

5.3.2 基本概念106

5.3.3 算法步骤108

5.3.4 SOM神经网络的优缺点108

5.3.5 使用SOM神经网络进行聚类108

5.4 共享最近邻聚类109

5.4.1 算法基础110

5.4.2 基本概念114

5.4.3 算法步骤115

5.4.4 共享最近邻算法的特点116

5.5 聚类方法的比较117

5.6 融合空间相关性因子的聚类119

5.7 从聚类到模式识别规则的学习：识别空间异构119

参考文献122

第6章 融合多源数据的贝叶斯网络125

6.1 贝叶斯网络介绍125

6.1.1 发展历史126

6.1.2 基本概念126

6.1.3 特性129

6.2 学习贝叶斯网络129

6.2.1 结构学习130

6.2.2 参数的学习134

6.3 不确定性推理：信息传播137

6.3.1 精确推理138

6.3.2 近似推理141

6.4 案例142

参考文献143

第7章 有效性验证及学习的强化144

7.1 有效性验证144

7.1.1 模糊矩阵及相关度量144

7.1.2 ROC图146

7.1.3 统计有效性149

7.1.4 非监督学习的有效性验证150

7.2 交叉验证及元学习151

7.2.1 交叉验证151

7.2.2 元学习151

参考文献156

第8章 空间统计并行计算框架157

8.1 设计背景157

8.2 主要内容158

8.3 实施步骤158

8.3.1 公共算子提取158

8.3.2 公共算子并行策略设计161

8.3.3 公共算子并行实现165

8.3.4 公共算子调用167

8.3.5 公共算子组合168

8.4 案例169

参考文献171

第二篇 软件工具175

第9章 空间数据分析工具175

9.1 空间数据分析175

9.2 GeoDa176

9.2.1 GeoDa主要功能176

9.2.2 GeoDa应用实例177

9.3 STARS179

9.3.1 STARS主要功能179

9.3.2 STARS应用实例180

9.4 ArcGIS181

9.4.1 ArcGIS主要功能181

9.4.2 ArcGIS应用实例182

9.5 R184

9.5.1 R空间分析功能介绍184

9.5.2 R空间分析实例185

9.6 CrimeStat187

9.6.1 CrimeStat主要功能187

9.6.2 CrimeStat应用实例189

9.7 WinBUGS190

9.7.1 WinBUGS主要功能190

9.7.2 WinBUGS应用实例190

参考文献193

第10章 贝叶斯辅助决策支持工具包194

10.1 软件介绍194

10.2 时空数据的输入与数据预处理195

10.2.1 时空数据的输入195

10.2.2 数据预处理196

10.3 贝叶斯辅助决策支持工具包的建模工具198

10.3.1 DAG建模方法198

10.3.2 时空DAG建模方法202

10.3.3 不确定性建模方法206

10.4 空间最近邻非监督及关联规则学习208

10.4.1 空间共享最近邻学习209

10.4.2 关联规则的发现210

10.5 建模结果的输出211

第11章 空间统计并行计算实施212

11.1 贝叶斯分类器212

11.2 贝叶斯分类器的并行化212

11.2.1 离散化213

11.2.2 网络结构的学习214

11.2.3 网络参数的学习216

11.2.4 网络的推断219

11.3 测试案例220

11.3.1 案例一220

11.3.2 案例二222

参考文献224

第三篇 综合运用227

第12章 非监督学习提高耕地调查效率227

12.1 简介227

12.2 研究区域及目标229

12.3 相似性分类器231

12.3.1 多维栅格格式的数据集231

12.3.2 相似性的学习及分类232

12.3.3 评估238

12.4 分层及估计239

12.4.1 分区效果239

12.4.2 结果241

12.5 小结245

参考文献246

第13章 监督学习监测洪水灾害损失249

13.1 基本原理249

13.2 洪水风险评估251

13.2.1 运用核密度函数进行数据预处理252

13.2.2 定量因素的最优离散化253

13.2.3 特征选择254

13.2.4 模型构建及参数估计254

13.2.5 洪水灾害风险的鲁棒性预测255

13.3 评价256

13.3.1 相比较的方法256

13.3.2 性能指标256

13.4 实验结论257

13.4.1 局部网络拓扑结构257

13.4.2 运用交叉验证的性能比较258

13.4.3 预测的性能比较258

参考文献260

第14章 基于贝叶斯网络的灾害易损性分析及保险定价262

14.1 基于贝叶斯网络的易损性分析262

14.1.1 包含的指标262

14.1.2 空间分析技术263

14.1.3 贝叶斯网络模拟结构264

14.1.4 易损性评估266

14.1.5 保险定价267

14.1.6 不确定性和敏感性分析268

14.2 案例研究：地震灾害评估及保险定价269

14.2.1 研究地区和目标269

14.2.2 数据集270

14.2.3 危害分析272

14.2.4 易损性建模和保险定价273

14.2.5 不确定性和敏感性分析277

14.3 讨论278

参考文献280

第15章 台风灾害及海啸风险评价283

15.1 简介284

15.2 探索气候或生态因素变化与灾害事件之间的时空关系285

15.2.1 基本原理285

15.2.2 聚类技术探索相关变量的时间序列模式286

15.2.3 通过关联规则发现及粗糙集发现相关性288

15.3 易损性分析290

15.3.1 关于易损性分析290

15.3.2 不同的财产或者人的易损性290

15.3.3 因子的相关性分析292

15.3.4 易损性时空分布模式分析292

15.3.5 通过优化技术降低风险及易损性296

15.4 动态风险及易损性分析303

15.4.1 贝叶斯网络预测风险及易损性304

15.4.2 从栅格多维时空数据中学习优化的贝叶斯网络304

15.4.3 不确定性证据推理305

15.4.4 风险／易损性水平的不确定性动态推理305

15.5 总结308

15.5.1 时空数据挖掘方法探求气候／生态因素变化对我国灾害的影响308

15.5.2 灾害影响因子的重要性检验及因果关系的建立308

15.5.3 融合多源信息的信任网进行灾害监测309

15.5.4 情景模拟的辅助预警309

参考文献309