地理计算及其前沿问题

      修订日期：2007-07.

      1引论

      GIS的发展是20世纪后半叶地理学主要事件。然而，GIS的出现虽然在很大程度上增强了计算机的空间表达能力，但在某种程度上它是地理学的一种倒退，因为它所提供的数据模型和分析方法从地理学意义来看并不丰富，不能满足地理分析的要求，到了1990年代人们发现，GIS连那些最早引起计量革命的地理问题也不能解决[1]。1990年代前期，这种情况随着地理信息科学提法的出现有了一定改善，但是，由于地理信息数据日趋丰富，对复杂应用程序和模拟系统的需求越来越迫切，气候变化、人口增长和精确区位分析对地理分析的需求也越来越大。这就意味着地理学需要新的突破。

      在这种情况下，1990年代英国利兹大学的Openshaw提出了“地理计算”这一名词。提出“地理计算”的目的是重新强调地理分析和地理建模，这里的地理计算并不一定要应用GIS。1996年地理计算第一届年会在利兹大学(Leeds University)召开，第一届大会的主要论题是：时空动力学、高性能计算机技术在地理学中的应用、互操作性(interoperability)与地理计算、智能自主体(intelligent agents)、神经网络与模糊计算(fuzzy computing)、空间理论与空间逻辑、推断(diagnostics)与模式挖掘(Pattern detection)、真实环境与虚拟环境、交互可视化(interactive visualization)以及地理计算的应用。这些讨论定义了地理计算的基本外延。1998年Couclelis给出了地理计算的宽泛定义，这是地理计算发展的一个里程碑。他认为，地理计算是计算机方法与技术在描述(地球表面)空间性质、解释地理现象和解决地理问题方面的应用[2]。他进一步根据操作数和运算的类型将地理计算分为四类(表1)。按这种认识，可以认为，20世纪60～70年代之间的计量革命主要是用非空间运算来解决空间问题：80～90年代前期，GIS虽然从地图学中脱离出来而发展成为独立分支，但主要还是为地图学应用服务，其中地图显示和标注属于用空间运算解决非空间问题(类型3)，而遥感图像的增强、分类以及地图的多媒体显示属于用非空间运算解决空间问题(类型2)；类型2还包括1990年代后期兴起的神经网络算法。进入21世纪，用空间运算对空间数据进行处理的地理计算(类型1)是研究热点，这一类地理计算主要包括多自主体复杂系统模拟、元胞自动机、形状文法、分形、空间运筹以及后来突出的本体论研究等。

      

      21世纪地理计算的思想突破是智能计算的出现。Gahegan[1]认为地理计算中有待改进的方面有：将地理“领域知识”变成工具以提高性能和可信度；设计合适的地理算子(operators)来进行数据挖掘和知识发现；发展能够计算跨越时空尺度的鲁棒的聚类算法(clustering algorithms)；针对目前软硬件还无法解决的复杂地理问题，提出可计算方法；将地理现象可视化，提供虚拟现实范式(paradigm)帮助人们探索、理解地理现象，交流地理知识。他又指出研究地理计算的有效技术手段为：计算机体系结构和设计；查询、分类、预测和建模；知识发现(从数据库中挖掘知识)和可视化。

      我们认为，广义地看，地理计算是以计算机方法为基本科学工具的处理地理信息和分析地理现象的地理学分支，它包括地理信息处理与管理、地理数据挖掘、地理过程建模模拟以及支持这些处理与分析的软件工程和计算体系研究，如地理信息系统、地理决策支持系统和空间网格体系。它是地理信息科学的另一种说法，外延包括数量地理学、遥感、地理信息系统、建模模拟和计算体系。狭义地看，地理计算是地理信息科学的核心内容之一，主要研究地理信息科学的方法学问题，包括算法、建模和计算体系。我们主张一般情况下采用狭义定义，而且不过分强调空间，以免造成自然地理的一些分析脱离地理计算。同时，地理计算并非等价于地理信息科学，而是作为它的核心和非空间扩张。地理计算的内容除了建模、算法之外，还有一般方法学问题。这样地理计算才能作为地理学的核心学科独立发展。

      下面对地理计算的主要领域作相应的介绍。

      2地学数据挖掘

      随着技术的发展和信息的急剧增长，数据爆炸现象已经成为我们必须面对的问题。在海量数据充斥视野的同时，如何提取有用知识成为现代生活的挑战。数据挖掘和知识发现(Data Mining and Knowledge Discovery)就是在这样的背景下产生和发展起来的[3]，其目的是从大量的数据中挖掘出隐含的、未知的、用户可能感兴趣的和对决策有潜在价值的知识和规则[4]。

      地学数据挖掘是从地理学问题出发，对各种数据作地理学的模型处理、结果计算、发现地理知识的过程。地学数据与其它方面的数据不同之处在于：它具有空间属性。这些数据除了具有明显的含义之外，还有丰富的隐含意义，需要通过分析或挖掘才能显示。地学数据挖掘的问题范畴包括数据恢复、信号提取、指标的权重估计、地理事物关联分析、地学过程预测、地理结构发现、环境-区域演化发现。以遥感图像为例，遥感图像的去云彩处理是数据恢复，遥感图像增强是信号提取，遥感图像聚类分析即是联系分析。