一种面向精细化地理分区的空间约束聚类方法
A spatially constrained clustering method for fine-scale geographical partitioning作者机构:西南交通大学地球科学与工程学院成都611756
出 版 物:《时空信息学报》 (JOURNAL OF SPATIO-TEMPORAL INFORMATION)
年 卷 期:2024年第31卷第3期
页 面:359-369页
学科分类:08[工学] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家重点研发计划项目(2022YFB3904202) 国家自然科学基金重大项目(42394063)
主 题:聚类分析 空间数据处理 k-means算法 地理信息系统 空间约束 空间分区 聚类质量改进 数据科学
摘 要:在空间分区的相关研究中,虽然已有经典聚类算法k均值聚类(k-means)结合空间约束的成果,但其对于连续平铺面状地理要素的空间聚类适用性不高。因此,本文开展对k-means算法进行空间约束的探讨。通过改进SKATER算法的空间约束方式,构建一种包含自然扩张与次优扩张过程的空间约束的k-means算法;并在两个公共数据集上与已有研究方法进行比较评价。结果表明:本文方法尤其适用于处理连续平铺面状地理要素的分区;通过轮廓系数、DB指数及总残差平方和三个评价指标知,本文方法优于已有的SKATER、AZP及SC k-means方法。研究成果不仅能够为地理信息系统中的空间数据处理提供新的工具,也为聚类算法的研究提供了新的视角。