[论文解读] Mining GIS Data to Predict Urban Sprawl

Anita Pampoore-Thampi, Aparna S. Varde+1 more|arXiv (Cornell University)|Mar 21, 2021

Data Mining Algorithms and Applications参考文献 12被引用 9

一句话总结

本文提出了一种空间决策支持系统（SDSS），利用数据挖掘技术——关联规则挖掘的Apriori算法和决策树分类的J4.8算法——对时空GIS数据进行分析，以预测城市蔓延。通过结合ArcGIS进行地理空间制图，并分析人口增长和人口结构等变量，该系统识别出具有预测性的模式，并估算变量的影响，从而支持主动的城市规划，实现可持续发展。

ABSTRACT

This paper addresses the interesting problem of processing and analyzing data in geographic information systems (GIS) to achieve a clear perspective on urban sprawl. The term urban sprawl refers to overgrowth and expansion of low-density areas with issues such as car dependency and segregation between residential versus commercial use. Sprawl has impacts on the environment and public health. In our work, spatiotemporal features related to real GIS data on urban sprawl such as population growth and demographics are mined to discover knowledge for decision support. We adapt data mining algorithms, Apriori for association rule mining and J4.8 for decision tree classification to geospatial analysis, deploying the ArcGIS tool for mapping. Knowledge discovered by mining this spatiotemporal data is used to implement a prototype spatial decision support system (SDSS). This SDSS predicts whether urban sprawl is likely to occur. Further, it estimates the values of pertinent variables to understand how the variables impact each other. The SDSS can help decision-makers identify problems and create solutions for avoiding future sprawl occurrence and conducting urban planning where sprawl already occurs, thus aiding sustainable development. This work falls in the broad realm of geospatial intelligence and sets the stage for designing a large scale SDSS to process big data in complex environments, which constitutes part of our future work.

研究动机与目标

• 通过数据驱动的决策支持系统应对城市蔓延日益增长的挑战。
• 从时空GIS数据中提取可操作的知识，包括人口增长和人口趋势。
• 将传统数据挖掘算法（Apriori和J4.8）适配于地理空间分析，以检测与城市蔓延相关的模式。
• 开发一个原型空间决策支持系统（SDSS），能够预测蔓延可能性并估算变量之间的相互作用。
• 通过使规划者能够提前预见并缓解蔓延，支持可持续城市发展。

提出的方法

• 本研究采用Apriori算法，从与城市蔓延相关的地理空间变量（如人口密度和土地利用）中发现关联规则。
• 应用J4.8决策树分类器，基于时空特征对区域进行分类，以评估其发生蔓延的可能性。
• 利用ArcGIS对挖掘出的模式和预测结果进行制图与可视化，覆盖地理区域。
• 提取并预处理时空数据，包括人口和人口增长指标，以供分析。
• SDSS整合挖掘出的知识，以估算变量影响并支持基于情景的规划。
• 通过使用真实城市区域的GIS数据进行原型实现，对系统进行了验证。

实验结果

研究问题

• RQ1 GIS数据中哪些时空模式最能预测城市蔓延？
• RQ2 如何将关联规则挖掘和决策树分类方法适配于地理空间数据，以实现蔓延预测？
• RQ3 哪些人口统计和经济社会变量对蔓延发生的影响最为显著？
• RQ4 原型SDSS能否有效预测城市蔓延并估算变量间的相互依赖性？
• RQ5 如何可视化数据挖掘结果，并用于支持可持续城市规划决策？

主要发现

• Apriori算法成功识别出与人口增长、土地利用变化和城市扩张模式密切相关的显著关联规则。
• J4.8决策树模型在分类高风险蔓延区域方面表现出较强的预测准确性。
• ArcGIS的集成实现了对预测蔓延热点区域和变量关系的有效可视化。
• SDSS原型成功估算出人口密度和居住-商业区分离等关键变量对蔓延可能性的影响。
• 该系统为城市规划者提供了可操作的洞察，支持对蔓延趋势的早期识别与缓解。
• 本研究为基于大规模地理空间数据和机器学习技术的SDSS开发建立了基础框架。