人工智能技术在GIS应用中的研究.docx
《人工智能技术在GIS应用中的研究.docx》由会员分享，可在线阅读，更多相关《人工智能技术在GIS应用中的研究.docx（12页珍藏版）》请在冰点文库上搜索。
人工智能技术在GIS应用中的研究
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（ArtificialIntelligence）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-basedExpertSystem,KBES）的结合,GIS与模糊推理的结合,GIS与模式识别（PatternRecognition,PR）的结合,GIS与决策支持系统（DecisionSupportSys-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-OrganizationFeatureMap）网、循环BP网、RBF（Ra-dialBasicFunction）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。
在框架系统中,框架的槽分为Structure、Function、Measurement、Estimation等几类,Structure类槽表示符号语义结构相关的属性,Function类槽表示功能相关的属性,Measurement类槽表示量度方面的属性,Estimation类槽表示评价相关的属性。
例如BusinessBuilding框架在知识库中的表示如下表所示:
FrameBusinessBuilding
2.2.2 空间推理的关键属性
经过总结,空间推理具有多项属性,其中七条为必备之关键属性:
（1）空间推理是以空间和存在于空间中的空间对象为研究对象。
我们不能脱离空间和存在于空间中的空间对象来研究空间推理。
（2）在空间推理过程中运用人工智能技术和方法。
（3）空间推理处理的是一个或几个推理的问题。
（4）空间推理是基于空间和存在于空间中的空间对象已经被建模的前提下。
我们不能在没有模型的情况下讨论空间推理。
（5）空间推理必须能够给出关于空间和存在于空间中的空间对象的定性或定量的推理结果。
（6）空间推理必须能够描述空间行为。
（7）当空间推理模型把问题分解为几个组成部分时,必须能够描述这些组成部分的相互作用。
2.3 地学专家系统
人工智能广泛应用于知识工程、专家系统、决策支持系统、模式识别、自然语言理解、智能机器人等方面。
专家系统（ExpertSystem,ES）是其中应用最为成熟的一个领域[7]。
专家系统在应用过程中,知识获取的瓶颈是最大的障碍之一。
其核心内容是知识库和推理机制,主要组成部分是:
知识库、推理机、工作数据库、用户界面、解释程序和知识获取程序,其一般结构如图3所示[8]。
GIS与专家系统结合在一起,从数据库中提取相应的数据,在知识库和规则库中提取相应的知识和规则,推理机就模拟专家的分析过程,自动处理,直到生成需要的结果。
如前所述,由于地理现象的复杂性和强烈的地域个性使系统地理学试图寻找普遍规律的努力只能停留在理论研究阶段,而区域地理学一般性描述无法确定性地揭示地理现象的内在规律亦无法让人们满意。
地理信息系统建立的区域空间数据库是特定区域的定量反映,是个性和共性的统一,包含着大量的地学知识,可以在此基础上探讨普遍性和特殊性的地学规律。
对于已经明确的规律,可以直接应用于模型分析而不必经过烦琐的推理,对机理不清的现象可以用专家系统的方法加以解决。
同时地理信息系统提供的空间分析功能也为地学专家系统提供了有力的工具。
目前已有的地学专家系统如美国著名的PROSPECTOR地质勘探专家系统用于寻找矿藏;我国南京大学开发的用于寻找地下水的勘探地下水专家系统KCGW;美国石油勘探专家系统DIPMETER;暴雨预报专家系统WILLARD;YeeLeung等[9]。
它们将地学专家的经验加以形式化表达并存储在知识库中,采用贝叶斯推理机制。
当用户启动系统后,输入某一地区的观测事实及其可信度后,系统经过推理后将推理结果以及这个结果的可信度反馈给用户,当某一结论的可信度超过用户设置的阈值后,则认为已推导出满足用户要求的结论。
这一类属于早期编写的人工智能专家系统。
近年来如翁文斌等设计的汾河防洪专家系统采用了语义网络知识库、框架知识库、槽知识库、规则知识库和目标库等来表达和存储知识,提供知识库管理系统,除了普通推理机外还提供了专业推理机,是一种比较完善的地学专家系统。
2.4 智能化规则知识推理过程
1）问题识别:
对自然语言的理解。
即将自然语言转变为机器指令。
用户查询分析模块借助于词典的帮助,将用户查询转化为系统内部所需要的标准形式。
即对用户查询进行特征属性抽取。
2）模型调用:
识别出具体任务后通过查找模型库调用若干处理模型。
3）知识调用:
根据模型要求的规则知识因子或内容知识因子从知识库中调用知识,如果该知识为规则控制知识,则可能会触发下一级模型的调用,触发从空间数据库中提取地物类型、空间拓扑信息、空间位置等,为空间推理提供预备知识。
具体表示为依据提取出的用户查询特征属性,在案例库中进行检索与匹配,利用模糊综合评判,计算相似度,寻找出最佳案例。
如果最佳案例的相似度大于评判值（依据经验不断修正）,则输出最佳案例的规划解决方案。
否则,继续进行规划推理。
4）结果控制:
上述过程循环得出推理结果,以文字或图形形式表示。
以上过程中,如何定位到各推理步骤所需要的相关知识及如何利用这些知识是问题的关键。
规则知识以产生式方式出现,具有“if...then...”的格式,因而易于进行推理控制。
3 实例研究
基于上述讨论,本文设计一个景点自动选择定位系统。
用自然语言描述需要到达的景点性质进行查询,系统则给出最佳出行线路。
整个系统是基于案例推理的。
案例库中的每个案例都包括问题特征属性描述,解决方案描述,专家评论。
依据提取出的用户查询特征属性,在案例库中进行检索与匹配,利用模糊综合评判,计算相似度,寻找出最佳案例。
如果最佳案例的相似度大于评判值（依据经验不断修正）,则输出最佳案例的规划解决方案。
否则,继续进行规划推理[10]。
知识库以含有多元、与、或、非、蕴含等多种关系的语义网的方式表达叙述性知识。
依赖于此知识库,旅游线路选择模块将选出合理的目的场所,组合出若干旅游线路。
同样地,使用综合评判的方法选出最佳的旅游线路。
路况信息表中则存有来自交管部门的实时路况信息。
地理信息数据库库中则存放着交通道路等地理信息。
系统设计如图4所示:
该系统功能特点如此:
如果用户对推荐方案和交通线路不满意,则将由用户查询分析模块重新对用户查询进行分析,开始下一轮处理。
如果满意,则系统则对此过程进行学习。
若是已有案例,则结束;否则,就是通过规划得到方案,则在案例库中检索与本解决方案达到了一定相似度的案例,进行内化整合,既加入了新的信息,又避免了案例库的无限扩大。
假设我们输入查询:
“有革命历史意义,并能品尝到河南风味小吃的地方”,看看系统如何在知识库中推荐出行线路的。
在自然语言转换过程中,标准形式为:
{景点要求:
革命历史}&{饮食要求:
河南风味}
在知识库中语义网络如图所示:
知识库查询定位之后,接下来在规则库中可以查询到用户所在地与目标地之间的行车线路。
在搜索过程中,以目前位置与目的地的空间距离及连线朝向作为启发信息,并以交通规则（如是否是单行道）,路况（是否堵车）,经济性（如路程最短或者花费最少等）,时间要求等约束条件作为辅助的推理规则,进行规划,最终得到最佳路线方案。
4 人工智能应用地理信息系统的趋势及问题
随着AI技术的研究日渐深入,越来越多的人工智能技术可与地理信息系统结合开发出更具智能化人性化的系统。
最近几年,人工神经网络技术和遗传算法的应用取得了很大的成功,相信在不久的将来,人工智能和专家系统将与GPS、GIS、RS、DPS、DSS、KDD等技术相结合,将建立集成化、自动化的空间智能决策支持系统,为可持续发展提供有力的技术支持。
4.1 嵌入式发展
嵌入式系统被定义为:
以应用为中心、以计算机技术为基础、软件硬件可裁剪、适应应用系统对功能、可靠性、成本、体积、功耗严格要求的专用计算机系统[11]。
嵌入式设计思想已经得到相当广泛的应用,大到航空航天器,小到儿童玩具,都包含有嵌入式设计理念。
软件系统与嵌入式系统结合是软件发展的趋势,3S技术与嵌入式硬件系统集成,构成嵌入式3S系统,使得智能化地理信息系统的实现更进一步。
比如车载GIS系统,是将GIS软件嵌入到汽车电子显示系统中,再同车载GPS接收系统结合,即可完成汽车实时监控,以及汽车位置、交通信息查询。
4.2 构建地理智能体（GeoAgent）
GeoAgent是利用地学知识进行推理的可进化的智能实体,具有很强的处理地理空间数据的能力,包括智能获取、处理、存取、搜索、表达和决策支持等,是自主计算的分布式计算系统。
GeoAgent具有跨异构系统平台、网络带宽要求低、智能的移动计算等优点,是实现地理智能化的基础,具有宽广的应用前景和发展前途。
地学知识库是GIS智能化的关键,也是GIS智能化发展的“瓶颈”。
地学知识库的管理是人们注意的另一个热点。
人们期望地学知识库能够像使用关系数据库一样,可以方便地对知识单元（知识域中不可再分的单元）进行各种操作,例如:
定义知识结构、消除知识冗余、查询修改和更新知识。
这种想法使开发者很自然地利用起关系数据库技术构造地学知识库,对地学知识进行管理。
随着对地学现象和地学信息认识和分析的不断深入,原来非结构化的数据和知识可能逐步变得结构化,可以采用一系列指标和公式加以明确表达,从而不再需要人工智能的支持;而新的地学现象、新的观测方式的出现,更高层次地学规律的研究的深入,大量的非结构化信息仍然需要有效的人工智能的支持。
人工智能技术也必须能够适应表达和存储多源、多维、多尺度、时空复合的地学信息的需要,支持地学数据融合和地学知识发现的需要。
随着越来越多的地理信息系统的建立,客观世界逐步纳入人的监测和调控范围之内。
面对不断爆炸的信息量,已经不可能单纯依靠人工去处理这些信息。
采用人工智能和专家系统技术,让计算机取代这一部分工作已势在必行,这在很大程度上依赖于对地学信息机理的基础研究。
升级会员 