GIS的核心是什么

GIS核心是對地理數據的采集，編輯，存儲，管理，以及地圖的出圖

紅山ssl適用于網站、小程序/APP、API接口等需要進行數據傳輸應用場景，ssl證書未來市場廣闊！成為創新互聯建站的ssl證書銷售渠道，可以享受市場價格4-6折優惠！如果有意向歡迎電話聯系或者加微信：18982081108（備注：SSL證書合作）期待與您的合作！

核心主要是空間數據庫

利用什么原理工作的這個問題還是很難一兩句話說的清楚

長話短說，把平時管理系統里的數據換成地理數據就是一個GIS系統了

電子地圖GIS開發有什么核心技術

主要是基于已經開發的gis基礎平臺，一些公司都有類似的地理信息系統平臺sitemapIMS，arcgis

,gismap等這些都是市場上主流的開發平臺。在這類平臺上針對性的電子地圖項目的二次開發，根據不同企業和客戶的對電子地圖應用的開發需求，將自己企業相關數據應用調用地圖數據和業務數據實現電子地圖的功能的查詢，信息搜索，信息展示，定位導航應用等地圖功能，并能夠通過系統開發來進行相關數據的可視化信息處理得出有用的數據分析，目前用的比較廣泛的有，林業gis系統，交通gis系統，電子圍欄應用，管網gis系統，房地產電子地圖分析系統等等。上海為卓一直在從事地圖項目開發電子地圖GIS開發有什么核心技術

GIS基本技術有哪些？

引言

地理信息系統(Geographic Information System，簡稱GIS)是計算機科學、地理學、測量學、地圖學等多門學科綜合的技術[1]。GIS的基本技術是空間數據庫、地圖可視化及空間分析，而空間數據庫是GIS的關鍵。空間數據挖掘技術作為當前數據庫技術最活躍的分支與知識獲取手段，在GIS中的應用推動著GIS朝智能化和集成化的方向發展。

1 空間數據庫與空間數據挖掘技術的特點

隨著數據庫技術的不斷發展和數據庫管理系統的廣泛應用，數據庫中存儲的數據量也在急劇增大，在這些海量數據的背后隱藏了很多具有決策意義的信息。但是，現今數據庫的大多數應用仍然停留在查詢、檢索階段，數據庫中隱藏的豐富的知識遠遠沒有得到充分的發掘和利用，數據庫中數據的急劇增長和人們對數據庫處理和理解的困難形成了強烈的反差，導致“人們被數據淹沒，但卻饑餓于知識”的現象。

空間數據庫(數據倉庫)中的空間數據除了其顯式信息外，還具有豐富的隱含信息，如數字高程模型〔DEM或TIN〕，除了載荷高程信息外，還隱含了地質巖性與構造方面的信息；植物的種類是顯式信息，但其中還隱含了氣候的水平地帶性和垂直地帶性的信息，等等。這些隱含的信息只有通過數據挖掘才能顯示出來。空間數據挖掘（Spatial Data Mining，簡稱SDM），或者稱為從空間數據庫中發現知識，是為了解決空間數據海量特性而擴展的一個新的數據挖掘的研究分支，是指從空間數據庫中提取隱含的、用戶感興趣的空間或非空間的模式和普遍特征的過程[2]。由于SDM的對象主要是空間數據庫，而空間數據庫中不僅存儲了空間事物或對象的幾何數據、屬性數據，而且存儲了空間事物或對象之間的圖形空間關系，因此其處理方法有別于一般的數據挖掘方法。SDM與傳統的地學數據分析方法的本質區別在于SDM是在沒有明確假設的前提下去挖掘信息、發現知識，挖掘出的知識應具有事先未知、有效和可實用3個特征。

空間數據挖掘技術需要綜合數據挖掘技術與空間數據庫技術，它可用于對空間數據的理解，對空間關系和空間與非空間關系的發現、空間知識庫的構造以及空間數據庫的重組和查詢的優化等。

2 空間數據挖掘技術的主要方法及特點

常用的空間數據挖掘技術包括：序列分析、分類分析、預測、聚類分析、關聯規則分析、時間序列分析、粗集方法及云理論等。本文從挖掘任務和挖掘方法的角度,著重介紹了分類分析、聚類分析和關聯規則分析三種常用的重要的方法。

2.1、分類分析

分類在數據挖掘中是一項非常重要的任務，目前在商業上應用最多。分類的目的是學會一個分類函數或分類模型(也常常稱作分類器)，該模型能把數據庫中的數據項映射到給定類別中的某一個。分類和我們熟知的回歸方法都可用于預測，兩者的目的都是從歷史數據紀錄中自動推導出對給定數據的推廣描述，從而能對未來數據進行預測。和回歸方法不同的是，分類的輸出是離散的類別值，而回歸的輸出則是連續的數值。二者常表現為一棵決策樹，根據數據值從樹根開始搜索，沿著數據滿足的分支往上走，走到樹葉就能確定類別。空間分類的規則實質是對給定數據對象集的抽象和概括，可用宏元組表示。

要構造分類器,需要有一個訓練樣本數據集作為輸入。訓練集由一組數據庫記錄或元組構成,每個元組是一個由特征(又稱屬性)值組成的特征向量,此外,訓練樣本還有一個類別標記。一個具體樣本的形式可為:( v1, v2, ..., vn; c )；其中vi表示字段值，c表示類別。

分類器的構造方法有統計方法、機器學習方法、神經網絡方法等等。統計方法包括貝葉斯法和非參數法(近鄰學習或基于事例的學習)，對應的知識表示是判別函數和原型事例。機器學習方法包括決策樹法和規則歸納法，前者對應的表示為決策樹或判別樹，后者則一般為產生式規則。神經網絡方法主要是反向傳播（Back-Propagation,簡稱BP）算法，它的模型表示是前向反饋神經網絡模型(由代表神經元的節點和代表聯接權值的邊組成的一種體系結構)，BP算法本質上是一種非線性判別函數[3]。另外，最近又興起了一種新的方法:粗糙集(rough set)，其知識表示是產生式規則。

不同的分類器有不同的特點。有三種分類器評價或比較尺度：1) 預測準確度；2) 計算復雜度；3) 模型描述的簡潔度。預測準確度是用得最多的一種比較尺度，特別是對于預測型分類任務，目前公認的方法是10番分層交叉驗證法。計算復雜度依賴于具體的實現細節和硬件環境，在數據挖掘中，由于操作對象是海量的數據庫，因此空間和時間的復雜度問題將是非常重要的一個環節。對于描述型的分類任務，模型描述越簡潔越受歡迎。例如，采用規則歸納法表示的分類器構造法就很有用，而神經網絡方法產生的結果就難以理解。

另外要注意的是，分類的效果一般和數據的特點有關。有的數據噪聲大，有的有缺值， 有的分布稀疏，有的字段或屬性間相關性強，有的屬性是離散的而有的是連續值或混合式的。目前普遍認為不存在某種方法能適合于各種特點的數據。

分類技術在實際應用非常重要，比如：可以根據房屋的地理位置決定房屋的檔次等。

2. 2 聚類分析

聚類是指根據“物以類聚”的原理，將本身沒有類別的樣本聚集成不同的組，并且對每一個這樣的組進行描述的過程。它的目的是使得屬于同一個組的樣本之間應該彼此相似，而不同組的樣本應足夠不相似。與分類分析不同，進行聚類前并不知道將要劃分成幾個組和什么樣的組，也不知道根據哪些空間區分規則來定義組。其目的旨在發現空間實體的屬性間的函數關系，挖掘的知識用以屬性名為變量的數學方程來表示。聚類方法包括統計方法、機器學習方法、神經網絡方法和面向數據庫的方法。基于聚類分析方法的空間數據挖掘算法包括均值近似算法[4]、CLARANS、BIRCH、DBSCAN等算法。目前，對空間數據聚類分析方法的研究是一個熱點。

對于空間數據，利用聚類分析方法，可以根據地理位置以及障礙物的存在情況自動地進行區域劃分。例如，根據分布在不同地理位置的ATM機的情況將居民進行區域劃分，根據這一信息，可以有效地進行ATM機的設置規劃，避免浪費，同時也避免失掉每一個商機。

2.3 關聯規則分析

關聯規則分析主要用于發現不同事件之間的關聯性，即一事物發生時，另一事物也經常發生。關聯分析的重點在于快速發現那些有實用價值的關聯發生的事件。其主要依據是：事件發生的概率和條件概率應該符合一定的統計意義。空間關聯規則的形式是X－＞Y[S%，C%]，其中X、Y是空間或非空間謂詞的集合，S%表示規則的支持度，C%表示規則的置信度。空間謂詞的形式有3種：表示拓撲結構的謂詞、表示空間方向的謂詞和表示距離的謂詞[5]。各種各樣的空間謂詞可以構成空間關聯規則。如，距離信息（如Close_to(臨近)、Far_away(遠離)）、拓撲關系（Intersect（交）、Overlap（重疊）、Disjoin(分離)）和空間方位（如Right_of(右邊)、West_of(西邊)）。實際上大多數算法都是利用空間數據的關聯特性改進其分類算法，使得它適合于挖掘空間數據中的相關性，從而可以根據一個空間實體而確定另一個空間實體的地理位置，有利于進行空間位置查詢和重建空間實體等。大致算法可描述如下：(1)根據查詢要求查找相關的空間數據；(2)利用臨近等原則描述空間屬性和特定屬性；(3)根據最小支持度原則過濾不重要的數據；(4)運用其它手段對數據進一步提純(如OVERLAY)；(5)生成關聯規則。

關聯規則通常可分為兩種：布爾型的關聯規則和多值關聯規則。多值關聯規則比較復雜，一種自然的想法是將它轉換為布爾型關聯規則，由于空間關聯規則的挖掘需要在大量的空間對象中計算多種空間關系，因此其代價是很高的。—種逐步求精的挖掘優化方法可用于空間關聯的分析，該方法首先用一種快速的算法粗略地對一個較大的數據集進行一次挖掘，然后在裁減過的數據集上用代價較高的算法進一步改進挖掘的質量。因為其代價非常高，所以空間的關聯方法需要進一步的優化。

對于空間數據，利用關聯規則分析，可以發現地理位置的關聯性。例如，85%的靠近高速公路的大城鎮與水相鄰，或者發現通常與高爾夫球場相鄰的對象是停車場等。

3 空間數據挖掘技術的研究方向

3.1 處理不同類型的數據

絕大多數數據庫是關系型的，因此在關系數據庫上有效地執行數據挖掘是至關重要的。但是在不同應用領域中存在各種數據和數據庫，而且經常包含復雜的數據類型，例如結構數據、復雜對象、事務數據、歷史數據等。由于數據類型的多樣性和不同的數據挖掘目標，一個數據挖掘系統不可能處理各種數據。因此針對特定的數據類型，需要建立特定的數據挖掘系統。

3.2 數據挖掘算法的有效性和可測性

海量數據庫通常有上百個屬性和表及數百萬個元組。GB數量級數據庫已不鮮見，TB數量級數據庫已經出現，高維大型數據庫不僅增大了搜索空間，也增加了發現錯誤模式的可能性。因此必須利用領域知識降低維數，除去無關數據，從而提高算法效率。從一個大型空間數據庫中抽取知識的算法必須高效、可測量，即數據挖掘算法的運行時間必須可預測，且可接受，指數和多項式復雜性的算法不具有實用價值。但當算法用有限數據為特定模型尋找適當參數時，有時也會導致物超所值，降低效率。

3.3 交互性用戶界面

數據挖掘的結果應準確地描述數據挖掘的要求，并易于表達。從不同的角度考察發現的知識，并以不同形式表示，用高層次語言和圖形界面表示數據挖掘要求和結果。目前許多知識發現系統和工具缺乏與用戶的交互，難以有效利用領域知識。對此可以利用貝葉斯方法和演譯數據庫本身的演譯能力發現知識。

3.4 在多抽象層上交互式挖掘知識

很難預測從數據庫中會挖掘出什么樣的知識，因此一個高層次的數據挖掘查詢應作為進一步探詢的線索。交互式挖掘使用戶能交互地定義一個數據挖掘要求，深化數據挖掘過程，從不同角度靈活看待多抽象層上的數據挖掘結果。

3.5 從不同數據源挖掘信息

局域網、廣域網以及Internet網將多個數據源聯成一個大型分布、異構的數據庫，從包含不同語義的格式化和非格式化數據中挖掘知識是對數據挖掘的一個挑戰。數據挖掘可揭示大型異構數據庫中存在的普通查詢不能發現的知識。數據庫的巨大規模、廣泛分布及數據挖掘方法的計算復雜性，要求建立并行分布的數據挖掘。

3.6 私有性和安全性

數據挖掘能從不同角度、不同抽象層上看待數據，這將影響到數據挖掘的私有性和安全性。通過研究數據挖掘導致的數據非法侵入，可改進數據庫安全方法，以避免信息泄漏。

3.7 和其它系統的集成

方法、功能單一的發現系統的適用范圍必然受到一定的限制。要想在更廣泛的領域發現知識，空間數據挖掘系統就應該是數據庫、知識庫、專家系統、決策支持系統、可視化工具、網絡等技術的集成。

4 有待研究的問題

我們雖然在空間數據挖掘技術的研究和應用中取得了很大的成績，但在一些理論及應用方面仍存在急需解決的問題。

4.1 數據訪問的效率和可伸縮性

空間數據的復雜性和數據的大量性，TB數量級的數據庫的出現，必然增大發現算法的搜索空間，增加了搜索的盲目性。如何有效的去除與任務無關的數據，降低問題的維數，設計出更加高效的挖掘算法對空間數據挖掘提出了巨大的挑戰。

4.2 對當前一些GIS軟件缺乏時間屬性和靜態存儲的改進

由于數據挖掘的應用在很大的程度上涉及到時序關系，因此靜態的數據存儲嚴重妨礙了數據挖掘的應用。基于圖層的計算模式、不同尺度空間數據之間的完全割裂也對空間數據挖掘設置了重重障礙。空間實體與屬性數據之間的聯系僅僅依賴于標識碼，這種一維的連接方式無疑將丟失大量的連接信息，不能有效的表示多維和隱含的內在連接關系，這些都增加了數據挖掘計算的復雜度，極大地增加了數據準備階段的工作量和人工干預的程度。

4.3 發現模式的精煉

當發現空間很大時會獲得大量的結果，盡管有些是無關或沒有意義的模式，這時可利用領域的知識進一步精煉發現的模式，從而得到有意義的知識。

在空間數據挖掘技術方面，重要的研究和應用的方向還包括：網絡環境上的數據挖掘、柵格矢量一體化的挖掘、不確定性情況下的數據挖掘、分布式環境下的數據挖掘、數據挖掘查詢語言和新的高效的挖掘算法等。

5 小結

隨著GIS與數據挖掘及相關領域科學研究的不斷發展，空間數據挖掘技術在廣度和深度上的不斷深入，在不久的將來，一個集成了挖掘技術的GIS、GPS、RS集成系統必將朝著智能化、網絡化、全球化與大眾化的方向發展。

本文名稱：gis制造的六大核心技術 gis制造的六大核心技術是什么
文章轉載：http://www.js-pz168.com/article18/dohiigp.html

成都網站建設公司_創新互聯，為您提供網站策劃、微信公眾號、網站設計、面包屑導航、網站改版、移動網站建設

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯