物质世界中的任何地物都被牢牢地打上了时空的烙印。人们的生产和生活中80%以上的信息和地理空间位置有关。地理信息系统（Geographic Information System, 简称GIS）作为获取、处理、管理和分析地理空间数据的重要工具、技术和学科，近年来得到了广泛关注和迅猛发展。
10年的新化网站建设经验，针对设计、前端、开发、售后、文案、推广等六对一服务，响应快，48小时及时工作处理。成都全网营销推广的优势是能够根据用户设备显示端的尺寸不同，自动调整新化建站的显示方式，使网站能够适用不同显示终端，在浏览器中调整网站的宽度，无论在任何一种浏览器上浏览网站，都能展现优雅布局与设计，从而大程度地提升浏览体验。成都创新互联从事“新化网站设计”,“新化网站推广”以来，每个客户项目都认真落实执行。
GIS至今尚没有国际统一的定义，不同学科和不同领域对GIS的理解不尽相同，美国联邦数字地图协调委员会（FICCDS）对GIS的定义是：GIS是由计算机硬件、软件和不同方法组成的系统*该系统具有支持空间数据的获取、管理、处理、分析、建模和显示的功能，并可解决复杂的规划管理问题。
从技术和应用的角度，GIS是解决空间问题的工具、方法和技术；从学科的角度，GIS是在地理学、地图学、测量学和计算机科学等学科基础上发展起来的一门学科，具有独立的学科体系； 从功能上，GIS具有空间数据的获取、存储、现示、编辑、处理、分析、输出和应用等功能；从系统学的角度，GIS具有一定结构和功能，是一个完整的系统。
地理信息系统 (GIS, Geographic Information System) 是一种基于计算机的工具，它可以对在地球上存在的东西和发生的事件进行成图和分析。 GIS 技术把地图这种独特的视觉化效果和地理分析功能与一般的数据库操作（例如查询和统计分析等）集成在一起。这种能力使 GIS与其他信息系统相区别，从而使其在广泛的公众和个人企事业单位中解释事件、预测结果、规划战略等中具有实用价值。
我们当今面临世界的最主要的挑战是——人口过多，环境污染，森林破坏，自然疾病等，这些都与地理因素有关。
不论是从事一种新的职业，还是寻找生长香蕉的最合适的土壤，或是为救护车计算最佳的行车路线，这些本地问题也都有地理因素。
地图制作和地理分析已不是新鲜事，但GIS执行这些任务比传统的手工方法更好更快。而且，在GIS技术出现之前，只有很少的人具有利用地理信息来帮助做出决定和解决问题的能力。
今天，GIS 已是一个全球拥有数十万的人员和数十亿美元的产业。GIS已在全世界的中学、学院、大学里被讲授。在每个领域里的专家不断地意识到按地理的观点来思考和工作所带来的优越性。
在电力工业中，GIS是指六氟化硫封闭式组合电器，国际上称为“气体绝缘开关设备”（Gas Insulated Switchgear)简称GIS，它将一座变电站中除变压器以外的一次设备，包括断路器、隔离开关、接地开关、电压互感器、电流互感器、避雷器、母线、电缆终端、进出线套管等，经优化设计有机地组合成一个整体。
GIS全称气体绝缘组合电器设备（Gas Insulated Switchgear）
GIS是气体绝缘封闭式组合电器，主要把母线、断路器、CT、PT、隔离开关、避雷器都组合在一起。就是我们经常可以看到的开关站，也叫高压配电装置。
高压配电装置的型式有三种：第一种是空气绝缘的常规配电装置，简称AIS。其母线裸露直接与空气接触，断路器可用瓷柱式或罐式。葛洲坝电厂采用的即是这种型式。
第二种是混合式配电装置，简称H－GIS。母线采用开敞式，其它均为六氟化硫气体绝缘开关装置。
第三种是六氟化硫气体绝缘全封闭配电装置。其英文全称GAS—INSTULATED SWITCHGEAR，简称GIS。
GIS的优点在于占地面积小，可靠性高，安全性强，维护工作量很小，其主要部件的维修间隔不小于20年。
引言
地理信息系统(Geographic Information System，简称GIS)是计算机科学、地理学、测量学、地图学等多门学科综合的技术[1]。GIS的基本技术是空间数据库、地图可视化及空间分析，而空间数据库是GIS的关键。空间数据挖掘技术作为当前数据库技术最活跃的分支与知识获取手段，在GIS中的应用推动着GIS朝智能化和集成化的方向发展。
1 空间数据库与空间数据挖掘技术的特点
随着数据库技术的不断发展和数据库管理系统的广泛应用，数据库中存储的数据量也在急剧增大，在这些海量数据的背后隐藏了很多具有决策意义的信息。但是，现今数据库的大多数应用仍然停留在查询、检索阶段，数据库中隐藏的丰富的知识远远没有得到充分的发掘和利用，数据库中数据的急剧增长和人们对数据库处理和理解的困难形成了强烈的反差，导致“人们被数据淹没，但却饥饿于知识”的现象。
空间数据库(数据仓库)中的空间数据除了其显式信息外，还具有丰富的隐含信息，如数字高程模型〔DEM或TIN〕，除了载荷高程信息外，还隐含了地质岩性与构造方面的信息；植物的种类是显式信息，但其中还隐含了气候的水平地带性和垂直地带性的信息，等等。这些隐含的信息只有通过数据挖掘才能显示出来。空间数据挖掘（Spatial Data Mining，简称SDM），或者称为从空间数据库中发现知识，是为了解决空间数据海量特性而扩展的一个新的数据挖掘的研究分支，是指从空间数据库中提取隐含的、用户感兴趣的空间或非空间的模式和普遍特征的过程[2]。由于SDM的对象主要是空间数据库，而空间数据库中不仅存储了空间事物或对象的几何数据、属性数据，而且存储了空间事物或对象之间的图形空间关系，因此其处理方法有别于一般的数据挖掘方法。SDM与传统的地学数据分析方法的本质区别在于SDM是在没有明确假设的前提下去挖掘信息、发现知识，挖掘出的知识应具有事先未知、有效和可实用3个特征。
空间数据挖掘技术需要综合数据挖掘技术与空间数据库技术，它可用于对空间数据的理解，对空间关系和空间与非空间关系的发现、空间知识库的构造以及空间数据库的重组和查询的优化等。
2 空间数据挖掘技术的主要方法及特点
常用的空间数据挖掘技术包括：序列分析、分类分析、预测、聚类分析、关联规则分析、时间序列分析、粗集方法及云理论等。本文从挖掘任务和挖掘方法的角度,着重介绍了分类分析、聚类分析和关联规则分析三种常用的重要的方法。
2.1、分类分析
分类在数据挖掘中是一项非常重要的任务，目前在商业上应用最多。分类的目的是学会一个分类函数或分类模型(也常常称作分类器)，该模型能把数据库中的数据项映射到给定类别中的某一个。分类和我们熟知的回归方法都可用于预测，两者的目的都是从历史数据纪录中自动推导出对给定数据的推广描述，从而能对未来数据进行预测。和回归方法不同的是，分类的输出是离散的类别值，而回归的输出则是连续的数值。二者常表现为一棵决策树，根据数据值从树根开始搜索，沿着数据满足的分支往上走，走到树叶就能确定类别。空间分类的规则实质是对给定数据对象集的抽象和概括，可用宏元组表示。
要构造分类器,需要有一个训练样本数据集作为输入。训练集由一组数据库记录或元组构成,每个元组是一个由特征(又称属性)值组成的特征向量,此外,训练样本还有一个类别标记。一个具体样本的形式可为:( v1, v2, ..., vn; c )；其中vi表示字段值，c表示类别。
分类器的构造方法有统计方法、机器学习方法、神经网络方法等等。统计方法包括贝叶斯法和非参数法(近邻学习或基于事例的学习)，对应的知识表示是判别函数和原型事例。机器学习方法包括决策树法和规则归纳法，前者对应的表示为决策树或判别树，后者则一般为产生式规则。神经网络方法主要是反向传播（Back-Propagation,简称BP）算法，它的模型表示是前向反馈神经网络模型(由代表神经元的节点和代表联接权值的边组成的一种体系结构)，BP算法本质上是一种非线性判别函数[3]。另外，最近又兴起了一种新的方法:粗糙集(rough set)，其知识表示是产生式规则。
不同的分类器有不同的特点。有三种分类器评价或比较尺度：1) 预测准确度；2) 计算复杂度；3) 模型描述的简洁度。预测准确度是用得最多的一种比较尺度，特别是对于预测型分类任务，目前公认的方法是10番分层交叉验证法。计算复杂度依赖于具体的实现细节和硬件环境，在数据挖掘中，由于操作对象是海量的数据库，因此空间和时间的复杂度问题将是非常重要的一个环节。对于描述型的分类任务，模型描述越简洁越受欢迎。例如，采用规则归纳法表示的分类器构造法就很有用，而神经网络方法产生的结果就难以理解。
另外要注意的是，分类的效果一般和数据的特点有关。有的数据噪声大，有的有缺值， 有的分布稀疏，有的字段或属性间相关性强，有的属性是离散的而有的是连续值或混合式的。目前普遍认为不存在某种方法能适合于各种特点的数据。
分类技术在实际应用非常重要，比如：可以根据房屋的地理位置决定房屋的档次等。
2. 2 聚类分析
聚类是指根据“物以类聚”的原理，将本身没有类别的样本聚集成不同的组，并且对每一个这样的组进行描述的过程。它的目的是使得属于同一个组的样本之间应该彼此相似，而不同组的样本应足够不相似。与分类分析不同，进行聚类前并不知道将要划分成几个组和什么样的组，也不知道根据哪些空间区分规则来定义组。其目的旨在发现空间实体的属性间的函数关系，挖掘的知识用以属性名为变量的数学方程来表示。聚类方法包括统计方法、机器学习方法、神经网络方法和面向数据库的方法。基于聚类分析方法的空间数据挖掘算法包括均值近似算法[4]、CLARANS、BIRCH、DBSCAN等算法。目前，对空间数据聚类分析方法的研究是一个热点。
对于空间数据，利用聚类分析方法，可以根据地理位置以及障碍物的存在情况自动地进行区域划分。例如，根据分布在不同地理位置的ATM机的情况将居民进行区域划分，根据这一信息，可以有效地进行ATM机的设置规划，避免浪费，同时也避免失掉每一个商机。
2.3 关联规则分析
关联规则分析主要用于发现不同事件之间的关联性，即一事物发生时，另一事物也经常发生。关联分析的重点在于快速发现那些有实用价值的关联发生的事件。其主要依据是：事件发生的概率和条件概率应该符合一定的统计意义。空间关联规则的形式是X－＞Y[S%，C%]，其中X、Y是空间或非空间谓词的集合，S%表示规则的支持度，C%表示规则的置信度。空间谓词的形式有3种：表示拓扑结构的谓词、表示空间方向的谓词和表示距离的谓词[5]。各种各样的空间谓词可以构成空间关联规则。如，距离信息（如Close_to(临近)、Far_away(远离)）、拓扑关系（Intersect（交）、Overlap（重叠）、Disjoin(分离)）和空间方位（如Right_of(右边)、West_of(西边)）。实际上大多数算法都是利用空间数据的关联特性改进其分类算法，使得它适合于挖掘空间数据中的相关性，从而可以根据一个空间实体而确定另一个空间实体的地理位置，有利于进行空间位置查询和重建空间实体等。大致算法可描述如下：(1)根据查询要求查找相关的空间数据；(2)利用临近等原则描述空间属性和特定属性；(3)根据最小支持度原则过滤不重要的数据；(4)运用其它手段对数据进一步提纯(如OVERLAY)；(5)生成关联规则。
关联规则通常可分为两种：布尔型的关联规则和多值关联规则。多值关联规则比较复杂，一种自然的想法是将它转换为布尔型关联规则，由于空间关联规则的挖掘需要在大量的空间对象中计算多种空间关系，因此其代价是很高的。—种逐步求精的挖掘优化方法可用于空间关联的分析，该方法首先用一种快速的算法粗略地对一个较大的数据集进行一次挖掘，然后在裁减过的数据集上用代价较高的算法进一步改进挖掘的质量。因为其代价非常高，所以空间的关联方法需要进一步的优化。
对于空间数据，利用关联规则分析，可以发现地理位置的关联性。例如，85%的靠近高速公路的大城镇与水相邻，或者发现通常与高尔夫球场相邻的对象是停车场等。
3 空间数据挖掘技术的研究方向
3.1 处理不同类型的数据
绝大多数数据库是关系型的，因此在关系数据库上有效地执行数据挖掘是至关重要的。但是在不同应用领域中存在各种数据和数据库，而且经常包含复杂的数据类型，例如结构数据、复杂对象、事务数据、历史数据等。由于数据类型的多样性和不同的数据挖掘目标，一个数据挖掘系统不可能处理各种数据。因此针对特定的数据类型，需要建立特定的数据挖掘系统。
3.2 数据挖掘算法的有效性和可测性
海量数据库通常有上百个属性和表及数百万个元组。GB数量级数据库已不鲜见，TB数量级数据库已经出现，高维大型数据库不仅增大了搜索空间，也增加了发现错误模式的可能性。因此必须利用领域知识降低维数，除去无关数据，从而提高算法效率。从一个大型空间数据库中抽取知识的算法必须高效、可测量，即数据挖掘算法的运行时间必须可预测，且可接受，指数和多项式复杂性的算法不具有实用价值。但当算法用有限数据为特定模型寻找适当参数时，有时也会导致物超所值，降低效率。
3.3 交互性用户界面
数据挖掘的结果应准确地描述数据挖掘的要求，并易于表达。从不同的角度考察发现的知识，并以不同形式表示，用高层次语言和图形界面表示数据挖掘要求和结果。目前许多知识发现系统和工具缺乏与用户的交互，难以有效利用领域知识。对此可以利用贝叶斯方法和演译数据库本身的演译能力发现知识。
3.4 在多抽象层上交互式挖掘知识
很难预测从数据库中会挖掘出什么样的知识，因此一个高层次的数据挖掘查询应作为进一步探询的线索。交互式挖掘使用户能交互地定义一个数据挖掘要求，深化数据挖掘过程，从不同角度灵活看待多抽象层上的数据挖掘结果。
3.5 从不同数据源挖掘信息
局域网、广域网以及Internet网将多个数据源联成一个大型分布、异构的数据库，从包含不同语义的格式化和非格式化数据中挖掘知识是对数据挖掘的一个挑战。数据挖掘可揭示大型异构数据库中存在的普通查询不能发现的知识。数据库的巨大规模、广泛分布及数据挖掘方法的计算复杂性，要求建立并行分布的数据挖掘。
3.6 私有性和安全性
数据挖掘能从不同角度、不同抽象层上看待数据，这将影响到数据挖掘的私有性和安全性。通过研究数据挖掘导致的数据非法侵入，可改进数据库安全方法，以避免信息泄漏。
3.7 和其它系统的集成
方法、功能单一的发现系统的适用范围必然受到一定的限制。要想在更广泛的领域发现知识，空间数据挖掘系统就应该是数据库、知识库、专家系统、决策支持系统、可视化工具、网络等技术的集成。
4 有待研究的问题
我们虽然在空间数据挖掘技术的研究和应用中取得了很大的成绩，但在一些理论及应用方面仍存在急需解决的问题。
4.1 数据访问的效率和可伸缩性
空间数据的复杂性和数据的大量性，TB数量级的数据库的出现，必然增大发现算法的搜索空间，增加了搜索的盲目性。如何有效的去除与任务无关的数据，降低问题的维数，设计出更加高效的挖掘算法对空间数据挖掘提出了巨大的挑战。
4.2 对当前一些GIS软件缺乏时间属性和静态存储的改进
由于数据挖掘的应用在很大的程度上涉及到时序关系，因此静态的数据存储严重妨碍了数据挖掘的应用。基于图层的计算模式、不同尺度空间数据之间的完全割裂也对空间数据挖掘设置了重重障碍。空间实体与属性数据之间的联系仅仅依赖于标识码，这种一维的连接方式无疑将丢失大量的连接信息，不能有效的表示多维和隐含的内在连接关系，这些都增加了数据挖掘计算的复杂度，极大地增加了数据准备阶段的工作量和人工干预的程度。
4.3 发现模式的精炼
当发现空间很大时会获得大量的结果，尽管有些是无关或没有意义的模式，这时可利用领域的知识进一步精炼发现的模式，从而得到有意义的知识。
在空间数据挖掘技术方面，重要的研究和应用的方向还包括：网络环境上的数据挖掘、栅格矢量一体化的挖掘、不确定性情况下的数据挖掘、分布式环境下的数据挖掘、数据挖掘查询语言和新的高效的挖掘算法等。
5 小结
随着GIS与数据挖掘及相关领域科学研究的不断发展，空间数据挖掘技术在广度和深度上的不断深入，在不久的将来，一个集成了挖掘技术的GIS、GPS、RS集成系统必将朝着智能化、网络化、全球化与大众化的方向发展。
主要从以下几个方面来考虑：
随着社会的进步和科学技术水平的日新月异，企业对信息技术提供了更心信息技术的发展更是给各行各业注入了新鲜的血液。GIS技术作为信息系统的重要组成部分，在各行业的应用由来已久。随着企业对信息技术新的要求的出现，对GIS的应用也提出了新的要求，比如：海量数据的存储、系统的可伸缩性、系统的开放性、多用户的并发访问、INTERNET解决方案等。GIS应该在日新月异的IT技术中采取积极借鉴、充分融合的方式以满足用户对这一应用新的要求。
作为平台支撑软件，必须满足以下要求：海量数据的存储、高效的并发访问等。企业级信息系统以及社会级信息系统的核心是数据仓库，用来存储和管理所有的空间和属性数据。这势必要求所选用的GIS软件具备海量数据的存储和管理能力，同时具备多用户高效的并发访问机制等。结合各行业GIS应用现状，在选择GIS软件平台时，应考虑如下几个主要因素：
系统的可伸缩性：
在现代科学技术不断进步时代，任何一个信息系统都不应是孤立存在和停滞不前的。在设计和规划系统之初，就应该从宏观、从长远的观点来统筹考虑。但因为经费的投入问题、现阶段的应用需求以及其它各种硬软环境的制约，又往往无法一步到位。因此，“统筹规划，分步实施”就不失为一种上佳选择。而要做到这一点，系统所依赖的平台的可伸缩性（可扩展性则是关键，从而充分保护用户和开发商的前期投资和工作，保证系统的分步实施不会因为平台的提升和系统规模及功能需求的扩展而陷入进退两难的境地。系统规模应该是可以缩放的，可以小到一个独立的桌面应用，也可以大到为面向企业级的应用系统，应该是在系统建设的不同阶段都会有不同定位的产品来对应，给用户留有许多余地，提供基于空间信息的处理与分析，以满足各部门不同阶段、不同应用的需求。
系统的安全性：
任何一个信息系统，一旦投入实际生产运作中，其安全性的重要程度自是不言而喻，系统的安全与否应该自投入运作开始应该是和企业息息相关了。系统的安全性应该包含三个方面的内容：一是系统自身的坚固性，即系统应具备对不同类型和规模的数据和使用对象都不能崩溃的特质，以及灵活而强有力的恢复机制；二是系统应具备完善的权限控制机制以保障系统不被有意或无意地破坏；三是系统应具备在并发响应和交互操作的环境下保障数据安全和一致性。因此，用以建设系统的GIS软件应该是久经考验的，并得到市场公认，有着广大用户群体和经过大量工程的成功考验。
支撑面向对象的数据模型和组建化的GIS软件技术：
数据模型是现实世界的某一部分的逻辑描述。GIS数据模型以数字的形式表达现实世界地理对象及其相互关系。数据建模的目的就是在计算机上抽象和表达现实世界，让用户可以通过在他的数据中加入其应用领域的方法或行为以及其他任意的关系和规则，使数据更具智能和面向领域应用，尽可能地简化开发过程，提高开发效率。
现在，一些大的软件公司，如ESRI公司引入了面向对象的GIS数据模型，允许用户建立自己的面向对象的在基本模型基础上扩展的数据模型。面向对象的数据模型与用户通常看待所研究事物的观点及分类很接近，因此直观且使用简单，软件处理的将是面向用户的概念，例如：杆塔和用户、人井与开关，而不是面向系统的概念，如点、线、面。
全关系型GIS技术：
GIS软件管理两类数据：空间数据和属性数据。其中，属性数据刻划了对象除空间位置外的性质，这类数据一般是可以结构化的，因此可以用传统的关系型DBMS来管理，并实现快速、可靠的检索；而空间数据则刻划对象的空间位置以及对象之间的相互关系，结构化的难度较大，因此一般采用文件系统来管理空间数据。这种数据管理的不一致性，一方面增加了GIS软件开发的复杂性，另一方面也不易保证数据管理的可靠性，给使用带来不便。
近年来，国外GIS与数据库开发商（如ESRI公司与IBM公司）加紧了联合的步伐，共同开发全关系型的GIS软件，使GIS软件能充分利用商用数据库中已经成熟的众多特性，如内存缓冲、快速索引、数据完整性和一致性保证、并发控制、安全和恢复机制及分布式处理机制，明显地提高了GIS软件管理空间数据的能力。
现在，新一代全关系型GIS支撑软件基础上开发的企业级GIS软件已经投入运行，取得了很好的效果。
支持长事务处理和版本管理，支持海量数据管理：
在企业的实际应用中，往往有许多工作并不是一挥而蹴，也不是一个两个人就能够独立完成的，而是需要多人协同作业，需要一周一个月甚至更长时间来完成。在这种情况下，系统的长事务处理和版本管理功能就显得尤为重要。此外，作为一个完善的系统，应该能支持海量数据管理，这在系统建设和应用的初期可能不会显得十分重要，但却是系统设计过程就应该考虑到的问题，避免随着系统应用的进一步加深，数据量达到一定程度时由于系统不支持海量数据管理所带来的重建、换平台等一系列问题。
系统的开放性：
为了充分利用已有的企业资源，要求GIS软件必须具备良好的开放性，包括支持多种硬件平台、操作系统、数据库以外，还要求能够将已有的各种格式的数据转换目前可用的数据类型，及支持多种数据格式的转换。GIS支撑软件是否开放主要体现在以下三个方面：首先是数据结构特别是图形数据结构的开放性，要求有开放的数据格式，有标准的外部数据交换格式，同时这种数据格式又是可以扩展的，如ESRI公司的shape数据格式等。其次是产品二次开发技术的开放性，能够支持通用的开发集成环境，如Delphi、Visul C++,Visul Basic等；支持通用的商业关系数据库，如DB2，Orcale和SQL Server等；支持各种必须的工业接口标准等。第三是产品结构的开放性，它们可以按照不同的应用需求，搭配成一种客户/服务器体系结构。
能够提供全方位的企业级解决方案：
企业的GIS系统是整个企业的应用平台。因此，在选择基础支撑GIS系列软件产品时，这些GIS软件产品应该支持企业级的GIS应用，也就是说，应该能够根据用户的特点，在客户端和服务端为用户提供多种适合用户的选择。
根据用户应用需要和投资计划的不同，GIS产品系列应该支持从偶尔用GIS功能的用户到复杂的多用户的企业级系统应用。这意味着，随着用户的应用对GIS功能的需求的增长，从某个GIS软件家族中选取适合的产品。日后，随系统的扩展而进一步选取较高端的产品，以满足新的GIS的应用需求。
采用工业标准或事实上的工业标准：
建设GIS系统是一个投入大、时间长的过程，这要求平台供应商对用户的应用系统提供长期的支持和维护。由于不同的GIS软件之间的数据结构、开发方式、技术支持上的巨大差异，所以当用户从一种GIS软件转换到另一种GIS软件，往往意味着巨大的投资被浪费；甚至即使采用同一种GIS软件，从一个开发商转换到另一个开发商，都有可能造成数据的丢失，因为开发过程中，不同的开发商对相同的设备设施有着不同的数据描述。因此，采用工业标准和事实上的工业标准有利于保护用户的投资。
另外，由于GIS系统所包含的内容非常庞杂，技术涉及面广，应该采用具有广大用户群的GIS产品，从而在技术支持、产品的稳定性和产品的升级换代等方面得到保证。
