基于GI和ANFIS技术的空间评价与预测研究.doc

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支持下分别建立表明:中图分类号:TP393.3 文献标识码:建立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图层，表3是其对应的综合属性表。 空间评价与预测基本框架 在GIS技术的支持下，空间评价与预测的基本框架：（1）确定研究区域范围；（2）确定评价与预测对象；（3）寻找评价与预测对象的影响因子；（4）将各个不同影响因子抽象为不同的因子图层，建立空间数据库；（5）对因子图层进行叠加运算（overlap）,得到综合图层和综合属性表；（6）基于综合图层和综合属性表，采用一定的模型方法进行评价与预测；（7）对评价与预测结果进行可视化表达。即： ——输出图层；——输入图层；——空间评价与预测模型。图2为空间评价与预测基本框架。 自适应模糊神经网络(ANFIS) ANFIS原理 假定所考虑的模糊推理系统有两个输入和，单输出。对于一阶Sugeno模糊模型，具有两条模糊if - then规则的普通规则集如下： 规则1 如果是 and 是,那么。 规则2 如果是 and 是,那么。 采用Sugeno模型的推理机制，可以产生如图2所示的ANFIS结构简图。同一层的每一个节点具有相同函数(记层的第节点的输出为)。 第一层：该层节点是以节点函数表示的方形节点（该层节点是可变的）： 其中，（或）为节点的输入，（或）是与该节点函数相关的语言变量，如“大”或“小”等。或者说是模糊集的隶属度函数，通常可以选用钟型函数，如： 这里为前提参数。隶属函数的形状随这些参数的改变而改变。 第二层：该层的节点在图中用表示，输出为输入信号相乘。即： 第三层：该层节点在图中用表示，第节点计算第条规则的与全部规则值之和的比值为： 第四层：该层节点为自适应节点，节点输出为： 式中为结论参数。 第五层：该层的单节点是一个固定节点，计算所有输入信号的总输出为： ANFIS的学习算法 前提参数和结论参数采用混合学习算法来确定。步骤如下： ①随机确定前提参数的初始值，用最小二乘法计算结论参数。由式(7)知： 式中，。若有组输入输出数据对，且给定前提参数，则为矩阵。一般的，样本数据个数远大于结论参数个数，使用最小二乘法得到误差最小条件下的结论参数向量的最佳估计，即： ②根据结论参数进行误差计算。采用前馈神经网络中的BP算法，将误差由输出端反向传到输入端，用梯度下降法更新前提参数，从而改变隶属函数的形状。 基本GIS和ANFIS技术的空间评价与预测 ①选取训练样本和测试样本。在图2中，综合图层中的多边形、属性表中的元组即为ANFIS和ANN的学习样本。消除矢量空间数据库中多边形学习样本的不等权方法：一种是将矢量数据转化为栅格数据，将栅格作为学习样本；另一种是计算每一个多边形权重，按照权重产生新的样本集。具体方法如下： 设多边形面积集合，n为样本数，则样本的权重： 为面积集合中的