城市空间数据挖掘方法与应用研究
|
摘要
以城市发展决策中的空间信息需求为目标，以地理信息科学和城市地理学理论为指导，在已有空间数据挖掘研究的基础上，对城市空间数据挖掘理论、方法和应用进行了较深入研究。研究内容包括城市空间数据挖掘体系、空间基础计算模型、城市空间分布(静态)数据挖掘、城市空间动态预测、城市空间与时序关联规则提取、城市群数据挖掘等方面，提出了一个总体框架体系和若干新的挖掘方法，改进了一些已有的空间数据挖掘方法，进行了大量应用实验研究，初步建立了一个城市空间数据挖掘实验系统。
在基础理论方面：在总结已有研究工作的基础上，提出了一个空间数据挖掘框架体系和城市空间数据挖掘的任务体系；提出了位置—属性一体化的实体信息模型，并给出了3种空间距离测渡，可以作为空间计算的基础准则；通过对空间权重矩阵进行拓展，提出了空间实体关联矩阵和空间状态关联矩阵的概念，并给出了建立方法，为空间数据挖掘提供了新的基础工具。
在城市空间分布(静态)数据挖掘方面：采用空间—属性一体化概念模型，把空间坐标、空间关系和属性特征纳入到统一的空间计算模型，分别对城市土地适宜性评价和城市功能区划分中的空间聚类方法进行了研究，并提出了一种分类图层的平滑算法；针对城市土地的空间优化配置，提出了一种空间遗传算法(SGA)，该算法中的选择、交叉、变异算子都是在空间上进行的；对多要素离散空间场之间的相关性测度，定义了一种基于信息熵的规范的相关指数，并给出了计算方法。
在城市空间动态挖掘方面：对离散状态属性预测和模拟，建立了一种具有操作性的细胞自动机预测方法，即从历史空间数据中自动提取局部状态转换规则，在预测和模拟计算阶段采用随机试验的方法确定未来时间的单元状态，更符合实际；对连续状态属性预测，提出了一种空间关系与属性特征一体化的空间自回归分析方法，可以用于空间单元网络的连续属性的群体预测；对城市空间扩展预测，根据区域扩散的思想提出了一种点源射线扩散的预测方法和计算模型。
在城市空间关联知识挖掘方面：对静态关联规则，根据粗糙集理论归纳出了基于数据约减和等价类划分的两种空间关联规则提取方法；对动态关联规则，提出了一种时序信息表的生成方法，可广泛用于时序关联规则的挖掘。但是这些规则提取方法与空间关
山东科技大学博士学位论文摘要
系计算是分离的，即规则提取方法本身不是空间计算方法。针对较复杂的空间关联知识，
研究了根据空间关联矩阵挖掘空间实体关联知识和空间状态关联知识的方法，这些方法
是基于空间计算的。
在城市群空间数据挖掘方面:提出了坐标一属性一体化的城市群分布轴线挖掘思路
和参数估计方法，包括直线、抛物线和一般二次曲线;提出了几种新的空间离散度指数
及计算方法，包括加权平均间距、空间标准差、空间基尼系数等;从理论上证明了普通
voronoi图在描述城市群吸引范围中的缺陷，提出了一种更为合理的属性加权的曲边
Voronof图模型，并对生成方法进行了初步探讨，但还不成熟;根据城市规模一等级定则
(Zip淀则)、坐标分离策略和遗传算法(GA)，分别提出了两种城市群重心移动预测的
方法;最后对城市群空间引力场和潜能场的可视化方法进行了研究。
在技术开发方面:通过编制50个空间数据预处理和挖掘计算程序，并与GIS平台和
其他数据分析软件集成，初步建立了城市空间数据挖掘实验系统usDMS，结合济南市和
山东省城市群进行了大量应用实验研究，获取一大批城市空间数据挖掘结果。
With requirement of spatial information in city development decision as a goal, under the guidance of geographical information science and urban geography and based on the present study of spatial data mining (SDM), the author deeply studies the theory, method and appliance of urban spatial data mining (USMD). The contents that studied include the systemic structure of USMD, the models of basic spatial computation, urban spatial distribution DM, urban spatial dynamic DM, urban spatial association rule mining and urban cluster spatial data mining etc. The author brings forward collectivity frame structure and some new mining methods, improves on the some present methods of SDM, carries out a large of practical experiments, preliminarily builds up a experimental system of USDM.
On the aspect of basic theory: Based on the present research, the author puts forward a frame system of USDM and the entity information model of combination of location and attribute, gives the measurement of spatial distance as a basic rule of spatial computation. By extending the method of spatial weighted matrix, brings forth the conception of spatial entity association matrix and spatial entity state association matrix, gives the method of their establishment and offers new basic tools for SDM.
On the aspect of urban spatial distribution DM: Adopting the conception model of combination of location and attribute, the author brings spatial coordinates, spatial relationship and attribute character into the unitive model of spatial computation, studies city's land suitableness evaluation and the method of spatial clustering in division of urban function districts and brings forward the arithmetic of classification layer. Aiming at land spatial optimization allocation, the author puts forward SGA. In this arithmetic selection, crossover and mutation operator are progressed on the space. The author defines normative relational index based on entropy and gives the method of computation, for relational measurement among multi-elements discrete spatial fields.
On the aspect of urban spatial dynamic DM: To prediction and simulation of discrete-state attributes, the author establishes the predictive method of CA which has operation, that is to say, that automatic distills part rule of state conversion from the past spatial data and makes certain cell state in the future adopting the method of random experiment in the prediction and simulation accords with actual. To prediction of continuous state attributes, the author puts forward the SAR analytic method of combination of location and attribute. This method can be used in colony prediction of continuous valued attributes of spatial cell grid. To prediction of city spatial expansion, the author brings forward predicting method and computing model of point sources radiation diffusion based on the thought of regional diffusion.
On the aspect of urban spatial association knowledge mining: To static association rule, according to rough set theory the author summarizes two distilling methods of spatial association rule based on reductive data and division of equivalence. To dynamic association rule, the author puts forward the method of spatial time serial information table. This method can be used in spatial time serial association rule mining widely. But these distilling methods is discrete from computation of spatial relationship, that is to say, the method of distilling rule is different from the method of spatial computation. Aiming at complex spatial association knowledge, the author researches the method of mining spatial entity association knowledge and spatial state association knowledge according to spatial association matrix. These methods are on the basis of spatial computation.
On the aspect of urban cluster SDM: In this part, the author puts forward five methods. First, the author brings forward mining thoughts and the method of estimating parameter of urban cluster distribution axis which contains coordinate and attribute index. This method includes straight line, parabola and common qua
在基础理论方面：在总结已有研究工作的基础上，提出了一个空间数据挖掘框架体系和城市空间数据挖掘的任务体系；提出了位置—属性一体化的实体信息模型，并给出了3种空间距离测渡，可以作为空间计算的基础准则；通过对空间权重矩阵进行拓展，提出了空间实体关联矩阵和空间状态关联矩阵的概念，并给出了建立方法，为空间数据挖掘提供了新的基础工具。
在城市空间分布(静态)数据挖掘方面：采用空间—属性一体化概念模型，把空间坐标、空间关系和属性特征纳入到统一的空间计算模型，分别对城市土地适宜性评价和城市功能区划分中的空间聚类方法进行了研究，并提出了一种分类图层的平滑算法；针对城市土地的空间优化配置，提出了一种空间遗传算法(SGA)，该算法中的选择、交叉、变异算子都是在空间上进行的；对多要素离散空间场之间的相关性测度，定义了一种基于信息熵的规范的相关指数，并给出了计算方法。
在城市空间动态挖掘方面：对离散状态属性预测和模拟，建立了一种具有操作性的细胞自动机预测方法，即从历史空间数据中自动提取局部状态转换规则，在预测和模拟计算阶段采用随机试验的方法确定未来时间的单元状态，更符合实际；对连续状态属性预测，提出了一种空间关系与属性特征一体化的空间自回归分析方法，可以用于空间单元网络的连续属性的群体预测；对城市空间扩展预测，根据区域扩散的思想提出了一种点源射线扩散的预测方法和计算模型。
在城市空间关联知识挖掘方面：对静态关联规则，根据粗糙集理论归纳出了基于数据约减和等价类划分的两种空间关联规则提取方法；对动态关联规则，提出了一种时序信息表的生成方法，可广泛用于时序关联规则的挖掘。但是这些规则提取方法与空间关
山东科技大学博士学位论文摘要
系计算是分离的，即规则提取方法本身不是空间计算方法。针对较复杂的空间关联知识，
研究了根据空间关联矩阵挖掘空间实体关联知识和空间状态关联知识的方法，这些方法
是基于空间计算的。
在城市群空间数据挖掘方面:提出了坐标一属性一体化的城市群分布轴线挖掘思路
和参数估计方法，包括直线、抛物线和一般二次曲线;提出了几种新的空间离散度指数
及计算方法，包括加权平均间距、空间标准差、空间基尼系数等;从理论上证明了普通
voronoi图在描述城市群吸引范围中的缺陷，提出了一种更为合理的属性加权的曲边
Voronof图模型，并对生成方法进行了初步探讨，但还不成熟;根据城市规模一等级定则
(Zip淀则)、坐标分离策略和遗传算法(GA)，分别提出了两种城市群重心移动预测的
方法;最后对城市群空间引力场和潜能场的可视化方法进行了研究。
在技术开发方面:通过编制50个空间数据预处理和挖掘计算程序，并与GIS平台和
其他数据分析软件集成，初步建立了城市空间数据挖掘实验系统usDMS，结合济南市和
山东省城市群进行了大量应用实验研究，获取一大批城市空间数据挖掘结果。
With requirement of spatial information in city development decision as a goal, under the guidance of geographical information science and urban geography and based on the present study of spatial data mining (SDM), the author deeply studies the theory, method and appliance of urban spatial data mining (USMD). The contents that studied include the systemic structure of USMD, the models of basic spatial computation, urban spatial distribution DM, urban spatial dynamic DM, urban spatial association rule mining and urban cluster spatial data mining etc. The author brings forward collectivity frame structure and some new mining methods, improves on the some present methods of SDM, carries out a large of practical experiments, preliminarily builds up a experimental system of USDM.
On the aspect of basic theory: Based on the present research, the author puts forward a frame system of USDM and the entity information model of combination of location and attribute, gives the measurement of spatial distance as a basic rule of spatial computation. By extending the method of spatial weighted matrix, brings forth the conception of spatial entity association matrix and spatial entity state association matrix, gives the method of their establishment and offers new basic tools for SDM.
On the aspect of urban spatial distribution DM: Adopting the conception model of combination of location and attribute, the author brings spatial coordinates, spatial relationship and attribute character into the unitive model of spatial computation, studies city's land suitableness evaluation and the method of spatial clustering in division of urban function districts and brings forward the arithmetic of classification layer. Aiming at land spatial optimization allocation, the author puts forward SGA. In this arithmetic selection, crossover and mutation operator are progressed on the space. The author defines normative relational index based on entropy and gives the method of computation, for relational measurement among multi-elements discrete spatial fields.
On the aspect of urban spatial dynamic DM: To prediction and simulation of discrete-state attributes, the author establishes the predictive method of CA which has operation, that is to say, that automatic distills part rule of state conversion from the past spatial data and makes certain cell state in the future adopting the method of random experiment in the prediction and simulation accords with actual. To prediction of continuous state attributes, the author puts forward the SAR analytic method of combination of location and attribute. This method can be used in colony prediction of continuous valued attributes of spatial cell grid. To prediction of city spatial expansion, the author brings forward predicting method and computing model of point sources radiation diffusion based on the thought of regional diffusion.
On the aspect of urban spatial association knowledge mining: To static association rule, according to rough set theory the author summarizes two distilling methods of spatial association rule based on reductive data and division of equivalence. To dynamic association rule, the author puts forward the method of spatial time serial information table. This method can be used in spatial time serial association rule mining widely. But these distilling methods is discrete from computation of spatial relationship, that is to say, the method of distilling rule is different from the method of spatial computation. Aiming at complex spatial association knowledge, the author researches the method of mining spatial entity association knowledge and spatial state association knowledge according to spatial association matrix. These methods are on the basis of spatial computation.
On the aspect of urban cluster SDM: In this part, the author puts forward five methods. First, the author brings forward mining thoughts and the method of estimating parameter of urban cluster distribution axis which contains coordinate and attribute index. This method includes straight line, parabola and common qua
引文
1．Jiawei Han,Micheline Kamber．数据挖掘：概念与技术[M]，北京：机械工业出版社，2001．
2．陈述彭．地学信息图谱探索研究[M]，北京：商务印书馆，2001．
3．陈述彭，岳天祥，励惠国．地学信息图谱研究及其应用[J]．地理研究，2000，19(4)：337-343．
4．陈干，闾国年，王红．城市模型的发展及其存在问题[J]，经济地理，2000，20(5)：59-62．
5．陈军．Voronoi动态空间数据模型[M]，北京：测绘出版社，2002．
6．陈江平，傅仲良，边馥苓，沙衷尧．基于空间分析的空间关联规则提取[J]，计算机工程，2003，29(11)：29-31
7．陈陵，沈洁，秦玲，蚁群算法求解连续空间优化问题的一种方法[J]，软件学报，2002，13(12)：2317-2323．
8．崔伟宏，张显峰．土地资源的动态监测和动态模拟研究[J]，地球信息科学，2002，(1)：79-85．
9．查勇．倪绍祥，杨山．一种利用TM图像自动提取城镇用地信息的有效方法[J]，遥感学报，2003，7(1)：37-40．
10．查志强．城市土地集约利用潜力评价指标体系的构建[J]，改革论坛．2002，(4)：9-11．
11．邓悦．王铮等．上海市城市空间结构演变及预测[J]，华东师范大学学报(自然科学版)，2002，(2)：67-72．
12．戴晓燕，过仲阳，李勤奋，吴健平．空间聚类的研究现状及应用[J]，上海地质，2003，(4)：41-46
13．邓大权，李磊．时态关联规则研究与应用[J]，大连理工大学学报，2003，43(增刊1)：150-154
14．丁祥武．挖掘时态关联规则，武汉交通科技大学学报[J]，1999，23(4)：365-367．
15．邸凯昌．空间数据发掘与知识发现[M]，武汉大学出版社，2000．
16．杜于睿，邓冰．细胞自动机及其在模拟城市时空演化过程中的应用[J]，武汉大学学报(工学版)，2001，34(6)：8-11．
17．郭仁忠．空间分析(第二板)[M]，北京：高等教育出版社，2001．
18．何春阳，陈晋等．基于CA的城市空间动态模型研究[J]，地球科学进展，2002，17(2)：188-195
19．何金国，石青云．一种新的聚类分析算法[J]，中国图象图形学报，2000，5(5)：401-405
20．胡鹏，游莲，杨传勇．地图代数[M]，武汉大学出版社，2002．
21．姜友华，王新生．遗传算法用于产生可供选择的城市规划方案[J]，武汉大学学报(工学版)，2002，35(3)：63-66．
22．靳奉祥，王同孝等．测量数据信息的模式识别方法[J]．中国有色金属学报，1999，9(2)：425-430．
23．李成名，陈军．Voronoi图生成的栅格算法[J]，武汉测绘科技大学学报，1998，23(3)：208-210．
24．李成名．空间关系描述的Voronoi原理与方法[M]，西安：西安地图出版社，2000．
25．李德仁．论21世纪遥感与GIS的发展[J]．武汉大学学报(信息版)，2003，28(2)：127-130．
26．李德仁，程涛．从GIS数据库中发现知识[J]，测绘学报，1995，24(1)：37-44．
27．李德仁，王树良等．沦空间数据挖掘和知识发现的理论与方法[J]，武汉大学学报(信息版)，2002，27(37：221-233．
28．李德毅．发现状态空间理论，小型微型计算机系统[J]，1994，15(11)：1-6．
29．李红，蔡之华．应用于空间关联规则挖掘的ILP方法[J]，计算机工程与应用，2003，(16)：188-191，197．
30．李少年，孟志清，田媛．一个基于频繁项集的时态数据挖掘算法[J]，湘潭大学自然科学学报，2003，25(3)：21-25．
31．李双成．中国可持续发展水平区域差异的人工神经网络判定[J]．经济地理，2001，21(5)：523-526．
32．李琦，杨超伟．空间数据仓库及构建策略[J]，中国图形图象学报，1999，4(11)：984-990．
33．李新运，乔平林，李成名，林宗坚．城市群分布轴线挖掘方法研究[J]，测绘科学，2004，29(1)：17-19．
34．李新运，郑新奇．基于曲边Voronoi图的城市吸引范围计算方法[J]，测绘学院学报，2004，21(1)：38-41．
35．李新运，郑新奇．基于信息熵的离散空间场相关指数计算方法[J]，地理与地理信息科学，2003，19(6)：35-37．
36．李新运，郑新奇，闫弘文．坐标与属性—体化的空间聚类方法研究[J]，地理与地理信息科学，2004，20(1)：38-40．
37．李雄飞，李军．数据挖掘和知识发现[M]，北京：高等教育出版社，2003．
38．林宗坚．关于构建数字地球基础框架的思考[J]．中国测绘，1999，(4)：6-8．
39．林宗坚．我国“4D”产品生产与应用的现状及问题[J]，测绘通报，2001，(8)：7-9．
40．刘国林．非线性最小二乘与测量乎差[M]，北京：测绘出版社，2002．
41．刘念祖．时态数据挖掘的探讨[J]，上海第二工业大学学报，2001，(2)：27-31．
42．刘盛和．城市土地利用扩展的空间模式与机制[J]，地理科学进展．2002，21(1)：43～50．
43．刘同明．数据挖掘技术及其应用[M]，北京：国防工业出版社，2001．
44．刘清．Rough集及Rough推理[M]，北京：科学出版社，2001．
45．刘君强，潘云鹤．挖掘空间关联规则的前缀树算法设计与实现[J]，中国图象图形学报，2003，29(4)：476-480．
46．陆勤，刘胜军，蔡庆生．空间关联规则发掘的一种渐进求精方法[J]，计算机应用研究，2000，(6)：10～12
47．吕安民，李成名．林宗坚．人口统计数据的空间分布化研究[J]，武汉大学学报(信息版)，2002，27(3)：301-305．
48．吕安民．人口空间数据挖掘及其应用方法研究[D]，武汉大学博士学位论文，2002．
49．倪绍祥．近10年来中国土地评价研究的进展[J]，自然资源学报，2003，18(6)：673-683．
50．欧阳为民，蔡庆生．在数据库中发现具有时态约束的关联规则[J]，软件学报，1999，10(5)：527-532．
51．申金山，关柯，李峰，城市居住用地适宜性评价方法与应用[J]，城市环境与城市生态，1999，12(2)：29-31．
52．施颖男，李德敏等．移动计算中基于Apriori算法的空间关联规则提取[J]，计算机工程与应用，2003．(35)：55-56．
53、史玉峰，靳奉祥等．基于信息熵的测量粗差识别方法[J]，测绘通报，2002，(2)：9-13．
54．石云，孙玉芳，左春．基于ROUGH SET的空间数据分类方法[J]，软件学报，2000，11(5)：673-678．
55 汤家法，姚令侃，杨明．可拓空间数据挖掘技术及其应用[J]，系统工程理论与实践，2003，(3)：69-75．
56．陶华学．董烈镛．不同类型观测数据的动态最小二乘估计[J]，山东矿业学院学报，1996，15(4)：1-6．
57．王春峰．用遥感和单元自动演化方法研究城市扩展问题[M]，北京：测绘出版社，2002．
58．王红，闾国年，城市细胞自动机模型研究的回顾与展望[J]，经济地理，2003，23(2)：154-157．
59．王国杰．周沿海，廖善刚．土地适宜性评价的GIS实践方法比较研究[J]，安徽师范大学学报(自然可可学版)，2003，26(3)：294-297．
60．王家耀．空间信息系统原理[M]，北京：科学出版社，2001．
61．王家耀，邹建华．地图制图数据处理的模型方法[M]，北京：解放军出版社，1991．
62．王铮，吴健平等．城市土地利用演变信息的数据挖掘—以上海市为例[J]，地理研究，2002，21(6)：675-681．
63．邬伦，刘瑜，张晶等．地理信息系统—原理、方法和应用[M]，北京：科学出版社，2002．
64．汪闽，周成虎，空间数据挖掘方法的研究进展[J]，地理信息世界，2002，(2)：26-31．
65．汪闽，周成虎等，MSCMO：基于数学形态学算子的尺度空间聚类方法[J]，遥感学报，2004，8(1)：45-50．
66．汪小钦，徐涵秋，陈崇成．福清市城市时空扩展的遥感监测及其动力机制[J]，福州大学学报(自然科学版)，2000，28(2)：20-24．
67．文俊清，向红，李立新，吴红艳．基于邻接关系的空间聚类算法研究[J]，计算机工程与应用，2003，34：184-186
68．吴信才，刘少雄．基于邻接关系的空间数据挖掘[J]，计算机工程，2001，28(7)：89-91．
69．肖平，李德仁．基于人工神经网络的土地利用／覆盖变化探测[J]，武汉大学学报(信息版)，2002，27(6)：586-590．
70．许嘉巍，刘惠清．长春市城市建设用地适宜性评价[J]，经济地理，1999，19(6)：101-104．
71．许学强，周一星，宁越敏．城市地理学[M]，北京：高等教育出版社，1999．
72．徐涵秋．福清市城镇空间扩展及其驱动机制分析，遥感技术与应用[J]，2002，17(4)：86-92．
73．徐建华．现代地理学中的数学方法[M]，北京：高等教育出版社，2002．
74．杨吾扬．区位论原理—产业、城市和区域的区位经济分析[M]，兰州：甘肃人民出版社，1989．
75．杨勇，宋晓峰，王建飞，胡上序．蚁群算法求解连续空间优化问题[J]，控制与决策，2003，18(5)：573-576．
76．袁红春，熊范纶等．一个适用于地理信息系统的数据挖掘工具—GISMiner[J]，中国科学技术大学学报，2002，32(2)：217-224．
77．张继贤，林宗坚．“4D"技术用于上地资源遥感动态监测[J]，遥感信息，1998，(3)：9-11．
78．张继贤，论土地利用与覆盖变化遥感信息提取技术框架[J]，测绘科学，2003，28(3)：13-15．
79．张健挺．基于信息熵的地学数据挖掘模型及其应用研究[D]，中科院地理研究所博士学位论文，
1999．
80．张连蓬，刘国林等．基于先验知识的GIS路径寻优算法[J]，测绘科学，2003，28(3)：27-29
81．张山山，基于CA的时空过程模拟建模方法[J]，武汉大学学报(信息科学版)，2004，29(2)：175-178．
82．张显峰，崔伟宏．基于GIS和CA模型的时空建模方法研究[J]，中国图象图形学报，2000，5(12)：1012-1018．
83．张新长，黄瑞红．城市地理信息系统若干问题的理论与技术方法[J]，中山大学学报，1998，37(2)：121-124．
84．周成虎，张健挺，基于信息熵的地学空间数据挖掘模型[J]，中国图象图形学报，1999．4(11)：946-951．
85．周成虎，孙战利，谢一春．地理元胞自动机研究[M]，北京：科学出版社，1999．
86．周春山，周青山．地理统计数据聚类的神经网络方法[J]，决策与决策支持系统，1994，4(2)：94-99．
87．周海燕，王家耀等．空间数据挖掘技术及其应用[J]．测绘通报，2002，(2)：11-13．
88．周海燕．空间数据挖掘的研究[D]，信息工程大学博士学位论文，2003
89．周素红，周冰艳．GIS辅助城市用地结构分析与用地调整的应用初探[J]，人文地理，2002，17(6)：81-84．
90．周荫清．信息理论基础[M]，北京航空航天大学出版社，2002．
91．周炎坤，李满春．大型空间数据仓库初探[J]，测绘通报，2000，(8)：22-23．
92．祝善友，江涛等．基于遥感技术的泰安城市扩展变化的动态研究[J]，山东科技大学学报(自然科学版)，2002，21(3)：51-54．
93．邹逸江．空间数据仓库研究综述[J]．测绘学院学报，2002，19(4)：287-289．
94．赵霈生，杨崇俊．空间数据仓库的技术与实践[J]，遥感学报，2000，4(2)：157-160．
95．郑新奇，阎弘文，赵涛．RS和GIS支持的城市土地优化配置——以济南市为例[J]，国土资源遥感，2001，(1)：15-18．
96．郑连斌，石晶瑜，刘兴东．关于内蒙古自治区人口重心的研究[J]，内蒙古师大学报(哲学社会版)，1995．(2)：94-100．
97. Agrawal R et al. Fast algorithms for mining association rules[C], In Proc 1994 Int Conf VLDB'94,Santiago, Chile, 1994.
98. Agrawal R et al. Mining sequential pattern[C], IEEE Proc Int C onf Database Eng, 1995,3-14.
99. Aspinall R et al. Integrated geographical assessment of environmental condition in water catchments:linking landscape ecology, environmental modeling and GIS[J]. Journal of Environmental Management, 2000, 59.
100. Alan T Met al. Cluster discovery techniques for exploratory spatial dada analysis[J]. Int J GIS, 1998, 12(5):431-443.
101. Aapo Hyv?rinen. Survey on independent component analysis[J], Neural Computing Survey, 1999,91-128.
102. Ale J M, Rossi G H. An approach to discover temporal association rules[C], SAC'00, Como, 2000,
294-300.
103. Batty M, Xie Y C, Sun Z L. Modeling urban dynamics through GIS-based CA, computer[J],Computer, Environmental and Urban Systems, 1999, 23:205-233.
104. Bettini C, Wang S X, Jajodia Set al. Discovering frequent event patterns with multiple granularities in time sequences[J], IEEE Trans on KDE, 1998, 10(2):222-237
105. Christopher J M, Elisabeth N B. Spatial data mining for enhanced soil map modeling, Int J GIS, 2002, 16(6):533-549.
106. Clarke K C, Gaydos L J. Loose-coupling a cellular automata model and GIS:long-term urban growth prediction for San Francisco and Washington/Baltimore, Int J GIS, 1998, 12:699-714.
107. Clementini E et al. Mining multiple-level spatial association rules for objects with a broad boundary[J], Data and knowledge engineering, 2000, 34.
108. Colorni A, Dorigo M, Maniezzo V. Distributed optimization by ant colonies[C], Proc Europe Conf Artif Life, Paris: Elservier Publishing, 1991, 134-142.
109. Daniel O, Rudy R. Continuous-valued Cellular Automata for nonlinear wave equations[J], Complex systems, 1996, (10):91-119.
110. Ester M, Kriegel H P, J?rg Sander, Xiaowei Xu. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise[C], Proceedings of 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96).
111. Ester M, Frommelt A, Hans-Peter Kriegel, J?rg Sander. Algorithms for Characterization and Trend Detection in Spatial Databases[C], Proceedings of 4th International Conference on Knowledge Discovery and Data Mining (KDD-98).
112. Egenhofer M J, R D Franzosa. Point-set topological spatial relations[J], Int J GIS, 1991, 5(2).
113. Eklund P W et al. Data mining and soil salinity analysis[J], Int J GIS, 1998, 12(3).
114. Ester M. Spatial data mining: a database approach[C], Proc Int Symp Large spatial databases (SSD'97), Berlin, 1997.
115. Feng C, Lin J. Using a genetic algorithm to generative sketch maps for urban planning[J], Computers Environment and Urban System, 1999, 23(2):91-108.
116. Fayyad U M, Piatetsky-Shapiro G, Smyth P. Advances in knowledge discovery and data mining[M], AAAI/MIT Press, 1996.
117. Fischer M, Scholten H J, Unwin D(eds.), Spatial Analytical Perspectives on GIS[M], Taylor & Francis Ltd, 1996.
118. Gore At The Digital Earth, Understanding our planet in 21st Century[J], the Australian Surveyor,1998, 43(2).
119. Groot R. Education and training in Geomatics in Canada[J], CISM Journal, 1991, 45(3):365-382.
120. Harvey J M, Han J, Geographic Data Mining and Knowledge Discovery[M], London and New York,
TAYLOR & FRANCIS, 2001.
121. Hansen M et al. Classification tree: an alternative to traditional land cover classifiers[J], Int J RS, 1996, 17(5).
122. Huang X, Jensen J R. A machine learning approach to automated knowledge-base building for remote sensing image analysis with GIS data[J], PE&RS, 1997, (10)
123. J Han. Conference tutorial notes: spatial data mining and spatial data warehouse[C], 5th IntSSD(SSD'97), Berlin, Germany, 1997.
124. J Han, M Kamber, A. K. H. Tung. Spatial Clustering Methods in Data Mining: A Survey[C], H Miller and J Han (eds.), Geographic Data Mining and Knowledge Discovery, Taylor and Francis, 2001.
125. J Han, N Stefanovic, K Koperski. Selective Materialization: An Efficient Method for Spatial Data Cube Construction[C], Proc 1998 Pacific-Asia Conf on Knowledge Discovery and Data Mining (PAKDD'98), Melbourne, Australia, April 1998, 144-158.
126. J Han, K Koperski, N Stefanovic. GeoMiner:A System Prototype for Spatial Data Mining[C], Proc 1997 ACM-SIGMOD Int Conf on Management of Data(SIGMOD'97), Tucson, Arizona, 1997.
127. J Han, L V S Lakshrnanan, R T Ng. Constraint-Based, Multidimensional Data Mining[J], COMPUTER (special issues on Data Mining), 1999, 32(8):46-50.
128. J Han, Y Fu, W Wang, J Chiang, O R Zaiane, K Koperski. DBMiner:Interactive Mining of Multiple-Level Knowledge in Relational Databases[C], Proc 1996 ACM-SIGMOD Int Conf on Management of Data (SIGMOD'96), Montreal, Canada, 1996.
129. J Hart, O R Za?ane, Y Fu. Resource and Knowledge Discovery in Global Information Systems: A Scalable Multiple Layered Database Approach[C], Proc of a Forum on Research and Technology Advances in Digital Libraries (ADL'95), McLean, Virginia, 1995.
130. J Han, J Pei, G Dong, K Wang. Efficient Computation of Iceberg Cubes with Complex Measures[C], Proc. 2001 ACM-SIGMOD Int. Conf. on Management of Data (SIGMOD'01), Santa Barbara, CA, 2001.
131. J Han, G Dong, Y Yin. Efficient Mining of Partial Periodic Patterns in Time Series Database[C], Proc 1999 Int Conf on Data Engineering (ICDE'99), Sydney, Australia, 1999, 106-115.
132. J Han, W Gong, Y Yin. Mining Segment-Wise Periodic Patterns in Time-Related Databases[C], Proc of 1998 Int Conf on Knowledge Discovery and Data Mining (KDD'98) , New York City, NY, 1998, 214-218.
133. Juan P R, Claire H J, Neil S. Artificial neural networks as a tool for spatial interpolation, Int J GIS, 2001, 15(4):323-343.
134. Knorr E, R Ng R. Finding Aggregate Proximity Relationships and Cornmonalities in Spatial Data Mining[J], IEEE Trans. on Knowledge & Data Engineering, 8(6), 55-69, 1996.
135. Koperski K, Hart J, Stefanovic N. An Efficient Two-Step Method for Classification of Spatial Data[C],
Proc. 1998 International Symposium on Spatial Data Handling(SDH98), Vancouver, BC, Canada, 1998,45-54.
136. Koperski K, Hart J. Discovery of Spatial Association Rules in Geographic Information Databases[C], Proc 4th Int Syrup on Large Spatial Databases (SSD95), Maine, Aug. 1995, 47-66.
137. Koperski K, Adhikary J, Han J. Spatial Data Mining:Progress and Challenges[C], 1996 SIGMOD96 Workshop on Research Issues on Data Mining and Knowledge Discovery (DMKD'96), Montreal, Canada,1996.
138. Koperski K. A Progressive Refinement Approach to Spatial Data Mining[D], PhD dissertation of Simon Fraser University, 1999.
139. Koperski K, Han J. Data Mining Methods for the Analysis of Large Geographic Databases[C], Proc 10th Annual Conference on GIS, Vancouver, Canada, 1996.
140. Li W, Han J, Pei J. CMAR:Accurate and Efficient Classification Based on Multiple Class-Association Rules[C], Proc 2001 Int Conf on Data Mining(ICDM10), San Jose, CA, 2001,
141. Li X, Yeh A G O. Modelling sustainable urban development by the integration of constrained cellular automata and GIS[J], Int J GIS, 2000, 14:131-152.
142. Lu W, Han J, Ooi B C. Discovery of General Knowledge in Large Spatial Databases[C], Proc of 1993 Far East Workshop on Geographic Information Systems (FEGIS'93), Singapore, 1993, 275-289.
143. Miller H. Geographic data mining and knowledge discovery[M], London, UK, Taylor & Francis, 2000.
144. Margaret H D. Data mining introduction and advanced topics[M], 北京：清华大学出版社, 2003.
145. Martin E, Alexander F et al, Spatial data mining:database primitives, algorithms and efficient DBMS support[J], data mining & knowledge discovery, 2000, 4(2/3): 193-216
146. Murray A T & Shyy T K, Integrating attribute and space characteristics in choropleth display and spatial data mining[J], Int J GIS, 2000, 14(7):649-667.
147. Ng R, Han J. CLARANS:A Method for Clustering Objects for Spatial Data Mining[J], IEEE Trans Knowledge & Data Engineering, 2001.
148. Ng R, Han J. Efficient and Effective Clustering Method for Spatial Data Mining[C], Proc of 1994 Int Conf on Very Large Data Bases (VLDB'94), Santiago, Chile, 1994, 144-155.
149. Ng R, Lakshmanan L V S, Han J, Pang A. Exploratory Mining and Pruning Optimizations of Constrained Associations Rules[C], Proc of 1998 ACM-SIGMOD Conf on Management of Data, Seattle, Washington, June 1998, 13-24.
150. Pitt L, Reinke R E. Criteria for polynomial time (conceptual) clustering[J], Machine Learning, 1998, 2(4):371-396.
151. Quinlan J R. C4.5:Programs for machine learning[M]. Morgan Kaufman, 1993.
152. Quinlan J R. Decision trees and decisionmaking[J], IEEE Trans on SMC, 1990, 20(2):339-346.
153. Richad J B, John T T, Michael R B, Kirsten D. Multiobjective urban planning using genetic algorithm[J], Journal of Urban and Development, 1999, 125(2):86-99.
154. Shan Cheng. Statistical Approaches to Predictive Modeling in Large Databases[D], M Sc thesis, Computing Science, Simon Fraser University, 1998.
155. Stefanovic N, Han J, Koperski K. Object-Based Selective Materialization for Efficient Implementation of Spatial Data Cubes[J], IEEE Transactions on Knowledge and Data Engineering, 2000, 12(6):938-958.
156. Stefanovic N. Design and Implementation of On-Line Analytical Processing (OLAP) of Spatial Data[D], M Sc thesis, Computing Science, Simon Fraser University, 1997.
157. Tung A K H, Hou J, and Han J. Spatial Clustering in the Presence of Obstacles[C], Proc 2001 Int Conf on Data Engineering (ICDE01), Heidelberg, Germany, 2001.
158. Tung A K H, Ng R T, Lakshmanan L V S, Han J. Geo-spatial Clustering with User-Specified Constraints[C], Proceedings of the International Workshop on Multimedia Data Mining (MDM/KDD2000), in conjunction with ACM SIGKDD conference, Boston, USA, 2000
159. Wan Gong. Periodic Pattern Search in Time-Related Data Sets[D], M Sci thesis, Computing Science, Simon Fraser University, 1997.
160. Wu E Webster C J. Simulating artificial cities in a GIS environment: urban growth under alternative regulation regimes[J]. Int J GIS, 2000, 14(7):625-648.
161. X Li, A G Yeh, Neural-network-based cellular automata for simulating multiple land use change using GIS[J], Int J GIS, 2002, 16(4):323-343.
162. X Wang, C Bettini, A Brodsky. Logical design for temporal databases with multiple granularities[J], ACM Trans Database System, 1997,22(2): 115-170.
163. Yeh A G O, Li X. A constrained CA model for the simulation and planning of sustainable urban forms by using GIS[J], Environment and Planning B: Planning and Design, 2001, 28:733-753.
164. Yongjian Fu. Discovery of Multiple-Level Rules from Large Databases[D], Ph D thesis, Computing Science, Simon Fraser University, 1996.
165. Zliou X, Truffet D, Han J. Efficient Polygon Amalgamation Methods for Spatial OLAP and Spatial Data Mining[C], Proc 6th Int Syrup on Large Spatial Databases (SSD99), Hong Kong, 1999, 167-187.
166. Zhang T, Ramakrishnam R, Livny M. BIRCH:A New Data Clustering Method and Its Applications[J], Data Mining and Knowledge Discovery, 1997, (1): 141-182.
2．陈述彭．地学信息图谱探索研究[M]，北京：商务印书馆，2001．
3．陈述彭，岳天祥，励惠国．地学信息图谱研究及其应用[J]．地理研究，2000，19(4)：337-343．
4．陈干，闾国年，王红．城市模型的发展及其存在问题[J]，经济地理，2000，20(5)：59-62．
5．陈军．Voronoi动态空间数据模型[M]，北京：测绘出版社，2002．
6．陈江平，傅仲良，边馥苓，沙衷尧．基于空间分析的空间关联规则提取[J]，计算机工程，2003，29(11)：29-31
7．陈陵，沈洁，秦玲，蚁群算法求解连续空间优化问题的一种方法[J]，软件学报，2002，13(12)：2317-2323．
8．崔伟宏，张显峰．土地资源的动态监测和动态模拟研究[J]，地球信息科学，2002，(1)：79-85．
9．查勇．倪绍祥，杨山．一种利用TM图像自动提取城镇用地信息的有效方法[J]，遥感学报，2003，7(1)：37-40．
10．查志强．城市土地集约利用潜力评价指标体系的构建[J]，改革论坛．2002，(4)：9-11．
11．邓悦．王铮等．上海市城市空间结构演变及预测[J]，华东师范大学学报(自然科学版)，2002，(2)：67-72．
12．戴晓燕，过仲阳，李勤奋，吴健平．空间聚类的研究现状及应用[J]，上海地质，2003，(4)：41-46
13．邓大权，李磊．时态关联规则研究与应用[J]，大连理工大学学报，2003，43(增刊1)：150-154
14．丁祥武．挖掘时态关联规则，武汉交通科技大学学报[J]，1999，23(4)：365-367．
15．邸凯昌．空间数据发掘与知识发现[M]，武汉大学出版社，2000．
16．杜于睿，邓冰．细胞自动机及其在模拟城市时空演化过程中的应用[J]，武汉大学学报(工学版)，2001，34(6)：8-11．
17．郭仁忠．空间分析(第二板)[M]，北京：高等教育出版社，2001．
18．何春阳，陈晋等．基于CA的城市空间动态模型研究[J]，地球科学进展，2002，17(2)：188-195
19．何金国，石青云．一种新的聚类分析算法[J]，中国图象图形学报，2000，5(5)：401-405
20．胡鹏，游莲，杨传勇．地图代数[M]，武汉大学出版社，2002．
21．姜友华，王新生．遗传算法用于产生可供选择的城市规划方案[J]，武汉大学学报(工学版)，2002，35(3)：63-66．
22．靳奉祥，王同孝等．测量数据信息的模式识别方法[J]．中国有色金属学报，1999，9(2)：425-430．
23．李成名，陈军．Voronoi图生成的栅格算法[J]，武汉测绘科技大学学报，1998，23(3)：208-210．
24．李成名．空间关系描述的Voronoi原理与方法[M]，西安：西安地图出版社，2000．
25．李德仁．论21世纪遥感与GIS的发展[J]．武汉大学学报(信息版)，2003，28(2)：127-130．
26．李德仁，程涛．从GIS数据库中发现知识[J]，测绘学报，1995，24(1)：37-44．
27．李德仁，王树良等．沦空间数据挖掘和知识发现的理论与方法[J]，武汉大学学报(信息版)，2002，27(37：221-233．
28．李德毅．发现状态空间理论，小型微型计算机系统[J]，1994，15(11)：1-6．
29．李红，蔡之华．应用于空间关联规则挖掘的ILP方法[J]，计算机工程与应用，2003，(16)：188-191，197．
30．李少年，孟志清，田媛．一个基于频繁项集的时态数据挖掘算法[J]，湘潭大学自然科学学报，2003，25(3)：21-25．
31．李双成．中国可持续发展水平区域差异的人工神经网络判定[J]．经济地理，2001，21(5)：523-526．
32．李琦，杨超伟．空间数据仓库及构建策略[J]，中国图形图象学报，1999，4(11)：984-990．
33．李新运，乔平林，李成名，林宗坚．城市群分布轴线挖掘方法研究[J]，测绘科学，2004，29(1)：17-19．
34．李新运，郑新奇．基于曲边Voronoi图的城市吸引范围计算方法[J]，测绘学院学报，2004，21(1)：38-41．
35．李新运，郑新奇．基于信息熵的离散空间场相关指数计算方法[J]，地理与地理信息科学，2003，19(6)：35-37．
36．李新运，郑新奇，闫弘文．坐标与属性—体化的空间聚类方法研究[J]，地理与地理信息科学，2004，20(1)：38-40．
37．李雄飞，李军．数据挖掘和知识发现[M]，北京：高等教育出版社，2003．
38．林宗坚．关于构建数字地球基础框架的思考[J]．中国测绘，1999，(4)：6-8．
39．林宗坚．我国“4D”产品生产与应用的现状及问题[J]，测绘通报，2001，(8)：7-9．
40．刘国林．非线性最小二乘与测量乎差[M]，北京：测绘出版社，2002．
41．刘念祖．时态数据挖掘的探讨[J]，上海第二工业大学学报，2001，(2)：27-31．
42．刘盛和．城市土地利用扩展的空间模式与机制[J]，地理科学进展．2002，21(1)：43～50．
43．刘同明．数据挖掘技术及其应用[M]，北京：国防工业出版社，2001．
44．刘清．Rough集及Rough推理[M]，北京：科学出版社，2001．
45．刘君强，潘云鹤．挖掘空间关联规则的前缀树算法设计与实现[J]，中国图象图形学报，2003，29(4)：476-480．
46．陆勤，刘胜军，蔡庆生．空间关联规则发掘的一种渐进求精方法[J]，计算机应用研究，2000，(6)：10～12
47．吕安民，李成名．林宗坚．人口统计数据的空间分布化研究[J]，武汉大学学报(信息版)，2002，27(3)：301-305．
48．吕安民．人口空间数据挖掘及其应用方法研究[D]，武汉大学博士学位论文，2002．
49．倪绍祥．近10年来中国土地评价研究的进展[J]，自然资源学报，2003，18(6)：673-683．
50．欧阳为民，蔡庆生．在数据库中发现具有时态约束的关联规则[J]，软件学报，1999，10(5)：527-532．
51．申金山，关柯，李峰，城市居住用地适宜性评价方法与应用[J]，城市环境与城市生态，1999，12(2)：29-31．
52．施颖男，李德敏等．移动计算中基于Apriori算法的空间关联规则提取[J]，计算机工程与应用，2003．(35)：55-56．
53、史玉峰，靳奉祥等．基于信息熵的测量粗差识别方法[J]，测绘通报，2002，(2)：9-13．
54．石云，孙玉芳，左春．基于ROUGH SET的空间数据分类方法[J]，软件学报，2000，11(5)：673-678．
55 汤家法，姚令侃，杨明．可拓空间数据挖掘技术及其应用[J]，系统工程理论与实践，2003，(3)：69-75．
56．陶华学．董烈镛．不同类型观测数据的动态最小二乘估计[J]，山东矿业学院学报，1996，15(4)：1-6．
57．王春峰．用遥感和单元自动演化方法研究城市扩展问题[M]，北京：测绘出版社，2002．
58．王红，闾国年，城市细胞自动机模型研究的回顾与展望[J]，经济地理，2003，23(2)：154-157．
59．王国杰．周沿海，廖善刚．土地适宜性评价的GIS实践方法比较研究[J]，安徽师范大学学报(自然可可学版)，2003，26(3)：294-297．
60．王家耀．空间信息系统原理[M]，北京：科学出版社，2001．
61．王家耀，邹建华．地图制图数据处理的模型方法[M]，北京：解放军出版社，1991．
62．王铮，吴健平等．城市土地利用演变信息的数据挖掘—以上海市为例[J]，地理研究，2002，21(6)：675-681．
63．邬伦，刘瑜，张晶等．地理信息系统—原理、方法和应用[M]，北京：科学出版社，2002．
64．汪闽，周成虎，空间数据挖掘方法的研究进展[J]，地理信息世界，2002，(2)：26-31．
65．汪闽，周成虎等，MSCMO：基于数学形态学算子的尺度空间聚类方法[J]，遥感学报，2004，8(1)：45-50．
66．汪小钦，徐涵秋，陈崇成．福清市城市时空扩展的遥感监测及其动力机制[J]，福州大学学报(自然科学版)，2000，28(2)：20-24．
67．文俊清，向红，李立新，吴红艳．基于邻接关系的空间聚类算法研究[J]，计算机工程与应用，2003，34：184-186
68．吴信才，刘少雄．基于邻接关系的空间数据挖掘[J]，计算机工程，2001，28(7)：89-91．
69．肖平，李德仁．基于人工神经网络的土地利用／覆盖变化探测[J]，武汉大学学报(信息版)，2002，27(6)：586-590．
70．许嘉巍，刘惠清．长春市城市建设用地适宜性评价[J]，经济地理，1999，19(6)：101-104．
71．许学强，周一星，宁越敏．城市地理学[M]，北京：高等教育出版社，1999．
72．徐涵秋．福清市城镇空间扩展及其驱动机制分析，遥感技术与应用[J]，2002，17(4)：86-92．
73．徐建华．现代地理学中的数学方法[M]，北京：高等教育出版社，2002．
74．杨吾扬．区位论原理—产业、城市和区域的区位经济分析[M]，兰州：甘肃人民出版社，1989．
75．杨勇，宋晓峰，王建飞，胡上序．蚁群算法求解连续空间优化问题[J]，控制与决策，2003，18(5)：573-576．
76．袁红春，熊范纶等．一个适用于地理信息系统的数据挖掘工具—GISMiner[J]，中国科学技术大学学报，2002，32(2)：217-224．
77．张继贤，林宗坚．“4D"技术用于上地资源遥感动态监测[J]，遥感信息，1998，(3)：9-11．
78．张继贤，论土地利用与覆盖变化遥感信息提取技术框架[J]，测绘科学，2003，28(3)：13-15．
79．张健挺．基于信息熵的地学数据挖掘模型及其应用研究[D]，中科院地理研究所博士学位论文，
1999．
80．张连蓬，刘国林等．基于先验知识的GIS路径寻优算法[J]，测绘科学，2003，28(3)：27-29
81．张山山，基于CA的时空过程模拟建模方法[J]，武汉大学学报(信息科学版)，2004，29(2)：175-178．
82．张显峰，崔伟宏．基于GIS和CA模型的时空建模方法研究[J]，中国图象图形学报，2000，5(12)：1012-1018．
83．张新长，黄瑞红．城市地理信息系统若干问题的理论与技术方法[J]，中山大学学报，1998，37(2)：121-124．
84．周成虎，张健挺，基于信息熵的地学空间数据挖掘模型[J]，中国图象图形学报，1999．4(11)：946-951．
85．周成虎，孙战利，谢一春．地理元胞自动机研究[M]，北京：科学出版社，1999．
86．周春山，周青山．地理统计数据聚类的神经网络方法[J]，决策与决策支持系统，1994，4(2)：94-99．
87．周海燕，王家耀等．空间数据挖掘技术及其应用[J]．测绘通报，2002，(2)：11-13．
88．周海燕．空间数据挖掘的研究[D]，信息工程大学博士学位论文，2003
89．周素红，周冰艳．GIS辅助城市用地结构分析与用地调整的应用初探[J]，人文地理，2002，17(6)：81-84．
90．周荫清．信息理论基础[M]，北京航空航天大学出版社，2002．
91．周炎坤，李满春．大型空间数据仓库初探[J]，测绘通报，2000，(8)：22-23．
92．祝善友，江涛等．基于遥感技术的泰安城市扩展变化的动态研究[J]，山东科技大学学报(自然科学版)，2002，21(3)：51-54．
93．邹逸江．空间数据仓库研究综述[J]．测绘学院学报，2002，19(4)：287-289．
94．赵霈生，杨崇俊．空间数据仓库的技术与实践[J]，遥感学报，2000，4(2)：157-160．
95．郑新奇，阎弘文，赵涛．RS和GIS支持的城市土地优化配置——以济南市为例[J]，国土资源遥感，2001，(1)：15-18．
96．郑连斌，石晶瑜，刘兴东．关于内蒙古自治区人口重心的研究[J]，内蒙古师大学报(哲学社会版)，1995．(2)：94-100．
97. Agrawal R et al. Fast algorithms for mining association rules[C], In Proc 1994 Int Conf VLDB'94,Santiago, Chile, 1994.
98. Agrawal R et al. Mining sequential pattern[C], IEEE Proc Int C onf Database Eng, 1995,3-14.
99. Aspinall R et al. Integrated geographical assessment of environmental condition in water catchments:linking landscape ecology, environmental modeling and GIS[J]. Journal of Environmental Management, 2000, 59.
100. Alan T Met al. Cluster discovery techniques for exploratory spatial dada analysis[J]. Int J GIS, 1998, 12(5):431-443.
101. Aapo Hyv?rinen. Survey on independent component analysis[J], Neural Computing Survey, 1999,91-128.
102. Ale J M, Rossi G H. An approach to discover temporal association rules[C], SAC'00, Como, 2000,
294-300.
103. Batty M, Xie Y C, Sun Z L. Modeling urban dynamics through GIS-based CA, computer[J],Computer, Environmental and Urban Systems, 1999, 23:205-233.
104. Bettini C, Wang S X, Jajodia Set al. Discovering frequent event patterns with multiple granularities in time sequences[J], IEEE Trans on KDE, 1998, 10(2):222-237
105. Christopher J M, Elisabeth N B. Spatial data mining for enhanced soil map modeling, Int J GIS, 2002, 16(6):533-549.
106. Clarke K C, Gaydos L J. Loose-coupling a cellular automata model and GIS:long-term urban growth prediction for San Francisco and Washington/Baltimore, Int J GIS, 1998, 12:699-714.
107. Clementini E et al. Mining multiple-level spatial association rules for objects with a broad boundary[J], Data and knowledge engineering, 2000, 34.
108. Colorni A, Dorigo M, Maniezzo V. Distributed optimization by ant colonies[C], Proc Europe Conf Artif Life, Paris: Elservier Publishing, 1991, 134-142.
109. Daniel O, Rudy R. Continuous-valued Cellular Automata for nonlinear wave equations[J], Complex systems, 1996, (10):91-119.
110. Ester M, Kriegel H P, J?rg Sander, Xiaowei Xu. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise[C], Proceedings of 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96).
111. Ester M, Frommelt A, Hans-Peter Kriegel, J?rg Sander. Algorithms for Characterization and Trend Detection in Spatial Databases[C], Proceedings of 4th International Conference on Knowledge Discovery and Data Mining (KDD-98).
112. Egenhofer M J, R D Franzosa. Point-set topological spatial relations[J], Int J GIS, 1991, 5(2).
113. Eklund P W et al. Data mining and soil salinity analysis[J], Int J GIS, 1998, 12(3).
114. Ester M. Spatial data mining: a database approach[C], Proc Int Symp Large spatial databases (SSD'97), Berlin, 1997.
115. Feng C, Lin J. Using a genetic algorithm to generative sketch maps for urban planning[J], Computers Environment and Urban System, 1999, 23(2):91-108.
116. Fayyad U M, Piatetsky-Shapiro G, Smyth P. Advances in knowledge discovery and data mining[M], AAAI/MIT Press, 1996.
117. Fischer M, Scholten H J, Unwin D(eds.), Spatial Analytical Perspectives on GIS[M], Taylor & Francis Ltd, 1996.
118. Gore At The Digital Earth, Understanding our planet in 21st Century[J], the Australian Surveyor,1998, 43(2).
119. Groot R. Education and training in Geomatics in Canada[J], CISM Journal, 1991, 45(3):365-382.
120. Harvey J M, Han J, Geographic Data Mining and Knowledge Discovery[M], London and New York,
TAYLOR & FRANCIS, 2001.
121. Hansen M et al. Classification tree: an alternative to traditional land cover classifiers[J], Int J RS, 1996, 17(5).
122. Huang X, Jensen J R. A machine learning approach to automated knowledge-base building for remote sensing image analysis with GIS data[J], PE&RS, 1997, (10)
123. J Han. Conference tutorial notes: spatial data mining and spatial data warehouse[C], 5th IntSSD(SSD'97), Berlin, Germany, 1997.
124. J Han, M Kamber, A. K. H. Tung. Spatial Clustering Methods in Data Mining: A Survey[C], H Miller and J Han (eds.), Geographic Data Mining and Knowledge Discovery, Taylor and Francis, 2001.
125. J Han, N Stefanovic, K Koperski. Selective Materialization: An Efficient Method for Spatial Data Cube Construction[C], Proc 1998 Pacific-Asia Conf on Knowledge Discovery and Data Mining (PAKDD'98), Melbourne, Australia, April 1998, 144-158.
126. J Han, K Koperski, N Stefanovic. GeoMiner:A System Prototype for Spatial Data Mining[C], Proc 1997 ACM-SIGMOD Int Conf on Management of Data(SIGMOD'97), Tucson, Arizona, 1997.
127. J Han, L V S Lakshrnanan, R T Ng. Constraint-Based, Multidimensional Data Mining[J], COMPUTER (special issues on Data Mining), 1999, 32(8):46-50.
128. J Han, Y Fu, W Wang, J Chiang, O R Zaiane, K Koperski. DBMiner:Interactive Mining of Multiple-Level Knowledge in Relational Databases[C], Proc 1996 ACM-SIGMOD Int Conf on Management of Data (SIGMOD'96), Montreal, Canada, 1996.
129. J Hart, O R Za?ane, Y Fu. Resource and Knowledge Discovery in Global Information Systems: A Scalable Multiple Layered Database Approach[C], Proc of a Forum on Research and Technology Advances in Digital Libraries (ADL'95), McLean, Virginia, 1995.
130. J Han, J Pei, G Dong, K Wang. Efficient Computation of Iceberg Cubes with Complex Measures[C], Proc. 2001 ACM-SIGMOD Int. Conf. on Management of Data (SIGMOD'01), Santa Barbara, CA, 2001.
131. J Han, G Dong, Y Yin. Efficient Mining of Partial Periodic Patterns in Time Series Database[C], Proc 1999 Int Conf on Data Engineering (ICDE'99), Sydney, Australia, 1999, 106-115.
132. J Han, W Gong, Y Yin. Mining Segment-Wise Periodic Patterns in Time-Related Databases[C], Proc of 1998 Int Conf on Knowledge Discovery and Data Mining (KDD'98) , New York City, NY, 1998, 214-218.
133. Juan P R, Claire H J, Neil S. Artificial neural networks as a tool for spatial interpolation, Int J GIS, 2001, 15(4):323-343.
134. Knorr E, R Ng R. Finding Aggregate Proximity Relationships and Cornmonalities in Spatial Data Mining[J], IEEE Trans. on Knowledge & Data Engineering, 8(6), 55-69, 1996.
135. Koperski K, Hart J, Stefanovic N. An Efficient Two-Step Method for Classification of Spatial Data[C],
Proc. 1998 International Symposium on Spatial Data Handling(SDH98), Vancouver, BC, Canada, 1998,45-54.
136. Koperski K, Hart J. Discovery of Spatial Association Rules in Geographic Information Databases[C], Proc 4th Int Syrup on Large Spatial Databases (SSD95), Maine, Aug. 1995, 47-66.
137. Koperski K, Adhikary J, Han J. Spatial Data Mining:Progress and Challenges[C], 1996 SIGMOD96 Workshop on Research Issues on Data Mining and Knowledge Discovery (DMKD'96), Montreal, Canada,1996.
138. Koperski K. A Progressive Refinement Approach to Spatial Data Mining[D], PhD dissertation of Simon Fraser University, 1999.
139. Koperski K, Han J. Data Mining Methods for the Analysis of Large Geographic Databases[C], Proc 10th Annual Conference on GIS, Vancouver, Canada, 1996.
140. Li W, Han J, Pei J. CMAR:Accurate and Efficient Classification Based on Multiple Class-Association Rules[C], Proc 2001 Int Conf on Data Mining(ICDM10), San Jose, CA, 2001,
141. Li X, Yeh A G O. Modelling sustainable urban development by the integration of constrained cellular automata and GIS[J], Int J GIS, 2000, 14:131-152.
142. Lu W, Han J, Ooi B C. Discovery of General Knowledge in Large Spatial Databases[C], Proc of 1993 Far East Workshop on Geographic Information Systems (FEGIS'93), Singapore, 1993, 275-289.
143. Miller H. Geographic data mining and knowledge discovery[M], London, UK, Taylor & Francis, 2000.
144. Margaret H D. Data mining introduction and advanced topics[M], 北京：清华大学出版社, 2003.
145. Martin E, Alexander F et al, Spatial data mining:database primitives, algorithms and efficient DBMS support[J], data mining & knowledge discovery, 2000, 4(2/3): 193-216
146. Murray A T & Shyy T K, Integrating attribute and space characteristics in choropleth display and spatial data mining[J], Int J GIS, 2000, 14(7):649-667.
147. Ng R, Han J. CLARANS:A Method for Clustering Objects for Spatial Data Mining[J], IEEE Trans Knowledge & Data Engineering, 2001.
148. Ng R, Han J. Efficient and Effective Clustering Method for Spatial Data Mining[C], Proc of 1994 Int Conf on Very Large Data Bases (VLDB'94), Santiago, Chile, 1994, 144-155.
149. Ng R, Lakshmanan L V S, Han J, Pang A. Exploratory Mining and Pruning Optimizations of Constrained Associations Rules[C], Proc of 1998 ACM-SIGMOD Conf on Management of Data, Seattle, Washington, June 1998, 13-24.
150. Pitt L, Reinke R E. Criteria for polynomial time (conceptual) clustering[J], Machine Learning, 1998, 2(4):371-396.
151. Quinlan J R. C4.5:Programs for machine learning[M]. Morgan Kaufman, 1993.
152. Quinlan J R. Decision trees and decisionmaking[J], IEEE Trans on SMC, 1990, 20(2):339-346.
153. Richad J B, John T T, Michael R B, Kirsten D. Multiobjective urban planning using genetic algorithm[J], Journal of Urban and Development, 1999, 125(2):86-99.
154. Shan Cheng. Statistical Approaches to Predictive Modeling in Large Databases[D], M Sc thesis, Computing Science, Simon Fraser University, 1998.
155. Stefanovic N, Han J, Koperski K. Object-Based Selective Materialization for Efficient Implementation of Spatial Data Cubes[J], IEEE Transactions on Knowledge and Data Engineering, 2000, 12(6):938-958.
156. Stefanovic N. Design and Implementation of On-Line Analytical Processing (OLAP) of Spatial Data[D], M Sc thesis, Computing Science, Simon Fraser University, 1997.
157. Tung A K H, Hou J, and Han J. Spatial Clustering in the Presence of Obstacles[C], Proc 2001 Int Conf on Data Engineering (ICDE01), Heidelberg, Germany, 2001.
158. Tung A K H, Ng R T, Lakshmanan L V S, Han J. Geo-spatial Clustering with User-Specified Constraints[C], Proceedings of the International Workshop on Multimedia Data Mining (MDM/KDD2000), in conjunction with ACM SIGKDD conference, Boston, USA, 2000
159. Wan Gong. Periodic Pattern Search in Time-Related Data Sets[D], M Sci thesis, Computing Science, Simon Fraser University, 1997.
160. Wu E Webster C J. Simulating artificial cities in a GIS environment: urban growth under alternative regulation regimes[J]. Int J GIS, 2000, 14(7):625-648.
161. X Li, A G Yeh, Neural-network-based cellular automata for simulating multiple land use change using GIS[J], Int J GIS, 2002, 16(4):323-343.
162. X Wang, C Bettini, A Brodsky. Logical design for temporal databases with multiple granularities[J], ACM Trans Database System, 1997,22(2): 115-170.
163. Yeh A G O, Li X. A constrained CA model for the simulation and planning of sustainable urban forms by using GIS[J], Environment and Planning B: Planning and Design, 2001, 28:733-753.
164. Yongjian Fu. Discovery of Multiple-Level Rules from Large Databases[D], Ph D thesis, Computing Science, Simon Fraser University, 1996.
165. Zliou X, Truffet D, Han J. Efficient Polygon Amalgamation Methods for Spatial OLAP and Spatial Data Mining[C], Proc 6th Int Syrup on Large Spatial Databases (SSD99), Hong Kong, 1999, 167-187.
166. Zhang T, Ramakrishnam R, Livny M. BIRCH:A New Data Clustering Method and Its Applications[J], Data Mining and Knowledge Discovery, 1997, (1): 141-182.
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |