1、在其中理论 T 的所有有效句子都被满足的一种可能的认识，称为 T 的一个模型。 萨帕斯 一个模型可以是一种理论、一条规律、一种关系、或者一种假说、一个方程式、一条规则。 斯基林 第十章 空间建模与空间决策支持 导读：本章介绍了“更高层次”的GIS分析功能，第一节讲述了如何利用基本的分析，如缓冲区、叠加分析，进行组合，以完成特定的功能。 后面几节分别介绍了空间决策支持系统、专家系统、数据仓库、元胞自动机和空间定位和配置方面的知识，这些内容，或者在其它的领域已经成熟，或者属于新兴的领域。在GIS的支持下，实现相关功能，并将其应用于空间分析，可以解决更为复杂的空间问题。 1空间分析过程及其模型 11
2、空间分析过程 空间分析的目的是解决某类与地理空间有关的问题，通常涉及多种空间分析操作的组合。好的空间分析过程设计将十分有利于问题的解决，一般步骤是： 1）明确分析的目的和评价准则； 2）准备分析数据； 3）进行空间分析操作； 4）进行结果分析； 5）解释、评价结果（如有必要，返回步骤 1）； 6）结果输出（地图、表格和文档）。 1 1 1 例 1：道路拓宽改建过程中的拆迁指标计算 这里将举例说明如何利用建立缓冲区、拓扑叠加和特征提取,计算一条道路拓宽改建过程中的拆迁指标。 1）明确分析的目的和标准 本例的目的是计算由于道路拓宽而需拆迁的建筑物的建筑面积和房产价值，道路拓宽改建的标准是： z 道
3、路从原有的 20m 拓宽至 60m； z 拓宽道路应尽量保持直线； z 部分位于拆迁区内的 10层以上的建筑不拆除。 2）准备进行分析的数据 本例需要涉及两类信息，一类是现状道路图；另一类为分析区域内建筑物分布图及相关信息。 3）进行空间操作 首先选择拟拓宽的道路，根据拓宽半径，建立道路的缓冲区。 然后将此缓冲区与建筑物层数据进行拓扑叠加，产生一幅新图，此图包括所有部分或全部位于拓宽区内的建筑物信息。 4）进行统计分析 首先对全部或部分位于拆迁区内的建筑物进行选择，凡部分落入拆迁区且楼层高于 10层以上的建筑物，将其从选择组中去掉，并对道路的拓宽边界进行局部调整。 然后对所有需拆迁的建筑物进行
4、拆迁指标计算。 5）将分析结果以地图和表格的形式打印输出。 1 1 2 例 2：辅助建设项目选址 本例说明如何利用空间操作和特征提取功能，为一建设项目选择最佳的建设位置。 1）建立分析的目的和标准 分析的目的是确定一些具体的地块，作为一个轻度污染工厂的可能建设位置。工厂选址的标准包括： z 地块建设用地面积不小于 10000m2； z 地块的地价不超过 1 万元/m2； z 地块周围不能有幼儿园、学校等公共设施，以免受到工厂生产的影响。 2）从数据库中提取用于选址的数据 为达到选址的目的，需准备两种数据，一种为包括全市所有地块信息的数据层；另一类为全市公共设施（包括幼儿园、学校等）的分布图。
5、3）进行特征提取和空间拓扑叠加 从地块图中选择所有满足条件 1、2的地块，并与公共设施层数据进行拓扑叠加。 4）进行邻域分析 对叠加的结果进行邻域分析和特征提取，选择出满足要求的地块。 5）将选择的地块及相关信息以地图和表格形式打印输出。 12空间分析建模 1 2 1 地图模型（ Cartographic Model）的概念 模型是人类对事物的一种抽象，人们在正式建造实物前，往往首先建立一个简化的模型，以便抓住问题的要害，剔除与问题无关的非本质的东西，从而使模型比实物更简单明了，易于把握。同样为了解决复杂的空间问题，人们也试图建立一个简化的模型，模拟空间分析过程。空间分析建模，由于是建立在对图
6、层数据的操作上的，又称为 “地图建模” （Cartographic Modeling） 。它是通过组合空间分析命令操作以回答有关空间现象问题的过程，更形式化一些的定义是通过作用于原始数据和派生数据的一组顺序的、交互的空间分析操作命令，对一个空间决策过程进行的模拟。地图建模的结果得到一个“地图模型”，它是对空间分析过程及其数据的一种图形或符号表示，目的是帮助分析人员组织和规划所要完成的分析过程，并逐步指定完成这一分析过程所需的数据。地图模型也可用于研究说明文档，作为分析研究的参考和素材。 地图建模可以是一个空间分析流程的逆过程，即从分析的最终结果开始，反向一步步分析为得到最终结果，哪些数据是必须
7、的，并确定每一步要输入的数据以及这些数据是如何派生而来。以下的例子将说明其过程： 假定需要获得这样一个结果，即要显示出所有坡度大于20度的地区。首先的问题是要生成这样一幅图像，哪些数据是必须具备的：如要生成一幅坡度大于20度的图像，需要一幅反映所有坡度的图像，数据库里有这样的图像吗？如果没有，就进一步沿着反向思路提问：“如要生成一幅所有坡度的图像，需要什么样的数据？”。一幅高程数据图像可用于生成坡度图像。那么，这幅高程数据图像有没有呢？如果没有的话，生成该图像需要何种数据？这一过程一直持续，直至找出所有必备数据为止。然后反向用图形或符号将有关数据及其操作流程表示出来就得到一个地图模型。本例表示
8、如图10-1： 坡度大于20 度的地区坡度图象数字高程图象等高线数据再分类 坡度计算 空间插值图10-1：提取坡度大于20度的计算流程 图中，矩形框内为数据，箭头表示操作命令，方向表示操作顺序。 1 2 2 地图模型实例 地图模型有多种表示方法，为了进一步理解制图建模过程，下面给出三个不同领域的地图模型实例，分别采用了三种不同的表示方法。 1）食草动物栖息地质量评价模型 本例是一个食草动物栖息地质量评价简化模型，模型只考虑了影响食草动物生存的基本因子：水源、食物、和隐藏条件，以及景观单元的面积，连通性和破碎程度的度量指标。模型形式如图10-2所示： 水源地植被类型景观单元植被类型景观单元景观单
9、元景观单元饮水难易度觅食难易度隐藏难易度面积凸度指数欧拉数相对大小相对连通性相对一致性景观各点栖息质量景观单元栖息质量总体质量复合栖息质量再分类再分类再分类再分类再分类再分类平均平均再分类再分类再分类叠加（和）定级图10-2：食草动物栖息地质量评价模型 图中操作顺序从左向右，从上向下，矩形框内为原始数据和派生中间数据以及结果数据，矩形框连线上面的文字为操作命令。 2）国家森林公园选址模型 本例是一个为某地建立一国家森林公园确定大致范围，是一个数据源已知，需要进行空间信息提取的模型。数据源包括公路铁路分布图（线状地物），森林分布图（面状地物），城镇区划图（面状地物）。地图模型可以用下面的形式表示
10、： 表 10-1：国家森林公园选址模型 步骤 操作命令 找出所有森林地区 1 为林地 ，0 为非林地 再分类 合并森林分类图属性相同的相邻多边形的边界 归组 找出距公路或铁路 0.5 公里的地区 缓冲区分析 找出距公路或铁路 1 公里的地区 缓冲区分析 找出非城市区用地 1为非市区，0 为市区 再分类 找出森林地区、非市区、且距公路或铁路 0.5 至 1 公里范围内的地区 拓扑叠加分析 合并相同属性的多边形 归组 3）木材毁坏量回归预测模型 根据多年的统计数字和经验方程，本例是一个林场砍伐木材时木材毁坏量回归预测模型。 模型的因变量有坡度，树径，树高，蓄积量，树木缺矢量。公式如下： 54321
11、090.5120.1007.0424.0670.1490.2 XXXXXY +=地图模型可以表示成下面的形式（图10-3 ）： 坡度 X1树径 X2缺失量 X5蓄积量 X4树高 X31.6700.424-5.090-0.007-1.120坡度 X1树径 X2缺失量 X5蓄积量 X4树高 X3常数 -2.490-5.090木材毁坏量累加因变量（图） 回归系数 = 权重图图10-3：木材毁坏量回归预测模型 1 2 3 地图模型实现 大多数GIS软件提供了宏命令或脚本描述语言，可以将上述建立的各种地图模型表示成GIS的操作命令序列，自动批处理完成整个模型过程。例如一个根据DEM 图像生成坡度图，可以
12、表达成GIS命令格式： CALC Slopemap = slope ( DEMmap ) 由多个原始图层生成一个新图可以写成下面的形式： Newmap = f (Map1,Map2, ) 式中，f ( ) 表示一个GIS 命令。 一些GIS软件还提供了书写复杂函数的功能，甚至可以在一个命令行里，使用多个函数表达一个完整的地图模型，形式如下： Newmap1,Newmap2,=f1,f2,f3,.( Map1, Map2, Newmap1, Newmap2,) 式中，Newmap1, Newmap2 ， . 为派生的中间图层。 还有一些GIS 软件提供了高级的可视化的地图建模辅助工具，用户只需使
13、用其提供的工具在窗口中绘出模型的流程图，指定流程图的意义、所用的参数，矩阵等即可完成地图模型的设计，而无需书写复杂的命令程序。可视化地图建模工具为用户提供了高层次的设计工具和手段，可使用户将更多的精力集中于专业领域的研究（图10-4 ）。 输入图层命令1命令2中间图层1中间图层2中间图层3命令3命令4结果图层图 10-4：通过流程图表现的GIS模型 2空间决策支持模型 区域规划、土地利用规划、设施位置选择、环境管理等都是有关空间行为的决策问题，这些问题的解决方案是由决策者或领域专家在专业领域知识和经验的启发下，在分析大量的空间和非空间信息的基础上得到的。空间决策问题大大超过了地理信息系统通常的
14、空间分析功能的要求。 21空间决策过程的复杂性 决策是一个决策者为达到某种目标或目标集合，根据一定的约束条件下在多种侯选方案里进行选择的复杂过程。当采用数学表述形式表达一般化决策问题时，包括以下几个构成部分： 1）方案集合： 决策问题的方案集合是指可以选择的行动方案集合，记为 A。 2）状态集合： 任何一个决策问题都面临一定的外界环境，称之为状态。系统各种可能的状态，称为状态集合，记为 Q。 3）损益函数： 这是决策分析中的一个重要概念。在决策问题中，如果采用策略 ，假定系统状态出现()Aaa ( )Qqq ，系统收益 ( )qaW ,= 。因此定义映射 ( ) RQAW : 为决策问题的损益
15、函数。在 A、 Q 可数的情况下，可获得损益表如下所示（表 10-2）。 表 10-2：决策损益表 Q1Q2. Qn A1W11 W12. W1n. . . . . Am Wm1Wm2. Wmn4）目标函数（决策准则） ： 记为 F。损益函数只给出了系统的实际收益情况，但没给出收益的评价标准，即“抉择”时的优化准则。决策准则对于不同的决策者、问题、方法都是不同的，它最终决定了方案的形成。 综上所述，可以将一个决策问题记为： WQAFUdm ,=其中，F 为目标函数或决策准则，A 为侯选方案集，Q 为状态集，W 为损益函数。 决策学常规方法用于解决普通决策问题，这类问题满足以下条件： z 存在决
16、策者希望达到的明确目标； z 存在可供决策者选择且可以明确组分的侯选方案； z 存在不受决策者控制的系统状态，系统状态集与侯选方案集相互独立； z 损益值可以精确数量化，A ， Q 均为可数集合。 当系统状态集 Q 中状态数 n=1 时，为确定性决策问题；当 n1 时，且系统各状态出现的概率未知时，为不确定性决策问题；当 n1，且系统各状态出现的概率服从一个已知的概率分布时，为风险决策问题。 空间决策与一般决策问题同样有确定性决策、不确定性决策和风险决策。 确定性决策实际上是一个最优化问题，象土地适宜性评价的多准则决策和线性规划均属此类决策问题，它们可以和地理信息系统的空间分析功能完全集成。而
17、大量的空间决策问题往往涉及到结构、非结构化知识，人的评价和判断等不同形式的知识，决策的不确定性和风险性的成分很大。以设施配置为例，领域专家已经有一组有关位置适宜性的判别规则，这些规则属于描述性方式表达的知识，设施位置的选择是建立在有关社会经济、地质条件、环境质量等因素分析的基础上的在判别规则启发下的推理过程；另外领域专家还有有关社会经济、地质条件和环境质量的评价模拟模型，这些知识都属于程式式知识，设施位置的选择是建立在定量模型计算分析的基础上估算过程。 随信息技术的快速发展，为决策者提供了越来越多的空间和非空间的信息，包括地图、航片、 表格、遥感和数字测量信号等。决策者需要通过知识和经验来有效
18、的处理和理解这些海量的信息。而人类的知识可分为结构化和非结构化两种知识。结构化的知识有着高度结构化的形式和结构化的求解程序，包括数学模型，统计方法，计算机算法等都属此类型的知识，它们在表现和分析方面遵循固定的框架，大多数情况下只能被专家理解，又称为程式式知识（ Procedural Knowledge） 。然而大量的知识都是非结构化的，象人类的体验、直觉、价值观，专家经验，本质上是定性的，不能用固定的程序进行表达，又称为描述性知识（Declarative Knowledge）。 决策者使用信息和知识，在解决结构化、非结构化和半结构化问题上的复杂程度大不相同。 以设施配置为例，在某些特定约束条件
19、下配置最少数量的设施是一个结构化问题，可以通过最优化方法进行求解；寻找最优设施配置的所有可能的位置则是一个半结构化问题，涉及多种准则评价和价值评判；为设施配置确定总体目标和总体方针政策则属非结构化问题，涉及灵活的定性问题，不能用固定的程式式知识来解决。 总之， 空间决策是一个涉及多目标和多约束条件的复杂过程，通常不能简单地通过描述性知识或程式式知识进行解决，往往要求综合地使用信息，领域专家知识和有效地交流手段。空间决策中信息和知识往往是互相作用的，如图 10-5 所示： 空间决策知识 信息收集表现存储检索处理显示获取表现存储推理分析图 10-5：空间决策过程 信息的一侧处理数据的收集、表现、存
20、储、检索、处理和显示，用于计算和量测，以及知识推理和更新。知识的一侧处理知识的获取、表现、存储以及推理和分析，用于处理事实、组织信息和原理。决策中知识和信息的相互作用是对传统信息技术的扩充，没有知识推理不可能做出智能决策。 地理信息系统为决策支持提供了强大的数据输入、存储、检索、显示的工具，但是在分析、模拟和推理方面的功能比较弱，本质上是一个数据丰富但理论贫乏的系统，在解决复杂空间决策问题上缺乏智能推理功能。所以，为解决复杂的空间决策问题，需要在地理信息系统的基础上开发智能决策支持系统，用于数据获取、输入、存储、分析、输出；用于知识表现和推理；用于自动学习，系统集成，人机交互。所用的新技术包括
21、人工智能技术，知识获取、表现、推理等知识工程技术，以及集成数据库、模型、非结构化知识及智能用户界面的软件工程技术。 22空间决策分析的理论和方法 2 2 1 效用理论 效用理论是决策分析的基础。事物的不确定性可看作是许多简单随机事件的复合。每一个简单随机事件是由两个互斥事件 Z1和 Z2组成的。事件 Z1发生的概率为 P，事件 Z2发生的概率为 1 P，则随机事件记为 L（ Z1， P， Z2） 。在简单随机事件内引进“优先”或 “偏好”的概念，并在随机事件集合的基础上建立公理体系，即假设在随机事件集合中存在下列条件： 1）相对偏好顺序； 2）偏好关系具可传递性； 3）简单随机事件间的可比性；
22、 4）偏好关系可以量化； 5）不确定性可以量化； 6）等价随机事件可相互代换。 在这样的条件下可用一个数值来描述简单随机事件 的期望效益， 称之为效用。 由简单随机事件的效用可确定一般不确定事件的效用。在对事件不确定性判断进行量化时，需要利用各种知识，如系统本身的特性，一些必要的统计知识以及决策者根据经验对事件不确定性的主观估算等。 2 2 2 决策树 决策分析中最常用的方法之一是决策树方法，图 10-6 为典型的决策树。图中长方形小框表示由人选择的决策点。把需要作决策的问题过程画成示意图，由图的最左边出发，在作决策之前先作试验。例如有 R 个试验 Lr，费用为 Cr，试验结果有 O1， Ot
23、， OT等共T 个。在试验 Lr条件下 Ot发生的概率记为 Prt（ Ot） 。设此时有 d1， di， dI等共 I 个备选决策方案。若选择决策 di，则这时可能出现 S1， Sj， SJ共 J 种状态。在试验 Lr中出现结果 Oi时选取决策 di 的条件下，状态 Sj出现的概率记为 Prti(Sj)。此时可能有 L 种后果 x1， xl； ， xL，而 Prti(Sj)表示在实验 Lr中出现结果为 Ot时，选取决策 di而出现状态 Si的情况下， Sj发生后果 xl的概率，其效用记为 U（ xl） 。决策树的方法是顺着树的各个分校进行分析，并计算各种可能情况的概率大小，最后计算在这些条件下
24、最终出现的后果的效用，将各种效用加以比较，从中选取最佳效用所对应的试验与决策作为应取的决策。 图 10-6：决策树示例 2 2 3 贝叶斯决策 由于决策总是在事件发生之前做出，而事件是否发生又不是确定的，因此常采用统计学中贝叶斯公式对事件发生的概率作先验估计，这就是贝叶斯方法。 由于事件的发生具有不确定性，这就使决策带有一定的经验性。人们对于风验的态度不同，对效用估计也不同。对事件发展持保守看法而不愿冒验的人，对效用估计往往偏低；倾向于冒验的人，对效用的估计往往偏高。也有人取中庸态度，对效用的估计介于两者之间。 23空间决策支持系统 决策支持系统（Decision Support System
25、, DSS ）是辅助决策者通过数据、模型、知识以人机交互方式进行半结构化或非结构化决策的计算机应用系统。它是在 管理信息系统（ Management Information System, MIS）的 基础上发展起来的，在 MIS 的基础上增加了非结构化问题处理，模型计算和各种方法，为解决结构化、非结构化和半结构化的问题提供了更广泛的方法。它为决策者提供分析问题、建立模型、模拟决策过程和方案的环境，调用各种信息资源和分析工具，帮助决策者提高决策水平和质量。决策支持系统是辅助管理者对半结构化问题的决策过程，支持而不是代替管理者的判断，提高决策的有效性而不是效率的计算机应用系统。 DSS 的基本结
26、构主要由四个部分组成，即数据部分、模型部分、推理机部分、人机交互部分，如图 10-7 所示。 数据部分推理部分模型部分人机交互部分人机交互系统模型库管理系统 数据库管理系统知识库管理系统模型库知识库数据库推理机用户图 10-7： DSS 的组成部分 与 MIS 对应的，GIS 可以看作是用于空间决策的空间信息系统。GIS 与 MIS 的不同之处在于其数据模型和数据结构的复杂性。目前 GIS 的分析功能还很弱且不灵活，它的逻辑结构和智能层次不能满足解决复杂空间决策问题的需要，特别是那些非结构化的问题。为更好地辅助空间决策， GIS 需要增加对描述性知识和程式式知识的处理功能，目前 GIS 还不适
27、合用于对各种知识形式的处理，不能作为空间决策支持系统（SDSS ）的神经中枢，但可以作为它的一个组成部分，即 GIS 可以嵌入到一个 SDSS 中，用于空间信息处理。 空间决策支持系统与一般的决策支持系统性质相同，只是更注重空间数据和空间问题的获取和解决。通常空间决策支持系统包括以下的功能： z 不同数据源的空间和非空间数据的获取、输入、存储； z 复杂空间数据结构和空间关系表示方法，适于数据查询、检索、分析、显示； z 灵活的集成程式式空间知识（数学模型、空间统计）和数据的处理功能； z 灵活的功能修改和扩充机制； z 友好的人机交互界面； z 提供决策需要的多种输出； z 提供非结构化空间
28、知识的形式化表达方法； z 提供基于领域专家知识的推理机制； z 提供自动获取知识或自学习功能； z 提供基于空间信息、描述性知识、程式式知识的智能控制机制。 上述这些功能要求超出了目前 GIS 的范围，需要集成人工智能、知识工程、软件工程、空间信息处理和空间决策理论等领域的最新技术。 24通用智能空间决策支持系统结构体系 空间决策支持系统的建立可以解决特定领域的决策问题。但是它的建立过程是一个花费很长时间的工程，而且它也只能用在特殊的领域，所以建立空间决策支持系统最经济和灵活的方式是使用软件工程和知识工程的方法开发空间决策支持系统开发环境（外壳或产生器） ，这样领域专家就可以使用它快速高效地
29、建立多种领域空间决策支持系统。也就是说开发一个通用的开发工具，决策者可以用来定制、修改、调整、扩展空间决策支持系统以解决特定的空间决策问题。图 10-8 是一个通用空间决策支持系统的结构体系图。 数据DBMS问题用户模型MDBMS知识专家专家系统壳图 10-8：通用空间决策支持系统的结构体系图 系统的核心是一个专家系统壳（Shell ） ，它可以单独作为专家系统开发工具，直接控制着 SDSS 的控制流和信息流，提供表达和存储非结构化领域知识，它还包含了推理控制、系统和用户界面和对外交流的元知识，以及非结构化空间知识的推理机。它是 SDSS 的大脑。为使用空间和非空间数据，专家系统壳有一个与外部
30、数据库的接口，包括 GIS，关系数据库和遥感信息系统。模型管理系统管理和处理程式式知识包括算法、统计程序和数学模型，它也有一个与专家系统壳的接口，可以通过专家系统壳的元知识进行调用。除了与数据库管理系统、模型管理系统的接口外，友好的用户界面和知识获取模块也是专家系统壳的基本组成部分。 本节重点讨论空间决策支持系统的模型管理系统，关于数据库管理系统在前面的章节已作了介绍，至于知识库和知识处理将在下节专家系统里讨论。 25空间决策支持系统的模型管理系统 为解决自然和人文过程中出现的各种复杂的空间问题，多年来学者们提出了大量的结构化模型，包括统计方法、数学模型、启发式程序、算法等，这些模型与描述性的
31、知识不同，具有高度结构化的格式和固定的执行程序。这些模型对解决那些结构化的决策问题很有帮助作用，但不幸的是，它们的形式逻辑和解决方法对决策者来说通常很难或需要花很长时间才能理解，尤其是那些非技术背景的决策者更是容易混淆或不恰当有效地运用它们，从而限制了这种类型的知识的有效利用。另外，这些结构化的模型要在 GIS 环境下使用，还有一个与 GIS 数据模型兼容性的问题，模型与 GIS 数据库相互操作是一个基本要求。所以空间决策支持系统需要适当地挑选和组织有关的模型，与管理空间和非空间数据的数据库管理系统相对应的，要有一个模型管理系统。模型管理系统应具有下列功能： z 帮助用户选择与分析有关的模型；
32、 z 对多种类型的模型进行分类和维护以支持各种层次的决策过程； z 能将模型子模块组合复杂的模型； z 提供恰当的数据结构满足查询、分析、显示；满足与数据库的嵌入或数据交换；满足模型与描述性知识的交流； z 提供用户咨询和结果解释的友好界面； 空间决策支持系统对模型高效的分类和组织问题是决策支持系统的核心功能。将模型分类并按不同层次的深度进行组织可以有效的管理和使用模型。例如可以先按决策问题进行第一级分类，再按评价条件和状态进行第二级分类，还可以继续进行更深层次的分类。下面给出一个分类示例： 1）决策问题分类 第一级分类： z 环境问题 z 土地利用规划问题 z 资源分配问题 z 设施配置问题
33、 z 网络问题 z 水文问题 z 地质问题 z 海岸线问题 假设关心的是网络问题，关于网络问题的各种模型组织成第二级分类，如下所示： 最短路径 最少搜索路径（Spanning tree ）问题 货郎担问题 多点通讯问题（Multicast communication ） 运输问题 商品流问题 对于每个选择的问题，还可以继续细分成更专的类型，如商品流问题，可以继续分成单商品和多商品流问题。要选择某个专用的模型，用户通过一系列“是或否”的问题向导，直到找到需要的解决问题的模型。 2）按技术条件分类 表 10-3：决策问题的分类示例 A 确定性 确定性模型 不确定性模型 随机模型 不精确模型 B 空
34、间 离散模型 连续模型 C 过程 静态模型 动态模型 D 时间 离散模型 连续模型 E 线性线性模型 非线性模型 F 目标单目标模型 多目标模型 G 变量 实型 整型 根据上述分类，可以构造一个决策树，将模型分类知识用一种知识表达方式进行表示，例如本例可以用产生式规则表示，每条路径对应一个规则。本例对确定性分类下共有 26规则，其中一条规则描述如下： 表 10-4：决策规则 IF situition certain AND space discrete AND process static AND time discrete AND system linear AND objectives m
35、ultiple AND variables real THEN select multiple-objectives, discrete-space, discrete-time linear programming model IF situition uncertain AND cause random AND space discrete AND process dynamic AND time discrete AND system linear AND objectives single AND variables real THEN select multiple-stage, s
36、ingle-objective, discrete-space, discrete-time linear stochastic programming model 空间决策支持系统除了模型选择的问题外，模型与数据库的交互也是一个重要的问题。不同的模型具有不同的数据结构和不同的模型与数据库的交互方式。模型要在 GIS 环境下运行，还有一个与 GIS 数据结构的兼容性问题。 模型与 GIS 有不同层次的交互方式。最低层的交互是将 GIS 作为数据库管理系统，以文件的方式进行交互，如果模型和 GIS 对文件类型是兼容的，交互只是一个简单地文件选取问题；如果文件不兼容，就会涉及文件转换的问题。较高层
37、次的交互方式是将 GIS 作为显示和分析模型结果的图形显示工具。最高层次的交互是二者集成在一个完整的系统里，比较松散一点的方式是用 GIS 的操作命令（如宏语言）重新实现模型；更紧密的集成是二者具有支持查询、分析、显示的数据结构。由于模型的多样性，数据结构也是多样的，因此很难作到 GIS 数据结构与所有模型的结构兼容。所以模型与 GIS 的交互在空间决策支持系统里允许有多种方式。 3专家系统 31专家系统的基本组成 专家系统是人工智能在信息系统中的应用，它是一个智能计算机程序系统，其内部具有大量专家水平的某个领域知识与经验，能够利用人类专家的知识和解决问题的方法来解决该领域的问题。 专家系统的
38、主要功能取决于大量的知识。 设计专家系统的关键是知识表达和知识运用。专家系统与一般计算机程序最本质的区别在于：专家系统所解决的问题一般没有算法解，并且往往是要在不完全、不精确或不确定的信息基础上做出结论。 一般的专家系统包括数据库，知识库，推理机，解释器及知识获取五个部分组成，它的结构如图 10-9 所示。 专家知识知识获取人机交互界面推理机解释器数据库知识库专家系统图 10-9：专家系统结构图 1）知识库 知识库用于存取和管理所获取的专家知识和经验，供推理机利用，具有知识存储、检索、编辑、增删、修改和扩充功能。 2）数据库 用来存放系统推理过程中用到的控制信息，中间假设和中间结果。 3）推理
39、机 用于利用知识进行推理，求解专门问题，具有启发推理、算法推理；正向、反向或双向推理；串行或并行推理等功能。 4）解释器 解释器用于作为专家系统与用户的“人机”接口，其功能是向用户解释系统的行为，包括： （41） 咨询理解：对用户咨询的提问进行“理解”，将用户输入的提问及有关事实、数据和条件、转换为推理机可接收的信息。 （42） 结论解释：向用户输出推理的结论或答案，并且根据用户需要对推理过程进行解释，给出结论的可信度估计。 5）知识获取器 知识获取是专家系统与专家的“界面”。知识库中的知识一般都是通过“人工移植”方法获得，“界面”就是知识工程师（专家系统的设计者），采用“专题面谈” ， “口
40、语记录分析”等方式获取知识，经过整理后，再输入知识库。为了提高知识工程师获得专家知识的效率，可以借助“知识获取辅助工具”来辅助专家整理知识或辅助扩充和修改数据库。近年来，开始机器学习、机器识别、半自动化等方法获取知识。 32专家系统的知识处理 3 2 1 人工智能与专家系统 人工智能的目的是用计算机模拟人类，其中包括模拟人类的动作机器人，模拟人类的视听能力计算机视觉、听觉的模式识别，模拟人类语言计算机自然语言，模拟人脑电脑。在模拟人脑研究时，本来是想从幼儿开始，随着大脑的发育过程模拟人脑的，但是发现这样模拟难度太大了，转而研究领域专家的思维过程，因为领域专家能够阐述清楚知识与逻辑。随着专家系统
41、工具软件的出现，许多领域展开了专家系统的研究，其中最成功的是国际象棋的专家系统。人工智能主要的目的是模拟人脑的功能，但是目前人们对人脑的思维过程并不十分清楚，因此人工智能的概念也不可能非常清楚。许多人工智能的研究只局限于形式逻辑的推导，凡是超出了形式逻辑范畴的，都被是认为无法解决的问题。现在理解的人工智能主要是指用计算机完成逻辑推理的过程。 3 2 2 知识表示 知识表示就是知识的形式化，就是研究用机器表示知识的可行的、有效的、通用的原则和方法。 目前常用的知识表示方法有：产生式规则、语义网络法、框架表示法、与或图法，过程表示法 、特征表示法、黑板结构、Petri 网络法、神经网络等。 其中效
42、果最好的是产生式规则，其它表示方法单独使用的不多，大多是以产生式规则为主体增加和扩展语义、框架和程式式知识。 产生式 规则使用“若 ，则 。 ”语句（If,Then ）。 “若”可以是一个条件，也可以是多个条件；“则”也可以是一个结论，也可以是多个结论。也称为正向式推理，有以下几种情况： 1）一对一： If (1), then (a)。 2）一对多： If (1)，then (a), (b), (n)。 3）多对一： If (1), (2), ,(m); then (a)。 4）多对多： If (1), (2), ,(m); then (a),(b),(n)。 If,then 语句是从已知条件
43、，推论结果的语句，反之，从结果推出条件称为后向式推理。同样有四种情况，一对一，一对多，多对一，多对多： 1）一对一： Conclusion (a);Need(1)。 2）一对多： Conclusion (a);Need(1),(2),(m)。 3）多对一： Conclusion (a),(b),(n);Need (1)。 4）多对多： Conclusion (a),(b),(n);Need (1),(2),(m)。 由此可见，产生式规则的正向式推理与逆向式推理都是在确定性问题中的处理方法。对于不确定性的问题，产生式规则不能解决问题，需要结合其它的表示方法。 3 2 3 知识推理 推理是指依据一
44、定规则从已有的事实推出结论的过程。专家系统中的自动推理是知识推理，它是专家系统中问题求解的主要手段。 知识推理与知识表示有密切关系，根据知识表示的特点，知识推理方法可分为图搜索方法和逻辑论证方法两类。 图搜索方法 在专家系统的知识表示中，许多基本的、常用的表达方式都具有“图”的形式，或者可以变换为相应的图的形式，而且通常可以用与或图来进行表达。例如，状态空间图、与或图、语义网格图，以及由产生式规则或框架表示方法所转换的与或图或网络图。 基于图的知识表达，问题求解的知识推理过程，就是从图中相当于初始状态的出发节点到相当于目标状态的终止节点的路线搜索过程，即搜索从初始状态有效的转移到目标所经历的最
45、优的或最经济的线路，相应的知识推理方法即图搜索方法。例如，对于具有树状的状态空间图，称为“问题树”，基本的图搜索方法有：宽度优先搜索、深度优先搜索法等。 逻辑论证方法 当知识表示采用谓词（Predicate ）逻辑或其他形式逻辑方法时，知识推理也可以采取逻辑论证方法。在这种情况下，求解一个问题相应于证明一个定理或几个定理，问题求解的知识推理过程，相应于用数理逻辑方法进行定理证明的过程。知识推理方法即逻辑论证方法。例如，若用一组谓词逻辑表达式 A 描述有关的事实、情况或条件，而用另一组谓词逻辑表达式 B 描述问题的答案或结论，那么，只要通过逻辑演算方法论证定理 A-B 成立，也就相应论证了从有关
46、事实、情况和条件出发，可以推出正确的答案或结论 B。 根据问题求解的推理过程是否运用启发性知识，知识推理方法可分为启发推理和非启发推理两类。 启发推理 在问题求解的过程中，运用与问题有关的启发性知识，即解决问题的策略、技巧，对解的特性及其规律的估计等实践经验或知识，以加快推理过程，提高搜索效率，这种推理过程称为“启发式推理”。例如，在图搜索的推理方法中，利用启发性知识改进的深度优先搜索法，如局部择优搜索法，最好优先搜索法等，只需要对部分状态空间进行搜索，可提高搜索效率。 非启发推理 在问题求解的推理过程中，不运用启发性知识，只按照一般的逻辑法则和控制性知识，进行通用性的推理。这种方法缺乏对求解
47、问题的针对性，需要进行全状态空间的搜索，而没有选择最优的搜索途径，大多搜索效率低。例如宽度优先搜索法，虽然是完备的算法，但其搜索效率低。 根据问题求解的推理过程中结论是否精确，知识推理方法可分为精确推理和不精确推理两类。 精确推理 精确推理是指在专家系统中，把特定领域的知识表示成必然的因果关系、逻辑关系，推理的结论是肯定的。这种推理是精确推理。 不精确推理 在人类知识中，有相当一类属于人们的主观判断，是不精确和含糊的。由这些知识归纳出来的推理规则也往往是不确定的，基于这种不确定的推理规则进行推理，形成结论，称为不精确推理。常用的不精确推理方法有概率论方法、可信度方法、模糊子集法和证据论方法。
48、根据问题求解过程中特殊和一般的关系，知识推理方法可分为演绎推理和归纳推理；根据求解推理过程中的推理的方向，知识推理方法可分为正向推理、反向推理和正反向混合推理三类。 33 空间分类专家系统实例土地类型分类 空间分类是 GIS 和遥感信息系统最常用的功能，将空间单元归组分类是智能 GIS 的基本功能。传统的分类基于二值逻辑，认为区域分类界限是明显的，基本空间单元（矢量或栅格结构）属于且只属于一个空间类别。然而，事实上空间类别之间的界限通常是模糊的，是渐变的而不是突变的，所以在空间分类中引入模糊逻辑会提高分类的精度。另外空间分类也是一个基于人们对空间现象的认知和知识的心理判断过程，开发一个带有 G
49、IS 的专家系统是很有必要的。 当然可以使用那些结构化的分类算法（程式式知识），但是这种方法往往是很机械，且不能有效地与用户进行关于分类的知识相互交流。专家系统的分类方法则更为灵活、智能，它不是一个算法，而是一个关于空间分类的抽象和空间数据如何分类的规则，可以在不修改任何程序的情况下在知识库里修改、删除、增加专家和非专家的判断，分类知识和规则。基于规则的专家分类系统往往具有传播知识和教育的成分。下面是一个基于遥感影象的土地类型专家分类系统实例。 数据采用 4 波段 LANDSAT MSS 影象数据，分类系统所采用的分类依据如图 10-10 所示： 空间单元陆地水域清水混水无植被植被城市和其它用地荒地图 10-10：土地利用分类 由
