人工智能技术在GIS应用中研究.pdfVIP

人工智能技术在GIS 应用中的研究 人工智能(Artificial Intelligence)是计算机科学、控制论、信息论、神经生物 学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科;是研究 解释和模拟人类智能、智能行为及其规律的一门综合性的边缘学科。它借助于计 算机建造智能系统,完成诸如模式计算识别、自然语言理解、程序自动设计、定 理自动证明、机器人、专家系统等应用活动;其主要任务是建立智能信息处理理 论,进而设计可以展现某些近似于人类智能行为的计算系统[1]。 当前普遍的GIS 系统需要完成管理大量复杂的地理数据的任务, 目前, GIS 技术主要侧重于解决复杂的空间数据处理与显示问题,其推广应用遇到的最大困 难是缺乏足够的专题分析模型,或者说GIS 的数据分析能力较弱,而这一能力的提 高从根本上依赖于人工智能中的知识工程、问题求解、规划、决策、自动推理技 术等的发展与应用。从这一点上讲,在不久的将来, AI 在GIS 系统中的应用,尤其 是其智能化分析功能将大大改善传统GIS 应用范围,将GIS 应用提高到一个新的 层次。 将AI 应用到GIS 中,使之能够对结构化或非结构化的知识进行表达与推理。 以构成一个完整的智能化地理信息系统。通过增强其在问题求解、自动推理、决 策、知识表示与使用等方面的能力,使得GIS 的专题分析模型能自动地、智能化 地解决复杂的现实问题,是GIS 的重要发展方向之一[2]。 1 AI 在GIS 应用领域 人工智能与地理信息系统的结合,其产生的专题分析模型可以增强问题求解、 自动推理、决策、知识表示与使用等方面的能力,并能够智能化的解决复杂的现 实问题。具体应用领域包括生态评估、环境保护、农林土地建设、地图制图及数 据获取、交通运输、通讯电力网络规划、灾害预防、养殖副业、城市规划等等。 按GIS 应用中涉及的具体AI 方法来分,又有GIS 与专家系统(ExpertSystem, ES) 或基于知识的专家系统(Knowledge-based ExpertSystem, KBES) 的结合, GIS 与模 糊推理的结合, GIS 与模式识别(Pattern Recognition, PR)的结合, GIS 与决策支持 系统(Decision Support Sys-tem, DSS) 的结合等。 2 AI 在GIS 中的研究热点 现实的需求要求GIS 不仅要完成管理大量复杂的地理数据的任务,更为重要 的是实现与地理数据相关的分析、评价、预测和辅助决策[3],从而解决复杂的规 划和管理问题。所以,强化分析手段是拓展和深化地理信息系统应用的关键。 2.1 空间信息智能化处理 空间分析的主要功能不是简单地从地理数据库中通过“检索”和“查询”提取 空间信息,而是利用各种空间分析模型及空间操作对空间数据进行处理,从而发现 新的知识。传统的GIS 模型经过智能化改进可用于描述各类地理因素主要特征 并预测系统将来的发展趋势[4]。模型如图1 所示： 人工神经网络是一种用计算机去模拟生物机制的方法,是一种不确定的方法。 它们不要求对事物的机制有明确的了解,系统的输出取决于系统输入和输出之间 的连接权,而这些连接权的数值则是根据历史上曾经发生过的事例训练得到的,这 种方式对解决机理尚不明确的问题特别有效。与传统的统计模型相比,人工神经 网络和遗传算法更适合分布不明确的非线形问题。目前, 比较成形的人工神经网 络模型有: BP 网、SOM ( Sel-Organization FeatureMap)网、循环BP 网、RBF ( Ra-dial Basic Function) 网和PNN (ProbabilisticNeuraNetwork)等。BP 网采用多层 前向拓扑形状, 由输人层、中间层和输出层组成,可用于分类、回归时间序列预测 任务中。SOM 神经网络模型适合对数据对象进行聚类,它的输入层由N 个输人神 经元组成,竞争层由m*m=M 个输出神经元组成,输入层神经元与竞争层神经元之 间相互连接。 地学现象的复杂性和独特性使得建立在各种理想条件之上的理论模型很难 应用于实际,确定性的模型需要随着地点和时间的改变而不断修改模型参数甚至 模型结构,因而在很大程度上失去了模型的普遍性。自然、社会、经济各因素的 耦合使得这个复杂的系统具有一定程度的非线性和混沌特点,人工神经元网络和 遗传算法为建立新的空间模型提供了一条可行的方法。我们知道多层前向神经网 络的最重要属性