[发明专利]一种居民地多边形的多级图聚类划分方法

说明书

本发明提出了一种居民地多边形的多级图聚类划分方法，居民地多边形作为一种重要的面状要素，具有复杂的形状特征和属性特征，为了实现对居民地多边形的聚类分析，本发明立足多边形数据的属性特征，结合空间认知准则和人类认知的特点，首先获取多边形之间的邻接信息，结合五个多边形的相似性度量指标(即：形状狭长度、大小、凹凸性、距离和连通性)对多边形之间的相似性进行度量，接着对相似性数值进行规范化处理和各指标权重的确定，然后使用多级图划分算法对多边形进行聚类，最后使用轮廓系数对聚类结果进行分析评价，使得该方法得到的聚类结果更为客观、可靠。

技术领域

本发明涉及地理信息科学研究领域，尤其涉及一种居民地多边形的多级图聚类划分方法。

背景技术

在地理信息系统中，居民地多边形作为一种重要的面状要素对象，具有复杂的形状特征和属性特征。对多边形的聚类分析是空间数据挖掘以及地理信息科学研究领域的研究热点和研究难点。

多边形不同于一维的点数据，它具有鲜明的几何特征、空间关系和语义属性，采用多种度量指标对多边形进行聚类分析，可为数据信息更深层次的挖掘提供依据，因此在对多边形进行聚类分析时，不仅要选择效果优良的空间聚类算法，而且要选取合适的空间相似性指标对多边形之间的相似性进行度量，许多现存的聚类分析算法都将多边形简化为点，或者仅仅考虑了多边形的非空间属性和简单的几何属性，并没有充分考虑多边形的形状特征和空间关系，使得其应用受到限制。

因此就目前来讲，想要对居民地多边形的数据信息进行客观、可靠的聚类效果分析，仅仅通过简化后的一维点数据，无法得到更深层次的信息挖掘。

发明内容

为了实现多边形的聚类分析，本发明立足居民地多边形数据的属性特征，结合空间认知准则和人类认知的特点，首先获取居民地多边形之间的邻接信息，结合五个多边形的相似性度量指标(即：形状狭长度、大小、凹凸性、距离和连通性)对多边形之间的相似性进行度量，接着对相似性数值进行规范化处理和各指标权重的确定，然后使用多级图划分算法对多边形进行聚类，最后使用轮廓系数对聚类结果进行分析评价。

实现本发明上述目的所采用的技术方案为：

空间聚类的相似性度量，具体包括以下步骤：

步骤1、选定居民地的地理区域，获取多边形的图形，并以此为依据构建Delaunay三角网，获取多边形之间的邻接信息；然后获取多边形各个顶点的数据，再次构建Delaunay三角网，并根据五个多边形的相似性度量指标对多边形之间的空间相似性进行度量，得到对应的相似性数值，五个多边形的相似性度量指标分别为形状狭长度、大小、凹凸性、距离和连通性；

步骤2、将经由各个指标计算得到的相似性数值进行归一化处理，并使用信息熵权重法确定各个指标的权重，最终得到多边形之间空间相似性数值；

步骤3、获取多边形之间的空间相似性数值，并对数据进行组织与存储，使用多级图划分算法，经过粗化阶段、初始划分阶段和细化阶段，对多边形进行聚类，并得到聚类结果。

进一步地，多边形之间的空间相似性的计算方法如下式所示：

S(x,y)＝μ₁*A(x,y)+μ₂*B(x,y)+μ₃*C(x,y)+μ₄*D(x,y)μ₅*E(x,y)