人工智能涉及領(lǐng)域包括GIS嗎

1人工智能和GIS是兩個(gè)不同的field，但是gis可以用人工智能的很多東西。

成都創(chuàng)新互聯(lián)是專業(yè)的宜賓網(wǎng)站建設(shè)公司，宜賓接單;提供網(wǎng)站設(shè)計(jì)制作、成都網(wǎng)站建設(shè),網(wǎng)頁(yè)設(shè)計(jì),網(wǎng)站設(shè)計(jì),建網(wǎng)站,PHP網(wǎng)站建設(shè)等專業(yè)做網(wǎng)站服務(wù);采用PHP框架,可快速的進(jìn)行宜賓網(wǎng)站開(kāi)發(fā)網(wǎng)頁(yè)制作和功能擴(kuò)展;專業(yè)做搜索引擎喜愛(ài)的網(wǎng)站,專業(yè)的做網(wǎng)站團(tuán)隊(duì),希望更多企業(yè)前來(lái)合作!

2傳統(tǒng)的GIS通過(guò)對(duì)地理數(shù)據(jù)的處理、分析和模擬，能夠解決復(fù)雜地理問(wèn)題中確定性的問(wèn)題。但是無(wú)法解決地學(xué)中的非線性、不確定性和模糊性的問(wèn)題。僅靠傳統(tǒng)的G1S方法處理復(fù)雜地理空間問(wèn)題，具有很大的局限性。

3人工智能與GIS結(jié)合起來(lái)，會(huì)大大提高目前GIS空間分析的能力。

地理信息系統(tǒng)(GIS)技術(shù)系統(tǒng)原理是什么？

最簡(jiǎn)單地來(lái)說(shuō)，GIS是以測(cè)繪測(cè)量為基礎(chǔ)，以數(shù)據(jù)庫(kù)作為數(shù)據(jù)儲(chǔ)存和使用的數(shù)據(jù)源，以計(jì)算機(jī)編程為平臺(tái)的全球空間分析即使技術(shù)。這是GIS的本質(zhì)，也是核心。

物質(zhì)世界中的任何事物都被牢牢地打上了時(shí)空的烙印。人們的生產(chǎn)和生活中百分之八十以上的信息和地理空間位置有關(guān)。地理信息系統(tǒng)（ Geographic Information System, 簡(jiǎn)稱 GIS）作為獲取、存儲(chǔ)、分析和管理地理空間數(shù)據(jù)的重要工具、技術(shù)和學(xué)科，近年來(lái)得到了廣泛關(guān)注和迅猛發(fā)展。由于信息技術(shù)的發(fā)展，數(shù)字時(shí)代的來(lái)臨，理論上來(lái)說(shuō)，GIS可以運(yùn)用于現(xiàn)階段任何行業(yè)。 從技術(shù)和應(yīng)用的角度， GIS 是解決空間問(wèn)題的工具、方法和技術(shù)；

從學(xué)科的角度， GIS 是在地理學(xué)、地圖學(xué)、測(cè)量學(xué)和計(jì)算機(jī)科學(xué)等學(xué)科基礎(chǔ)上發(fā)展起來(lái)的一門學(xué)科，具有獨(dú)立的學(xué)科體系；

從功能上， GIS 具有空間數(shù)據(jù)的獲取、存儲(chǔ)、顯示、編輯、處理、分析、輸出和應(yīng)用等功能；

從系統(tǒng)學(xué)的角度， GIS 具有一定結(jié)構(gòu)和功能，是一個(gè)完整的系統(tǒng)。

簡(jiǎn)而言之， GIS 是一個(gè)基于數(shù)據(jù)庫(kù)管理系統(tǒng)（ DBMS ）的分析和管理空間對(duì)象的信息系統(tǒng)，以地理空間數(shù)據(jù)為操作對(duì)象是地理信息系統(tǒng)與其它信息系統(tǒng)的根本區(qū)別。

GIS即地理信息系統(tǒng)（Geographic Information System），經(jīng)過(guò)了40年的發(fā)展，到今天已經(jīng)逐漸成為一門相當(dāng)成熟的技術(shù)，并且得到了極廣泛的應(yīng)用。尤其是近些年，GIS更以其強(qiáng)大的地理信息空間分析功能，在GPS及路徑優(yōu)化中發(fā)揮著越來(lái)越重要的作用。GIS地理信息系統(tǒng)是以地理空間數(shù)據(jù)庫(kù)為基礎(chǔ)，在計(jì)算機(jī)軟硬件的支持下，運(yùn)用系統(tǒng)工程和信息科學(xué)的理論，科學(xué)管理和綜合分析具有空間內(nèi)涵的地理數(shù)據(jù)，以提供管理、決策等所需信息的技術(shù)系統(tǒng)。簡(jiǎn)單的說(shuō)，地理信息系統(tǒng)就是綜合處理和分析地理空間數(shù)據(jù)的一種技術(shù)系統(tǒng)。

GIS基本技術(shù)有哪些？

引言

地理信息系統(tǒng)(Geographic Information System，簡(jiǎn)稱GIS)是計(jì)算機(jī)科學(xué)、地理學(xué)、測(cè)量學(xué)、地圖學(xué)等多門學(xué)科綜合的技術(shù)[1]。GIS的基本技術(shù)是空間數(shù)據(jù)庫(kù)、地圖可視化及空間分析，而空間數(shù)據(jù)庫(kù)是GIS的關(guān)鍵?？臻g數(shù)據(jù)挖掘技術(shù)作為當(dāng)前數(shù)據(jù)庫(kù)技術(shù)最活躍的分支與知識(shí)獲取手段，在GIS中的應(yīng)用推動(dòng)著GIS朝智能化和集成化的方向發(fā)展。

1 空間數(shù)據(jù)庫(kù)與空間數(shù)據(jù)挖掘技術(shù)的特點(diǎn)

隨著數(shù)據(jù)庫(kù)技術(shù)的不斷發(fā)展和數(shù)據(jù)庫(kù)管理系統(tǒng)的廣泛應(yīng)用，數(shù)據(jù)庫(kù)中存儲(chǔ)的數(shù)據(jù)量也在急劇增大，在這些海量數(shù)據(jù)的背后隱藏了很多具有決策意義的信息。但是，現(xiàn)今數(shù)據(jù)庫(kù)的大多數(shù)應(yīng)用仍然停留在查詢、檢索階段，數(shù)據(jù)庫(kù)中隱藏的豐富的知識(shí)遠(yuǎn)遠(yuǎn)沒(méi)有得到充分的發(fā)掘和利用，數(shù)據(jù)庫(kù)中數(shù)據(jù)的急劇增長(zhǎng)和人們對(duì)數(shù)據(jù)庫(kù)處理和理解的困難形成了強(qiáng)烈的反差，導(dǎo)致“人們被數(shù)據(jù)淹沒(méi)，但卻饑餓于知識(shí)”的現(xiàn)象。

空間數(shù)據(jù)庫(kù)(數(shù)據(jù)倉(cāng)庫(kù))中的空間數(shù)據(jù)除了其顯式信息外，還具有豐富的隱含信息，如數(shù)字高程模型〔DEM或TIN〕，除了載荷高程信息外，還隱含了地質(zhì)巖性與構(gòu)造方面的信息；植物的種類是顯式信息，但其中還隱含了氣候的水平地帶性和垂直地帶性的信息，等等。這些隱含的信息只有通過(guò)數(shù)據(jù)挖掘才能顯示出來(lái)?？臻g數(shù)據(jù)挖掘（Spatial Data Mining，簡(jiǎn)稱SDM），或者稱為從空間數(shù)據(jù)庫(kù)中發(fā)現(xiàn)知識(shí)，是為了解決空間數(shù)據(jù)海量特性而擴(kuò)展的一個(gè)新的數(shù)據(jù)挖掘的研究分支，是指從空間數(shù)據(jù)庫(kù)中提取隱含的、用戶感興趣的空間或非空間的模式和普遍特征的過(guò)程[2]。由于SDM的對(duì)象主要是空間數(shù)據(jù)庫(kù)，而空間數(shù)據(jù)庫(kù)中不僅存儲(chǔ)了空間事物或?qū)ο蟮膸缀螖?shù)據(jù)、屬性數(shù)據(jù)，而且存儲(chǔ)了空間事物或?qū)ο笾g的圖形空間關(guān)系，因此其處理方法有別于一般的數(shù)據(jù)挖掘方法。SDM與傳統(tǒng)的地學(xué)數(shù)據(jù)分析方法的本質(zhì)區(qū)別在于SDM是在沒(méi)有明確假設(shè)的前提下去挖掘信息、發(fā)現(xiàn)知識(shí)，挖掘出的知識(shí)應(yīng)具有事先未知、有效和可實(shí)用3個(gè)特征。

空間數(shù)據(jù)挖掘技術(shù)需要綜合數(shù)據(jù)挖掘技術(shù)與空間數(shù)據(jù)庫(kù)技術(shù)，它可用于對(duì)空間數(shù)據(jù)的理解，對(duì)空間關(guān)系和空間與非空間關(guān)系的發(fā)現(xiàn)、空間知識(shí)庫(kù)的構(gòu)造以及空間數(shù)據(jù)庫(kù)的重組和查詢的優(yōu)化等。

2 空間數(shù)據(jù)挖掘技術(shù)的主要方法及特點(diǎn)

常用的空間數(shù)據(jù)挖掘技術(shù)包括：序列分析、分類分析、預(yù)測(cè)、聚類分析、關(guān)聯(lián)規(guī)則分析、時(shí)間序列分析、粗集方法及云理論等。本文從挖掘任務(wù)和挖掘方法的角度,著重介紹了分類分析、聚類分析和關(guān)聯(lián)規(guī)則分析三種常用的重要的方法。

2.1、分類分析

分類在數(shù)據(jù)挖掘中是一項(xiàng)非常重要的任務(wù)，目前在商業(yè)上應(yīng)用最多。分類的目的是學(xué)會(huì)一個(gè)分類函數(shù)或分類模型(也常常稱作分類器)，該模型能把數(shù)據(jù)庫(kù)中的數(shù)據(jù)項(xiàng)映射到給定類別中的某一個(gè)。分類和我們熟知的回歸方法都可用于預(yù)測(cè)，兩者的目的都是從歷史數(shù)據(jù)紀(jì)錄中自動(dòng)推導(dǎo)出對(duì)給定數(shù)據(jù)的推廣描述，從而能對(duì)未來(lái)數(shù)據(jù)進(jìn)行預(yù)測(cè)。和回歸方法不同的是，分類的輸出是離散的類別值，而回歸的輸出則是連續(xù)的數(shù)值。二者常表現(xiàn)為一棵決策樹(shù)，根據(jù)數(shù)據(jù)值從樹(shù)根開(kāi)始搜索，沿著數(shù)據(jù)滿足的分支往上走，走到樹(shù)葉就能確定類別。空間分類的規(guī)則實(shí)質(zhì)是對(duì)給定數(shù)據(jù)對(duì)象集的抽象和概括，可用宏元組表示。

要構(gòu)造分類器,需要有一個(gè)訓(xùn)練樣本數(shù)據(jù)集作為輸入。訓(xùn)練集由一組數(shù)據(jù)庫(kù)記錄或元組構(gòu)成,每個(gè)元組是一個(gè)由特征(又稱屬性)值組成的特征向量,此外,訓(xùn)練樣本還有一個(gè)類別標(biāo)記。一個(gè)具體樣本的形式可為:( v1, v2, ..., vn; c )；其中vi表示字段值，c表示類別。

分類器的構(gòu)造方法有統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法、神經(jīng)網(wǎng)絡(luò)方法等等。統(tǒng)計(jì)方法包括貝葉斯法和非參數(shù)法(近鄰學(xué)習(xí)或基于事例的學(xué)習(xí))，對(duì)應(yīng)的知識(shí)表示是判別函數(shù)和原型事例。機(jī)器學(xué)習(xí)方法包括決策樹(shù)法和規(guī)則歸納法，前者對(duì)應(yīng)的表示為決策樹(shù)或判別樹(shù)，后者則一般為產(chǎn)生式規(guī)則。神經(jīng)網(wǎng)絡(luò)方法主要是反向傳播（Back-Propagation,簡(jiǎn)稱BP）算法，它的模型表示是前向反饋神經(jīng)網(wǎng)絡(luò)模型(由代表神經(jīng)元的節(jié)點(diǎn)和代表聯(lián)接權(quán)值的邊組成的一種體系結(jié)構(gòu))，BP算法本質(zhì)上是一種非線性判別函數(shù)[3]。另外，最近又興起了一種新的方法:粗糙集(rough set)，其知識(shí)表示是產(chǎn)生式規(guī)則。

不同的分類器有不同的特點(diǎn)。有三種分類器評(píng)價(jià)或比較尺度：1) 預(yù)測(cè)準(zhǔn)確度；2) 計(jì)算復(fù)雜度；3) 模型描述的簡(jiǎn)潔度。預(yù)測(cè)準(zhǔn)確度是用得最多的一種比較尺度，特別是對(duì)于預(yù)測(cè)型分類任務(wù)，目前公認(rèn)的方法是10番分層交叉驗(yàn)證法。計(jì)算復(fù)雜度依賴于具體的實(shí)現(xiàn)細(xì)節(jié)和硬件環(huán)境，在數(shù)據(jù)挖掘中，由于操作對(duì)象是海量的數(shù)據(jù)庫(kù)，因此空間和時(shí)間的復(fù)雜度問(wèn)題將是非常重要的一個(gè)環(huán)節(jié)。對(duì)于描述型的分類任務(wù)，模型描述越簡(jiǎn)潔越受歡迎。例如，采用規(guī)則歸納法表示的分類器構(gòu)造法就很有用，而神經(jīng)網(wǎng)絡(luò)方法產(chǎn)生的結(jié)果就難以理解。

另外要注意的是，分類的效果一般和數(shù)據(jù)的特點(diǎn)有關(guān)。有的數(shù)據(jù)噪聲大，有的有缺值， 有的分布稀疏，有的字段或?qū)傩蚤g相關(guān)性強(qiáng)，有的屬性是離散的而有的是連續(xù)值或混合式的。目前普遍認(rèn)為不存在某種方法能適合于各種特點(diǎn)的數(shù)據(jù)。

分類技術(shù)在實(shí)際應(yīng)用非常重要，比如：可以根據(jù)房屋的地理位置決定房屋的檔次等。

2. 2 聚類分析

聚類是指根據(jù)“物以類聚”的原理，將本身沒(méi)有類別的樣本聚集成不同的組，并且對(duì)每一個(gè)這樣的組進(jìn)行描述的過(guò)程。它的目的是使得屬于同一個(gè)組的樣本之間應(yīng)該彼此相似，而不同組的樣本應(yīng)足夠不相似。與分類分析不同，進(jìn)行聚類前并不知道將要?jiǎng)澐殖蓭讉€(gè)組和什么樣的組，也不知道根據(jù)哪些空間區(qū)分規(guī)則來(lái)定義組。其目的旨在發(fā)現(xiàn)空間實(shí)體的屬性間的函數(shù)關(guān)系，挖掘的知識(shí)用以屬性名為變量的數(shù)學(xué)方程來(lái)表示。聚類方法包括統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法、神經(jīng)網(wǎng)絡(luò)方法和面向數(shù)據(jù)庫(kù)的方法?；诰垲惙治龇椒ǖ目臻g數(shù)據(jù)挖掘算法包括均值近似算法[4]、CLARANS、BIRCH、DBSCAN等算法。目前，對(duì)空間數(shù)據(jù)聚類分析方法的研究是一個(gè)熱點(diǎn)。

對(duì)于空間數(shù)據(jù)，利用聚類分析方法，可以根據(jù)地理位置以及障礙物的存在情況自動(dòng)地進(jìn)行區(qū)域劃分。例如，根據(jù)分布在不同地理位置的ATM機(jī)的情況將居民進(jìn)行區(qū)域劃分，根據(jù)這一信息，可以有效地進(jìn)行ATM機(jī)的設(shè)置規(guī)劃，避免浪費(fèi)，同時(shí)也避免失掉每一個(gè)商機(jī)。

2.3 關(guān)聯(lián)規(guī)則分析

關(guān)聯(lián)規(guī)則分析主要用于發(fā)現(xiàn)不同事件之間的關(guān)聯(lián)性，即一事物發(fā)生時(shí)，另一事物也經(jīng)常發(fā)生。關(guān)聯(lián)分析的重點(diǎn)在于快速發(fā)現(xiàn)那些有實(shí)用價(jià)值的關(guān)聯(lián)發(fā)生的事件。其主要依據(jù)是：事件發(fā)生的概率和條件概率應(yīng)該符合一定的統(tǒng)計(jì)意義?？臻g關(guān)聯(lián)規(guī)則的形式是X－＞Y[S%，C%]，其中X、Y是空間或非空間謂詞的集合，S%表示規(guī)則的支持度，C%表示規(guī)則的置信度。空間謂詞的形式有3種：表示拓?fù)浣Y(jié)構(gòu)的謂詞、表示空間方向的謂詞和表示距離的謂詞[5]。各種各樣的空間謂詞可以構(gòu)成空間關(guān)聯(lián)規(guī)則。如，距離信息（如Close_to(臨近)、Far_away(遠(yuǎn)離)）、拓?fù)潢P(guān)系（Intersect（交）、Overlap（重疊）、Disjoin(分離)）和空間方位（如Right_of(右邊)、West_of(西邊)）。實(shí)際上大多數(shù)算法都是利用空間數(shù)據(jù)的關(guān)聯(lián)特性改進(jìn)其分類算法，使得它適合于挖掘空間數(shù)據(jù)中的相關(guān)性，從而可以根據(jù)一個(gè)空間實(shí)體而確定另一個(gè)空間實(shí)體的地理位置，有利于進(jìn)行空間位置查詢和重建空間實(shí)體等。大致算法可描述如下：(1)根據(jù)查詢要求查找相關(guān)的空間數(shù)據(jù)；(2)利用臨近等原則描述空間屬性和特定屬性；(3)根據(jù)最小支持度原則過(guò)濾不重要的數(shù)據(jù)；(4)運(yùn)用其它手段對(duì)數(shù)據(jù)進(jìn)一步提純(如OVERLAY)；(5)生成關(guān)聯(lián)規(guī)則。

關(guān)聯(lián)規(guī)則通?？煞譃閮煞N：布爾型的關(guān)聯(lián)規(guī)則和多值關(guān)聯(lián)規(guī)則。多值關(guān)聯(lián)規(guī)則比較復(fù)雜，一種自然的想法是將它轉(zhuǎn)換為布爾型關(guān)聯(lián)規(guī)則，由于空間關(guān)聯(lián)規(guī)則的挖掘需要在大量的空間對(duì)象中計(jì)算多種空間關(guān)系，因此其代價(jià)是很高的?！N逐步求精的挖掘優(yōu)化方法可用于空間關(guān)聯(lián)的分析，該方法首先用一種快速的算法粗略地對(duì)一個(gè)較大的數(shù)據(jù)集進(jìn)行一次挖掘，然后在裁減過(guò)的數(shù)據(jù)集上用代價(jià)較高的算法進(jìn)一步改進(jìn)挖掘的質(zhì)量。因?yàn)槠浯鷥r(jià)非常高，所以空間的關(guān)聯(lián)方法需要進(jìn)一步的優(yōu)化。

對(duì)于空間數(shù)據(jù)，利用關(guān)聯(lián)規(guī)則分析，可以發(fā)現(xiàn)地理位置的關(guān)聯(lián)性。例如，85%的靠近高速公路的大城鎮(zhèn)與水相鄰，或者發(fā)現(xiàn)通常與高爾夫球場(chǎng)相鄰的對(duì)象是停車場(chǎng)等。

3 空間數(shù)據(jù)挖掘技術(shù)的研究方向

3.1 處理不同類型的數(shù)據(jù)

絕大多數(shù)數(shù)據(jù)庫(kù)是關(guān)系型的，因此在關(guān)系數(shù)據(jù)庫(kù)上有效地執(zhí)行數(shù)據(jù)挖掘是至關(guān)重要的。但是在不同應(yīng)用領(lǐng)域中存在各種數(shù)據(jù)和數(shù)據(jù)庫(kù)，而且經(jīng)常包含復(fù)雜的數(shù)據(jù)類型，例如結(jié)構(gòu)數(shù)據(jù)、復(fù)雜對(duì)象、事務(wù)數(shù)據(jù)、歷史數(shù)據(jù)等。由于數(shù)據(jù)類型的多樣性和不同的數(shù)據(jù)挖掘目標(biāo)，一個(gè)數(shù)據(jù)挖掘系統(tǒng)不可能處理各種數(shù)據(jù)。因此針對(duì)特定的數(shù)據(jù)類型，需要建立特定的數(shù)據(jù)挖掘系統(tǒng)。

3.2 數(shù)據(jù)挖掘算法的有效性和可測(cè)性

海量數(shù)據(jù)庫(kù)通常有上百個(gè)屬性和表及數(shù)百萬(wàn)個(gè)元組。GB數(shù)量級(jí)數(shù)據(jù)庫(kù)已不鮮見(jiàn)，TB數(shù)量級(jí)數(shù)據(jù)庫(kù)已經(jīng)出現(xiàn)，高維大型數(shù)據(jù)庫(kù)不僅增大了搜索空間，也增加了發(fā)現(xiàn)錯(cuò)誤模式的可能性。因此必須利用領(lǐng)域知識(shí)降低維數(shù)，除去無(wú)關(guān)數(shù)據(jù)，從而提高算法效率。從一個(gè)大型空間數(shù)據(jù)庫(kù)中抽取知識(shí)的算法必須高效、可測(cè)量，即數(shù)據(jù)挖掘算法的運(yùn)行時(shí)間必須可預(yù)測(cè)，且可接受，指數(shù)和多項(xiàng)式復(fù)雜性的算法不具有實(shí)用價(jià)值。但當(dāng)算法用有限數(shù)據(jù)為特定模型尋找適當(dāng)參數(shù)時(shí)，有時(shí)也會(huì)導(dǎo)致物超所值，降低效率。

3.3 交互性用戶界面

數(shù)據(jù)挖掘的結(jié)果應(yīng)準(zhǔn)確地描述數(shù)據(jù)挖掘的要求，并易于表達(dá)。從不同的角度考察發(fā)現(xiàn)的知識(shí)，并以不同形式表示，用高層次語(yǔ)言和圖形界面表示數(shù)據(jù)挖掘要求和結(jié)果。目前許多知識(shí)發(fā)現(xiàn)系統(tǒng)和工具缺乏與用戶的交互，難以有效利用領(lǐng)域知識(shí)。對(duì)此可以利用貝葉斯方法和演譯數(shù)據(jù)庫(kù)本身的演譯能力發(fā)現(xiàn)知識(shí)。

3.4 在多抽象層上交互式挖掘知識(shí)

很難預(yù)測(cè)從數(shù)據(jù)庫(kù)中會(huì)挖掘出什么樣的知識(shí)，因此一個(gè)高層次的數(shù)據(jù)挖掘查詢應(yīng)作為進(jìn)一步探詢的線索。交互式挖掘使用戶能交互地定義一個(gè)數(shù)據(jù)挖掘要求，深化數(shù)據(jù)挖掘過(guò)程，從不同角度靈活看待多抽象層上的數(shù)據(jù)挖掘結(jié)果。

3.5 從不同數(shù)據(jù)源挖掘信息

局域網(wǎng)、廣域網(wǎng)以及Internet網(wǎng)將多個(gè)數(shù)據(jù)源聯(lián)成一個(gè)大型分布、異構(gòu)的數(shù)據(jù)庫(kù)，從包含不同語(yǔ)義的格式化和非格式化數(shù)據(jù)中挖掘知識(shí)是對(duì)數(shù)據(jù)挖掘的一個(gè)挑戰(zhàn)。數(shù)據(jù)挖掘可揭示大型異構(gòu)數(shù)據(jù)庫(kù)中存在的普通查詢不能發(fā)現(xiàn)的知識(shí)。數(shù)據(jù)庫(kù)的巨大規(guī)模、廣泛分布及數(shù)據(jù)挖掘方法的計(jì)算復(fù)雜性，要求建立并行分布的數(shù)據(jù)挖掘。

3.6 私有性和安全性

數(shù)據(jù)挖掘能從不同角度、不同抽象層上看待數(shù)據(jù)，這將影響到數(shù)據(jù)挖掘的私有性和安全性。通過(guò)研究數(shù)據(jù)挖掘?qū)е碌臄?shù)據(jù)非法侵入，可改進(jìn)數(shù)據(jù)庫(kù)安全方法，以避免信息泄漏。

3.7 和其它系統(tǒng)的集成

方法、功能單一的發(fā)現(xiàn)系統(tǒng)的適用范圍必然受到一定的限制。要想在更廣泛的領(lǐng)域發(fā)現(xiàn)知識(shí)，空間數(shù)據(jù)挖掘系統(tǒng)就應(yīng)該是數(shù)據(jù)庫(kù)、知識(shí)庫(kù)、專家系統(tǒng)、決策支持系統(tǒng)、可視化工具、網(wǎng)絡(luò)等技術(shù)的集成。

4 有待研究的問(wèn)題

我們雖然在空間數(shù)據(jù)挖掘技術(shù)的研究和應(yīng)用中取得了很大的成績(jī)，但在一些理論及應(yīng)用方面仍存在急需解決的問(wèn)題。

4.1 數(shù)據(jù)訪問(wèn)的效率和可伸縮性

空間數(shù)據(jù)的復(fù)雜性和數(shù)據(jù)的大量性，TB數(shù)量級(jí)的數(shù)據(jù)庫(kù)的出現(xiàn)，必然增大發(fā)現(xiàn)算法的搜索空間，增加了搜索的盲目性。如何有效的去除與任務(wù)無(wú)關(guān)的數(shù)據(jù)，降低問(wèn)題的維數(shù)，設(shè)計(jì)出更加高效的挖掘算法對(duì)空間數(shù)據(jù)挖掘提出了巨大的挑戰(zhàn)。

4.2 對(duì)當(dāng)前一些GIS軟件缺乏時(shí)間屬性和靜態(tài)存儲(chǔ)的改進(jìn)

由于數(shù)據(jù)挖掘的應(yīng)用在很大的程度上涉及到時(shí)序關(guān)系，因此靜態(tài)的數(shù)據(jù)存儲(chǔ)嚴(yán)重妨礙了數(shù)據(jù)挖掘的應(yīng)用。基于圖層的計(jì)算模式、不同尺度空間數(shù)據(jù)之間的完全割裂也對(duì)空間數(shù)據(jù)挖掘設(shè)置了重重障礙?？臻g實(shí)體與屬性數(shù)據(jù)之間的聯(lián)系僅僅依賴于標(biāo)識(shí)碼，這種一維的連接方式無(wú)疑將丟失大量的連接信息，不能有效的表示多維和隱含的內(nèi)在連接關(guān)系，這些都增加了數(shù)據(jù)挖掘計(jì)算的復(fù)雜度，極大地增加了數(shù)據(jù)準(zhǔn)備階段的工作量和人工干預(yù)的程度。

4.3 發(fā)現(xiàn)模式的精煉

當(dāng)發(fā)現(xiàn)空間很大時(shí)會(huì)獲得大量的結(jié)果，盡管有些是無(wú)關(guān)或沒(méi)有意義的模式，這時(shí)可利用領(lǐng)域的知識(shí)進(jìn)一步精煉發(fā)現(xiàn)的模式，從而得到有意義的知識(shí)。

在空間數(shù)據(jù)挖掘技術(shù)方面，重要的研究和應(yīng)用的方向還包括：網(wǎng)絡(luò)環(huán)境上的數(shù)據(jù)挖掘、柵格矢量一體化的挖掘、不確定性情況下的數(shù)據(jù)挖掘、分布式環(huán)境下的數(shù)據(jù)挖掘、數(shù)據(jù)挖掘查詢語(yǔ)言和新的高效的挖掘算法等。

5 小結(jié)

隨著GIS與數(shù)據(jù)挖掘及相關(guān)領(lǐng)域科學(xué)研究的不斷發(fā)展，空間數(shù)據(jù)挖掘技術(shù)在廣度和深度上的不斷深入，在不久的將來(lái)，一個(gè)集成了挖掘技術(shù)的GIS、GPS、RS集成系統(tǒng)必將朝著智能化、網(wǎng)絡(luò)化、全球化與大眾化的方向發(fā)展。

GIS的技術(shù)基礎(chǔ)

GIS為各種涉及空間數(shù)據(jù)分析的學(xué)科提供了新的技術(shù)方法，而每個(gè)相關(guān)學(xué)科都提供了一些構(gòu)成GIS的技術(shù)與方法。

首先，地圖是記錄地球表面信息的一種形式，從歷史發(fā)展來(lái)看，GIS脫胎于地圖，而計(jì)算機(jī)制圖技術(shù)更是為地圖特征的數(shù)字表示、操作和顯示提供了成套方法，為GIS的圖形輸出設(shè)計(jì)等提供了理論支持。同時(shí)，地圖還是目前GIS的基礎(chǔ)數(shù)據(jù)源，但地圖強(qiáng)調(diào)的是數(shù)據(jù)分析、符號(hào)化與顯示，地理信息系統(tǒng)更注重空間分析。

其次，數(shù)據(jù)庫(kù)也是GIS的技術(shù)基礎(chǔ)之一。數(shù)據(jù)庫(kù)管理系統(tǒng)主要用于存儲(chǔ)、管理和查詢各類數(shù)據(jù)，并盡可能具備一些簡(jiǎn)單的統(tǒng)計(jì)分析功能，這是現(xiàn)代地理信息系統(tǒng)不可缺少的重要組成部分。

第三，遙感作為空間數(shù)據(jù)的采集手段，成為GIS的重要信息源與數(shù)據(jù)更新途徑。遙感（RS）圖像處理系統(tǒng)包含復(fù)雜的解析函數(shù)，并有許多方法用于信息的增強(qiáng)與分類；大地測(cè)量為GIS提供了精確定位的控制信息，尤其是全球定位系統(tǒng)（GPS），可快速、廉價(jià)地獲取地表特征的數(shù)字位置信息；航空拍攝及其精確測(cè)量方法的應(yīng)用使得攝影測(cè)量成為GIS主要的地形數(shù)據(jù)來(lái)源。總之，遙感是GIS的重要數(shù)據(jù)源與更新手段。

第四，計(jì)算機(jī)科學(xué)的發(fā)展對(duì)GIS起著關(guān)鍵性的影響。按照國(guó)際通行的定義，GIS軟件的開(kāi)發(fā)和使用基本屬于計(jì)算機(jī)應(yīng)用理論與方法在加入空間位置要素后的自然延伸，始于計(jì)算機(jī)出現(xiàn)不久，在最近10～15年，計(jì)算機(jī)不僅在容量與速度方面都有了質(zhì)的飛躍，而且隨著多媒體、網(wǎng)絡(luò)、數(shù)據(jù)庫(kù)、軟件工程、電子技術(shù)等的飛速發(fā)展，GIS的發(fā)展也在突飛猛進(jìn)（黃杏元，2004a，2004b，2004c）。幾乎每一次計(jì)算機(jī)技術(shù)的重要進(jìn)展都帶動(dòng)地理信息系統(tǒng)技術(shù)的重大進(jìn)步，如空間數(shù)據(jù)的管理、網(wǎng)絡(luò)GIS、三維GIS等技術(shù)，每一步的重要發(fā)展都與計(jì)算機(jī)信息技術(shù)的進(jìn)展有關(guān)。計(jì)算機(jī)輔助設(shè)計(jì)提供了數(shù)據(jù)輸入、顯示與表達(dá)的軟件與方法；計(jì)算機(jī)圖形學(xué)是現(xiàn)代地理信息系統(tǒng)的基礎(chǔ)之一，它提供了圖形處理、顯示的軟硬件及其技術(shù)方法；網(wǎng)絡(luò)的普及使地理信息系統(tǒng)已成為許多機(jī)構(gòu)必備的工作系統(tǒng)，尤其是政府決策部門在一定程度上由于受地理信息系統(tǒng)影響而改變了現(xiàn)有機(jī)構(gòu)的運(yùn)行方式、設(shè)置與工作計(jì)劃等；人工智能的發(fā)展也給地理信息系統(tǒng)的技術(shù)進(jìn)步帶來(lái)了積極的影響（周成虎，1995）。

簡(jiǎn)而言之，地理信息系統(tǒng)就是能夠輸入、存儲(chǔ)、管理并處理分析地理空間數(shù)據(jù)的計(jì)算機(jī)系統(tǒng)。它隨計(jì)算機(jī)技術(shù)發(fā)展應(yīng)運(yùn)而生，是信息系統(tǒng)技術(shù)發(fā)展到高級(jí)階段的產(chǎn)物。

本文名稱：人工智能gis技術(shù)體系 人工智能對(duì)于gis有什么意義
網(wǎng)址分享：http://m.rwnh.cn/article34/doggcse.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供品牌網(wǎng)站建設(shè)、自適應(yīng)網(wǎng)站、定制網(wǎng)站、營(yíng)銷型網(wǎng)站建設(shè)、App開(kāi)發(fā)、ChatGPT

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)