国土空间规划中地理信息大数据的应用分析 摘要：随着互联网的不断发展，地理信息大数据也高速发展，特别是熟轨迹数 据以及空间媒体数据，科学有序地进行国土空间规划工作，打造高效、开放、安 全的国土空间发展格局，对于城区建设、生态保护、交通轨道等多种行业发展甚 至是区域经济水平的提高至关重要。文章主要围绕地理信息大数据在国土空间规 划中的应用进行分析，以供参考。 关键词：国土空间规划;地理信息大数据;应用 信息化的时代背景之下，大数据在各行各业中都有着十分广泛的应用，尤其 是在大型数据的分析与处理方面作用明显。地理信息大数据也随着技术的升级而 不断发展，尤其是空间媒体数据中随着互联网的带动作用而呈现爆发式增长。地 理信息大数据的有效运用，促进了国土空间开发及利用水平的提高，也为国家经 济稳速发展做出了一定的贡献。 1、国土空间规划 国土空间是人们生存与发展过程的所需空间。国土空间规划的主要目的可分 为以下几点，第一，积极引导经济发展，有效促进传统落后的发展模式，进行优 化调整。第二，能够依靠宏观调控方式并借助相应的科学技术实现集约化资源处 理和合理利用。第三，实现空间资源的科学配置，合理调整产业布局，实现经济 结构优化目标。第四，在保证资源合理配置的基础之上，使得产业布局更具协调 性和科学性，规避以环境污染作为代价的错误发展形式，大力建设环境友好型社会。第五，充当空间规划指导者，积极协调经济发展、生态发展以及社会发展这 三方面的发展方向，努力实现环境宜人、空间高效、资源集约等优化目标。 国土空间规划是指，根据其所处历史条件、自然环境以及社会发展实际情况，站在有效保护、合理利用和开发的视角上，对国土空间进行适当的布局调整和综 合空间规划。当前，世界很多国家对于国土空间规划工作都给予了高度重视，提 升国土空间规划工作的科学合理性，能够更好的保证各国经济发展过程中出现的 生态环境恶化、资源短缺以及区域发展失衡等情况。为了确保社会稳定，实现可 持续发展目标，需不断提升国土空间规划的整体水平。 2、地理信息大数据 常规意义下的地理信息数据相对来说比较规范，对于精确性具有严格要求。 大数据地理信息的信息采集方式更加自由且丰富，例如消费记录、个人出行过程 记录、传感器应用、网络行为等都可作为地理信息大数据的信息采集方式，这些 方式具有实时性、多变性、非专业性以及全面性等特征。其所采集的信息数据包 括政务信息、环境信息、居民生活信息、社会动态信息、商业发展信息以及人口 流动信息等等。其信息数据量大，信息来源广泛，不具备可靠性和精准性，属于 半结构碎片化信息，具有多种数据格式。 想要合理利用大量的地理信息大数据，并进行合理储存和管理，必须建立相 应的信息数据平台，对于不同类型的信息数据分别进行储存、种类划分、分析、 管理，并且建立灵活性较强的可配置数据查询系统，此种系统要具备信息查询功能、数据统计功能，且能实现信息提取一体化，以降低大数据重复建设的概率。 3、国土空间规划中地理信息大数据的应用分析 3.1提供实时的基础数据 地理信息大数据管理平台一直处于运转状态，时刻进行地理空间信息数据的 收集整理工作，信息管理平台具备数据清理功能，能够有效处理时刻变化的信息
例谈高考地理试题数据分析的方法和技巧 地理数据是地理事物和现象空间位置、属性特征及其动态变化等的数量化表示。通过地理数据的分析，可以解析其所表达的地理事物的分布、特征及其运动变化的地理过程，进而了解自然和人文地理环境特征以及人类活动与地理环 境之间的关系。全国各地高考试题近年来出现了不同类型的地理数据分析类试题，其解析方法和技巧各不相同。 一、比较法 比较法是高考试题中地理数据分析的常用方法，包括纵比法、横比法和联系比较法等。纵比法是将不同历史阶段的地理数据加以比较，借以揭示地理现象在历史发展过程各阶段的共性与个性。横比法是将同一属性的不同地理事物加以比较，找出其在同一发展阶段在地理特征、发展趋势等方面的差异。联系比较法是联系相关地理事物进行比较，以利于探求地理规律，解决地理问题。 例题1：图1示意某城市20世纪80年代和90年代平均人口年变化率，当前，该城市总人口约1300万。据此完成（1）～（2）题。 （1）20世纪90年代和80年代相比，该城市 A.总人口增长速度加快 B.总人口减少 C.人口自然增长率降低
D.人口净迁入量减少 （2）该城市所在的国家可能是 A.美国 B.日本 C.俄罗斯 D.德国 解析：该题涉及了人口地理学的相关地理数据，主要有人口的自然增长率、迁移率、总人口增长率。第（1）题的解题方法是典型的纵比法，可以将“1981～1990”和“1991～2000”两个不同历史阶段的同类地理数据进行比较，排除A、C，由于总人口增长率一直为正值，所以B选项“总人口减少”是错误的，所以选D。 技巧：纵比法主要用于同一地理实体不同历史阶段气候资料、水文信息、自然资源、人口数量、农业分布、工业产值等的比较，可以揭示同一地理事物属性特征的时间变化过程，利用纵比法进行比较时，一是要注意比较实体和属性数据的同一性，必须是同一地理实体不同时期的同类属性数据的比较。二是要注意将属性数据变化值与时间尺度联系起来分析地理实体的变化特征，不能夸大或缩小地理实体特征的变化幅度。横比法主要用于不同地理实体间同一历史阶段属性数据的比较，可以是国家间的作物面积的比较，可以是河流间水文特征的比较，也可以是功能区间属性的比较等等。利用横比法进行比较时，一是要注意所比较的地理实体间的同质性和层次性，例如，不能将城市功能区与农业规划区进行比较，也不能将国家的工业产值与城市的工业产值进行比
空间分析的概念空间分析：是基于地理对象的位置和形态特征的空间数据分析技术，其目的在于提取和传输空间信息。包括空间数据操作、空间数据分析、空间统计分析、空间建模。 空间数据的类型空间点数据、空间线数据、空间面数据、地统计数据 属性数据的类型名义量、次序量、间隔量、比率量 属性：与空间数据库中一个独立对象（记录）关联的数据项。属性已成为描述一个位置任何可记录特征或性质的术语。 空间统计分析陷阱1）空间自相关：“地理学第一定律”—任何事物都是空间相关的，距离近的空间相关性大。空间自相关破坏了经典统计当中的样本独立性假设。避免空间自相关所用的方法称为空间回归模型。2）可变面元问题MAUP：随面积单元定义的不同而变化的问题，就是可变面元问题。其类型分为：①尺度效应：当空间数据经聚合而改变其单元面积的大小、形状和方向时，分析结果也随之变化的现象。②区划效应：给定尺度下不同的单元组合方式导致分析结果产生变化的现象。3）边界效应：边界效应指分析中由于实体向一个或多个边界近似时出现的误差。生态谬误在同一粒度或聚合水平上，由于聚合方式的不同或划区方案的不同导致的分析结果的变化。（给定尺度下不同的单元组合方式） 空间数据的性质空间数据与一般的属性数据相比具有特殊的性质如空间相关性，空间异质性，以及有尺度变化等引起的MAUP效应等。一阶效应：大尺度的趋势，描述某个参数的总体变化性；二阶效应：局部效应，描述空间上邻近位置上的数值相互趋同的倾向。 空间依赖性：空间上距离相近的地理事物的相似性比距离远的事物的相似性大。 空间异质性：也叫空间非稳定性，意味着功能形式和参数在所研究的区域的不同地方是不一样的，但是在区域的局部，其变化是一致的。 ESDA是在一组数据中寻求重要信息的过程，利用EDA技术，分析人员无须借助于先验理论或假设，直接探索隐藏在数据中的关系、模式和趋势等，获得对问题的理解和相关知识。 常见EDA方法：直方图、茎叶图、箱线图、散点图、平行坐标图 主题地图的数据分类问题等间隔分类；分位数分类：自然分割分类。 空间点模式：根据地理实体或者时间的空间位置研究其分布模式的方法。 茎叶图：单变量、小数据集数据分布的图示方法。 优点是容易制作，让阅览者能很快抓住变量分布形状。缺点是无法指定图形组距，对大型资料不适用。 茎叶图制作方法：①选择适当的数字为茎，通常是起首数字，茎之间的间距相等；②每列标出所有可能叶的数字，叶子按数值大小依次排列；③由第一行数据，在对应的茎之列，顺序记录茎后的一位数字为叶，直到最后一行数据，需排列整齐（叶之间的间隔相等）。 箱线图&五数总结 箱线图也称箱须图需要五个数，称为五数总结：①最小值②下四分位数：Q1③中位数④上四分位数：Q3⑤最大值。分位数差：IQR = Q3 - Q1 3密度估计是一个随机变量概率密度函数的非参数方法。 应用不同带宽生成的100个服从正态分布随机数的核密度估计。 空间点模式：一般来说，点模式分析可以用来描述任何类型的事件数据。因为每一事件都可以抽象化为空间上的一个位置点。 空间模式的三种基本分布：1）随机分布：任何一点在任何一个位置发生的概率相同，某点的存在不影响其它点的分布。又称泊松分布
第7 章空间数据分析模型 7.1 空间数据 按照空间数据的维数划分，空间数据有四种基本类型：点数据、线数据、面数据和体数据。 点是零维的。从理论上讲，点数据可以是以单独地物目标的抽象表达，也可以是地理单元的抽象表达。这类点数据种类很多，如水深点、高程点、道路交叉点、一座城市、一个区域。 线数据是一维的。某些地物可能具有一定宽度，例如道路或河流，但其路线和相对长度是主要特征，也可以把它抽象为线。其他的线数据，有不可见的行政区划界，水陆分界的岸线，或物质运输或思想传播的路线等。 面数据是二维的，指的是某种类型的地理实体或现象的区域范围。国家、气候类型和植被特征等，均属于面数据之列。 真实的地物通常是三维的，体数据更能表现出地理实体的特征。一般而言，体数据被想象为从某一基准展开的向上下延伸的数，如相对于海水面的陆地或水域。在理论上，体数据可以是相当抽象的，如地理上的密度系指单位面积上某种现象的许多单元分布。 在实际工作中常常根据研究的需要，将同一数据置于不同类别中。例如，北京市可以看作一个点（区别于天津），或者看作一个面（特殊行政区，区别于相邻地区），或者看作包括了人口的“体”。 7.2 空间数据分析 空间数据分析涉及到空间数据的各个方面，与此有关的内容至少包括四个领域。 1）空间数据处理。空间数据处理的概念常出现在地理信息系统中，通常指的是空间分析。就涉及的内容而言，空间数据处理更多的偏重于空间位置及其关系的分析和管理。 2）空间数据分析。空间数据分析是描述性和探索性的，通过对大量的复杂数据的处理来实现。在各种空间分析中，空间数据分析是重要的组成部分。空间数据分析更多的偏重于具有空间信息的属性数据的分析。 3）空间统计分析。使用统计方法解释空间数据，分析数据在统计上是否是“典型”的，或“期望”的。与统计学类似，空间统计分析与空间数据分析的内容往往是交叉的。 4）空间模型。空间模型涉及到模型构建和空间预测。在人文地理中，模型用来预测不同地方的人流和物流，以便进行区位的优化。在自然地理学中，模型可能是模拟自然过程的空间分异与随时间的变化过程。空间数据分析和空间统计分析是建立空间模型的基础。 7.3 空间数据分析的一些基本问题 空间数据不仅有其空间的定位特性，而且具有空间关系的连接属性。这些属性主要表现为空间自相关特点和与之相伴随的可变区域单位问题、尺度和边界效应。传统的统计学方法在对数据进行处理时有一些基本的假设，大多都要求“样本是随机的”，但空间数据可能不一定能满足有关假设，因此，空间数据的分析就有其特殊性（David,2003）。
空间数据分析报告 —使用Moran's I统计法实现空间自相关的测度1、实验目的 （1）理解空间自相关的概念和测度方法。 （2）熟悉ArcGIS的基本操作，用Moran's I统计法实现空间自相关的测度。2、实验原理 2.1空间自相关 空间自相关的概念来自于时间序列的自相关，所描述的是在空间域中位置S 上的变量与其邻近位置Sj上同一变量的相关性。对于任何空间变量（属性）Z，空间自相关测度的是Z的近邻值对于Z相似或不相似的程度。如果紧邻位置上相互间的数值接近，我们说空间模式表现出的是正空间自相关；如果相互间的数值不接近，我们说空间模式表现出的是负空间自相关。 2.2空间随机性 如果任意位置上观测的属性值不依赖于近邻位置上的属性值，我们说空间过程是随机的。 Hanning则从完全独立性的角度提出更为严格的定义，对于连续空间变量Y,若下式成立，则是空间独立的： 式中，n为研究区域中面积单元的数量。若变量时类型数据，则空间独立性的定义改写成 式中，a,b是变量的两个可能的类型，i≠j。 2.3Moran's I统计 Moran's I统计量是基于邻近面积单元上变量值的比较。如果研究区域中邻近面积单元具有相似的值，统计指示正的空间自相关；若邻近面积单元具有不相似的值，则表示可能存在强的负空间相关。
设研究区域中存在n 个面积单元，第i 个单位上的观测值记为y i ，观测变量在n 个单位中的均值记为y ，则Moran's I 定义为 ∑∑∑∑∑======n i n j ij n i n j ij n i W W n I 11 11j i 1 2i ) y -)(y y -(y )y -(y 式中，等号右边第二项∑∑==n 1i n 1j j i ij )y -)(y y -(y W 类似于方差，是最重要的项，事 实上这是一个协方差，邻接矩阵W 和) y -)(y y -(y j i 的乘积相当于规定)y -)(y y -(y j i 对邻接的单元进行计算，于是I 值的大小决定于i 和j 单元中的变量值对于均值的偏离符号，若在相邻的位置上，y i 和y j 是同号的，则I 为正；y i 和y j 是异号的， 则I 为负。在形式上Moran's I 与协变异图 {}{}u ?-)Z(s u ?-)Z(s N(h)1(h)C ?j i ∑=相联系。 Moran's I 指数的变化范围为（-1,1）。如果空间过程是不相关的，则I 的期望接近于0，当I 取负值时，一般表示负自相关，I 取正值，则表示正的自相关。用I 指数推断空间模式还必须与随机模式中的I 指数作比较。 通过使用Moran's I 工具，会返回Moran's I Index 值以及Z Score 值。如果Z score 值小于-1.96获大于1.96，那么返回的统计结果就是可采信值。如果Z score 为正且大于1.96，则分布为聚集的；如果Z score 为负且小于-1.96，则分布为离散的；其他情况可以看作随机分布。 3、实验准备 3.1实验环境 本实验在Windows 7的操作系统环境中进行，使用ArcGis 9.3软件。 3.2实验数据 此次实习提供的数据为以湖北省为目标区域的bount.dbf 文件。.dbf 数据中包括第一产业增加值，第二产业增加值万元，小学在校学生数，医院、卫生院床位数，乡村人口万人，油料产量，城乡居民储蓄存款余额，棉花产量，地方财政一般预算收入，年末总人口(万人)，粮食产量，普通中学在校生数，肉类总产量，规模以上工业总产值现价（万元）等属性，作为分析的对象。
《地理空间数据库原理》课程期末考试卷 一、选择题（每题3分，共10题） 1、下列不适合直接采用关系型数据库对空间数据进行管理说法错误的是（A） A. 传统数据库管理的是连续的相关性较小的数字或字符，而空间数据是连续的，并且有很强的空间相关性； B. 传统数据库管理的实体类型较少，并且实体类型间关系简单固定，而GIS数据库的实体类型繁多，实体间存在着复杂的空间关系； C. 传统数据库存储的数据通常为等长记录的数据，而空间数据的目标坐标长度不定，具有变长记录，并且数据项可能很多，很复杂； D.传统数据库只查询和操作数字和文字信息，而空间数据库需要大量的空间数据操作和查询。 2. 下列关于的空间数据库管理方式经历的阶段及其各自特点说法错误的是（C） A. 文件关系数据库混合管理阶段，用一组文件形式来存储地理空间数据及其拓扑关系，利用通用关系数据库存储属性数据，通过唯一的标识符来建立它们之间的连接。 B. 全关系式数据库管理阶段，基于关系模型方式，将图形数据按关系模型组织。图形数据和属性数据统一存储在通用关系数据库中，即将图形文件转成关系存放在目前大部分关系型数据库提供的二进制块中。 C.面向对象数据库管理阶段，面向对象型空间数据库管理系统最适合空间数据的表达和管理。持变长记录，还支持对象的嵌套，信息的继承和聚集。支持SQL 语言，有一定的通用性。允许定义合适的数据结构和数据操作。 D.对象关系数据库管理阶段，解决了空间数据的变长记录管理，使数据管理效率大大提高；空间和属性之间联结有空间数据管理模块解决，不仅具有操作关系数据的函数，还具有操作图形的API函数； 3. 对下述图形进行链式编码，编码结果为(D)
An Introduction to Spatial Autocorrelation Analysis with GeoDa Luc Anselin Spatial Analysis Laboratory Department of Agricultural and Consumer Economics University of Illinois, Urbana-Champaign https://www.doczj.com/doc/a85013931.html,/ June 16, 2003 Introduction This is a quick tour of GeoDa, illustrating its main features for analyzing and visualizing spatial autocorrelation. It assumes very little, and should be doable “out of the box” without having to refer to more extensive information. It assumes you are familiar with the technical concepts related to spatial autocorrelation analysis, and with the basic operation of GeoDa, as covered in the Introduction to EDA with GeoDa document. It does not replace the User’s Guide. This note refers to GeoDa 0.9.3., June 4, 2003. To get started, load the SIDS shape file and make sure the rate variables SIDR74 and SIDR79 have been constructed. Also, start a second instance of GeoDa with the St Louis homicide data set. Refer to the Introduction to EDA with GeoDa document for details. Constructing Spatial Weights The first step in the analysis of spatial autocorrelation is to construct a spatial weights file that contains information on the “neighborhood” structure for each location. GeoDa has many ways to create spatial weights. For now, only simple first order contiguity weights will be considered. You start the process by selecting Weights > Create from the Tools menu (Figure 1), or by clicking on the Create Weights button on the toolbar (Figure 2). Note that the Tools menu can also be invoked without having a project open, allowing the creation of weights files for use in programs other than GeoDa. Figure 1. Weights creation by means of the Tools Menu. Figure 2. Weights creation by means of the toolbar button.
第一章 地理数据的初步整理 第一节 地理数据的类型、特征及其采集 一、地理数据的类型 根据地理学的研究对象可将地理数据分为空间数据和属性数据。 （一）空间数据 空间数据，主要用于描述地理实体、地理要素、地理现象、地理事件及地理过程产生、存在和发展的地理位置、区域范围及空间联系。空间数据的表达，可以将其归纳为点、线、面三种几何实体以及描述它们之间联系的拓扑关系。 点：由一个独立的坐标点),(y x 定位，可以表示精确的地理坐标点，也可以是一些地理实体的抽象，如道路交叉点、河流汇聚点以及小比例尺地图上的城镇、村庄等。 线：由两个以上坐标点i i y x i i ,2,1),,( 定义，有一定的长度和走向，表示线状地物或点实体之间的联系。如交通线、河流及各种地理区域的界线等，都是线实体。 面：表示在空间上连续分布的地理景观或区域。如居民区、工业区、行政区等都是面实体。 点、线、面三种地理几何实体，按照一定的拓扑关系组合、排列，就可以形成更为复杂的地理几何实体。如点、线组合形成网络；线、面组合形成地带；点、面组合形成地域类型；点、线、面组合形成地理区。 （二）属性数据 属性数据主要用于描述地理实体、地理要素、地理现象、地理事件及地理过程的有关属性特征，如海拔高度、气温、植被覆盖率、人口数量等。属性数据可以分为两种类型：即数量标志数据和品质标志数据。 1.数量标志数据 根据测度标准，可以将数量标志数据分为以下两类： ⑴ 间隔尺度数据。是以有量纲的数据形式表示测度对象在某种量纲下的绝对量。如摄氏温标表示气温，以面积量纲表示土地面积，以时间量纲表示地理事件、地理现象发生的时间等，如表1.1。 表1.1 间隔尺度数据 区域 年平均气温（℃） 年降水量（mm ） 土地面积（hm 2） 人口（人） 国内生产总值（万元） 1 8.0 500.2 1245.6 1210 2678.28 2 7.6 498.6 1064 1023 2015.47 3 6.5 550.9 894.3 848 1754.56 4 8.5 586.4 668.7 654 1365.46 ⑵ 比例尺度数据。是以无量纲的数据形式表示测度对象的相对量。这种数据要求事先规定一个基点，然后将其它同类数据与基点数据相比较，换算为基点数据的比例。因此这类数据常常又称为指数或比例数。如耕地指数、工业发展指数、舒适度指数等，如表1.2。 表1.2 比例尺度数据（某地区耕地复种指数及农业发展指数） 年份 1996 1997 1998 1999 2000 耕地复种指数① 120.40 113.56 126.54 132.76 121.43 农业发展指数 ② 100 115.68 124.50 135.69 129.56
空间分析实习报告 学院遥感信息工程学院班级 学号 姓名 日期
一、实习内容简介 1．实验目的： （1）通过实习了解ArcGIS的发展，以及10.1系列软件的构成体系 （2）熟练掌握ArcMap的基本操作及应用 （3）了解及应用ArcGIS的分析功能模块ArcToolbox （4）加深对地理信息系统的了解 2.实验内容: 首先是对ArcGIS有初步的了解。了解ArcGIS的发展，以及10.1系列软件的构成体系，了解桌面产品部分ArcMap、ArcCatalog和ArcToolbox的相关基础知识。 实习一是栅格数据空间分析，ArcGIS软件的Spatial Analyst模块提供了强大的空间分析工具，可以帮助用户解决各种空间分析问题。利用老师所给的数据可以创建数据（如山体阴影），识别数据集之间的空间关系，确定适宜地址，最后寻找一个区域的最佳路径。 实习二是矢量数据空间分析，ArcToolbox软件中的Analysis Tools和Network Analyst Tools提供了强大的矢量数据处理与分析工具，可以帮助用户解决各种空间分析问题。利用老师所给的数据可以通过缓冲区分析得到矢量面数据，通过与其它矢量数据的叠置分析、临近分析来辅助选址决策过程；可以构建道路平面网络模型，进而通过网络分析探索最优路径，从而服务于公交选线、智能导航等领域。 实习三是三维空间分析，学会用ArcCatalog查找、预览三维数据；在ArcScene中添加数据；查看数据的三维属性；从二维要素与表面中创建新的三维要素；从点数据源中创建新的栅格表面；从现有要素数据中创建TIN表面。 实习四是空间数据统计分析，利用地统计分析模块，你可以根据一个点要素层中已测定采样点、栅格层或者利用多边形质心，轻而易举地生成一个连续表面。这些采样点的值可以是海拔高度、地下水位的深度或者污染值的浓度等。当与ArcMap一起使用时，地统计分析模块提供了一整套创建表面的工具，这些表面能够用来可视化、分析及理解各种空间现象。 实习五是空间分析建模，空间分析建模就是运用GIS空间分析方法建立数学模型的过程。按照建模的目的，可分为以特征为主的描述模型（descriptive model）和提供辅助决策信息和解决方案为目的的过程模型（process model）两类。本次实习主要是通过使用ArcGIS的模型生成器（Model Builder）来建立模型，从而处理涉及到许多步骤的空间分析问题。 二、实习成果及分析 实习一： 练习1：显示和浏览空间数据。利用ArcMap和空间分析模块显示和浏览数据。添加和显示各类空间数据集、在地图上高亮显示数值、查询指定位置的属性值、分析一张直方图和创建一幅山体阴影图。
分区耕地坡度结构图的制作 姓名： 学号： 年级： 专业： 学院： 指导老师： 华北水利水电学院 年月日
1 目的意义 对耕地坡度进行分级是对耕地管理的重要前提。耕地坡地分级赋值是一个繁杂的人机交互过程，人为地判断分割面积可能造成多次反复，还极可能产生误差，特别是矢量化和分割图斑会带来拓扑错误及属性丢失的现象。通过运用ArcGIS 的可进行耕地坡度分级赋值，该方法在使用时需提供经过拓扑错误检查后带属性数据的土地利用图斑数据和坡度分级图。 2材料方法 2.1数据 耕地坡度结构图制作需要用到的数据有：地类图斑.shp、线状地物.shp、注记点.shp、整饰线.shp、等高线.shp、村界.shp、遥感影像H50G044024DOM.tif，每个数据包含的内容见表1。 表1 耕地坡度结构图制作需要用到的数据 2.2数据分析方法(把数据来源、数据处理与分析方法说清楚) 2.2.1数据裁切方法(研究区域边界的确定) （1）矢量数据的裁切(clip) 矢量数据的剪切用clip，该工具在 （2）栅格数据的裁切(extract by mask) 栅格数据的剪切用extraction，该工具在 2.2.2影像的地理配准方法(定义数据的坐标系) 影像的地理配准用georeferencing，该工具在 2.2.3图形的矢量化方法(把多用到的矢量化方法尽量全部列出) 图形的矢量化运用Editor工具，该工具在点击Editor——Start Editing，在
Target中选择图层，进行图形矢量化。 为了方便绘制，可以打开效果Effect工具条，将绘制层设置为透明(也可将地类图斑层设置为无填充) ①一般面状轮廓的画法使用Sketch Tool，沿面状地物的边界进行描绘，双击完成。 ②面状边界的跟踪矢量画法 ③岛的画法 ④面要素边界转换为线要素 利用已经录入完毕的面状要素，使用面转线工具直接将所绘所有面要素边界转换为线要素。具体方法为：打开ArcToolbox，选择Data Management Tools菜单下的Features，双击Polygon To Line，即打开Polygon To Line对话框。在Input Feature中输入已画好的待转换的面层，在Output Feature Class中输入转换后的线层确定后即完成面转线。 ⑤线要素转换为面要素 利用已有的线要素生成面要素 2.2.4 拓扑分析方法 拓扑分析所要用到的工具topology 2.2.5矢量数据属性值的录入方法 2.2.6符号库的建立方法 （1）面状符号的制作方法 （2）线状符号的制作方法
面向空间大数据的GIS 摘要：大数据因具有巨大的研究发展潜力，已经得到了学术界和产业界的持续关注和利用。本文总结了目 前的大数据利用现状，以及大数据引发的科学研究新思维和新观念。空间数据作为大数据的主体数据集， 在泛在测绘、多源异构时空数据等方面给传统GIS的发展带来了巨大的挑战。面对挑战，文章总结了大数 据环境下GIS应该具备的基础特征，以及在空间数据挖掘和空间分析方面的研究进展。最后，文章从商业 模式、智慧城市、云计算、城市计算和大数据驱动的人类移动规律等方面展望了大数据背景下GIS的研究 热点和发展前景。 关键词：空间大数据， GIS，空间数据挖掘，空间分析, 云计算 1空间大数据 1.1 大数据倍受关注和利用 在学术界， 0’Reilly Media于2008年出版了《数据之美》，随后Nature、Science 等陆续刊登了大数据专辑，麦肯锡从经济和商业维度分析了大数据在不同行业的应用潜力。2012年，我国科技部发布的十二五国家科技计划信息技术领域2013年度备选项目征集指 南中把大数据研究列在了首位。在产业界，IBM、亚马逊、Google、甲骨文等信息技术巨头都纷纷推出了大数据解决方案和应用。在中国，百度、腾讯、淘宝、阿里巴巴等也采用了Hadoop处理大规模数据。大数据的研究与发展涉及国防安全、生活健康、气候变化、地质 调查、减灾防灾、智慧地球等众多领域。以美国为例，2012年3月，奥巴马政府率先在全 球宣布推出大数据的研究和发展计划，将大数据研发上升为国家意志，并投资2亿多美元 资助美国国家科学基金和美国地质调查局等6个联邦政府部门的大数据项目，以提高从大 量的、复杂的数据集合中获取知识的能力。 1.2 空间数据是大数据的基础 大数据具有体量巨大、多种多样、高速变化、真实质差等特点。在这些数据中，大约80％的数据与空间位置有关。空间数据描述了对象的具体地理位置和空间分布，包括空间 实体的位置及其空间关系等，涵盖从宏观、中观到微观的整个层次，可以是点的高程、道 路的长度、多边形的面积、建筑物的体积、像元的灰度等数值，也可以是空间关系等拓扑 结构。空间数据具有空间性、时间性、多维性、空间关系复杂等特性。用于采集空间数据 的设备包括红外、卫星、多光谱扫描仪、全站仪等各种宏观与微观传感器或设备，也包括 野外测量、人口普查、土地资源调查、地图扫描、地图数字化等空间数据获取手段，还可 能是计算机、GPS、RS和GIS等技术应用和分析空间数据的过程。遥感对地观测技术形成 了一个多层次、多角度、全方位和全天候的全球立体对地观测网，传感器的地面分辨率数 量级从千米到厘米，波段范围从紫外到超长波，探测深度从几米到万米，新型的高分辨率 卫星遥感数据如Quick Bird等已提供使用。空间数据基础设施积累了大量的城市电子地图数据库、工程地质信息数据库、用地现状信息数据库、市政红线数据库、建筑红线与用地 红线数据库、地籍数据库，以及土地利用及基本农田保护规划数据库等空间基础数据。此外，人类活动每时每刻还在采集和产生新的空间数据集[1,2]。
实验4-1、空间分析基本操作 一、实验目的 1. 了解基于矢量数据和栅格数据基本空间分析的原理和操作。 2. 掌握矢量数据与栅格数据间的相互转换、 栅格重分类(Raster Reclassify)、 栅格计算－查询符合条件的栅格(Raster Calculator)、 面积制表（Tabulate Area）、 分区统计(Zonal Statistic)、 缓冲区分析(Buffer) 、采样数据的空间内插(Interpolate)、 栅格单元统计（Cell Statistic）、 邻域统计（Neighborhood）等空间分析基本操作和用途。 3. 为选择合适的空间分析工具求解复杂的实际问题打下基础。 二、实验准备 预备知识： 空间数据及其表达 空间数据（也称地理数据）是地理信息系统的一个主要组成部分 。空间数据是指以地球表面空间位置为参照的自然、社会和人文经济景观数据，可以是图形、图像、文字、表格和数字等。它是GIS 所表达的现实世界经过模型抽象后的内容，一般通过扫描仪、键盘、光盘或其它通讯系统输入GIS。 在某一尺度下，可以用点、线、面、体来表示各类地理空间要素。有两种基本方法来表示空间数据：一是栅格表达; 一是矢量表达。两种数据格式间可以进行转换。 空间分析 空间分析是基于地理对象的位置和形态的空间数据的分析技术，其目的在于提取空间信息或者从现有的数据派生出新的数据，是将空间数据转变为信息的过程。 空间分析是地理信息系统的主要特征。空间分析能力（特别是对空间隐含信息的提取和传输能力）是地理信息系统区别与一般信息系统的主要方面，也是评价一个地理信息系统的主要指标。 空间分析赖以进行的基础是地理空间数据库。空间分析运用的手段包括各种几何的逻辑运算、数理统计分析，代数运算等数学手段。空间分析可以基于矢量数据或栅格数据进行，具体是情况要根据实际需要确定。 空间分析步骤 根据要进行的空间分析类型的不同， 空间分析的步骤会有所不同。通常，所有 的空间分析都涉及以下的基本步骤，具体 在某个分析中，可以作相应的变化。 空间分析的基本步骤: a) 确定问题并建立分析的目标和要满足 的条件 b) 针对空间问题选择合适的分析工具 c) 准备空间操作中要用到的数据。 d) 定制一个分析计划然后执行分析操作。 e) 显示并评价分析结果
空间分析复习提纲 一、基本概念(要求：基本掌握其原理及含义，能做名词解释) 1、空间分析：是基于地理对象的位置和形态的空间数据的分析技术，其目的在于提取和传输空间信息。 2、空间数据模型：以计算机能够接受和处理的数据形式，为了反映空间实体的某些结构特性和行为功能，按一定的方案建立起来的数据逻辑组织方式，是对现实世界的抽象表达。分为概念模型、逻辑模型、物理模型。 3、叠置分析：是指在同一地区、同一比例尺、同一数学基础、不同信息表达的两组或多组专题要素的图形或数据文件进行叠加，根据各类要素与多边形边界的交点或多边形属性建立多重属性组合的新图层，并对那些结构和属性上既互相重叠，又互相联系的多种现象要素进行综合分析和评价；或者对反映不同时期同一地理现象的多边形图形进行多时相系列分析，从而深入揭示各种现象要素的内在联系及其发展规律的一种空间分析方法。 4、网络分析：网络分析是通过研究网络的状态以及模拟和分析资源在网络上的流动和分配情况，对网络结构及其资源等的优化问题进行研究的一种空间分析方法。 5、缓冲区分析：即根据分析对象的点、线、面实体，自动建立它们周围一定距离的带状区，用以识别这些实体或主体对邻近对象的辐射范围或影响度，以便为某项分析或决策提供依据。其中包括点缓冲区、线缓冲区、面缓冲区等。 6、最佳路径分析：也称最优路径分析，以最短路径分析为主，一直是计算机科学、运筹学、交通工程学、地理信息科学等学科的研究热点。这里“最佳”包含很多含义，不仅指一般地理意义上的距离最短，还可以是成本最少、耗费时间最短、资源流量（容量）最大、线路利用率最高等标准。 7、空间插值：空间插值是指在为采样点估计一个变量值的过程，常用于将离散点的测量数据转换为连续的数据曲面，它包括内插和外推两种算法。，前者是通过已知点的数据计算同一区域内其他未知点的数据，后者则是通过已知区域的数据，求未知区域的数据。 8、空间量算：即空间量测与计算，是指对GIS数据库中各种空间目标的基本参数进行量算与分析，如空间目标的位置、距离、周长、面积、体积、曲率、空间形态以及空间分布等，空间量算是GIS获取地理空间信息的基本手段，所获得的基本空间参数是进行复杂空间分析、模拟与决策制定的基础。 9、克里金插值法：克里金插值法是空间统计分析方法的重要内容之一，它是建立在半变异函数理论分析基础上，对有限区域内的区域变化量取值进行无偏最优估计的一种方法，不仅考虑了待估点与参估点之间的空间相关性，还考虑了各参估点间的空间相关性，根据样本空间位置不同、样本间相关程度的不同，对每个参估点赋予不同的权，进行滑动加权平均，以估计待估点的属性值。 二、分析类(要求：重点掌握其原理及含义，能结合本专业研究方向做比较详细的阐述) 1、空间数据模型的分类？ 答：分为三类： ①场模型：用于表述二维或三维空间中被看作是连续变化的现象； ②要素模型：有时也称对象模型，用于描述各种空间地物； ③网络模型：一种某一数据记录可与任意其他多个数据记录建立联系的有向图结构的数据模型，可 以模拟现实世界中的各种网络。
地理空间大数据服务自然资源调查监测的方向分析 在自然资源管理体制发生变革、技术发展突飞猛进、国内外形势日新月异、技术大融合、业务大整合的背景下，将自然资源调查监测与地理空间大数据紧密的结合起来，从战略和全局高度研究和谋划创新发展，对自然资源管理具有重要的意义。文章将主要对地理空间大数据服务自然资源调查监测进行分析，并展望其发展方向。 标签：地理空间大数据；自然资源；调查监测 前言 为履行中央关于自然资源部统一行使全民所有自然资源资产所有者职责和统一行使所有国土空间用途管制和生态保护修复职责（简称“两统一”职责），2018年10月，自然资源部研究印发了《自然資源科技创新发展规划纲要》，提出了以“一核两深三系”为主体的自然资源重大科技创新战略，将构建地球系统科学核心理论支撑（“一核”），引领深地探测、深海探测国际科学前沿（“两深”），建立自然资源调查监测、国土空间优化管控、生态保护修复技术体系（“三系”）。在地理空间大数据架构下，按照自然资源调查监测的工作要求，能够建立全流程地理空间大数据技术体系。 1自然资源管理与调查监测 根据自然资源部的管理职责，自然资源管理工作主要包含以下4个方面：①开展自然资源统一调查评价监测；②开展自然资源统一确权登记；③建立空间规划体系并监督实施；④自然资源保护与国土空间生态修复。 其中，开展自然资源统一调查评价监测，任务包括制定自然资源调查监测制度、指标体系和统计标准；组织实施自然资源调查和监测；对自然资源调查监测成果进行汇交、管理、使用和发布等。 2地理空间大数据服务自然资源调查监测 2.1全天候立体化监测网 一方面建立基于传感器的“天基—空基—地基”地球观测数据一体化获取网络，另一方面，利用基础地理信息数据、常态化数据交换获得各类专题统计分析与调查数据和互联网上的众源地理空间数据，形成满足自然资源调查监测的全天候立体化监测网，提升对监测区域的全天候和众源数据获取能力。 2.2自然资源调查监测大数据仓库 面向众源、异构、动态性自然资源调查监测数据源的共建共享与集成应用，
常见的地理分析模型 一空间统计模型： 相关分析模型： GIS地理数据库中存储的各种自然和人文地理要素(现象)的数据并不是孤立的，它们相互影响、相互制约，彼此之间存在着一定的联系。相关分析模型就是用来分析研究各种地理要素数据之间相互关系的一种有效手段。 地理数据库中各种地理要素数据之间的相关关系，通常可以分为参数相关和非参数相关两大类。其中，参数相关又可分为简单(两要素)线性相关，多要素间的相关模型，非参数相关可以分为顺序(等级)相关和二元分类相关。 趋势面分析模型（主要是回归模型）： 一元回归模型： 我们用多项式方程作为一元回归的基本模型： Y＝a0＋a1x＋a2x2＋a3x3＋……a m x m＋ε 式中：Y为因变量，X为自变量，a0,a1,…，a m为回归系数，ε为剩余误差 多元线性回归模型 多元线性回归模型表示一种地理现象与另外多种地理现象的依存关系，这时另外多种地理现象共同对一种地理现象产生影响，作为影响其分布与发展的重要因素。 设变量Y与变量X1，X2，…，X m存在着线性回归关系，它的n个样本观测值为 Y j,X j1,X j2,…X jm(j＝1，2，n)，于是多元线性回归的数学模型可以写为： 可采用最小二乘法对上式中的待估回归系数β0，β1，…，βm进行估计，求得β值后，即可利用多元线性回归模型进行预测了。
聚类模型：聚类分析是根据多种地学要素对地理实体进行划分类别的方法，对不同的要素划分类别往往反映不同目标的等级序列，如土地分等定级、水土流失强度分级等。 聚类分析的步骤一般是根据实体间的相似程度，逐步合并若干类别，其相似程度由距离或相似系数定义。进行类别合并的准则是使得类间差异最大，而类内差异最小。 最短距离聚类模型 最短距离聚类模型中，定义两类之间的距离用两类间最近样本的距离来表示。用d ij 表示样本和样本之间的距离，用G1，G2，…表示类，类G p和类G q的距离用D pq表示，则有： 具体步骤如下： 1、规定样本间的距离，计算样本两两距离的对称表，记作D0，由于每一个样本自成一类，显然D pq＝d pq。 2、选择D(0)中的最小元素，设为D pq，则G p与G0合并成一个新类，记为 Gγ＝｛G p，G q｝。 3、计算新类与其它类的距离 将D(0)中的p、q行和p、q列删去，加上第γ行、γ列，得到的矩阵记作D(1)。 4、对D(1)重复D(0)的两步得D(2)，如此继续下去，直到所有元素成为一类为止。 如果某一步D(k)中的最小元素不止一个，则对应这些最小元素的类可以同时合并。 模糊聚类模型
Data Base Technique ? 数据库技术Electronic Technology & Software Engineering 电子技术与软件工程? 175【关键词】地理信息 大数据 数据挖掘1 地理信息大数据的特征 随着信息技术的发展，各种地理地质探索程度的加深，每天都会产生大量的地理信息大数据，对于这些大数据的特征进行分析，开展实际应用具有极为重要的意义。 1.1 数据量巨大且多样化 随着地理信息数据收集手段的日益丰富使得地理信息的数据呈现出几何倍的增长，以全国4000个基准站计算显示，其总的数据规模已经超过了250GB ，如果扩大到全球的范围内，每天产生的数据量更是巨大。同时随着测绘技术、运动网络以及智能终端的应用，地理信息的数据来源越来越多，应用的技术越来越高超。人们可以通过无人机、卫星、气球拍摄等影响数据，手机、定位车等移动设备获得实时的信息，数据的来源以及种类越来越多样化。 1.2 数据产生较为快速 对于数据信息的获取上，高分辨率的影像等数据信息可以实时的获取，高分二号的重复采样周期为4天，资源三号的采样周期缩短到5天，对于传感器等相关移动设备获取信息的周期为实时，在对于这些信息的处理上，都是以秒来计算，同时数据的实效性可以依据分钟来计算，为此可见地理信息数据的产生与分析速度极为快速。 1.3 数据的应用价值极高 地理信息内部蕴含着巨大的财富，可以有效的指导人们的生产与生活活动，依据相关的数据显示，地理信息大数据可以人给服务商带来的收入超过1500亿美元，为用户带来的价值将会超过8000亿美元。 1.4 同传统地理信息的比较 首先为地位不同，传统的地理信息主要服务于政府，而大数据信息则面向于大众开展的应用服务。地理信息的数据产生部门也从相关单位，专业部门转变为每个人都是大数据地理信息的收集者，数据的量也从MB 发展到地理信息大数据挖掘与分析 文/曾航 唐险峰 谭龙生 PB ，部分的实效数据已经实现了实时的更新。2 地理信息大数据挖掘系统云平台分析地理信息大数据已经为证明其具有较大的应用基础，同时数据挖掘分析能力成为智慧应用的关键，为此数据的挖掘与分析能力显得尤为重要。针对于目前地理信息的特征，要想实现大数据到智慧应用的转变，需要应用到云储存技术、关系与非关系型数据库储存量巨大，通过人工智能以及云计算技术等，通过一定的排列剔除可信度低、未经过检测的数据，经过清洗以及转换之后得到可以利用的地理信息数据。最后通过统计分析、数据挖掘等分析未来的情况，这些操作实现的平台为地理信息处理云平台。地理信息系统的云平台不仅仅支持的为桌面端以及Web 端的应用，为企业以及政府部门提供提供服务，其还是一个服务性以及跨部门的云平台。地理信息云平台含有各种趋势化的技术与数据，在数据管理层面支持3D 数据、公共地理框架数据以及街景、实时位置以及感知数据等，在支持数据格式层面含含有关系型数据、表格、图片以及非关系型数据等几种格式，地理信息数据服务系统还加入了网络社会媒体，网络设备传输的流数据等。对于实际功能层面，处理具有传统的可视化查询、编辑以及分析等功能之外，同时还可以提供的为在线的地理信息触发、地理信息围栏筛选等功能，经过处理之后需要的信息可以通过列消息、邮件以及地图成果等传递给用户。在具体使用的时候，用户可以根据各种类型终端实时的范围地理信息云平台，同时依据云平台获得订阅自身需要的素具信息，并不需要关系数据是如何采集与获取就可以得到较好的服务。3 地理信息大数据的挖掘与应用探析地理信息云平台可以轻而易举的实现各种信息资源的共享，使用地理信息资源的模式从推动应用转变为利用信息挖掘应用，可以为政府、企业以及社会公众等的决策提供支持服务。3.1 城市人文信息的挖掘一个城市夜晚的灯光水平会直接的反应该城市的工业化水平，人口的分布情况等，通过遥感卫星夜间的影响可以获得各个城市经济的要素信息。比如利用夜光减少的情况，分析居民的大规模迁移与战争的发展情况，通过经济统计数据、夜光影响以及土地覆盖类型的数据等，可以得到网格化的GDP 数据，对于政府制定经济发展政策具有较大的帮助。3.2 公安应急应用针对于开放式的广场，公安部门难以掌握好人口的聚集程度，进而难以给出科学的人口流量控制方法，较为容易出现踩踏的事故。为此可以借助于手机热点的大数据计算得到每平方米内部聚集人口的数量，之后结合手机热点的流动趋势，可以精确的判断出每平方米人口的聚集量变化趋势，进而可以及时的做出相关应急措施，避免由于人口超负荷的汇聚带来较大的伤亡。3.3 环境与卫生监测在卫生领域，可以判断流感蔓延的实际情况，对于用户在相关搜索引擎输入的咳嗽、 发烧等热点检索信息，具体的分析流感疫情实际的蔓延情况，进而为政府部门快速的应对疾病的蔓延提供第一手珍贵的资料。同时还可以在环保领域的雾霾监测应用，对于污染企业帆布的信息、风向的具体走势以及道路分布，交流流量、人群轨迹等大量的数据开展开展汇集、处理以及实时分析，进而可以获得可视化的雾霾分布图以及雾霾的变化趋势图，进而为政府部门提前的应对雾霾天气、开展环境整治等方面的工作提供必要的指导。3.4 交通出行规划应用人们在出行时通常会考虑当时的路况，绕开拥堵路段，去选宽松路段，但这些宽松路段便会由于车辆的增加而逐渐成为新的拥堵路段，所以导航系统的应用能够通过以往的大量数据，来以现阶段车辆行驶的大概趋势为基础，对用户合理的行驶路线进行分析，以此帮助用户有效避开拥挤路段。4 结束语伴随着地理信息数据获取手段的逐渐增加，地理信息数据也开始进入到大数据时代，地理信息大数据中，用户不在为地理信息数据资源的覆盖性以及发展趋势等担心，而是需要关注于数据如何的组织管理，如何的获取可靠的数据信息，需要花费更多的经理在数据的应用挖掘上，更好的服务于政府、企事业单位以及社会大众。同时我们还需要注意的为，在大数据时代个人隐私面临较为严峻的挑战，如何的防止私人信息泄密是值得关注话题，为此我们今后需要做的就是积极的完善地理信息云平台，深入的挖掘数据内部含有的价值，促进信息产业的发展与进步。参考文献[1]周星,桂德竹.大数据时代测绘地理信息服务面临的机遇和挑战[J].地理信息世界,2013(05):17-20.[2]周顺平,徐枫.大数据环境下地理信息产业发展的几点思考[J].地理信息世界,2014(01):45-50.[3]武长安,姜楠.大数据时代测绘地理信息服务面临的机遇与挑战[J].住宅与房地产,2017(23).[4]刘纪平,张福浩,王亮等.面向大数据的空间信息决策支持服务研究与展望[J].测绘科学,2014,39(05):8-12.[5]曾元武,陈泽鹏,方晓乐等.大数据时代下地理信息公共平台建设展望[J].测绘通报,2015(11):84-87.作者单位重庆市规划信息服务中心 重庆市 401121