공간 데이터베이스는 지도, 사전 처리된 원격 감지 또는 의료 영상 기록, VLSI 칩 설계 데이터를 포함하여 엄청난 양의 공간 관련 데이터를 저장합니다. 공간 데이터베이스는 관계형 데이터베이스와 구별되는 몇 가지 기능을 가지고 있습니다. 이들은 위상 및/또는 거리 정보를 전달하며, 일반적으로 공간 데이터 액세스 방법에 의해 액세스되는 정교한 다차원 공간 인덱싱 구조로 구성되며 공간 추론, 기하학적 계산 및 공간 지식 표현 기술이 필요한 경우가 많습니다.
공간 데이터 마이닝은 공간 데이터베이스에 명시적으로 저장되지 않은 지식, 공간 관계 또는 기타 흥미로운 패턴의 추출을 의미합니다. 이러한 마이닝은 데이터 마이닝과 공간 데이터베이스 기술의 통합을 요구합니다. 공간 기록 학습, 공간 및 비공간 기록 간의 공간 관계 및 관계 발견, 공간 지식 기반 구축, 공간 데이터베이스 재구성 및 공간 쿼리 최적화에 사용할 수 있습니다.
지리 데이터 시스템, 마케팅, 원격 감지, 이미지 데이터베이스 탐색, 의료 영상, 내비게이션, 교통 통제, 환경 연구 및 기타 공간 데이터가 사용되는 많은 영역에서 광범위한 응용 프로그램이 있을 것으로 예상됩니다.
공간 데이터 마이닝의 핵심 과제는 공간 데이터의 양이 많고 공간 데이터 유형 및 공간 액세스 방법이 어렵기 때문에 효율적인 공간 데이터 마이닝 기술을 탐색하는 것입니다. 통계적 공간 데이터 분석은 공간 데이터를 분석하고 지리 정보를 탐색하는 데 널리 사용되는 접근 방식이었습니다.
지리 통계학이라는 용어는 종종 연속적인 지리적 공간과 연관되는 반면 공간 통계라는 용어는 종종 이산 공간과 연관됩니다. 비공간 기록을 관리하는 통계 모델에서는 일반적으로 여러 데이터 영역 간의 통계적 독립성을 고려합니다.
공간적으로 분산된 레코드 사이에는 이러한 분리가 없습니다. 왜냐하면 실제로 공간 객체는 서로 관련되어 있거나 더 정확히는 공간적으로 같은 위치에 있기 때문입니다. 같은 속성. 예를 들어, 천연 자원, 기후, 온도 및 경제적 상황은 지리적으로 밀접하게 위치한 지역에서 유사할 가능성이 높습니다.
근처 공간 전반에 걸친 긴밀한 상호 의존성의 속성은 공간 자기상관의 개념으로 이어집니다. 이러한 개념을 바탕으로 공간 통계 모델링 방법이 성공적으로 개발되었습니다. 공간 데이터 마이닝은 효율성, 확장성, 데이터베이스 및 데이터 웨어하우스 시스템과의 협력, 향상된 사용자 상호 작용, 새로운 종류의 지식 발견에 더욱 중점을 두고 공간 통계 분석 방법을 만들고 이를 대량의 공간 데이터로 확장합니다.