第九章 智能化空間分析

第九章智能化空間分析9.1空間分析智能化9.2智能計算技術(shù)9.3模糊地理空間數(shù)據(jù)分析9.4基于人工神經(jīng)網(wǎng)絡(luò)的地理空間問題模擬9.5基于遺傳算法的地理空間問題分析

隨著GIS應(yīng)用水平的不斷提高，人們開始逐漸關(guān)注地理空間數(shù)據(jù)的模糊性、不確定性及其分析方法，顯然，傳統(tǒng)基于確定性數(shù)據(jù)的分析模型已經(jīng)不能有效地解答這一問題。同時，越來越多的復(fù)雜應(yīng)用問題也對GIS空間分析功能提出了更高的要求。地學(xué)工作者把數(shù)學(xué)、計算機(jī)科學(xué)和信息科學(xué)領(lǐng)域的智能計算技術(shù)引入地學(xué)研究，將模糊數(shù)學(xué)、神經(jīng)網(wǎng)絡(luò)、遺傳算法等人工智能技術(shù)與GIS相結(jié)合，試圖把不確定的數(shù)據(jù)處理轉(zhuǎn)換為可靠、精確的知識和信息分析，以提高GIS空間數(shù)據(jù)分析和空間問題模擬的準(zhǔn)確度。智能計算將數(shù)值計算與語義表達(dá)、形象思維等高級智能行為聯(lián)系起來，通過模擬人腦判斷與推理的行為與過程，處理關(guān)系錯綜復(fù)雜的數(shù)據(jù)，使高維非線性隨機(jī)、動態(tài)或混沌系統(tǒng)行為的分析、預(yù)測和決策問題通過軟計算找到有效的解決途徑。1、地理空間數(shù)據(jù)的不確定性概念不確定性是指處于混沌或模糊邊緣的現(xiàn)象，是客觀世界的固有特征，存在于自然科學(xué)技術(shù)、社會經(jīng)濟(jì)和人文科學(xué)的各個領(lǐng)域。地理空間數(shù)據(jù)是對地理空間現(xiàn)象和過程的抽象和近似表達(dá)，存在著廣泛的不確定性?？臻g數(shù)據(jù)不確定性可以理解為關(guān)于空間位置、空間現(xiàn)象、過程和特征不能被準(zhǔn)確確定的程度。不確定性問題貫穿于整個數(shù)據(jù)的生命周期，可能隨時間發(fā)生變化，致使地理空間數(shù)據(jù)分析與管理極其復(fù)雜。

9.1空間分析智能化?Ronen（1988）在“UncertaintyAnalysis”一書中指出，空間數(shù)據(jù)的不確定性一般指誤差、精度、精確度、正確度和合理性；?Heuvelink（1993）認(rèn)為不確定性是誤差的同義詞；?MichaelGoodchild（1995）把不確定性看作比誤差更為一般的數(shù)據(jù)質(zhì)量問題，即數(shù)據(jù)不確定性的含義要比誤差更為廣泛；?VanderWel（2000）將數(shù)據(jù)中的不確定性理解為某個具體數(shù)據(jù)特征不能表達(dá)的和有關(guān)真值知識的有用概念；迄今為止，關(guān)于空間數(shù)據(jù)不確定性的定義尚未形成明確和統(tǒng)一的認(rèn)識，以下是一些初步的論述：

?Gottsegen（2001）則認(rèn)為不確定性概念比誤差或精度以及限制性概念要廣，它可以看作是知識多少有點(diǎn)不完備的數(shù)據(jù)，這些數(shù)據(jù)是不可信的和不知道的；?KeithBeren（2002）認(rèn)為不確定性是對模型可能輸出結(jié)果的風(fēng)險性評估，它是評估模型正確性的一種方法，與風(fēng)險性相聯(lián)系；?PeterFisher（2003）指出空間數(shù)據(jù)不確定性是用來表述所有已經(jīng)發(fā)表的與位置信息不確定相關(guān)的研究和一些認(rèn)為與數(shù)據(jù)質(zhì)量互補(bǔ)的研究領(lǐng)域的研究，并將空間數(shù)據(jù)不確定性的研究分為誤差（error）、模糊（vagueness）、歧義（ambiguity）和不一致（discord）四個方面?？偟目磥?，絕大多數(shù)觀點(diǎn)認(rèn)為空間數(shù)據(jù)的不確定性與空間數(shù)據(jù)質(zhì)量有關(guān)，但并不局限于數(shù)據(jù)質(zhì)量問題?？臻g數(shù)據(jù)的不確定性是指信息源沒有完全表達(dá)的程度，不僅包含能夠觀測的誤差要素，也包含復(fù)雜的、難于觀測的要素。從不同的角度，空間數(shù)據(jù)不確定性可劃分為不同類型。根據(jù)空間數(shù)據(jù)的時間、空間、屬性基本要素，可以分為時間不確定性、空間不確定性和屬性不確定性2、地理空間數(shù)據(jù)的不確定性類型1.空間數(shù)據(jù)不確定性的概念及類型空間數(shù)據(jù)的不確定性類型分為概念不確定性和量測不確定性。前者是指客觀實(shí)體特征向地理信息系統(tǒng)空間目標(biāo)轉(zhuǎn)化過程引起的不確定性，后者是指對空間目標(biāo)賦值的不確定性。不確定性還常常被分為隨機(jī)不確定性和模糊不確定性，分別由隨機(jī)性和模糊性引起。隨機(jī)性指不知是否會發(fā)生的事件中包含的不確定性，如人口的分布、遷移，泥石流、地震的發(fā)生等均具有隨機(jī)性；模糊性則是已經(jīng)出現(xiàn)或?qū)霈F(xiàn)但難以給出精確定義的事件中所包含的不確定性，如利用地理信息系統(tǒng)分析某城市繁華區(qū)人口密度時，難以給“密度大”、“密度較大”、“密度小”等詞語精確的定義，即是一種模糊不確定性。在現(xiàn)實(shí)世界中，有些事件往往既包含隨機(jī)不確定性，又包含模糊不確定性?！懊魈煜卵┑目赡苄院苄　?，既包含隨機(jī)不確定性，又包含模糊不確定性。下不下雪是隨機(jī)的，具有隨機(jī)不確定性；可能性很小卻是模糊的，具有模糊不確定性。GIS空間數(shù)據(jù)的不確定性包括空間位置的不確定性、屬性不確定性、時域不確定性、邏輯上的不一致性及數(shù)據(jù)的不完整性。空間位置的不確定性指作為空間實(shí)體的點(diǎn)、線、多邊形或者柵格像素在圖形或圖像表達(dá)中與其真實(shí)值的誤差程度；屬性不確定性是在采集、描述和分析真實(shí)世界中客觀實(shí)體的過程中，實(shí)體屬性的量測、分析值圍繞其屬性真值，在時間和空間內(nèi)的隨機(jī)不確定性變化域；3、空間數(shù)據(jù)不確定性的研究內(nèi)容時域不確定性是指在描述地理現(xiàn)象時，時間描述上的差別；邏輯上的不一致性指數(shù)據(jù)結(jié)構(gòu)內(nèi)部的不一致性，特別是指拓?fù)溥壿嬌系牟灰恢滦?；?shù)據(jù)的不完整性是指GIS沒有盡可能完全地表達(dá)給定的目標(biāo)。地理信息系統(tǒng)不確定性研究還包括模型的不確定性、GIS數(shù)據(jù)產(chǎn)品的不確定性和GIS工程的不確定性等。3、空間數(shù)據(jù)不確定性的研究內(nèi)容智能化GIS是指與專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、遺傳算法等相結(jié)合的GIS，即人工智能技術(shù)在GIS中的應(yīng)用。

4、智能化空間分析技術(shù)目前對智能化GIS有兩種理解：（1）是指在GIS系統(tǒng)中應(yīng)用人工智能技術(shù)，建立智能化時空數(shù)據(jù)處理和分析模型，在人工智能理論支持下對時空信息進(jìn)行處理和分析，即在地學(xué)規(guī)律指導(dǎo)下，結(jié)合具體的地學(xué)知識和地理信息，通過地學(xué)分析和GIS、人工智能等技術(shù)獲得更精確的分析結(jié)果。

（2）智能化GIS是GIS系統(tǒng)作為一種分析處理空間信息的通用技術(shù)應(yīng)用于某一個領(lǐng)域，使管理水平、決策系統(tǒng)智能化。例如，在智能交通系統(tǒng)中，通過采用電子技術(shù)、地理信息系統(tǒng)技術(shù)、通信技術(shù)等高新技術(shù)對傳統(tǒng)的交通運(yùn)輸系統(tǒng)及管理體制進(jìn)行改造，形成一種信息化、智能化和社會化的新型現(xiàn)代交通系統(tǒng)。

智能化空間分析技術(shù)

GIS空間分析是利用各種空間分析模型、空間操作技術(shù)對海量的空間數(shù)據(jù)進(jìn)行有效處理，發(fā)現(xiàn)新知識和規(guī)律，其中必然涉及各種智能分析方法的運(yùn)用問題。智能化的空間分析方法可以解決更加復(fù)雜的地理問題，并且提高解決地理問題的效率和精度。從近幾十年的發(fā)展來看，智能化空間分析方法主要經(jīng)歷了從決策樹、基于知識的專家系統(tǒng)到基于智能計算分析方法的不同階段。決策樹(DecisionTree）是在已知各種情況發(fā)生概率的基礎(chǔ)上，通過構(gòu)成決策樹來求取凈現(xiàn)值的期望值大于等于零的概率，評價項目風(fēng)險，判斷其可行性的決策分析方法，是直觀運(yùn)用概率分析的一種圖解法。由于這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。在機(jī)器學(xué)習(xí)中，決策樹是一個預(yù)測模型，他代表的是對象屬性與對象值之間的一種映射關(guān)系。決策樹專家系統(tǒng)是一個智能計算機(jī)程序系統(tǒng)，其內(nèi)部含有大量的某個領(lǐng)域?qū)＜宜降闹R與經(jīng)驗，能夠利用人類專家的知識和解決問題的方法來處理該領(lǐng)域問題。也就是說，專家系統(tǒng)是一個具有大量的專門知識與經(jīng)驗的程序系統(tǒng)，它應(yīng)用人工智能技術(shù)和計算機(jī)技術(shù)，根據(jù)某領(lǐng)域一個或多個專家提供的知識和經(jīng)驗，進(jìn)行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復(fù)雜問題，簡而言之，專家系統(tǒng)是一種模擬人類專家解決領(lǐng)域問題的計算機(jī)程序系統(tǒng)。基于知識的專家系統(tǒng)人工智能(ArtificialIntelligence)，英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能是計算機(jī)科學(xué)的一個分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。人工智能

智能化空間分析重點(diǎn)要解決空間知識的發(fā)現(xiàn)、表達(dá)、推理與計算等問題。對于描述性知識來說，符號方法是一種重要的知識表達(dá)與推理手段，如邏輯（模糊與非模糊）、產(chǎn)生式系統(tǒng)、語義網(wǎng)、面向?qū)ο蟮募夹g(shù)以及綜合方法等?；谥R的決策可以由以知識工程及人工智能理論為基礎(chǔ)的決策支持系統(tǒng)來完成，智能知識的表達(dá)與推理是智能化空間決策支持系統(tǒng)的核心。

在人工智能中，地理現(xiàn)象、地理事實(shí)、地理概念、地理規(guī)律等統(tǒng)稱地理知識，將地理知識應(yīng)用在空間分析中則形成了“地理專家系統(tǒng)”。

20世紀(jì)80～90年代，基于知識的地理專家系統(tǒng)是地理研究方法中比較流行的模式，例如wayre等人提出的有關(guān)鐵路與高速公路交叉口安全管理與分析的基于知識的GIS；LamDavid等人將專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)與GIS相結(jié)合建立了用于環(huán)境管理的決策支持系統(tǒng)；南京大學(xué)開發(fā)的用于尋找地下水的專家系統(tǒng)等，都較好地解決了有關(guān)的非線性地理問題。

美國學(xué)者James在1992年首次提出了智能計算技術(shù)的概念。智能計算以數(shù)據(jù)為基礎(chǔ)，即使在對象模型和邊界條件不夠精確和完整的情況下，也能夠獲得合理的解釋，因此能夠有效地解決系統(tǒng)中一些非線性和不確定性的問題。智能計算技術(shù)是基于計算的，或者基于計算和基于符號物理相結(jié)合的各種智能理論、模型、方法的綜合集成，對于具有大規(guī)模并行分布式的結(jié)構(gòu)性知識分析處理，具有其他技術(shù)無可替代的優(yōu)越性。1人工智能技術(shù)的產(chǎn)生與發(fā)展智能是個體有目的的行為、合理的思維以及有效地適應(yīng)環(huán)境的綜合性能力。

人工智能（artificialintelligence，AI）是指通過對人類智力活動奧秘的探索與記憶思維的研究，開發(fā)人類智力活動的潛能、探討用各種機(jī)器模擬人類智能的途徑，使人類的智能得到物化、延伸和擴(kuò)展的一門學(xué)科。它與生物工程和空間技術(shù)成為當(dāng)今世界的三大尖端技術(shù)。9.2智能計算技術(shù)人工智能發(fā)展簡史

年代主要發(fā)展方向

1930～1940s理論思考

1950s簡單神經(jīng)網(wǎng)絡(luò)

1960s啟發(fā)式搜索

1970s專家系統(tǒng)

1980s神經(jīng)計算、遺傳算法和人工生命

1990s遺傳規(guī)劃、模糊邏輯和混合智能系統(tǒng)主要事件：

◆

1930～40s，智能界主要進(jìn)行機(jī)器智能的理論思考，數(shù)理邏輯和關(guān)于計算的新思想促成了人工智能的產(chǎn)生和發(fā)展。

◆

1946年第一臺電子計算機(jī)ENIAC面世，為AI的產(chǎn)生奠定了必要的技術(shù)基礎(chǔ)。

◆

1950年，英國數(shù)學(xué)家Turing在神經(jīng)學(xué)和心理學(xué)的啟發(fā)下，提出了計算機(jī)能夠思維的論斷，把符號處理過程中的形式推理上升到思維的高度，為AI奠定了理論基礎(chǔ)。

◆

1943年，McCullonch和Pitts根據(jù)動物神經(jīng)元的生理特點(diǎn)提出了人工神經(jīng)元的數(shù)學(xué)模型，即MP神經(jīng)元模型，多個MP神經(jīng)元組成的MP神經(jīng)網(wǎng)絡(luò)可以完成一些簡單的邏輯功能。

◆

1950s開始，神經(jīng)網(wǎng)絡(luò)成為人工智能的主要研究領(lǐng)域，建立了第一個真正的人工神經(jīng)網(wǎng)絡(luò)模型，到60年代初，神經(jīng)網(wǎng)絡(luò)研究收到科學(xué)界的高度重視，人工智能研究進(jìn)入高潮。

◆

1970s，專家系統(tǒng)在人工智能界顯示出強(qiáng)大的生命力，建立了各領(lǐng)域的應(yīng)用專家系統(tǒng)?！?980年代，專家系統(tǒng)和知識工程在世界范圍內(nèi)得到迅速發(fā)展，實(shí)現(xiàn)了從理論研究走向?qū)嶋H應(yīng)用，從一般思維規(guī)律的探討走向?qū)ｉT知識運(yùn)用的突破?！?970年代初，Holland提出了遺傳算法的基本定理。遺傳算法（Geneticalgorithms，GA）起源于對生物系統(tǒng)進(jìn)行的計算機(jī)模擬研究，是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過程而形成的一種自適應(yīng)優(yōu)化概率搜索算法。80年代后遺傳算法得到廣泛的應(yīng)用?！?980年代末以后，神經(jīng)網(wǎng)絡(luò)、模糊邏輯與遺傳算法開始進(jìn)行交叉和結(jié)合，形成了人工智能的新的研究方向——智能計算（Computationalintelligence）。2智能計算的概念智能計算也稱為“軟計算”，迄今為止沒有統(tǒng)一的定義，大體有以下幾種：

（1）智能計算就是受自然界或生物界規(guī)律的啟迪，根據(jù)其原理模擬設(shè)計求解問題的算法，如人工神經(jīng)網(wǎng)絡(luò)技術(shù)、遺傳算法、進(jìn)化規(guī)劃、模擬退火技術(shù)和群集智能技術(shù)等。

（2）智能計算（包括神經(jīng)網(wǎng)絡(luò)、進(jìn)化、遺傳、生態(tài)等理論）作為第二代人工智能方法，是連接主義、分布式人工智能和自組織系統(tǒng)理論共同發(fā)展的結(jié)果。

（3）智能計算是用計算機(jī)模擬和再現(xiàn)人類的某些智能行為。從方法論的角度，計算智能大體可以分為三種基本類型：

◆以符號操作為基本特征的符號機(jī)制，從抽象層次模擬和再現(xiàn)人類的某些智能行為，演繹方法構(gòu)成其主要的邏輯框架；◆以人工神經(jīng)網(wǎng)絡(luò)為代表的聯(lián)結(jié)機(jī)制，從神經(jīng)元相互作用的層次模擬再現(xiàn)人類的智能行為；◆以遺傳算法為代表的進(jìn)化機(jī)制，從自然進(jìn)化的角度探尋智能的形成方式。

（4）智能計算廣義地講就是利用仿生學(xué)思想，基于生物體系的生物進(jìn)化、細(xì)胞免疫、神經(jīng)細(xì)胞網(wǎng)絡(luò)等某些機(jī)制，用數(shù)學(xué)語言抽象描述的計算方法，用以模擬生物體系和人類的智能機(jī)制。從方法論的角度和目前的研究狀況看，智能計算有下面幾種基本類型：◆處理不確定信息的模糊數(shù)學(xué)和粗集理論；◆再現(xiàn)人類某些智能行為的神經(jīng)網(wǎng)絡(luò)；◆以模擬生物進(jìn)化規(guī)律為特征的遺傳算法；◆以免疫操作為基本特征的免疫算法；◆以DNA復(fù)制為基本特征的DNA計算。3智能計算技術(shù)的特點(diǎn)及組成（1）智能計算技術(shù)的特點(diǎn)◆智能性智能計算技術(shù)的智能性包括自適應(yīng)、自組織和自學(xué)習(xí)性等，這些特征使得該技術(shù)能夠根據(jù)環(huán)境的變化自動發(fā)現(xiàn)環(huán)境的特性和規(guī)律?！舴€(wěn)健性穩(wěn)健性是指在不同環(huán)境和條件下算法的適用性和有效性，利用智能計算技術(shù)求解不同問題時，只需要設(shè)計相應(yīng)的適應(yīng)性評價函數(shù)，不需要修改算法的其他部分?！舨淮_定性智能計算的不確定性是伴隨其隨機(jī)性而來的，其主要操作都含有隨機(jī)因子，從而在算法的進(jìn)化過程中，事件發(fā)生與否帶有較大的不確定性?！魪?qiáng)化計算智能計算不需要很多待求解的背景知識，而主要依賴于大量快速的運(yùn)算，從數(shù)據(jù)集中尋找規(guī)則或者規(guī)律，這是智能計算的主要特征?！羧蒎e性神經(jīng)元網(wǎng)絡(luò)和模糊推理系統(tǒng)都有很好的容錯性，從神經(jīng)元網(wǎng)絡(luò)中刪除一個神經(jīng)元，或從模糊推理系統(tǒng)中去掉一條規(guī)則，并不會破壞整個系統(tǒng)，由于具有并行和冗余的特征，系統(tǒng)可以繼續(xù)工作?！羧謨?yōu)化傳統(tǒng)的計算方法一般采用的是梯度下降的爬山策略，遇到多峰函數(shù)時容易陷入局部最優(yōu)，遺傳算法能在解空間的多個區(qū)域內(nèi)同時進(jìn)行搜索，并且能夠以較大的概率跳出局部最優(yōu)以找出整體最優(yōu)解。（2）智能計算技術(shù)的組成

Zadeh提出的智能計算的組成

模糊邏輯（fuzzylogic）

神經(jīng)網(wǎng)絡(luò)（neuralnetwork）

概率推理（probabilisticreasoning）

進(jìn)化計算（evolutionalcomputation）

學(xué)習(xí)理論（learningtheory）

置信網(wǎng)絡(luò)（beliefnetwork）

混沌理論（chaotheory）其中進(jìn)化計算包括遺傳算法、進(jìn)化策略和進(jìn)化規(guī)劃等三個分支。

有些研究者認(rèn)為智能計算還應(yīng)當(dāng)包括非線性科學(xué)中的小波分析、混沌動力學(xué)、分形幾何理論、免疫算法（immunealgorithms）、DNA計算、模擬退火技術(shù)（simulatedannealingalgorithms）、多智能體系統(tǒng)（multi-agent）以及粗集（roughsets）理論和云理論（cloudytheory）等。智能計算并不是單一的方法，而是眾多方法和技術(shù)的集合，實(shí)際應(yīng)用中更多的是將多種方法有機(jī)結(jié)合起來，尋求效率的最大化。模糊一詞源于英文Fuzzy，具有“不分明的”或“邊界不清楚”的含義。1965年，美國加利福尼亞大學(xué)扎德（L.A.Zadeh）教授首次提出“模糊集合”的概念，并給出模糊概念的定量表示法，從此誕生了對模糊信息進(jìn)行理論分析和數(shù)學(xué)求解的模糊理論。9.3模糊地理空間數(shù)據(jù)分析自然界的許多現(xiàn)象很難用“是”或“不是”、“對”或“不對”這樣非此即彼的精確語言來描述，地理空間信息分析本質(zhì)上具有某種程度的模糊性。不同土地類型的界線是模糊的；天氣預(yù)報中說的“局部地區(qū)有小雨”，局部地區(qū)指的是哪里，它的邊界有多大？1.模糊集合模糊集合是一組具有連續(xù)隸屬度的元素所組成的集合。在經(jīng)典的集合論中，一個元素x相對于集合S的關(guān)系可表示如下：

而在模糊集合論中，x是否屬于S由0到1之間的數(shù)即屬于的程度用隸屬度來表示，且：

。也就是說，它允許表示一個元素部分地屬于某一集合的情況。9.3.1模糊集合與模糊邏輯例如，利用普通集合理論，難以描述兩種土壤類型間的漸變區(qū)域，因此很難確切地描述土壤類型的空間擴(kuò)展、分布，應(yīng)用模糊集合理論可以解決該問題。把土壤類型定義為一個具有空間擴(kuò)展的集合體，其邊界區(qū)域可以用隸屬度函數(shù)定義一個傳遞區(qū)域，該隸屬度函數(shù)可用于描述空間內(nèi)任何一點(diǎn)屬于該土壤的程度。模糊集合理論在處理不確定性問題時，用自然語言進(jìn)行有關(guān)的空間查詢具有較大的優(yōu)勢。例如要實(shí)現(xiàn)這樣一個查詢，靠近某一監(jiān)測站的范圍在哪里？“靠近某一監(jiān)測站臺”區(qū)域可以用空間域中的模糊子集來描述。模糊集合可以用于處理空間數(shù)據(jù)的不確定性。

模糊邏輯是智能計算的一個重要分支，采用模糊邏輯可以用直觀的規(guī)則代替復(fù)雜的數(shù)學(xué)模型。“模糊邏輯本身絕不模糊”從技術(shù)角度看，模糊邏輯是一種直覺經(jīng)驗和啟發(fā)式進(jìn)行工作且能涵蓋基于模型系統(tǒng)的技術(shù)，是一種可以用來設(shè)計、優(yōu)化和相對易于實(shí)現(xiàn)較復(fù)雜系統(tǒng)的有效方法。它既可看作是一種有助于實(shí)現(xiàn)具有魯棒性和可容忍系統(tǒng)缺陷的系統(tǒng)工程法則，也是一種模仿人的思考方式接受不精確不完全信息進(jìn)行推理的技巧。2.模糊邏輯模糊邏輯是由二值邏輯到無限值邏輯的推廣。模糊邏輯不僅將二值邏輯的真假值域從{0,1}擴(kuò)充到閉區(qū)間[0,1]，而且還在無限值邏輯中插入了模糊集和模糊關(guān)系。（1）命題的條件、結(jié)論甚至命題本身是模糊的“若水土保持專家系統(tǒng)的智能效果好，則該系統(tǒng)是李四開發(fā)的”，該命題的結(jié)論是二值邏輯，但條件是模糊的；“若遙感圖像是來自陸地衛(wèi)星的，則分辨率是較高的”，該命題的條件是二值邏輯，但結(jié)論是模糊的；“若某幅遙感圖像的分辨率高，則這幅遙感圖像的質(zhì)量好”，該命題中“分辨率高”和“質(zhì)量好”都是模糊的，故命題本身是模糊的。用模糊邏輯處理的幾種情況：（2）事實(shí)和規(guī)則的條件只是近似吻合時的推理這類問題在專家系統(tǒng)中特別突出。因為任何一個專家系統(tǒng)都不可能包括所有規(guī)則，更不可能考慮與規(guī)則近似的特殊規(guī)則。若河流總長度是6300km，則該河流為長江?，F(xiàn)在已知某河流長度為6105km，該如何做出結(jié)論，即“該河流是什么河”這樣的問題就是模糊邏輯所要解決的問題。（3）命題的條件和結(jié)論綴有模糊量詞如果在條件和（或）結(jié)論中帶有諸如很大、很好、能力強(qiáng)、很高這樣一些模糊量詞，二值邏輯將無法處理，只有模糊邏輯能很好地處理這類問題。1.模糊空間信息表達(dá)9.3.2模糊空間信息的表達(dá)與度量圖9.4表示了C地塊是否種植玉米的情況，μx表示種植玉米的隸屬度，μx=1表示完全種植玉米，μx=0表示未種植任何玉米圖9.5C可能全部種植玉米；也可能一半種植玉米，另一半種植高梁；還可能30%種植玉米，70%種植高粱。在經(jīng)典集合論中，可以設(shè)1表示湖泊，0表示沼澤地，如圖9.6（b）所示在模糊集合中，該影像信息分為兩層?xùn)鸥駭?shù)據(jù)來表示，即湖泊層和沼澤層，每層的值表示所在位置具有某類屬性的隸屬度，各層同一位置的隸屬度總和應(yīng)滿足歸一化條件，即為1。元素隸屬于模糊集合的程度可以通過一個一般化的特征函數(shù)來度量，該函數(shù)稱為隸屬函數(shù)。一個模糊集合以隸屬函數(shù)和隸屬度進(jìn)行描述與量化，因此，隸屬函數(shù)是描述模糊概念的關(guān)鍵，是模糊集理論的基石。2.確定隸屬函數(shù)的方法從理論上講，隸屬函數(shù)的確定過程是客觀的，但事實(shí)上現(xiàn)在還沒有一個完全客觀的評定標(biāo)準(zhǔn)。在通常情況下確定粗略的隸屬函數(shù)，然后通過“學(xué)習(xí)”和實(shí)踐檢驗逐步修改和完善，已經(jīng)提出和應(yīng)用的確定隸屬度的方法有主觀評分法、模糊統(tǒng)計法、蘊(yùn)含解析定義法、可變模型法、相對選擇法、濾波函數(shù)法及二元對比排序法等。在處理模糊空間信息時，常用主觀評分法和借助模糊分布來確定隸屬函數(shù)。1.模糊單詞在模糊集合論中，通常用隸屬函數(shù)表示模糊單詞。例如，一組監(jiān)測站點(diǎn)離沼澤邊距離為1~10km，距離“近”、“中等”、“遠(yuǎn)”可表示如圖9.9。其中，“遠(yuǎn)”的隸屬函數(shù)為9.3.4模糊查詢模糊查詢語言中有些詞放在另一些單詞前面，用來調(diào)整、修飾原來的詞義，這些詞可看成是一種算子。算子有很多類型，經(jīng)常使用的有語氣算子、模糊化算子和判定化算子。（1）語氣算子：如“極”、“非常”、“相當(dāng)”、“比較”等，放在另一些詞前面，可以修飾這些詞的肯定程度；（2）模糊化算子：“大概”、“近乎”、“大約”等詞綴在一個單詞前面，可以把該詞的意義模糊化；（3）判定化算子：“偏向”、“多半是”、“傾向于”等詞的作用為化模糊為比較粗糙的判斷，故稱為判定化算子。結(jié)構(gòu)化查詢語言SQL是標(biāo)準(zhǔn)的關(guān)系查詢語言，其一般形式為：SELECT<字段名>FROM<表名>WHERE<查詢條件>2.模糊擴(kuò)展SQL表達(dá)例如，某區(qū)域水庫狀況的數(shù)據(jù)庫文件如表9.3所示。若查詢集雨面積為320km2、總庫容為3.54億m3、年均發(fā)電量為4200萬千瓦時的水庫，用標(biāo)準(zhǔn)SQL可表示如下：SELECT水庫FROM表9.3WHERE集雨面積=320AND總庫容=3.54AND年均發(fā)電量=4200查詢結(jié)果為{水庫3}。若要查詢集雨面積較大、總庫容約為3.5億m3、年均發(fā)電量偏低的水庫，用模糊擴(kuò)展SQL可表示如下：SELECT水庫FROM表9.3WHERE集雨面積=‘較大’AND總庫容=‘約3.5’

AND年均發(fā)電量=‘偏低’模糊查詢的關(guān)鍵是如何將模糊擴(kuò)展SQL查詢語言轉(zhuǎn)化為標(biāo)準(zhǔn)SQL形式。主要有兩種轉(zhuǎn)化方法：（1）正向法按查詢條件將要查詢的字段值代入相應(yīng)的隸屬函數(shù)中，計算出隸屬度表，設(shè)定總隸屬度閾值，再進(jìn)行隸屬度查詢。（2）反向法通過給定一個隸屬度的值，計算出該隸屬度閾值相應(yīng)字段的取值范圍，再將該取值范圍取代原來字段應(yīng)滿足的“模糊”條件。3.模糊查詢的實(shí)現(xiàn)①解譯擴(kuò)展SQL語句，將SELECT和FROM部分原封不動地拷入相應(yīng)的標(biāo)準(zhǔn)SQL；②提取擴(kuò)展SQL語句中的WHERE部分，將其存入一字符串；③對該字符串進(jìn)行解譯，提取出每一字段名和等號后字符串部分。逐一顯示字段名和字段名后的字符串部分，由用戶選擇適當(dāng)?shù)碾`屬函數(shù)。若系統(tǒng)中缺乏合適的隸屬函數(shù)，用戶可以自行鍵入。然后，由用戶給出適當(dāng)?shù)碾`屬閾值，系統(tǒng)將自動計算出相應(yīng)的字段取值范圍并取代等號后的字符串部分，再通過AND和OR組成標(biāo)準(zhǔn)SQL的WHERE語句。具體實(shí)現(xiàn)步聚如下：地理現(xiàn)象和過程的非平衡性、多尺度性、層次性、不確定性、自相似性、隨機(jī)性、交互性等特點(diǎn)決定了地理空間是一個復(fù)雜性系統(tǒng)。研究具有描述、模擬空間復(fù)雜現(xiàn)象的新一代空間分析模型，是地理學(xué)重要課題之一。非線性理論和方法對于模擬和揭示具有非線性、自組織性、開放性等特征的地理復(fù)雜系統(tǒng)及其規(guī)律具有明顯的優(yōu)勢。9.4基于人工神經(jīng)網(wǎng)絡(luò)的地理空間問題模擬人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。在工程與學(xué)術(shù)界也常直接簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元）和之間相互聯(lián)接構(gòu)成。每個節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵函數(shù)（activationfunction）。每兩個節(jié)點(diǎn)間的連接都代表一個對于通過該連接信號的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達(dá)。又稱為人工神經(jīng)系統(tǒng)（ArtificialNeuralSystem，ANS）、神經(jīng)網(wǎng)絡(luò)（NeuralSystem，NN）、自適應(yīng)系統(tǒng)（AdaptiveSystems）、自適應(yīng)網(wǎng)（AdaptiveNetworks）、聯(lián)接模型（Connectionism）等。它是一個并行的分布處理結(jié)構(gòu)，由多個處理單元及其聯(lián)結(jié)的無向訊號通道互連而成。這些處理單元（ProcessingElement，PE）具有局部內(nèi)存，并可以完成局部操作。每個處理單元有一個單一的輸出聯(lián)結(jié)，這個輸出可以根據(jù)需要被分支成希望個數(shù)的許多并行聯(lián)結(jié)，且這些并行聯(lián)結(jié)都輸出相同的信號，即相應(yīng)處理單元的信號大小不因分支的多少而改變。人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)基于人工神經(jīng)網(wǎng)絡(luò)的地理分類問題一般可在GIS中建立空間信息庫，選取樣本數(shù)據(jù)，訓(xùn)練Kohonen’sSOM，然后對“未知”樣本進(jìn)行分類預(yù)測和容錯檢驗。Kohonen’sSOM(自組織人工神經(jīng)網(wǎng)絡(luò)模型)模型憑藉較強(qiáng)的識別能力、處理非線性問題的適應(yīng)性更適合于多因子非線性判別分類問題，即使輸入信息誤差增大，模型也不會引起分類的錯誤。（1）初始化：定義數(shù)據(jù)源幾何維度和神經(jīng)元陣列的大小；（2）每個神經(jīng)元有一個權(quán)重向量（Weight），設(shè)定這些權(quán)重的初始值；（3）選擇一個數(shù)據(jù)案例，該案例包含變量值并且對數(shù)據(jù)應(yīng)用任何相關(guān)的度量噪聲；（4）尋找距離該數(shù)據(jù)案例最近或與該數(shù)據(jù)案例最相似的神經(jīng)元；（5）調(diào)整所有獲勝神經(jīng)元拓?fù)溧徲虻臋?quán)重；（6）化簡學(xué)習(xí)參數(shù)和鄰域權(quán)重；（7）重復(fù)（3）～（6）步直至收斂，通常需要運(yùn)算100000至1000000次甚至更多；（8）標(biāo)注神經(jīng)元，檢查