空间聚类模式发现研究进展:概念、方法及应用

作     者：秦伟 张修远 白璐斌 杜世宏 QIN Wei;ZHANG Xiuyuan;BAI Lubin;DU Shihong

作者机构：北京大学遥感与地理信息系统研究所北京100871 北京大学城市与环境学院北京100871 

出 版 物：《地球信息科学学报》 (Journal of Geo-information Science)

年 卷 期：2025年第27卷第1期

页      面：116-130页

核心收录：

学科分类：081603[工学-地图制图学与地理信息工程] 081802[工学-地球探测与信息技术] 07[理学] 08[工学] 070503[理学-地图学与地理信息系统] 0818[工学-地质资源与地质工程] 0705[理学-地理学] 0816[工学-测绘科学与技术] 

基　　金：国家重点研发计划项目(2023YFC3804802) 

主　　题：空间聚类模式 模式发现 建筑 道路 水系 聚类 深度学习 

摘      要：【意义】地理要素的空间聚类模式反映了要素的分布特征与空间格局,而模式发现对于揭示要素的空间分布规律、阐释地理现象的形成机制、理解人与空间的交互过程等具有重要意义。【进展】本文在阐述要素空间聚类模式内涵的基础上,梳理了空间聚类模式发现的两类方法,即规则导向的模式提取和数据驱动的模式识别。规则导向的模式提取方法根据专家知识对模式特点进行归纳,用形式化的显式规则表达并约束、指导模式发现过程;数据驱动的模式识别方法从“专家和“数据两方面汲取知识,在专家知识的指导下,通过大量样本自动化地从多尺度、多视角学习要素的模式特点。随后,具体针对建筑、道路和水系三类典型要素,系统归纳了三类要素模式的分类体系和空间聚类模式发现方法,尤其以图深度学习为代表的数据驱动方法由于其强大的模式学习能力,在模式发现精度上优于规则导向的模式提取方法。【展望】未来,要素空间聚类模式发现规则库和样本集的知识汇聚、聚类模式的主动发现技术、高效聚类模式发现的图深度学习模型以及基于生成式AI的模式发现等将成为主要研究方向。