基于变异系数的地理空间区域数据多尺度可视化方法技术

本发明专利技术公开了基于变异系数的地理空间区域数据多尺度可视化方法。本发明专利技术方法首先利用空间相似性将地理空间区域数据进行层次聚类，形成层次结构；然后利用变异系数对层次结构中每个聚类的属性分布进行估计，并依据其变异系数的值进行最优尺度划分，以同时呈现变异系数较低聚类的多尺度可视化。此外，从变异系数和信息熵两方面进行多尺度可视化结果的评估与定量比较，并通过雷达图的使用，从形状方面增强可视化差异的视觉表现，进而直观地评估和比较本多尺度可视化方法。本发明专利技术方法实现了一个用于地理空间区域数据的多尺度可视化模型，使用户能够同时可视化地探索原始地理数据的全局特征和细节特征，并深入地了解地理空间区域数据中的潜在特征。数据中的潜在特征。数据中的潜在特征。

【技术实现步骤摘要】
基于变异系数的地理空间区域数据多尺度可视化方法


[0001]本专利技术属于信息
，涉及一种基于变异系数的地理空间区域数据多尺度可视化方法。

技术介绍

[0002]随着地理空间信息技术的快速发展，地理空间区域数据在位置等特征和人口、收入等属性信息统计等方面被广泛地收集。地理空间区域数据集通常在专题图和维诺图上进行可视化，多边形边界被用来呈现地理特征，视觉元素(颜色、大小等)被用来映射数据的属性。例如，Polczynski等使用k
‑
means对专题地图上具有多个特征属性的地理数据进行分类，从而进行地理空间区域数据可视化。Pinho等介绍了一种基于投影数据的维诺图的勘探工具Voromap，该工具利用维诺图中多边形的面积来表示数据集中的每个元素。地理空间区域数据可视化还可以帮助用户了解区域特点，并进一步为当地经济和社会的发展做出贡献。Pu等提出了一个可视分析系统T
‑
Watcher，根据GPS数据将地图划分为栅格点，并对其进行聚类形成区域视图，颜色亮度表示车流量，出租车上下客密集区域可以有效呈现城市中的热点位置分布，进而帮助交通部门监控并分析大城市复杂的交通情况。
[0003]然而，地理空间区域数据通常具有层次结构，属性特征在不同层次上的表现也有所不同。针对于传统的单一尺度可视化，属性的全局分布特征在较高层次上很容易被观察到，但是由于地理空间区域数据可视化的高度抽象，细节特征容易被遗漏。其次，属性分布特征在较低的层次上被详细描述，但是由于数据元素的过度渲染，全局特征不易被感知。单一尺度可视化是导致该问题的主要原因，这使得用户很难在一个地图上同时探索全局特征和细节特征，不利于更深入地进行地理空间分析。经过与领域专家的密切讨论，他们提出在一个地图上同时观察到全局特征和细节特征可以帮助用户深入了解地理空间区域数据中的潜在特征。因此，进行地理空间区域数据的多个尺度的协同可视化对地理空间分析十分重要。然而在实现领域专家的想法仍存在三个技术问题：如何估计局部区域之间的关系，构建基于属性的层次结构；如何设计一个协同的多尺度可视化模型，允许用户在维诺图上同时感知全局特征和细节特征；如何评估多尺度可视化结果在保持区域之间的层次特征和关系质量上的有效性。

技术实现思路

[0004]本专利技术的目的是提供一种基于变异系数的地理空间区域数据多尺度可视化方法。
[0005]为实现上述目的，本专利技术采取的技术方案是：
[0006]步骤(1)对原始的地理空间区域数据进行德劳内三角剖分和层次聚类，生成维诺图和层次聚类树；
[0007]步骤(2)利用最优化变异系数模型结合聚类结果进行最优选择，得到最优尺度的样本点集合；
[0008]步骤(3)利用最优尺度的样本点集合对维诺图进行形状调整和颜色调整；
[0009]步骤(4)从变异系数和信息熵两个方面，对多尺度可视化结果进行可视化评估和定量比较，并对比较结果的差异进行形状增强的可视化展示。
[0010]进一步，步骤(1)具体是：
[0011](1
‑
1)使用经典的德劳内三角剖分法来生成维诺图：构建点间的德劳内三角网，找到德劳内三角网各三角形外圆的圆心，再连接相邻三角形外圆的圆心形成多边形网，即维诺图；
[0012](1
‑
2)使用k
‑
means聚类算法，对原始的地理空间区域数据进行聚类，每一个类的属性值为该类所包含的孩子节点的属性值均值；
[0013](1
‑
3)使用k
‑
means聚类算法，对生成的类进行再聚类，直到最终聚为一个类，生成一棵层次聚类树。
[0014]更进一步，步骤(2)具体是：
[0015](2
‑
1)统计层次聚类树中一个节点的每个孩子节点的属性值x
n
，n＝1,2,
…
,N，N为该节点的孩子节点的数量；所有孩子节点的属性值构成该节点的属性值序列X＝(x1,x2,
…
,x
N
)；
[0016](2
‑
2)构建最优化变异系数模型：
[0017]首先，计算该节点的变异系数CV(X)＝σ(X)/μ(X)；其中，σ(X)为属性值序列的标准差，μ(X)为属性值序列的均值；
[0018]然后，从叶子节点向根节点遍历，当变异系数大于设定阈值时，选择该孩子节点作为该节点的样本点，停止遍历；
[0019](2
‑
3)重复(2
‑
1)和(2
‑
2)，得到每个节点的样本点，构成最优尺度的样本点集合。
[0020]再进一步，步骤(3)中所述的形状调整具体方法是：在维诺图上找到每个样本点的叶子节点所对应的区域多边形，利用多边形的布尔运算，将对应的多边形进行合并，基于选择的多尺度节点，得到了形状调整后的维诺图；所述的颜色调整具体方法是：根据选择的多尺度节点的属性重新计算属性颜色的映射规则，进行离散和连续的颜色映射。
[0021]又进一步，步骤(4)具体是：首先，统计最优尺度的样本点集合中每个节点的属性值y
m
，m＝1,2,
…
,M，M为最优尺度的样本点集合中节点的数量，最优尺度的所有节点的属性值构成最优尺度属性值序列Y＝(y1,y2,
…
,y
M
)；
[0022]计算与变异系数有关的指标，包括：全局变异系数GCV、局部变异系数LCV和全局变异系数差值GCV_D；
[0023]全局变异系数GCV＝σ(Y)/μ(Y)；其中，σ(Y)为最优尺度所有节点的属性值序列的标准差，μ(Y)为最优尺度所有节点的属性值序列的均值；
[0024]局部变异系数其中，CV(y
m
)为最优尺度中第m个节点的变异系数，CV(y
m
)＝CV(X
m
)＝σ(X
m
)/μ(X
m
)，X
m
表示第m个节点的属性值序列；
[0025]全局变异系数差值GCV_D为最优尺度的全局变异系数与原始的全局变异系数差值的绝对值；
[0026]计算与信息熵有关的指标，包括：全局信息熵GIE、局部信息熵LIE和全局信息熵差值GIE_D；
[0027]全局信息熵其中，p(y
m
)为最优尺度中第m个节点
的属性值类别的概率；
[0028]局部信息熵其中，最优尺度中第m个节点的信息熵p(x
n
)表示第m个节点的第n个孩子节点的属性值类别的概率；
[0029]全局信息熵差值GIE_D为最优尺度的全局信息熵与原始的全局信息熵差值的绝对值；
[0030]使用雷达图映射以上指标的值，得到形状增强的可视化差异表现。
[0031]本专利技术方法利用空间相似性将地理空间区域数据进行层次聚类，从本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于变异系数的地理空间区域数据多尺度可视化方法，其特征在于，该方法步骤包括：步骤(1)对原始的地理空间区域数据进行德劳内三角剖分和层次聚类，生成维诺图和层次聚类树；步骤(2)利用最优化变异系数模型结合聚类结果进行最优选择，得到最优尺度样本点集合；步骤(3)利用最优尺度的样本点集合对维诺图进行形状调整和颜色调整；步骤(4)从变异系数和信息熵两个方面，对多尺度可视化结果进行可视化评估和定量比较，并对比较结果的差异进行形状增强的可视化展示。2.如权利要求1所述的基于变异系数的地理空间区域数据多尺度可视化方法，其特征在于，步骤(1)具体是：(1
‑
1)使用经典的德劳内三角剖分法来生成维诺图：构建点间的德劳内三角网，找到德劳内三角网各三角形外圆的圆心，再连接相邻三角形外圆的圆心形成多边形网，即维诺图；(1
‑
2)使用k
‑
means聚类算法，对原始的地理空间区域数据进行聚类，每一个类的属性值为该类所包含的孩子节点的属性值均值；(1
‑
3)使用k
‑
means聚类算法，对生成的类进行再聚类，直到最终聚为一个类，生成一棵层次聚类树。3.如权利要求2所述的基于变异系数的地理空间区域数据多尺度可视化方法，其特征在于，步骤(2)具体是：(2
‑
1)统计层次聚类树中一个节点的每个孩子节点的属性值x
n
，n＝1,2,
…
,N，N为该节点的孩子节点的数量；所有孩子节点的属性值构成该节点的属性值序列X＝(x1,x2,
…
,x
N
)；(2
‑
2)构建最优化变异系数模型：首先，计算该节点的变异系数CV(X)＝σ(X)/μ(X)；其中，σ(X)为属性值序列的标准差，μ(X)为属性值序列的均值；然后，从叶子节点向根节点遍历，当变异系数大于设定阈值时，选择该孩子节点作为该节点的样本点，停止遍历；(2
‑
3)重复(2
‑
1)和(2
‑
2)，得到每个节点的样本点，构成...

【专利技术属性】
技术研发人员：周志光，倪瑜那，王浩轩，陈圆圆，张翔，刘玉华，苏为华，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：