대용량 공간 데이타베이스로부터 이전에 알려지지 않았던 암시적인 유용한 지식을 자동적으로 추출하는 공간 데이타 마이닝은 데이타의 양이 급격히 증가하면서 필요성이 더욱더 증대되고 있으며, 또한 효율적인 공간 데이타 마이닝을 위해 공간 클러스터링 알고리즘들이 많이 제시되고 있다. 본 논문에서는 기존의 공간 클러스터링 알고리즘들의 단점을 극복하는 해시에 근거한 효율적인 공간 클러스터링 알고리즘인 H-SCAN(A Hash-based Spatial Clustering Algorithm for kNowledge Extraction)을 제안한다. H-SCAN 알고리즘은 객체-지향 데이타베이스를 사용하여 공간 데이타를 저장하며, 잡음을 처리하고, 점 공간 객체뿐만 아니라 선 및 다각형 공간 객체도 지원하여 실제 공간 데이타 마이닝을 위한 대용량 공간 데이타에 대한 효율적인 공간 클러스터링을 수행할 수 있다. 또한, 빈 공간이 내부에 존재하는 클러스터 또는 클러스터 내에 다른 클러스터가 존재하는 경우 등과 같은 복잡한 형태의 클러스터를 발견할 수 있고, 공간 클러스터링 구조와 공간 인덱스 구조를 통합하며, 공간 데이타 마이닝의 읽기-전용 특성을 반영하여 효율적인 공간 데이타 마이닝이 가능하도록 한다.Abstract Recently, the necessity of spatial data mining which is the extraction of implicit knowledge, spatial relationships, or other knowledge not explicitly stored in spatial databases has been increased due to a huge amount of spatial data. Spatial clustering algorithms have been proposed in recent years for efficient spatial data mining. In this paper, we propose an efficient spatial clustering algorithm, named H-SCAN (A Hash-based Spatial Clustering Algorithm for kNowledge Extraction), which overcomes the disadvantages of existing spatial clustering algorithms. H-SCAN can perform efficient spatial clustering of large spatial data for practical spatial data mining by storing spatial data in an object-oriented database, handling noise problem, and processing line and polygon spatial objects as well as point spatial objects. In addition, it can find arbitrary shape of clusters such as a cluster that has holes inside or nested clusters for complex distribution of spatial data, integrates a spatial clustering structure and a spatial index structure, and utilizes read-only property of spatial data mining for the efficient knowledge extraction.