引言

受人工智能、物联网和大数据等的驱动，GIS的技术体系和基础架构不断更新迭代，地理信息的内涵也不断扩展。随着观测技术和数据获取手段的不断进步，地理时空大数据快速增长，人们面临"数据海量、信息爆炸、知识贫乏"的困境。因此面向多模态的复杂地理时空大数据和多维业务场景探索新的地理时空数据挖掘与知识发现方法成为信息地理学的重要任务。

当前，以信息技术深化应用与多维时空大数据应用业务拓展为主要特征的数字经济助推了我国经济社会的快速发展，也带来了相应的深刻变革，再加上当今复杂多变的国际社会环境的影响，因此创造性发扬优秀民族传统文化的时代特征与价值，建设"文化强国"成为国家重大需求。传统聚落是优秀民族传统文化遗产的重要组成部分，其丰富的传统文化资源是我国经济社会可持续增长和高质量发展的重要驱动源。因此结合信息技术深入挖掘它们丰富的传统文化资源特征并转化为经济社会发展亟需的重要信息资源具有积极的意义。

景观基因概念格

2.1 景观基因携带的地理信息

从以空间位置特征描述为主的"定位+几何+属性"的地理信息框架到地理信息语义原子模型，再到地理过程的特征理解与地理时空动态关系表达的"六要素"地理信息表达模型，这说明地理信息描述与表达理论从主要关注空间位置信息发展到强调地理时空系统复杂性的整体特征认知与发展趋势预测。这同样也为景观基因的地理信息特征认知提供了参考。

景观基因是凝结在传统聚落中的建筑、环境、风俗等物质或非物质文化因子，是映射传统聚落的历史文化信息和地理位置等空间信息的基本单元。这也是可以依据景观基因识别不同传统聚落景观意象特征的依据。景观基因携带了地理位置、历史文化、环境等特征，是一种特殊的地理信息。

2.2 概念格概述

1982年，Wille R.在集合代数的基础上提出了概念格。概念格主要通过概念的对象和属性来挖掘概念间的关联特征，其中的每个节点是一个概念，由对象和属性组成。对象即概念所覆盖的实例，属性即概念的描述，也即该概念覆盖的全部实例的共同特征。

2.3 景观基因概念格的定义

形式背景值是构造概念格的前提条件，因此在构造景观基因概念格之前需要确定景观基因的形式背景。目前较为常见的景观基因提取方法包括元素、图案、结构和含义等，具体可通过建筑、文化、环境和布局等特征分析不同聚落的景观特征。

OOLCL算法

3.1 景观基因概念格的构造

OOLCL首先将概念构造成一种含有层数、父节点集、对象集与属性集的类，将对象构造成一种含有名称和属性集的类，然后通过特征1所述运算对顶概念运算可得到其子概念，这些子概念构成了第一层概念。再通过对第一层概念进行特征1所述运算，可分别求得每个概念的子概念集，将这些子概念集合并便构成了下一层概念。对当前概念格中最后一层重复进行特征1所述的运算，直至生成子概念集合均有且仅有一个对象，则将底概念加入概念格后，概念格构造结束。

3.2 基本流程

基于前文分析，在构造子概念时基于概念的对象进行交集合递归运算即可得到其属性集并进行概念生成。在生成子概念后判断该概念所含对象数是否为1，若是，则将该概念连接至底概念，并成为底概念的父概念。OOLCL的算法流程图与具体构造方法如图2所示。

实验与结果分析

4.1 实验数据及来源

湖南省位于洞庭湖以南，东至武功山和幕府山，西达云贵高原东缘，南抵南岭，地势南高北底、三面环山，呈开口朝北的马蹄形。全省夏季湿热、冬季阴冷，属亚热带季风气候。湖南属亚热带常绿阔叶林区，生态系统类型丰富，森林覆盖率近60%，境内河流众多，发育有湘、资、沅、澧四大水系，生物资源丰富多样。

4.2 实验结果分析

由图7可知，通过OOLCL算法构造的概念格第0层具有一个顶概念，包含形式背景中的全体对象（荷叶镇、南岳镇、铜官镇、靖港镇、王村镇），但不包含任何属性。L1具有由L0:C1产生的3个子概念。属性A、E、P分别代表"屋顶-硬山顶""装饰-花鸟雕刻```html

图7 根据形式背景T得到的概念格结果

4.3 算法性能对比

景观基因数据非常复杂，使用Bordat算法构造景观基因概念格将导致时间复杂度过于增加。本文将OOLCL算法与改进的Bordat算法进行性能对比。改进的Bordat算法对形式背景的属性集进行了等价类的划分，减少了参与概念格构造的属性数量，有利于景观基因概念格构造效率的提升。

结论与讨论

5.1 结论

结合信息技术充分挖掘传统聚落文化资源的丰富内涵，将传统文化资源转化为经济社会发展优势有着重要意义。针对关于景观基因特征挖掘的相关研究缺乏，本文结合批处理算法提出了OOLCL算法。

（1）在分析景观基因携带地理信息特征的基础上明确了景观基因概念格的定义。景观基因是聚落空间中携带特定历史文化信息的基本单元，是特殊的地理信息，可以从地理位置、环境、生态、建筑、演化和传统文化含义等角度进行解读。相应地，可以通过D、O和二元关系R定义景观基因的形式化表达模型。这是建立景观基因概念格的前提和基础。

（2）归纳了景观基因概念格的数学特征。从景观基因的形式背景、属性集、父概念、子概念、属性集的交集运算和形式背景复杂度等角度系统地剖析了景观基因概念格的数学特性。本质上，景观基因概念格的构造过程就是依据一定的数学规则将一个景观基因的属性集不断分割出子概念的过程，这需要根据属性集的不同特征判定其是否能够构造出一个新的景观基因属性集。

（3）结合实验证明了OOLCL算法的性能与实践价值。本文根据湖南省传统聚落景观基因相关数据集进行了概念构造。从实验结果来看，当属性数大于对象数时，OOLCL算法通过两两对象属性之间的交集运算大幅减少了无效节点（概念）的判断，比Bordat更高效。

5.2 讨论

数字时代，信息技术深入渗透经济社会各领域，因此挖掘传统文化资源的信息特征并服务于经济社会建设实践成为重要的国家需求。结合地理信息认知原理探索传统聚落文化资源特征的挖掘方法无疑有着积极的理论与实践意义。对此，本文结合景观基因理论和概念格方法，从算法实践与数据实验的角度进行了有益的探索。但是，本文提出的OOLCL算法在实践应用上仅适用于属性特征数据大于对象数据的情况，而于对象数据大于属性数据情况下算法的效率、适用性和形式背景值的转换途径与方法等重要问题还缺乏相应的探索与验证。此外，对于空间位置、几何形态和关联特征等空间信息要素如何嵌入现有算法，从而挖掘传统聚落景观基因的地域特征与群系性规律等问题也需要继续深入探索。