PDF-Download - Deutsche Geodätische Kommission
PDF-Download - Deutsche Geodätische Kommission
PDF-Download - Deutsche Geodätische Kommission
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
28 KAPITEL 3. DATA MINING UND KNOWLEDGE DISCOVERY IN DATENBANKEN<br />
3.2.3 Data Mining Methoden<br />
Im folgenden sind kurz die wesentlichen Methoden aufgelistet, die zur Lösung von Data Mining Aufgaben<br />
eingesetzt werden:<br />
• Entscheidungsbäume<br />
• Entscheidungsregeln<br />
• Klassifikationsmethoden<br />
• Nichtlineare Regression<br />
• Statistik<br />
• Beispielbasierte Methoden<br />
• Induktive logische Programmierung<br />
• Wahrscheinlichkeitsbasierte Abhängigkeitsgraphen<br />
3.3 Raumbezogenes Data Mining<br />
Im folgenden soll nur ein kurzer Überblick über das Gebiet des räumlichen Data Minings in Bezug auf geographische<br />
Informationssysteme gegeben werden. Koperski et al. (1996) geben einen ausführlichen Überblick zum<br />
Stand der Forschung und über zukünftige Entwicklungen auf dem Gebiet des Spatial Data Mining.<br />
Spatial Data Mining ist die Erweiterung von Data Mining Methoden von Datenbanken ohne Raumbezug auf<br />
raumbezogene Datenbanken. Neben den Gebieten maschinelles Lernen, Statistik, Datenvisualisierung und Informationstheorie<br />
kommen nun die Gebiete der räumlichen Datenbanken (räumliche Indexstrukturen) und der<br />
algorithmischen Geometrie dazu. Techniken des Spatial Data Mining finden eine breite Anwendung in Geo-<br />
Informationssystemen (Bill & Fritsch 1991) und in der Fernerkundung. Diese Techniken können dazu verwendet<br />
werden, räumliche Daten zu verstehen, d. h. z. B. nach Beziehungen zwischen raumbezogenen Daten oder<br />
Beziehungen zwischen raumbezogenen und nicht raumbezogenen Daten zu suchen, raumbezogene Daten zu<br />
klassifizieren, Anfrageoptimierungen durchzuführen oder raumbezogene Wissensdatenbanken aufzubauen.<br />
Die wesentlichen räumlichen Data Mining Aufgaben sind:<br />
• Räumliche Objekt Charakterisierung: Erweiterung der Operation ”<br />
Generalisierung / Zusammenfassung“<br />
auf räumliche Datenbanken.<br />
• Räumliches Clustering bezieht, gegenüber dem klassischen Clustering, die räumliche Nachbarschaft<br />
mit ein. Ein wesentliches Problem dabei ist, die räumliche Nachbarschaft in einer geeigneten Weise zu<br />
definieren.<br />
• Räumliche Assoziationsregeln (Koperski & Han 1995) berücksichtigen zusätzlich räumliche Relationen.<br />
Dazu gehören topologische (Adjazenz, Überlappung, etc.) und geometrische (Abstand, Größe, etc.)<br />
Relationen.<br />
• Räumliche Muster: Erweiterung der ”<br />
Trendanalyse / Änderungserkennung“ auf räumliche Datenbanken.<br />
Dieses Gebiet ist besonders für räumlich temporale Datenbanken interessant. Ein räumliches Muster<br />
beschreibt die charakteristische Struktur von räumlich verteilten Objekten oder deren Veränderung. Eine<br />
Gruppe von Gebäuden entlang einer Straße kann z.B. eine lineare Struktur besitzen.<br />
Im Bereich der Geo-Informationssysteme ergeben sich im wesentlichen folgende Aufgabenstellungen, die durch<br />
Spatial Data Mining Methoden unterstützt werden können: