应用案例式推理技术於地理资讯系统30665.pptVIP

Applying case-based reasoning techniques in GIS應用案例式推理技術於地理資訊系統 學生：蔡純純 日期：2002/4/29 引言 透過與案例式推理這項新技術的整合，彌補GIS欠缺的分析功能。本研究藉由土壤模式的應用來闡述案例式推理的概念。 空間問題分析方法 早期分析方法 :決策樹、專家系統與法則、知識為基礎的地理資訊系統 現階段：低階地與人工智慧技術整合解決空間問題，例如：影像特徵分類、去除雜訊 … 本研究則使用人工智慧技術於決策支援，推理機制提供更高階的整合。 案例式推理 經由經驗獲得推理，使用舊有的案例以解釋並解決新的問題。 案例具有的特徵是：問題描述、解決方式、結果。 案例式推理的過程：尋找最相似案例、再使用案例解決問題的知識、修正解決問題的方式、保留解決問題的經驗供未來再次使用。 過去的相關應用 Branting and Hastings (1994 )使用模式推理與案例式推理，對抗害蟲，藉由案例（害蟲食物消耗量）並考量經濟與實務因素，提供不同的處理方式。 Lekkas et al. (1994 )發展一系統-- AIRQUAP預測雅典的空氣污染，使用當時城市的空氣品質狀況，與過去具相似情況的案例，以預測空氣污染等級。 過去的相關應用 Kolodner’s (1993 )建置一ARCHIE系統，其案例知識包括過去建物的結構以輔助建築師設計新結構。 Jose et al. (1996 )使用CBR協助選擇、分析遙測影像，藉由空間相似原則以匹配向量特徵。 Smith et al. (1995 )發展Interactive Case-based Spatial Composition system讓使用者於互動中設計建物 。 其他應用還有：醫療影像的解釋以支援決策與診斷、利用氣象影像預測天氣、設計機器人導航、輔助地圖的簡括化… CBR與專家法則知識方法的比較 知識儲存與使用方式的不同 ，CBR以搜尋與適應的方式取代以法則為基礎的製造與測試機制 法則與模式為基礎的推理受限其法則知識、維護系統需要更多知識的獲取與人工操作過程、在新情境中無法採取新的知識。CBR的優勢在於能處理例外的事件、尚未完全瞭解的問題、從經驗中學習，因而較容易建置與維護。 但不適合解決較少案例資料的問題。 空間推理系統 本研究建置一空間推理系統（SRS：Spatial Reasoning System）ZONAT ION提高土壤空間分析功能。 結合GIS與CBR，使用空間相似性概念作為資料挖掘的空間分析技術與特徵匹配，展示了一新穎的資料展現與儲存方法（類似於物件導向技術），與學習的特色。 個案研究 紐西蘭南島的一個丘陵城鎮，半乾燥氣候，為ZONAT ION系統的測試研究區。 土壤分類的分法有多種，本研究使用的方法在數值地形模型上將像元分類，依據土壤的空間屬性：坡度、坡向、A層質地、B層質地、土壤深度、A層厚度、肥沃度、礫石體積與重量、碳體積與重量，分類結果做成案例，透過與相似案例的匹配決定分類結果。 CBR技術調整相似地區的屬性以反應未分類地區的差異，ZONAT ION能計算土壤屬性值以增加案例知識，方法為： 藉由調整過去案例的屬性值以適應新案例。 使用舊案例中的規則與準則，建立案例 檢核屬性值是否在閾值內 傳統方法則是採取樹狀結構的界定流程。 執行ZONATION系統 輸入參數（例如：坡度、坡向）形成問題案例，包括索引和權重 開始搜尋相似案例，將案例加以匹配與依據權重給分結果排序 當系統無法找到相似案例時，則需使用者輸入新的索引值 當索引值較為簡略或較少限制時，尋找到的案例會較多。 在所選出的案例中做修正，需要額外的資訊解釋複雜的關係 若使用者對結果不滿意，能繼續檢視其他案例，直至滿意或檢視完所有案例。 將最終獲得的案例輸入案例庫，以做系統學習之用。 本研究受限於使用軟體（CASPIAN），是利用最近鄰匹配方法。演算法是： T是目標案例，S是來源案例，n是案例屬性個數，i是每個屬性，f是案例間屬性的相似度函數，W是屬性i的權重。 成果評估 推估41個具較為平均的參數值的地點，結果達97.5%的正確率，在案例庫很大時可方便利用。 200個真實地點利用傳統方式推估，為80%的正確率，ZONATION軟體操作在沒有學習機制下有86.5%的正確率，在有學習機制的情況下則有88%的正確率。 利用ZONATION軟體操作40個在傳統方法中預測錯誤的地點，分析其誤差來源，主要是參數值位於分類邊界。 總結 藉由學習與推理，CBR成為類似專家的系統，在未經學習的機制下成功減少了錯誤推估的地點，經學習機制後則更為減少。若隨著案例的增加，則學習能力將更加改善推估的正確性。 模糊界線是造成本研究難以確切分類