随着/0*、/1* 和遥感技术的应用和发展，大量的与空间有关的数据正在快速增长。然而，尽管数据库技术可以实现对空间数据的输入、编辑、统计分析以及查询处理，但是无法发现隐藏在这些大型数据库中有价值的模式和模型。而空间数据挖掘可以提取空间数据库中隐含的知识、空间关系或其他有意义的模式等［!］。这些模式的挖掘主要包括特征规则、差异规则、关联规则、分类规则及聚类规则等，特别是聚类规则，在空间数据的特征提取中起到了极其重要的作用。空间聚类是指将数据对象集分组成为由类似的对象组成的簇，这样在同一簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大，即相异度较大。作为一种非监督学习方法，空间聚类不依赖于预先定义的类和带类标号的训练实例。由于空间数据库中包含了大量与空间有关的数据，这些数据来自不同的应用领域。例如，土地利用、居住类型的空间分布、商业区位分布等。因此，根据数据库中的数据，运用空间聚类来提取不同领域的分布特征，是空间数据挖掘的一个重要部分。空间聚类方法通常可以分为四大类：划分法、层次法、基于密度的方法和基于网格的方法。算法的选择取决于应用目的，例如商业区位分析要求距离总和最小，通常用+ , 均值法或+ , 中心点法；而对于栅格数据分析和图像识别，基于密度的算法更合适。此外，算法的速度、聚类质量以及数据的特征，包括数据的维数、噪声的数量等因素都影响到算法 数据挖掘研究院
的选择［"］。本文在对已有空间聚类分析方法概括和总结的基础上，结合国家卫星气象中心高分辨率有限区域分析预报系统产品中的数值格点预报（&’()*）值，运用+ , 均值法对影响青藏高原上中尺度对流系统（-.*）移动的散度场进行了研究，得到了一些有意义的结论。
