基于數(shù)據(jù)聚類算法的地理信息系統(tǒng)多模塊化設(shè)計(jì)

武雪梅

（重慶市勘測(cè)院，重慶 401121）

0.引言

地理信息系統(tǒng)在地籍管理、災(zāi)害預(yù)警、土地利用等方面都發(fā)揮了重要作用。通過(guò)地理信息系統(tǒng)可以隨時(shí)隨地進(jìn)行信息訪問(wèn)，實(shí)現(xiàn)信息共享[1]。然而，地理信息的龐雜性，給管理工作帶來(lái)巨大難度和挑戰(zhàn)，導(dǎo)致后期信息檢索和尋找困難，因此對(duì)地理信息進(jìn)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(chǔ)的系統(tǒng)在分類整理方面面臨巨大的困難。這一點(diǎn)也是地理信息系統(tǒng)一直亟待解決的問(wèn)題。

面對(duì)上述問(wèn)題，目前主要有3種算法可以分類整理：（1）是神經(jīng)網(wǎng)絡(luò)算法，這種算法結(jié)合地理信息特征，通過(guò)神經(jīng)網(wǎng)絡(luò)三層運(yùn)算，完成分類整理；（2）是隨機(jī)森林算法，這種算法通過(guò)構(gòu)建不同類別的決策樹(shù)，并根據(jù)投票分類器實(shí)現(xiàn)多種混合信息的分類；（3）是支持向量機(jī)算法，這種方法通過(guò)一個(gè)或一組超平面，然后利用超平面實(shí)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(wù)，但是在處理大規(guī)模和高維度的數(shù)據(jù)時(shí)，能力會(huì)直線下降?？偠灾?dāng)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(duì)上述問(wèn)題，本研究將數(shù)據(jù)聚類算法應(yīng)用到地理信息系統(tǒng)的多模塊化的設(shè)計(jì)當(dāng)中，以期提高地理信息整理質(zhì)量，方便后期地理信息檢索，提升地理信息系統(tǒng)服務(wù)質(zhì)量。

1.基于聚類算法的地理信息系統(tǒng)多功能模塊設(shè)計(jì)

地理信息系統(tǒng)是地理信息集成平臺(tái)，通過(guò)登錄這個(gè)系統(tǒng)，可以實(shí)現(xiàn)地理信息查找和共享[3]。地理信息系統(tǒng)為滿足應(yīng)用需求，存在多個(gè)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(chǔ)模塊；

（5）信息檢索模塊。

在上述5個(gè)模塊當(dāng)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(jìn)行有效管理，直接進(jìn)行存儲(chǔ)的話，不利于后期信息存儲(chǔ)和信息檢索[4]?；谏鲜銮闆r，結(jié)合聚類算法對(duì)地理信息進(jìn)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(shè)計(jì)

地理信息系統(tǒng)的首要模塊就是從各個(gè)不同單位的業(yè)務(wù)系統(tǒng)當(dāng)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(zhì)類型信息、氣象信息、地表災(zāi)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(mén)，因此信息存儲(chǔ)在不同業(yè)務(wù)系統(tǒng)當(dāng)中。為此，在該模塊當(dāng)中，利用數(shù)據(jù)倉(cāng)庫(kù)技術(shù)進(jìn)行地理信息集成。

數(shù)據(jù)倉(cāng)庫(kù)技術(shù)是一種典型集成技術(shù)。該技術(shù)與其他兩種集成技術(shù)（聯(lián)邦數(shù)據(jù)庫(kù)以及中間件集成方法）相比，具有更強(qiáng)的實(shí)時(shí)性、及時(shí)性、完整性和規(guī)范性[6]。

數(shù)據(jù)倉(cāng)庫(kù)集成技術(shù)工作原理（如圖1所示）：

圖1 數(shù)據(jù)倉(cāng)庫(kù)集成技術(shù)工作原理

在數(shù)據(jù)倉(cāng)庫(kù)技術(shù)當(dāng)中，ETL工具是關(guān)鍵，在其中主要起到抽取/清洗/轉(zhuǎn)換/加載的作用。

1.1.1 抽取

抽取，即從各個(gè)業(yè)務(wù)系統(tǒng)數(shù)據(jù)庫(kù)抽取所需要的信息或數(shù)據(jù)[7]。

1.1.2 轉(zhuǎn)換

轉(zhuǎn)換，即轉(zhuǎn)換抽取到的信息的格式，使其具有統(tǒng)一性。信息來(lái)源于不同的業(yè)務(wù)系統(tǒng)，其表現(xiàn)格式并不相同，為方便后續(xù)存儲(chǔ)和應(yīng)用，需要轉(zhuǎn)成統(tǒng)一的指定格式，如，編碼轉(zhuǎn)換、字段轉(zhuǎn)換、度量單位的轉(zhuǎn)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(fù)等問(wèn)題。這些存在問(wèn)題的信息統(tǒng)一被稱為臟信息。臟信息的存在會(huì)影響整體信息的質(zhì)量，因此需要清洗處理，包括填補(bǔ)、刪除以及去重復(fù)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(biāo)倉(cāng)庫(kù)當(dāng)中，統(tǒng)一進(jìn)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(fēng)險(xiǎn)；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(shè)計(jì)

地理信息在完成集成工作后，進(jìn)入下一模塊，即處理模塊當(dāng)中。在這一模塊主要進(jìn)行兩個(gè)方面的處理，即離散化和降維。下面針對(duì)這兩個(gè)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(shí)的時(shí)空效率，需要將具有連續(xù)屬性的地理信息進(jìn)行離散化處理[9]。具體過(guò)程如下：

步驟1：給出一個(gè)具體的決策表系統(tǒng)，把它記為S=(U，C∪{e} ∪j5i0abt0b ，V，f)，其中，U為論域；C∪{e}為條件屬性集；j5i0abt0b=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?qū)進(jìn)行排序；

步驟3：根據(jù)下述公式（1），選擇n個(gè)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(jìn)行合并，作為一個(gè)新的區(qū)間粒，記為I'；

步驟5：按照I'對(duì)e進(jìn)行離散化，得到e′′；

步驟6：計(jì)算e＇＇的粒度熵QG (C∪{e′′} ，D)；

步驟7：重復(fù)步驟4和步驟5，得到QG (C∪{e′} ，D)；

步驟8：計(jì)算QG (C∪{e′′} ，D)與QG (C∪{e′} ，D)之間的絕對(duì)差值；

步驟9：判斷當(dāng)前I′是否使得絕對(duì)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(fù)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(jìn)行降維處理[10]。具體過(guò)程如下：

步驟1：設(shè)有p維隨機(jī)向量x=(x1，x2，...，xp)Tn個(gè)原始地理信息樣本xj=(xj1，xj2，...，xjp)T，i=1，2，...，n，n＞p，構(gòu)造樣本矩陣。其中，T為轉(zhuǎn)置行列符號(hào)；

步驟2：對(duì)樣本矩陣中的每一陣元進(jìn)行如下標(biāo)準(zhǔn)化變換；

式（4）中，xij為原始地理信息陣元。

步驟3：利用標(biāo)準(zhǔn)化后的每一陣元Zij構(gòu)建標(biāo)準(zhǔn)化矩陣Z；

步驟4：計(jì)算Z的相關(guān)系數(shù)矩陣；

式（5）中，ri代表相關(guān)系數(shù)。

步驟5：解R的特征方程，得到k個(gè)特征值λ1，λ2，..，λk；

步驟6：求解特征根對(duì)應(yīng)的特征向量；

步驟7：計(jì)算下述特征值的兩個(gè)參數(shù)Y和Y＇，計(jì)算公式如下：

（1）方差貢獻(xiàn)率Y

（2）方差累計(jì)貢獻(xiàn)率Y′

式（7）中，λi為第i個(gè)特征值；λk為第k個(gè)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(jì)貢獻(xiàn)率大于85%的向量作為主成分[11]。

通過(guò)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(shè)計(jì)

基于上述處理好的地理信息，在本章節(jié)利用聚類算法進(jìn)行分類整理。聚類算法是通過(guò)計(jì)算相似度來(lái)實(shí)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(diǎn)。其中K-means是最常用的方法，但是這種算法對(duì)初始聚類中心要求較高，聚類中心的選擇直接影響聚類結(jié)果，因此在利用該算法進(jìn)行地理信息聚類整理前，選擇初始聚類中心至關(guān)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(jì)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(gè)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(jì)算各個(gè)樣本到聚類中心的距離d(xi，x)j，計(jì)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(dāng)中；

步驟5：重新計(jì)算每個(gè)新類的質(zhì)心；

步驟6：判斷質(zhì)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(guò)上述聚類算法，實(shí)現(xiàn)了對(duì)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(cè)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(yùn)行算法，驗(yàn)證分類準(zhǔn)確性。

2.1 地理信息樣本集

為方便測(cè)試，在這里模塊功能測(cè)試所使用的樣本集由人工給出，不進(jìn)行集成工作。所使用的地理信息樣本集包括7個(gè)，這7個(gè)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(gè)；屬性8個(gè)；維度15個(gè)；類別為5類；

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

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

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

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

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

（7）植被覆蓋信息集：樣本數(shù)量為5210個(gè)；屬性25個(gè)；維度56個(gè)；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(duì)地理信息樣本集進(jìn)行處理，處理后的結(jié)果如下：

（1）土地利用信息集：屬性離散化后26個(gè)；降維后5個(gè)；

（2）地籍信息集：屬性離散化后65個(gè)；降維后10個(gè)；

（3）地質(zhì)類型信息集：屬性離散化后15個(gè)；降維后6個(gè)；

（4）氣象信息集：屬性離散化后22個(gè)；降維后12個(gè)；

（5）地表災(zāi)害信息集：屬性離散化后14個(gè)；降維后8個(gè)；

（6）農(nóng)業(yè)信息集：屬性離散化后17個(gè)；降維后7個(gè)；

（7）植被覆蓋信息集：屬性離散化后42個(gè)；降維后13個(gè)。

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(xì)給出。

2.4 分類管理模塊功能評(píng)測(cè)指標(biāo)

分類管理模塊功能評(píng)測(cè)指標(biāo)有兩個(gè)，即漢明損失值和F1分?jǐn)?shù)。下面針對(duì)這兩個(gè)指標(biāo)進(jìn)行分析。

（1）漢明損失：代表地理信息樣本誤分類情況。

（2）F1分?jǐn)?shù)：用于分類結(jié)果的綜合性能，即精準(zhǔn)率與召回率的調(diào)和平均。計(jì)算公式如下：

式（11）中，F(xiàn)1為調(diào)和平均值；P為精準(zhǔn)率；R為召回率。

根據(jù)上述漢明損失和F1分?jǐn)?shù)兩個(gè)指標(biāo)對(duì)所研究的分類管理模塊進(jìn)行檢測(cè)。其中，前者值越小，表示分類整理質(zhì)量越高；后者分?jǐn)?shù)值越大，表示分類整理質(zhì)量越高。

2.5 分類管理模塊功能評(píng)測(cè)結(jié)果分析

相同測(cè)試條件下，利用神經(jīng)網(wǎng)絡(luò)算法、隨機(jī)森林算法以及支持向量機(jī)算法進(jìn)行分類整理，并與聚類算法的分類管理結(jié)果進(jìn)行對(duì)比，具體結(jié)果（如表1所示）：

表1 分類管理模塊功能評(píng)測(cè)結(jié)果

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

3.結(jié)束語(yǔ)

綜上所述，地理信息系統(tǒng)設(shè)計(jì)中，功能模塊的設(shè)計(jì)至關(guān)重要，關(guān)系到系統(tǒng)業(yè)務(wù)邏輯的運(yùn)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(jìn)行基于數(shù)據(jù)聚類算法的地理信息系統(tǒng)多模塊化設(shè)計(jì)研究。最后對(duì)設(shè)計(jì)的模塊進(jìn)行應(yīng)用效果驗(yàn)證，其分類整理功能滿足了設(shè)計(jì)需求，達(dá)到了研究目標(biāo)。然而，本研究提供的地理信息樣本集較少，而現(xiàn)實(shí)情況中的地理信息類型更多、數(shù)量更龐大，因此有必要擴(kuò)大測(cè)試規(guī)模，進(jìn)行進(jìn)一步驗(yàn)證和測(cè)試。