人工智能技术在GIS应用中的研究

  本文关键词：人工智能技术在GIS应用中的研究，由笔耕文化传播整理发布。

人工智能技术在GIS应用中的研究

摘要:人工智能技术与GIS相结合,能够对海量空间地理数据中的结构化和非结构化知识进行表达推理,预测未来发展趋势,智能化的解决复杂的现实问题。文中阐述了人工智能与GIS结合的研究热点,在智能化知识推理中给出了详细解释,并以实例具体描述了专家系统中自然语言输入到结果输出的运行过程。

关键词:人工智能;人工神经元网络;专家系统

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在于它能够学会任何复杂性的映射(线性、非线性),利用这一特性可以在没有或有很少关于研究对象的领域知识的前提下,通过对大量空间数据(样本)进行学习,来建立空间要素之间的依赖关系,以满足人们对空间数学模型的需求。 智能空间分析重点要解决的问题是空间知识的发现、表达与推理问题。对于描述性知识来说,符号方法仍然是一种重要的知识表达与推理手段。而对于具有大规模并行分布式结构的知识,神经网络和遗传算法则具有其它方法无可替代的优越性。

空间知识的自动获取是制约空间分析发展的瓶颈。从空间数据库中发现知识的能力是评价空间信息智能化的重要标志。神经网络与遗传算法的结合使其具有较强的知识学习能力成为可能。

2.2 空间推理

空间推理是利用空间理论和人工智能技术对空间对象进行建模、描述与表示,并据此对空间对象间的空间关系进行定性或定量分析和处理的过程。空间推理有浅层推理和深层推理之分。深层次的推理结合了人工智能技术,涉及到空间知识的获取、表达与利用,也称为基于规则知识的空

间推理。知识可以是从空间数据本身内在的规律提取的事实性知识,也可以是人为规定的或常识性的认知知识[5]。

2.2.1 知识表达

空间推理的首要前提是要讲规则知识进行识别,这就涉及到知识表达问题。在人工智能中有多种知识表达方法,如:谓词逻辑、产生式规则、单元、语义网络、概念从属、框架和脚本等。

本文中我们以框架为例实现地理知识的表达。基于框架网络结构模型的知识表达方法中心内容是采用知识的框架网络结构描述地学环境的实体单元,将各级专家知识的表示以指针链接,形成了由知识到语义的专家知识表示框架网络(图2)。该知识库由事实库、规则库和映射库组成,事实库用于存储推理需要的判断性知识以及构成信息实体的事实;规则库用于存储推理所用的专家知识和引导推理的元知识,可以用产生式规则表示;知识库中的事实和规则表面上是分开存储的,而在知识的内部表示中,使用映射库中的映射集反映规则对事实的引用和操作[6]。基于框架网络结构模型的知识表示方法适合表示以实体为中心的多层次地理专家知识,并且与GIS的数据模式相对应,同时框架的继承性和附属过程为信息动态获取提供了方便。

  本文关键词：人工智能技术在GIS应用中的研究，，由笔耕文化传播整理发布。