1.1.7 地球科学应用案例

以一个简单的林火风险预测为例，从一幅遥感影像中可以提取到植被的覆盖度类型，从空间数据库中查取过去一年中该地区的降水量，由数字高程模型（Digital Elevation Model，DEM）提取该地区的坡度图，应用关联规则算法得出发生山火的概率[10]。

首先，对已经得到的属性数据进行离散化处理，各属性的取值范围为植被覆盖度V[0,100]、坡度S[0,90]、降水量R[0,100]、山火发生概率F[1,10]。四维属性值的分割见表1-3～表1-6。

表1-3 植被覆盖度属性分割

表1-4 坡度属性分割

表1-5 降水量属性分割

表1-6 山火发生概率属性分割

为了将关联规则用于遥感图像数据这类量化数据，首先应该将量化数据离散化，即需将图像数据转化为事务数据库的形式，事务数据库一般由事务的标识符和事务项集组成，在遥感图像中，每一个像素都代表一个事务，表1-7为图像数据转化为事务数据库形式的示例。

表1-7 事务数据库形式

假设最小支持度为50％，最小置信度为60％。经过属性分割的所有块将成为候选项集，分别计算它们在60 000次交易中出现的次数。表1-8为计算后的四维关联规则。

表1-8 四维关联规则

从上述的例子来看，坡度高、降水量多容易发生山火；坡度低、降雨量低、植被覆盖率低的地区，发生山火的概率不是很大；对于植被覆盖率比较大、坡度大于35°、上一年平均降水量小于64 cm的地区，在空气干燥季节尤其要引起注意。