《应用案例式推理技术於地理资讯系统》由会员分享，可在线阅读，更多相关《应用案例式推理技术於地理资讯系统（14页珍藏版）》请在装配图网上搜索。
1、按一下以編輯母片標題樣式,,按一下以編輯母片,,第二層,,第三層,,第四層,,第五層,,,*,Applying case-based reasoning techniques in GIS,,應用案例式推理技術於地理資訊系統,學生：蔡純純,,日期：2002/4/29,,引言,,透過與案例式推理這項新技術的整合，彌補,GIS,欠缺的分析功能。本研究藉由土壤模式的應用來闡述案例式推理的概念。,,,空間問題分析方法,,早期分析方法,:,決策樹、專家系統與法則、知識為基礎的地理資訊系統,,現階段：低階地與人工智慧技術整合解決空間問題，例如：影像特徵分類、去除雜訊,…,,本研究則使用人工智慧技術於決策支
2、援，推理機制提供更高階的整合。,,,案例式推理,,經由經驗獲得推理，使用舊有的案例以解釋並解決新的問題。,,案例具有的特徵是：問題描述、解決方式、結果。,,案例式推理的過程：尋找最相似案例、再使用案例解決問題的知識、修正解決問題的方式、保留解決問題的經驗供未來再次使用。,,過去的相關應用,,Branting,and Hastings (1994 ),使用模式推理與案例式推理，對抗害蟲，藉由案例（害蟲食物消耗量）並考量經濟與實務因素，提供不同的處理方式。,,Lekkas,,et al,. (1994 ),發展一系統,--,,AIRQUAP,預測雅典的空氣污染，使用當時城市的空氣品質狀況，與過去具
3、相似情況的案例，以預測空氣污染等級。,,過去的相關應用,,Kolodner’s,(1993 ),建置一,ARCHIE,系統，其案例知識包括過去建物的結構以輔助建築師設計新結構。,,Jose,et al,. (1996 ),使用,CBR,協助選擇、分析遙測影像，藉由空間相似原則以匹配向量特徵。,,Smith,et al,. (1995 ),發展,Interactive Case-based Spatial Composition system,讓使用者於互動中設計建物 。,,其他應用還有：醫療影像的解釋以支援決策與診斷、利用氣象影像預測天氣、設計機器人導航、輔助地圖的簡括化,…,,CBR,與專家
4、法則知識方法的比較,知識儲存與使用方式的不同 ，,CBR,以搜尋與適應的方式取代以法則為基礎的製造與測試機制,,法則與模式為基礎的推理受限其法則知識、維護系統需要更多知識的獲取與人工操作過程、在新情境中無法採取新的知識。,CBR,的優勢在於能處理例外的事件、尚未完全瞭解的問題、從經驗中學習，因而較容易建置與維護。,,但不適合解決較少案例資料的問題。,,空間推理系統,本研究建置一空間推理系統（,SRS,：,Spatial Reasoning System,）,ZONAT ION,提高土壤空間分析功能。,,結合,GIS,與,CBR,，,使用空間相似性概念作為資料挖掘的空間分析技術與特徵匹配，展示了
5、一新穎的資料展現與儲存方法（類似於物件導向技術），與學習的特色。,,,個案研究,紐西蘭南島的一個丘陵城鎮，半乾燥氣候，為,ZONAT ION,系統的測試研究區。,,土壤分類的分法有多種，本研究使用的方法在數值地形模型上將像元分類，依據土壤的空間屬性：坡度、坡向、,A,層質地、,B,層質地、土壤深度、,A,層厚度、肥沃度、礫石體積與重量、碳體積與重量，分類結果做成案例，透過與相似案例的匹配決定分類結果。,,CBR,技術調整相似地區的屬性以反應未分類地區的差異，,ZONAT ION,能計算土壤屬性值以增加案例知識，方法為：,,藉由調整過去案例的屬性值以適應新案例。,,使用舊案例中的規則與準則，建立
6、案例,,檢核屬性值是否在閾值內,,傳統方法則是採取樹狀結構的界定流程。,,執行,ZONATION,系統,輸入參數（例如：坡度、坡向）形成問題案例，包括索引和權重,,開始搜尋相似案例，將案例加以匹配與依據權重給分結果排序,,當系統無法找到相似案例時，則需使用者輸入新的索引值,,當索引值較為簡略或較少限制時，尋找到的案例會較多。,,在所選出的案例中做修正，需要額外的資訊解釋複雜的關係,,若使用者對結果不滿意，能繼續檢視其他案例，直至滿意或檢視完所有案例。,,將最終獲得的案例輸入案例庫，以做系統學習之用。,,本研究受限於使用軟體（,CASPIAN,），,是利用最近鄰匹配方法。演算法是：,,,,,T,
7、是目標案例，,S,是來源案例，,n,是案例屬性個數，,i,是每個屬性，,f,是案例間屬性的相似度函數，,W,是屬性,i,的權重。,,,成果評估,推估,41,個具較為平均的參數值的地點，結果達,97.5%,的正確率，在案例庫很大時可方便利用。,,200,個真實地點利用傳統方式推估，為,80%,的正確率，,ZONATION,軟體操作在沒有學習機制下有,86.5%,的正確率，在有學習機制的情況下則有,88%,的正確率。,,利用,ZONATION,軟體操作,40,個在傳統方法中預測錯誤的地點，分析其誤差來源，主要是參數值位於分類邊界。,,,總結,藉由學習與推理，,CBR,成為類似專家的系統，在未經學習的機制下成功減少了錯誤推估的地點，經學習機制後則更為減少。若隨著案例的增加，則學習能力將更加改善推估的正確性。,,模糊界線是造成本研究難以確切分類的原因。因此在案例中放入模糊邏輯指標，而不用自動權重函數，可能會提高正確率。,,,
应用案例式推理技术於地理资讯系统
