前言

引言

  0.1  时空数据的特点

  0.2  基于栅格的数据分析及发掘流程

  0.3  涉及的关键技术

    0.3.1  空间统计分析技术

    0.3.2  数据挖掘技术

    0.3.3  空间数据挖掘技术

    0.3.4  基于贝叶斯网络的学习及概率推理技术

  0.4  案例

  0.5  本书组织结构

  参考文献

第一篇  理论方法

第1章  数据来源及预处理

  1.1  多源异构的数据来源

    1.1.1  按照存储格式划分

    1.1.2  按照来源划分

    1.1.3  按照类型划分

    1.1.4  矢量数据转换成栅格数据以及栅格数据的重采样

  1.2  数据预处理

    1.2.1  插值数据分析

    1.2.2  缺值数据分析

    1.2.3  正则化（数据过滤）

    1.2.4  孤立点及噪点分析

    1.2.5  数据转换

    1.2.6  多重共线性分析

    1.2.7  特征选择

    1.2.8  模型组合

  参考文献

第2章  相关性分析

  2.1  普通的相关性分析

    2.1.1  Pearson相关系数探索连续变量相关性

    2.1.2  Spearman及Kendall's tau—b相关系数探索离散变量关联性

    2.1.3  散点图分析

    2.1.4  条件直方图分析

    2.1.5  三维插值曲面图分析

  2.2  空间自相关及聚集性

    2.2.1  空间自相关性

    2.2.2  空间自相关的计算及（空间聚集性）解译、

    2.2.3  空间自相关图

  2.3  空间变异性

    2.3.1  基本原理

    2.3.2  变异函数的定义及解译

  2.4  时间序列相关性

    2.4.1  自相关函数和偏自相关函数

    2.4.2   ARMA模型的自相关分析

  参考文献

第3章  关联规则发现

  3.1  普通的关联规则发现

    3.1.1  Apriori算法

    3.1.2  FP—Growth算法

  3.2  空间上的关联规则

    3.2.1  空间关联规则

    3.2.2  空间同位规则

  3.3  时空上的关联性

    3.3.1  区内非序列关联模式

    3.3.2  区内序列关联模式

    3.3.3  区之间非序列／序列关联模式

  3.4  案例

  参考文献

第4章  监督学习提取知识及预测

  4.1  基于规则的学习方法

    4.1.1  决策树学习器

    4.1.2  粗糙集学习器

  4.2  基于空间回归的学习及预测

    4.2.1  点数据回归

    4.2.2  格数据回归

    4.2.3  案例

  参考文献

第5章  非监督学习识别空间异构模式

第6章  融合多源数据的贝叶斯网络

第7章  有效性验证及学习的强化

第8章  空间统计并行计算框架

第二篇  软件工具

第9章  空间数据分析工具

第10章  贝叶斯辅助决策支持工具包

第11章  空间统计并行计算实施

第三篇  综合运用

第12章  非监督学习提高耕地调查效率

第13章  监督学习监测洪水灾害损失

第14章  基于贝叶斯网络的灾害易损性分析及保险定价

第15章  台风灾害及海啸风险评价

彩图