山东省新石器时代聚落遗址时空分布及驱动因子分析

利用ArcGIS技术对山东省新石器时代聚落遗址的时空特征进行分析,对影响聚落时空分布的驱动因子进行归纳整合。结果表明:随着人类文明的演进,山东省新石器时代各时期聚落遗址点数量变化经历了上升期、激增期和衰退期。聚落遗址点的空间分布具有一定的规律性,后李文化时期,聚落遗址点主要分布在鲁中山前平原地带;北辛文化时期,聚落遗址点主要集中在鲁中地区;大汶口文化时期,聚落遗址点主要分布在鲁东南以及鲁中地区;龙山文化时期,聚落遗址点主要分布在鲁中和鲁西北地区;岳石文化时期,聚落遗址点分布范围显著减少,零散分布在平原地区。9.0—7.3 ka B.P.,气候温暖湿润,自然资源较为丰富,新石器时代早期后李文化得以发展;7.3—4.0 ka B.P.,气候总体温和,且冷暖波动,在优越的气候环境和自然条件下,依次发展了北辛文化、大汶口文化和龙山文化;4.0 ka B.P.前后出现极端降温及洪水事件,超出人类适应能力范围,龙山文化衰落,之后岳石文化兴起。气候环境变化影响着文化和经济的发展,新石器时代早期文化的起源和发展与气候的关系较大,但新石器时代后期文化发展受包括生产力在内的其他因素的影响较大,进而影响聚落的时空分布。     

莱州湾南岸新石器时代文化遗址的时空分布特征分析

基于Arc GIS10. 3平台对莱州湾南岸新石器时代文化遗址的高程、坡度、坡向、濒河度等指标进行分析,得出文化遗址的分布及演变特征。研究表明:新石器时代莱州湾南岸的遗址数量、出现频率及在出现总数中的比例,基本呈现明显的先增后降的倒V型(非对称)变化趋势,即萌芽—发展—巅峰—衰退;遗址点高程分布具有一定的规律性,后李文化、龙山文化和岳石文化时期的遗址集中分布于高程为0～29 m的地区,而大汶口文化时期遗址高程为10～29 m;从坡度来看,遗址点主要分布于坡度为0～4°的平缓地区,从坡向来看,古人大多集中在南向、东南向和西南向的位置;后李文化至龙山文化时期,河流对聚落选址的影响程度逐渐降低,古人适应环境的能力逐渐增强。     

历史时期山西古城遗址的分布及影响因素分析

将GIS空间分析方法引入山西省新石器—明清时期古城遗址的研究中,运用Ripley''s K 函数研究历史时期山西省古城遗址的空间集聚性,从地形特征分析各时期遗址的空间分布规律, 通过查阅历史资料分析影响遗址分布的自然和人文因素,利用缓冲区分析的方法分析河流的影 响。研究结果表明：新石器、春秋—秦和汉—南北朝时期的古城遗址在空间上显著聚集分布,夏— 西周、隋唐、宋—元和明清时期的古城遗址随机分布,但各时期最强聚类程度的距离不同;新石器 —明清时期古城遗址数量呈“N”型变化,各时期遗址主要分布在海拔低、坡度低的地区,有沿河分 布的特征;早期遗址分布主要依赖于气候等自然因素,后期遗址分布受政策、交通、军事防御和经 济发展等人文因素的影响加重。     

郑州仰韶文化遗址繁荣度相关分析

利用郑州市考古地理信息系统,通过对郑州地区仰韶文化时期遗址文化层厚度的标准化,扣除自然因素,对郑州地区遗址的繁荣程度进行比较.研究表明,郑州地区仰韶文化时期大河村遗址、古城寨遗址、伏羲台遗址和喂庄遗址、纸房遗址,分别是贾鲁河流域、双洎河流域、伊洛河流域和颍河流域的区域中心;大河村遗址为仰韶文化时期郑州地区的区域中心.     

浙江省历史时期文化遗址时空演变规律及地貌形态影响分析

对浙江省历史时期的1130处文化遗址进行时空格局演变分析,从地理学和空间学的角度运用核密度分析、缓冲区分析等空间可视化分析方法,探讨了浙江地区自先秦以来文化遗址分布规律,及其与海拔、河流等地貌形态的空间关联性.研究结果表明地貌形态是影响早期文化遗址分布的重要因素之一;遗址分布对海拔≤30 m以及距离河流>800～100...     

长江下游新石器时代遗址的空间分布特征

基于泰森多边形、空间自相关及核密度估计等方法,研究了长江下游新石器时代遗址的空间分布规律及特征。结果表明:(1)不同文化遗址均呈现出聚集分布特征,但存在单核与多核的差异。马家浜文化遗址主要集聚在太湖的东、西部,以草鞋山、骆驼墩遗址群最为密集;崧泽文化遗址集聚于太湖东、东北部,以草鞋山遗址群最为密集;良渚文化遗址主要集聚在太湖南部、东部,以余杭—良渚遗址群最为密集;马桥文化遗址主要集聚在太湖东部和西南部,以上海西部的马桥、湖州—长兴、海宁—海盐一带的遗址群最为集中。马家浜至崧泽时期遗址呈多核心特征,崧泽至良渚时期遗址由多核变为单核,马桥时期遗址聚集区重现多核心特征。(2)随着气候、地貌、社会结构的演变,遗址密集区的分布趋势、连续性及密度相应变化。遗址密集区分布呈现出由太湖东、西部先向太湖东、南部,再向太湖南部,最后向太湖东、西南部发展的趋势。遗址聚集区的连续性和密度在马家浜、崧泽、良渚时期逐渐增强,而马桥时期遗址密集区的连续性和密度较良渚时期有所下降。研究结果对研究人地关系具有一定的参考借鉴意义。     

一种基于密度的网格动态聚类算法的研究

聚类算法是数据挖掘领域中一个非常重要的研究方向.至今为止人们已经提出了许多适用于大规模的、高维的数据库的聚类算法.基于密度的聚类算法是其中一个比较典型的研究方向,文中以DBSCAN为基础,提出一种基于密度的网格动态聚类算法.新算法将网格的原理运用到基于密度的聚类算法中,并采用了动态的参数法,能自动根据数据的分布情况进行必要的参数更改,有效减少DBSCAN对初始参数的敏感度,从而提高了聚类的效率和效果,降低了算法I/O的开销.算法不仅能挖掘出各种形状的聚类,并能准确的挖掘出数据集中突出的聚类.     

1961—2020年伊洛河流域径流变化及归因分析

分析伊洛河流域的径流变化特征,量化不同因素对径流变化的影响,对于科学应对该地区及黄河下游的生态保护具有重要意义.采用Budyko假设方法定量计算人为因素和气候因子对伊洛河流域径流变化的贡献率.结果发现：(1)伊洛河流域黑石关水文站的年径流量在1961—2020年间显现为显著减少（P<0.05）.(2)1985年是伊洛河流域黑石关水文站1961—2020年径流时间序列数据的突变年份.(3)人为因素、降水量和参考蒸发量对伊洛河流域黑石关水文站径流变化的贡献率分别为55.72%,52.42%和-8.14%.本研究对维持伊洛河及黄河下游生态系统的完整性和可持续发展具有重要的理论参考和现实意义.     

一种基于自适应网格的DBSCAN聚类算法

DBSCAN方法是一种典型的基于密度的聚类算法,因此该方法具有可以发现任意形状的类的特点,但其聚类的效率并不是很高.如果考虑将传统的网格技术引入到DBSCAN聚类算法中,虽然一定程度上会提高聚类的效率,但其聚类的质量显得较为粗糙.文章通过引入自适应网格技术,使得DBSCAN聚类算法的效率和质量都有所提高.对比数值实验表明,基于自适应网格的DBSCAN聚类算法的聚类效果是良好的.     

考虑对象方向关系的密度聚类算法

 聚类分析是数据挖掘的一个重要研究方向.为了在大规模空间数据库中发现任意形状的聚类,Martin Ester等提出基于密度的聚类算法DBSCAN.针对DBSCAN处理聚类边界对象的不足,提出了聚类时考虑对象方向关系的改进算法,实验表明,改进算法在不改变时间、空间复杂度的情况下能得到更好的聚类结果.     

Scaling up the DBSCAN algorithm for clustering large spatial databases based on sampling technique

Clustering, in data mining, is a useful technique for discovering interesting data distributions and patterns in the underlying data, and has many application fields, such as statistical data analysis, pattern recognition, image processing, and etc. We combine sampling technique with DBSCAN algorithm to cluster large spatial databases, and two sampling-based DBSCAN (SDBSCAN) algorithms are developed. One algorithm introduces sampling technique inside DBSCAN, and the other uses sampling procedure outside DBSCAN. Experimental results demonstrate that our algorithms are effective and efficient in clustering largescale spatial databases.     

基于网格和密度的随机样例的聚类算法

为提高密度聚类算法效率并处理非空间属性约束，提出了基于网格和密度的聚类算法（GDRS）．它使用网格区域表示点的邻域，非空间属性被分为数值和字符类型．首先通过网格方法找到能准确反映数据空间几何特征的参考点；然后随机选择没有分类的参考点，并测试其邻域的稀疏状况、与其他聚类的关系以及非空间属性的约束来决定加入、合并聚类或形成新的聚类；最后把参考点映射回数据．把此算法和DBSCAN及DBRS算法进行了理论比较，并使用合成和真实数据集对GDRS和DBSCAN进行了对比．实验表明，GDRS具有密度算法的优点，即可发现各种形状的聚类并能屏蔽噪声点，且执行效率明显优于密度算法．     

基于乘客需求数据的定制商务班车站点选址方法

针对基础的聚类算法无法适应定制商务班车站点设置的问题,在传统的基于密度的带有噪声的空间聚类算法基础上,通过衡量类簇精细化服务指标确定分组效果,并对聚类效果不理想的组别依据其数据特征自动更新以扫描半径和最小包含点数为代表的聚类参数,进行迭代聚类,直到聚类效果达标为止。同时,结合节点重要度的思想改进基于密度的带有噪声的空间聚类算法,使其能够输出备选站点。研究结果表明,改进的算法能够较好地根据数据特征给出应有分组,给出的扫描半径和最小包含点参数能够较好地适应分组情况,备选节点能够有效地匹配周围的交通资源。     

基于自适应DBSCAN的雷达目标跟踪算法

直接对三坐标航管一次雷达点迹录取器中录取到的点迹进行航迹起始、跟踪等处理后,会形成大量虚警,运算量大。进行目标跟踪时,候选点迹集合数量庞大是造成目标跟踪过程运算量大的主要原因。文中基于动态自适应DBSCAN聚类算法,结合经典卡尔曼滤波跟踪算法,提出了动态自适应DBSCAN聚类跟踪混合算法,来减少候选点迹集合数量。实验结果证明,本文提出的算法实现了无效点迹数的减少、航迹质量的提高以及运算时间的下降。通过动态自适应DBSCAN聚类跟踪混合算法,能迅速跟踪到三坐标航管一次雷达探测到的目标并形成目标航迹,可以及时发现黑飞目标,将对正常民航飞机飞行的干扰降到最低。     

一种基于密度和网格的高效聚类算法

聚类已成为数据挖掘的主要方法之一,能够帮助人们在大量的数据中发现隐藏信息.目前最具典型的密度聚类算法是DBSCAN(density-based spatial clustering of applications with noise),它能够在空间数据库中很好地发现任意形状的簇并有效地处理噪声,但是它的计算复杂度相对较大.因此,采用划分数据集和聚簇合并方法,提出了一种基于密度和网格的高效聚类算法DGCA,并通过人工合成数据集和真实数据集对该聚类算法进行理论验证.实验结果表明该算法在效率性能和质量方面比DBSCAN都得到了提高.     

一种改进的基于密度和样本数量的K-means算法

对原始K-means算法进行了研究,通过改进,算法能够自动找出合适的k值,并且最大限度的找出孤立点。首先,寻找样本容量的最大可能初始聚类数n。然后做样本圆,将样本圆等分为n份,依据样本点的位置将样本归属到相应的份里,对初始的n个类进行聚类。最后通过应用DBSCAN算法的小类合并策略将需要合并的小类进行了合并。为了测试改进算法的聚类性能,将改进后的算法源码放在新西兰怀卡托大学所开发的开源平台"weka"上,在多个数据集上与原始K-means算法进行了对比实验,验证了改进算法在聚类质量和聚类稳定性上都远优于原始K-means算法。     

一种基于密度和网格的高效聚类算法(英文)

聚类已成为数据挖掘的主要方法之一,能够帮助人们在大量的数据中发现隐藏信息。目前最具典型的密度聚类算法是DBSCAN(density-based spatial clustering of applications with noise),它能够在空间数据库中很好地发现任意形状的簇并有效地处理噪声,但是它的计算复杂度相对较大。因此,采用划分数据集和聚簇合并方法,提出了一种基于密度和网格的高效聚类算法DGCA,并通过人工合成数据集和真实数据集对该聚类算法进行理论验证。实验结果表明该算法在效率性能和质量方面比DBSCAN都得到了提高。     

Using Greedy algorithm： DBSCAN revisited Ⅱ

The density-based clustering algorithm presented is different from the classical Density-Based Spatial Clustering of Applications with Noise (DBSCAN) (Ester et al., 1996), and has the following advantages: first, Greedy algorithm substitutes for R(*)-tree (Bechmann et al., 1990) in DBSCAN to index the clustering space so that the clustering time cost is decreased to great extent and I/O memory load is reduced as well; second, the merging condition to approach to arbitrary-shaped clusters is designed carefully so that a single threshold can distinguish correctly all clusters in a large spatial dataset though some density-skewed clusters live in it. Finally, authors investigate a robotic navigation and test two artificial datasets by the proposed algorithm to verify its effectiveness and efficiency.     

城市企事业人群出行链提取及出行特征分析

居民出行特征分析是研究交通需求和探寻交通拥堵症结的基础手段.为研究居民出行特征,基于企事业单位人群出行特征调研数据,改进经典DBSCAN聚类算法,识别出居民出行停留点,进而结合关联规则提取出居民出行轨迹数据;根据出行轨迹数据的时空特征,分别从时空角度和功能区划分角度,挖掘出企事业人群出行时空分布规律,以及不同功能区企事...