土壤遥感分类识别专家系统的结构设计..docVIP

土壤遥感分类识别专家系统的结构设计 付 炜1, 2 燕山大学信息学院，河北 秦皇岛 066004；新疆大学电子科学与信息工程学院，新疆 乌鲁木齐 830046 摘要：介绍了土壤遥感分类识别专家系统的设计原理与实现方法，阐述了土壤遥感分类识别专家系统的土壤分类决策判断树的构造原理，讨论了土壤遥感分类识别专家知识表示的基本原则和系统知识库中专家知识的组织方式，以及专家系统推理机的设计原理和推理规则的构建方法。系统采用压缩编码方式存储地学专题图形和遥感图像数据，具有数据与图像的存储更新、查询检索、分析处理、特征提取和信息输出等功能。该系统可以对遥感图像进行土壤类型的分类识别，并对分类精度进行监测与评价。用该系统对新疆天山北麓阜康试验区的土壤分类识别进行了试验研究，并对试验结果进行了讨论与评价。 关键词：土壤遥感；分类识别；专家系统 中图分类号：TP391；O235 文献标识码：A 文章编号：1672-2175（2004）01-0063-07土壤遥感分类识别专家系统（CRES）是一个能以土壤学专家的水平对遥感图像进行土壤类型分类识别的计算机系统。CRES具有对地学图形数据和遥感图像数据进行存储更新、查询检索、分析处理、特征提取和信息输出等功能。利用土壤学专家的专门知识和计算机快速处理数据的能力，CRES可以对遥感图像的土壤类型进行专家级的分类和识别。本文以新疆天山北麓阜康试验区TM遥感图像土壤类型的分类识别为例，介绍了CRES的设计原理与实现方法，讨论了领域专家知识的获取与表示形式，以及土壤分类识别的推理判决规则和推理算法。 1 系统的逻辑结构设计 1.1 综合数据库 综合数据库用于存放系统运行中所需要和产生的数据，包括图形/图像数据、属性数据、模型分析数据等信息，其系统结构如图1所示。 1.1.1 图像数据库（Image Data Base，IDB） IDB存储经过特征编码和数据压缩的地学专题图形和遥感图像数据。其主要功能为：将图形数据的矢量记录格式转换为栅格记录格式，并以压缩编码方式存储图形/图像；可对图形/图像数据进行各种数学变换和数字图像处理；进行图形/图像数据的各种统计分析；根据模型库的计算公式产生数字地形模型；图形/图像数据的逻辑操作和图像显示；直接访问属性数据库，进行图形/图像数据的查询检索、分析处理等功能[1]。 1.1.2 属性数据库 (Attribute Data Base，ADB) ADB存放与图形/图像数据相关的属性数据，如各种多边形的面积、类型、名称；各种点、线、面、弧段的几何属性、空间属性及其自然与社会属性。 1.1.3 模型库（Model Base，MB） MB的模型分为两大类，即系统模型和应用模型。系统模型包括系统坐标变换、曲面拟合与曲线插值运算、图像覆盖与分离处理、地形要素提取、空间数据搜索、主成分分析和系统层次分析等。应用模型包括灰色控制系统分析、模糊聚类分析、模糊模型识别分析、土壤资源评价模型分析，以及土壤资源合理利用规划数字模拟分析等。 1.2 知识库 (Knowledge Base，KB) 1.2.1 专家知识的表示 KB中存放进行土壤类型识别所需要的判断性知识和描述各种土壤成土因子的知识。在CRES中，土壤分类识别的专家知识采用知识表示的框架式结构与产生式规则相结合的方式表示领域专家的经验性知识。这种数据结构模拟人脑的思维判断过程，有利于目标驱动的逆向推理过程。因该数据结构含有图像特征信息，故称之为“像结构”。一个像结构就是对一种土壤类型的空间特征描述。在像结构中包含了低层次的知识表示的产生式规则，而在高层次的知识表示的产生式规则中又包含了像结构。这种知识表示形式克服了知识表示的单纯使用产生式规则的低效率[2]。如像结构含有某一类土壤的具体属性值时，则该像结构就成为反映该类土壤的真实特性的具体像结构实例，称之为“典型像例”。在CRES中，每一待判土壤类型对应于一个像结构，而对某些具有“同土异谱”的土壤类型，则用多个典型像例来描述。如下述天山北麓主要土壤类型的典型像例为（以下“?”表示回车换行）： 山地草原土：?高程：1600~2800 m；?TM2图像亮度值（BND2）：20~33；?TM4图像亮度值（BND4）：36~63；?绿色指数值（GRI）：70~160；?坡度：0°~45°；?坡向：90°~270°。 灌耕灰漠土（被农作物覆盖）：?地下水深度：＞6 m；?地下水矿化度：＜1 g/L；?土壤母质类型：黄土、冲洪积物或冲积物；?TM2图像亮度值（BND2）：28～32；?TM4图像亮度值（BND4）：60～80；?绿色指数值（GRI）：100～200。 灌耕灰漠土（裸露）：?地下水深度：＞4 m；?地下水矿化度：＜2 g/L；?土壤母质