面向空间数据的粗糙不确定性建模及其应用研究

Roughness is one of the three major uncertainties that exist in spatial data. Its physical meaning is that condition attributes cannot completely describe or explain the target concept. The effective and efficient analysis of spatial data with roughness uncertainty depends on the reasonable modelling of roughness. As an effective method in dealing with roughness in data, rough granular computing model has been widely applied in the analysis of spatial data. However, rough set model did not utilize the characteristics of spatial objects' spatial heterogeneous distribution in spatial data, and assumes "completely random spatial distribution" for spatial data by default. This assumption is inconsistent with the characteristics of spatial data. This project proposes introducing spatial heterogeneity into rough granular computing models to construct spatial data oriented rough granular computing model. The main contents of the project are summarized as follows: (1) Quantitatively measuring the spatial heterogeneity for conditional attributes' approximation ability; (2) Designing feature selection methods that keep local conditional attributes' approximation ability; (3) Designing classification methods that integrate both spatial structure and attribute characteristics; (4) Development of related software tools and application of new theories and methods. The anticipative research results will not only provide new approaches for analyzing spatial data, but also enriches the theory of granular computing by expanding the scope of data applications. Accordingly, it has very important theoretical significance and application value for data mining and knowledge discovery.

粗糙不确定性是空间数据中的三种主要不确定性之一，其含义为属性特征无法完全对目标概念进行描述或解释。对具有粗糙不确定性的空间数据进行有效分析有赖于对其进行合理的建模。粗糙粒计算模型是一种对粗糙性进行分析处理的有效方法，并已被广泛应用于空间分析。然而，粗糙集模型并未利用空间对象在空间上分布的异质特征，对空间数据的假设是“完全随机空间分布”。这一假设并不符合空间数据的特点。本项目将空间异质性引入粗糙粒计算模型中，构建面向空间数据的粗糙粒计算模型。主要研究内容包括：(1)定量描述条件属性近似表示能力的空间异质性；(2)保持条件属性局部近似表示能力不变的特征选择方法；(3)空间结构特征和属性特征相结合的空间数据分类方法；(4)相关工具开发与新理论方法的应用。项目成果既可丰富空间数据分析的技术手段，又可通过拓展数据适用范围来丰富粒计算理论，对空间数据挖掘具有重要的理论意义和应用价值。

在空间数据分析领域，很多研究人员已经认识到了粗糙性的重要性，并且应用粗糙粒计算理论和模型来对地学现象和过程进行建模和分析。然而，粗糙粒计算模型并没有考虑到地学现象所特有的空间异质性特征，其对空间对象分布的假设为“空间完全随机分布”，无法满足空间数据挖掘对粗糙性建模的需要。. 本项目面向不一致空间数据分析与处理的现实需求，在粗糙粒计算框架下引入空间相关性和异质性，改进粗糙集不确定性度量以描述条件属性近似表示能力的空间异质性，研究保持条件属性局部近似表示能力不变的特征选择方法，结合对象的空间分布特征提高粗糙粒计算模型的分类能力。. 项目主要取得的研究成果如下：（1）在粗糙集理论创新方面，通过引入空间相关性和异质性将信息系统扩展为空间信息系统，并定义相应的基本粒。在此基础上进一步提出了特征选择方法，规则提取和匹配方法。特别的，还据此对条件属性对于目标对象解释能力的空间异质性进行度量，提出了基于空间粗糙集的地理探测器模型（2）在利用空间复杂模式方面，提出了面向不规则格网的多点地统计模拟方法，对现有的直接抽样方法进行改进，将其速度提升一倍，此外还提出了一种基于多粒度的类别图像表示方法。（3）在利用空间异质性对空间数据分类方面，提出了一种基于局部空间先验的统计分类框架。. 项目预期成果既可丰富空间数据分析的技术手段，又能进一步深化粒计算理论的相关研究，在相关理论探索和应用推广方面都具有重要的价值。