大数据环境下地理关联模式挖掘的理论与方法

Geographical association pattern is an important manifestation of the relationships among geographic elements in the real world and also is a major type of geographical knowledge discovered from geospatial data. Existing research on the discovery of geographical association patterns mainly focus on investigating an individual part of the geographical association patterns, e.g. the clusters detection (association among geographic elements of the same type), association rules mining (association among multiple geographic elements) and forecasting modeling (association between the future and history conditions of geographic elements). As a result, existing models are usually difficult to comprehensively recognize and reveal the distribution, association and evolution patterns of geographical elements, and to deal with the integrated issues of geography, e.g. regional (or heterogeneity) problems and multi-element collaborative evolution problems. In the era of big data, the geographic phenomena can be described in a more comprehensive and elaborate way, and new opportunities are provided for dealing with integrated issues of geography. Thus, in this project, the interaction, mutual correlation, and co-evolution laws among geographical elements will be studied from the geographical system science research paradigm, and a multi-scale methodology for discovery of geographical association patterns in the big data era will be developed by fully considering the autocorrelation, heterogeneity and multi-scale characteristics of geospatial data. Specially, the project mainly consists of four parts: (1) dynamic integration and quality control of geographic big data; (2) feature expression and collaborative mechanism of geographical association patterns; (3) adaptive discovery of geographical association patterns; and (4) multi-scale modeling of geographical association patterns. The theory and methods developed in this project will greatly enhance the ability of geospatial data analysis and serve the national key projects such as the smart city construction and the national geographic conditions monitoring.

地理关联模式是现实世界中地理要素关系的一种重要表现形式，亦是地理空间数据挖掘的一种主要地理知识。现有研究分门别类地对地理要素进行聚类分析、关联分析和预测建模，难以全面认知和揭示地理要素的分布格局、关联关系和发展变化，进而导致解决区域性、多要素协同演化等综合性地理问题的能力不足。地理大数据将为全面、精细描述地理现象，解决综合性地理问题带来新的机遇。为此，本项目从地理系统科学研究范式出发，综合考虑地理空间数据的相关性、异质性、多尺度特性及其相互影响，深入研究地理要素相互作用、相互依存及协同演化规律，构建大数据环境下地理关联模式挖掘的理论与方法，主要包括：1）地理大数据的动态整合与质量控制；2）地理关联模式特征表达与协同机制；3）地理关联模式的自适应挖掘方法；4）地理关联模式的尺度依赖建模。本项目成果将极大提升地理空间数据分析的能力，更好地服务于智慧城市建设、地理国情监测等国家重大需求。

地理关联模式是现实世界中地理要素关系的一种重要表现形式，亦是认知与揭示地理要素分布格局、关联关系、演变规律和发展趋势的一种主要地理知识。本项目从地理系统科学研究范式出发，构建了大数据环境下地理关联模式挖掘的理论与方法。围绕地理关联模式特征的认知表达、异质性对地理关联模式特征的影响以及地理关联模式的尺度依赖性等关键科学问题与技术瓶颈，深入研究地理要素相互作用、相互依存及协同演化规律，主要创新包括：1）从系统性的视角，基于地理系统科学研究范式假设，提出了地理关联模式挖掘的理论框架，构建了地理要素自相关模式、互相关模式、时相关模式的内在耦合、形式统一的表达模式（称为地理关联模式）；2）建立了顾及时空分异性的地理关联模式自适应挖掘模型与方法，提出了异质环境下地理要素自相关模式的自适应挖掘模型，提高了对分布范围、密度、形态空间异质的时空分异模式的发现能力，降低了参数设置的主观性对挖掘结果的影响；3）构建了地理关联模式的尺度依赖性建模与挖掘结果的可靠性评价模型，提出了顾及自相关性的地理要素互相关模式多尺度挖掘方法，借助时空统计思想构建了地理要素互相关模式显著性统计判别模型，建立了互相关模式挖掘中分析尺度与数据尺度间的关系，提高了挖掘结果的可解释性和可靠性；4）研究了异质环境下地理要素时相关模式建模方法，顾及多要素间的互相关性，建立了不同层次的局部时相关模型，提高了地理现象时相关模式的预测能力。.项目研究成果共出版学术专著2部，发表高水平论文65篇，其中SCI/SSCI论文48篇（IJGIS论文12篇），授权国家发明专利9项，培养博士后3人，博士毕业生8人，硕士毕业生20人。项目负责人邓敏被评为教育部长江学者特聘教授、国家中青年科技创新领军人才等。部分成果获国家科技进步二等奖1项、省部级科技进步一等奖2项。