1.基于变异系数的地理空间区域数据多尺度可视化方法，其特征在于，该方法步骤包括：

步骤(1)对原始的地理空间区域数据进行德劳内三角剖分和层次聚类，生成维诺图和层次聚类树；

步骤(2)利用最优化变异系数模型结合聚类结果进行最优选择，得到最优尺度样本点集合；

步骤(3)利用最优尺度的样本点集合对维诺图进行形状调整和颜色调整；

步骤(4)从变异系数和信息熵两个方面，对多尺度可视化结果进行可视化评估和定量比较，并对比较结果的差异进行形状增强的可视化展示。

2.如权利要求1所述的基于变异系数的地理空间区域数据多尺度可视化方法，其特征在于，步骤(1)具体是：

(1‑1)使用经典的德劳内三角剖分法来生成维诺图：构建点间的德劳内三角网，找到德劳内三角网各三角形外圆的圆心，再连接相邻三角形外圆的圆心形成多边形网，即维诺图；

(1‑2)使用k‑means聚类算法，对原始的地理空间区域数据进行聚类，每一个类的属性值为该类所包含的孩子节点的属性值均值；

(1‑3)使用k‑means聚类算法，对生成的类进行再聚类，直到最终聚为一个类，生成一棵层次聚类树。

3.如权利要求2所述的基于变异系数的地理空间区域数据多尺度可视化方法，其特征在于，步骤(2)具体是：

(2‑1)统计层次聚类树中一个节点的每个孩子节点的属性值xn，n＝1,2,…,N，N为该节点的孩子节点的数量；所有孩子节点的属性值构成该节点的属性值序列X＝(x1,x2,…,xN)；

(2‑2)构建最优化变异系数模型：首先，计算该节点的变异系数CV(X)＝σ(X)/μ(X)；其中，σ(X)为属性值序列的标准差，μ(X)为属性值序列的均值；

然后，从叶子节点向根节点遍历，当变异系数大于设定阈值时，选择该孩子节点作为该节点的样本点，停止遍历；

(2‑3)重复(2‑1)和(2‑2)，得到每个节点的样本点，构成最优尺度的样本点集合。

4.如权利要求3所述的基于变异系数的地理空间区域数据多尺度可视化方法，其特征在于，步骤(3)中所述的形状调整具体方法是：在维诺图上找到每个样本点的叶子节点所对应的区域多边形，利用多边形的布尔运算，将对应的多边形进行合并，基于选择的多尺度节点，得到了形状调整后的维诺图；所述的颜色调整具体方法是：根据选择的多尺度节点的属性重新计算属性颜色的映射规则，进行离散和连续的颜色映射。

5.如权利要求4所述的基于变异系数的地理空间区域数据多尺度可视化方法，其特征在于，步骤(4)具体是：首先，统计最优尺度的样本点集合中每个节点的属性值ym，m＝1,

2,…,M，M为最优尺度的样本点集合中节点的数量，最优尺度的所有节点的属性值构成最优尺度属性值序列Y＝(y1,y2,…,yM)；

计算与变异系数有关的指标，包括：全局变异系数GCV、局部变异系数LCV和全局变异系数差值GCV_D；

全局变异系数GCV＝σ(Y)/μ(Y)；其中，σ(Y)为最优尺度所有节点的属性值序列的标准差，μ(Y)为最优尺度所有节点的属性值序列的均值；

局部变异系数 其中，CV(ym)为最优尺度中第m个节点的变异系数，CV(ym)＝CV(Xm)＝σ(Xm)/μ(Xm)，Xm表示第m个节点的属性值序列；

全局变异系数差值GCV_D为最优尺度的全局变异系数与原始的全局变异系数差值的绝对值；

计算与信息熵有关的指标，包括：全局信息熵GIE、局部信息熵LIE和全局信息熵差值GIE_D；

全局信息熵 其中，p(ym)为最优尺度中第m个节点的属性值类别的概率；

局部信息熵 其中 ，最优尺度中第m个节点的 信息熵p(xn)表示第m个节点的第n个孩子节点的属性值类别的概率；

全局信息熵差值GIE_D为最优尺度的全局信息熵与原始的全局信息熵差值的绝对值；

使用雷达图映射以上指标的值，得到形状增强的可视化差异表现。