基于空间自相关的环境预测方法.pdfVIP

第2O卷 第4期 青岛大学学报 【自然科学版 ) v01．20 N0．4 2 0 0 7年1 2月 JOURNAL OF QINGDAO UNIVERSITY(Natural Science Edition) Dec．2 0 0 7 文章编号：1006—1037(2007)04—0059—05 基于空间自相关的环境预测方法 黄添强 ，卓飞豹 ，叶飞跃 (1．福建师范大学数学与计算机科学学院计算机科学系，福州350007； 2．江苏技术师范学院计算机科学与工程学院，常州213001) 摘要：为了研究环境系统模型中非线性因素的影响，提出了一种基于空间自相关神经网 络的预测方法，在预测中考虑了空间属性对预测结果的影响。实验表明该方法优于BP 神经网络预测方法。 关键词：空间数据挖掘；环境预测；人工神经网络 中图分类号：TP183 文献标识码：A 在环境调控决策中，决策者需要对环境的变化发展进行预测，如“三废”的排放量的预测等；在传统的环 境调控空间决策支持系统中，定量关系的确定被认为是建立预测模型的基础。但过去研究的模型中方程和 定量关系的建立十分依赖于一些经验参数，因而带有较强的主观性。而环境系统带有非线性的特征，是无法 求出系统方程的解析解，只有直接地处理系统的非线性问题，才能构造出反映客观系统真实的动态性质的模 型。 目前国内外人工神经网络系统应用研究主要包括以下方面：降雨、径流预报；洪水预报；降水预报；分类 识别；环境水质评价；优化调度与计算等[1]。已有的神经网络的方法，大多使用传统的数据挖掘方法，研究传 统的统计数据与环境预测数据的关系。环境预测涉及空间数据，空间数据具有具有空间连续性、空间自相关 性等特点，基于传统数据的方法忽略了邻近空间对象相互之间的影响，难于得到理想的预测结果。本文对传 统神经网络方法进行改造，提出基于空间自相关的人工神经网络技术进行环境预测的方法。 1 基于空间自相关的BP神经网络模型(BPSA模型) 在人工神经网络模型中应用较多的是前馈网络(Back Propagational Network，简称BP网络)。该模型 物理概念清晰，通用性好，具有高度灵活可变的拓朴结构。但是，这种结构没有考虑空间属性对预测结果的 影响。空间对象的观察不是独立的，空间特征存在空间自相关(autocorrelation)[2]，地理学家把它作为第一 定律：每件事物都与其他事物相关，但邻近事物间的相关性比距离较远的事物的相关性要大得多[3]。经典的 数据分析通常假设数据采样是独立的，但在空间数据中是不成立的。空间数据具有连续性与自相关性，空间 中邻近点的数据存在互相关联与影响。基于以上原理，本文提出了基于空间自相关的BP神经网络模型 (Back Propagational Model Based on Spatial Autocorrelation，简称BPSA模型)。 这个模型的结构包括输入层、隐含层和输出层。这个模型的特点是输入层不单包括传统的统计数据输 入，还包括邻近结果的输入。因为空间自相关的原理，邻近空间对象存在相互影响，这种结构体现空间自相 关的思想。同一层神经元之间不互连，不同层神经元之间则全互连。神经网络的权重是由前馈或反馈通过 若干个神经元相互连接，这些神经元位于隐含层，并通过其连接输入层和输出层。将影响预测对象的因子作 收稿日期：2007—09—26 基金项目：福建省青年创新基金(2006F3045)；福建省自然科学基金(2oo7Joo16)资助 作者简介：黄添强(1971一)，男，博士，讲师，主要研究方向为空间、时空数据挖掘与GIS。 60 青岛大学学报(自然科学版) 第20卷 为BP网络的输入，每一个影响因子对应网络输入层的一 个节点，将预测对象作为BP网络的输出。输入层和输 出层的节点数由具体的预测问题来确定。当BP网络确 输出层 定后，用该网络对样本进行监督学习，从而识别出影响因 子与预测对象之间复杂的非线性映射关系。BP网络的 隐眚层 核心是运用链导数法则将误差函数对连接权和阈