30、滑坡监测数据挖掘与空间聚类分析

滑坡监测数据挖掘与空间聚类分析

1. 空间聚类

在空间聚类中，系统会自动确定最优的聚类数量，这里为 4。对于数据 d，分别采用 3、4 或 5 作为过滤噪声的最小聚类数量阈值，而闭运算对应的结构元素半径分别为 6、5、4、4。聚类结果如图 8.13 所示，图中彩色连通区域即为聚类，不同颜色代表不同的聚类，这与人类的观察结果一致。同时，图中还展示了聚类边界和发现的数据空洞（数据 b 中无空洞）。这些空洞揭示了聚类数据的结构特征，即空洞内无数据，而空洞外的数据在聚类区域分布更为紧密。不过，只有当面积大于特定阈值时，这些区域才会被视为空洞。

2. 滑坡监测

滑坡若发生过度移动，会造成严重危害。为避免这些危害，需要定期监测滑坡位移。然而，大量的监测数据不断累积，远超人类完全解读和利用的能力。滑坡监测数据挖掘是空间数据挖掘（SDM）的典型且重要示例。滑坡变形是多种因素综合作用的结果，监测时观察到的数据就是其外在表现。因此，有必要寻找合适的技术，从不同视角分析监测数据集，如采用 SDM 视角。

以宝塔滑坡监测数据挖掘为例，应用 SDM 视角下的云模型和数据场。宝塔滑坡位于中国云阳，自 1997 年 6 月起开始监测。之前已有相关研究对这些监测数据进行分析，其结果可用于对比。数据库中的变形值为数值位移，即 dx、dy 和 dh，分别表示监测点在 X、Y 和 H 方向的位移测量值。计算公式如下：
[
\begin{cases}
dx = x_{i + 1} - x_0 \
dy = y_{i + 1} - y_0 \
dh = h_{i + 1} - h_0
\end{cases}
]
其中，