基于數(shù)據(jù)聚類算法的地理信息系統(tǒng)多模塊化設計

武雪梅

（重慶市勘測院，重慶 401121）

0.引言

地理信息系統(tǒng)在地籍管理、災害預警、土地利用等方面都發(fā)揮了重要作用。通過地理信息系統(tǒng)可以隨時隨地進行信息訪問，實現(xiàn)信息共享[1]。然而，地理信息的龐雜性，給管理工作帶來巨大難度和挑戰(zhàn)，導致后期信息檢索和尋找困難，因此對地理信息進行分類整理，一直是地理信息系統(tǒng)中的重要功能模塊[2]。然而，由于地理信息類型多樣、信息量龐大、維度也較大，所以以單一模塊為基礎的系統(tǒng)在分類整理方面面臨巨大的困難。這一點也是地理信息系統(tǒng)一直亟待解決的問題。

面對上述問題，目前主要有3種算法可以分類整理：（1）是神經(jīng)網(wǎng)絡算法，這種算法結合地理信息特征，通過神經(jīng)網(wǎng)絡三層運算，完成分類整理；（2）是隨機森林算法，這種算法通過構建不同類別的決策樹，并根據(jù)投票分類器實現(xiàn)多種混合信息的分類；（3）是支持向量機算法，這種方法通過一個或一組超平面，然后利用超平面實現(xiàn)二維數(shù)據(jù)信息的分類。以上3種方法雖然都能完成信息整理任務，但是在處理大規(guī)模和高維度的數(shù)據(jù)時，能力會直線下降。總而言之，當前常用的這3種信息分類整理方法并不適用多維度、大數(shù)量的地理信息處理工作。

針對上述問題，本研究將數(shù)據(jù)聚類算法應用到地理信息系統(tǒng)的多模塊化的設計當中，以期提高地理信息整理質量，方便后期地理信息檢索，提升地理信息系統(tǒng)服務質量。

1.基于聚類算法的地理信息系統(tǒng)多功能模塊設計

地理信息系統(tǒng)是地理信息集成平臺，通過登錄這個系統(tǒng)，可以實現(xiàn)地理信息查找和共享[3]。地理信息系統(tǒng)為滿足應用需求，存在多個功能模塊，具體如下：

（1）信息集成模塊；

（2）信息處理模塊；

（3）聚類管理模塊；

（4）分類存儲模塊；

（5）信息檢索模塊。

在上述5個模塊當中，聚類分析模塊是核心模塊。由于地理信息具有龐雜性，若不進行有效管理，直接進行存儲的話，不利于后期信息存儲和信息檢索[4]。基于上述情況，結合聚類算法對地理信息進行分類管理，提升地理信息規(guī)范性。

1.1 地理信息集成模塊設計

地理信息系統(tǒng)的首要模塊就是從各個不同單位的業(yè)務系統(tǒng)當中集成各種地理信息。地理信息類型包括土地利用信息、地籍信息、地質類型信息、氣象信息、地表災害信息、農(nóng)業(yè)信息、植被覆蓋信息等[5]。這些信息的采集工作隸屬于不同的部門，因此信息存儲在不同業(yè)務系統(tǒng)當中。為此，在該模塊當中，利用數(shù)據(jù)倉庫技術進行地理信息集成。

數(shù)據(jù)倉庫技術是一種典型集成技術。該技術與其他兩種集成技術（聯(lián)邦數(shù)據(jù)庫以及中間件集成方法）相比，具有更強的實時性、及時性、完整性和規(guī)范性[6]。

數(shù)據(jù)倉庫集成技術工作原理（如圖1所示）：

圖1 數(shù)據(jù)倉庫集成技術工作原理

在數(shù)據(jù)倉庫技術當中，ETL工具是關鍵，在其中主要起到抽取/清洗/轉換/加載的作用。

1.1.1 抽取

抽取，即從各個業(yè)務系統(tǒng)數(shù)據(jù)庫抽取所需要的信息或數(shù)據(jù)[7]。

1.1.2 轉換

轉換，即轉換抽取到的信息的格式，使其具有統(tǒng)一性。信息來源于不同的業(yè)務系統(tǒng)，其表現(xiàn)格式并不相同，為方便后續(xù)存儲和應用，需要轉成統(tǒng)一的指定格式，如，編碼轉換、字段轉換、度量單位的轉換等[7]。

1.1.3 清洗

抽取到的信息有的存在缺失，有的存在異常，有的存在重復等問題。這些存在問題的信息統(tǒng)一被稱為臟信息。臟信息的存在會影響整體信息的質量，因此需要清洗處理，包括填補、刪除以及去重復等[8]。

1.1.4 加載

加載，即將處理好的信息加載到建立的目標倉庫當中，統(tǒng)一進行挖掘和利用。加載方式分為2種：全量加載速度快，但是可能存在數(shù)據(jù)遺漏的風險；增量加載速度慢，但是能保證數(shù)據(jù)加載的完整性。

1.2 地理信息處理模塊設計

地理信息在完成集成工作后，進入下一模塊，即處理模塊當中。在這一模塊主要進行兩個方面的處理，即離散化和降維。下面針對這兩個方面繼續(xù)具體分析。

1.2.1 離散化

為提高后續(xù)地理信息聚類時的時空效率，需要將具有連續(xù)屬性的地理信息進行離散化處理[9]。具體過程如下：

步驟1：給出一個具體的決策表系統(tǒng)，把它記為S=(U，C∪{e} ∪g0gggggg ，V，f)，其中，U為論域；C∪{e}為條件屬性集；g0gggggg=D為決策屬性集；C為離散的屬性集；e為連續(xù)的屬性；

步驟2：按照升序對e進行排序；

步驟3：根據(jù)下述公式（1），選擇n個初始的區(qū)間粒集I=(I1， I2，...，In)，其中

步驟4：將具有相同屬性的相鄰區(qū)間粒進行合并，作為一個新的區(qū)間粒，記為I'；

步驟5：按照I'對e進行離散化，得到e′′；

步驟6：計算e＇＇的粒度熵QG (C∪{e′′} ，D)；

步驟7：重復步驟4和步驟5，得到QG (C∪{e′} ，D)；

步驟8：計算QG (C∪{e′′} ，D)與QG (C∪{e′} ，D)之間的絕對差值；

步驟9：判斷當前I′是否使得絕對差值變化最小。若滿足條件，得出離散化后的連續(xù)屬性e′；否則，重復上述步驟，直至完成地理信息連續(xù)屬性離散化。

1.2.2 降維

地理信息類型多樣，因此維度非常高，不利于分類管理，因此需要進行降維處理[10]。具體過程如下：

步驟1：設有p維隨機向量x=(x1，x2，...，xp)Tn個原始地理信息樣本xj=(xj1，xj2，...，xjp)T，i=1，2，...，n，n＞p，構造樣本矩陣。其中，T為轉置行列符號；

步驟2：對樣本矩陣中的每一陣元進行如下標準化變換；

式（4）中，xij為原始地理信息陣元。

步驟3：利用標準化后的每一陣元Zij構建標準化矩陣Z；

步驟4：計算Z的相關系數(shù)矩陣；

式（5）中，ri代表相關系數(shù)。

步驟5：解R的特征方程，得到k個特征值λ1，λ2，..，λk；

步驟6：求解特征根對應的特征向量；

步驟7：計算下述特征值的兩個參數(shù)Y和Y＇，計算公式如下：

（1）方差貢獻率Y

（2）方差累計貢獻率Y′

式（7）中，λi為第i個特征值；λk為第k個特征值；p為維度；k為特征值的數(shù)量。

步驟8：選擇方差累計貢獻率大于85%的向量作為主成分[11]。

通過上述步驟得到的主成分，即為降維后的信息。

1.3 聚類管理模塊設計

基于上述處理好的地理信息，在本章節(jié)利用聚類算法進行分類整理。聚類算法是通過計算相似度來實現(xiàn)樣本聚集的一種算法[12]。該算法下又包括多種分支算法，這些算法各有特點。其中K-means是最常用的方法，但是這種算法對初始聚類中心要求較高，聚類中心的選擇直接影響聚類結果，因此在利用該算法進行地理信息聚類整理前，選擇初始聚類中心至關重要。K-means算法初始聚類中心選擇的基本流程（如圖2所示）：

圖2 K-means算法初始聚類中心選擇流程

圖2 中，a為參數(shù)，取值0.75；Eps計算公式如下：

式（8）中，Eps為密度的半徑；p為維度；n為樣本數(shù)量；d(xi，x)j為距離。

基于選出的初始聚類中心，執(zhí)行K-means算法基本流程，如下：

步驟1：指定聚類數(shù)量K以及具有n個樣本的集合{x1，x2，...，xn}；

步驟2：執(zhí)行上述圖2流程，選擇初始聚類中心；

步驟3：計算各個樣本到聚類中心的距離d(xi，x)j，計算公式如下：

式（9）中，xi為樣本；xj為聚類中心。

步驟4：將樣本劃分到距離最近的類別當中；

步驟5：重新計算每個新類的質心；

步驟6：判斷質心是否發(fā)生變化。若發(fā)生變化，回到步驟3；否則完成地理信息分類。

通過上述聚類算法，實現(xiàn)了對地理信息的分類整理，為后期信息共享和檢索提供了便利。

2.算例分析

為測試所研究基于數(shù)據(jù)聚類算法在地理信息系統(tǒng)中分類管理模塊的功能，以某地理信息系統(tǒng)為依托，運行算法，驗證分類準確性。

2.1 地理信息樣本集

為方便測試，在這里模塊功能測試所使用的樣本集由人工給出，不進行集成工作。所使用的地理信息樣本集包括7個，這7個樣本集基本情況如下：

（1）土地利用信息集：樣本數(shù)量為5246個；屬性8個；維度15個；類別為5類；

（2）地籍信息集：樣本數(shù)量為1256個；屬性5個；維度25個；類別為3類；

（3）地質類型信息集：樣本數(shù)量為2540個；屬性7個；維度18個；類別為7類；

（4）氣象信息集：樣本數(shù)量為4580個；屬性6個；維度23個；類別為8類；

（5）地表災害信息集：樣本數(shù)量為3690個；屬性4個；維度20個；類別為10類；

（6）農(nóng)業(yè)信息集：樣本數(shù)量為2560個；屬性8個；維度14個；類別為7類；

（7）植被覆蓋信息集：樣本數(shù)量為5210個；屬性25個；維度56個；類別為25類。

2.2 地理信息處理

利用章節(jié)1.2中提到的兩種方法，即離散化和降維，對地理信息樣本集進行處理，處理后的結果如下：

（1）土地利用信息集：屬性離散化后26個；降維后5個；

（2）地籍信息集：屬性離散化后65個；降維后10個；

（3）地質類型信息集：屬性離散化后15個；降維后6個；

（4）氣象信息集：屬性離散化后22個；降維后12個；

（5）地表災害信息集：屬性離散化后14個；降維后8個；

（6）農(nóng)業(yè)信息集：屬性離散化后17個；降維后7個；

（7）植被覆蓋信息集：屬性離散化后42個；降維后13個。

2.3 聚類中心分布

利用圖2流程，選擇不同地理信息樣本集的聚類中心。以土地利用信息集為例，其聚類中心分布情況（如圖3所示）：

圖3 土地利用信息集的聚類中心分布情況

其他樣本集分布在這里不詳細給出。

2.4 分類管理模塊功能評測指標

分類管理模塊功能評測指標有兩個，即漢明損失值和F1分數(shù)。下面針對這兩個指標進行分析。

（1）漢明損失：代表地理信息樣本誤分類情況。

（2）F1分數(shù)：用于分類結果的綜合性能，即精準率與召回率的調和平均。計算公式如下：

式（11）中，F(xiàn)1為調和平均值；P為精準率；R為召回率。

根據(jù)上述漢明損失和F1分數(shù)兩個指標對所研究的分類管理模塊進行檢測。其中，前者值越小，表示分類整理質量越高；后者分數(shù)值越大，表示分類整理質量越高。

2.5 分類管理模塊功能評測結果分析

相同測試條件下，利用神經(jīng)網(wǎng)絡算法、隨機森林算法以及支持向量機算法進行分類整理，并與聚類算法的分類管理結果進行對比，具體結果（如表1所示）：

表1 分類管理模塊功能評測結果

由表1可知：與其他3種分類整理算法相比，聚類算法應用下，漢明損失最小，F(xiàn)1值最高，說明聚類算法的分類管理能力更強，達到了研究的目的。

3.結束語

綜上所述，地理信息系統(tǒng)設計中，功能模塊的設計至關重要，關系到系統(tǒng)業(yè)務邏輯的運行。地理信息十分龐雜，以往地理信息系統(tǒng)分類管理模塊并不適用于地理信息的處理。為此，進行基于數(shù)據(jù)聚類算法的地理信息系統(tǒng)多模塊化設計研究。最后對設計的模塊進行應用效果驗證，其分類整理功能滿足了設計需求，達到了研究目標。然而，本研究提供的地理信息樣本集較少，而現(xiàn)實情況中的地理信息類型更多、數(shù)量更龐大，因此有必要擴大測試規(guī)模，進行進一步驗證和測試。