[论文解读] Spatially Constrained Spectral Clustering Algorithms for Region Delineation

Shuai Yuan, Pang‐Ning Tan+3 more|arXiv (Cornell University)|May 21, 2019

Land Use and Ecosystem Services参考文献 49被引用 4

一句话总结

本文提出了一种空间约束谱聚类框架 BSSC（平衡空间谱聚类），通过截断指数核将景观特征相似性与空间邻近性相结合，生成同质性高、连续且大小均衡的区域。该方法通过贪心递归二等分策略扩展为层次聚类，相较于基线约束聚类方法，在同质性、连续性和区域大小均匀性方面表现更优，尤其在多尺度区域化任务中优势显著。

ABSTRACT

Regionalization is the task of dividing up a landscape into homogeneous patches with similar properties. Although this task has a wide range of applications, it has two notable challenges. First, it is assumed that the resulting regions are both homogeneous and spatially contiguous. Second, it is well-recognized that landscapes are hierarchical such that fine-scale regions are nested wholly within broader-scale regions. To address these two challenges, first, we develop a spatially constrained spectral clustering framework for region delineation that incorporates the tradeoff between region homogeneity and spatial contiguity. The framework uses a flexible, truncated exponential kernel to represent the spatial contiguity constraints, which is integrated with the landscape feature similarity matrix for region delineation. To address the second challenge, we extend the framework to create fine-scale regions that are nested within broader-scaled regions using a greedy, recursive bisection approach. We present a case study of a terrestrial ecology data set in the United States that compares the proposed framework with several baseline methods for regionalization. Experimental results suggest that the proposed framework for regionalization outperforms the baseline methods, especially in terms of balancing region contiguity and homogeneity, as well as creating regions of more similar size, which is often a desired trait of regions.

研究动机与目标

• 为解决景观区域化中生成空间连续且同质区域的挑战。
• 克服标准聚类方法常产生非连续区域的局限性。
• 开发一种分层区域化框架，可在更广尺度区域内部生成嵌套的细粒度区域。
• 在区域同质性、空间连续性和区域大小均匀性之间实现平衡——这是生态与管理应用中的关键标准。
• 降低对参数调优的敏感性，并提升在不同空间约束下的稳定性。

提出的方法

• 使用截断指数核建模空间邻近性约束，通过哈达玛积与特征相似性矩阵结合。
• 应用具有归一化切割目标函数的谱聚类，以同时优化区域同质性与连续性。
• 采用贪心递归二等分方法，将非分层的 BSSC 扩展为分层框架（HSSC）。
• 引入灵活参数 δ 控制空间邻域大小，实现可扩展且稳定的区域化。
• 使用调整兰德指数评估不同 δ 值下的聚类稳定性。
• 通过优化目标函数，内在地偏好更均匀大小的聚类，避免 Ward 法和单链接法中常见的不平衡问题。

实验结果

研究问题

• RQ1 谱聚类框架能否在区域化中有效平衡景观同质性与空间连续性？
• RQ2 与现有约束聚类方法相比，所提出的 BSSC 方法在区域大小均衡性和连续性方面表现如何？
• RQ3 递归二等分扩展（HSSC）是否在实现分层区域化的同时保持了非分层聚类的质量？
• RQ4 结果区域对空间约束参数 δ 的变化有多敏感？
• RQ5 所提出的方法能否在不同空间尺度下产生稳定、一致的区域化结果？

主要发现

• 在密歇根州 K=10 时，BSSC 的目标函数值最低（13,458.13），在归一化切割优化中优于 HSSC（14,284.21）和 Ward 法。
• 在所有聚类数量下，BSSC 产生的区域具有更高的空间连续性（c 指标）和更好的聚类平衡度（Cbalance），优于 Ward 法和 UPGMA 法。
• BSSC 的调整兰德指数（0.92）显著高于 Ward 法（0.66），表明其在不同 δ 值下具有更优的稳定性。
• HSSC 在 SSW 和 Cbalance 方面略优于 BSSC，但以略微更差的 PctML 保持度为代价，表明目标函数存在权衡。
• 空间约束的单链接方法产生了高度不平衡的区域，需对最大区域大小进行额外调优，而 BSSC 通过内在的大小偏好避免了这一问题。
• 随着 δ 从 1/41 增加到 4/41，BSSC 和 HSSC 仍保持高连续性和同质性，而 Ward 法在较高 δ 下无法维持连续性。