基于GIS和ANFIS技术的空间评价与预测研究.docVIP

基于GIS和ANFIS技术的空间评价与预测研究 厍向阳1 薛惠锋1 汤国安2 1(西北工业大学自动化学院，西安，710072) 2(南京师范大?学地理信息科学江苏省重点实验室，南京，210097) 摘要：将地理信息系统(GIS)、自适应神经模糊推理系统（ANFIS）相结合进行空间评价与预测。分析了空间评价与预测的研究现状和GIS、ANFIS各自优势。按照空间数据结构特点，归纳出空间评价与预测的基本框架。根据自适应神经模糊推理系统(ANFIS)的原理，提出了基于GIS和ANFIS技术的空间评价与预测方法。以土壤侵蚀为例，在GIS支持下分别建立ANFIS和ANN模型，评价与预测土壤侵蚀强度的空间分布，并进行精度比较。实验表明:（1）ANFIS模型的拟合能力、推广能力均高于ANN；（2）矢量空间数据库中，多边形面积权重对于空间评价与预测结果至关重要。 关 键 词:空间评价与预测；地理信息系统；人工神经网络；自适应神经模糊推理系统 中图分类号:TP393.3 文献标识码:A 引言 在生产实践中，众多决策因子的空间分布、空间密度、空间组合直接影响空间评价和决策结果。地理信息系统(GIS)是空间数据采集、管理、分析、建模和可视化的工具。空间数据管理、空间分析是GIS特有的功能,它为空间评价与预测提供了分析研究的空间框架和空间数据管理、分析的工具，但是GIS本身缺乏模型管理和智能化数据处理能力，空间建模能力十分有限。因而，将GIS与其它评价与预测技术相结合进行空间评价与预测成为必然。在GIS支持下, 目前空间评价与预测模型可概括为：①基于启发关系的知识驱动模型；②基于统计关系的数据驱动模型 [1、2]。前者由于模型中变量权重是通过专家经验评判给出，称为知识驱动模型。这类模型如：多准则评价（MCE）、多因素模糊综合评价等，其权重和隶属度函数选取具有主观性、缺乏理论支持，对于非常复杂的现象缺乏自学能力。后者由于模型中的参数可以根据已知空间数据的统计分析得出，称为数据驱动模型。这类模型如：逻辑回归、证据权重和神经网络等，具有较为严密的理论基础，但要求学习样本满足等权、相互独立等假设条件，而空间数据并不具备。因此，数据驱动模型不能直接与GIS结合进行空间评价与预测。文献[3～5]在进行空间评价时忽略了学习样本等权这一假设前提。 神经网络对环境的变化具有较强的自适应能力和自学习能力，但它的黑箱型学习模式导致所获得的输入∕输出关系无法用容易被人接受的方式表示出来；而且神经网络方法存在非此即彼的绝对性，有时会使结果与实际不符。模糊系统虽然是建立在被人容易接受的“IF ...THEN这一表达方式之上，但如何自动生成和调整隶属度函数和模糊规则，既费时又要依赖于专家[6～8]。自适应神经模糊推理系统（ANFIS）将人工神经网络（ANN）的自学习优势和模糊推理系统（FIS）非常适于表达人脑推理优势有机结合起来，尤其适用于不被人们所了解或非常复杂的系统。但是自适应神经模糊推理系统缺乏空间数据管理和可视化功能，不能直接进行空间评价与预测。基于以上分析，按照空间数据结构特点，归纳出空间评价与预测的基本框架。根据自适应神经模糊推理系统(ANFIS)的原理，提出了基于GIS和ANFIS技术的空间评价与预测方法。最后，以土壤侵蚀为例，在GIS支持下分别建立ANFIS和ANN模型，评价与预测土壤侵蚀强度的空间分布，并进行精度比较。 空间评价与预测基本框架 空间数据的组织与空间分析 GIS管理和存储空间数据的方法是将它们抽象为带有分类属性的几何对象，以层（Layer）为概念组织、存储、修改和显示它们。空间数据组织有两个前提条件：（1）同一层中的对象具有相同的空间维数，如：点、线、面的一种；（2）GIS层中的对象一般都是同一地形或地物类型，整个层构成了具有某一地理性质的专题地图。以Arc/info矢量数据模型为例，首先，从逻辑上将空间数据抽象为不同的专题或层，如：土地利用、地形、道路、居民区、土壤单元等，一个专题层包含区域内地理要素的位置和属性数据。其次，将一个专题层的地理要素或实体分解为点、线、面目标，每个目标的数据由定位数据、属性数据和拓扑数据组成。图一中的（a）和 (b)分别由属性1和属性2组成的两个面要素图层，表1和表2是与其对应的属性表。 空间分析是基于空间数据的分析技术，它以地学原理为依托，通过分析算法，从空间数据中获取有关地理对象的空间位置、空间分布、空间形态、空间形成、空间演变等信息。Goodchild将空间分析分为：（1）产生式规则：数字地面模型分析，空间叠合分析，缓冲区分析、空间网络分析，空间统计分析；（2）咨询式分析：空间集合分析，空间数据查询。图一中的（c）就是由（a）和 (b)图层经叠加分析得到的综合