Zastosowanie metod sztucznej inteligencji w procesie generalizacji numerycznego modelu rzeźby terenu Warszawa, Robert Olszewski

Generalizacja danych przestrzennych Generalizacja jest sposobem modelowego uogólnienia danych, służącym osiągnięciu zamierzonego celu. Najistotniejszą cechą procesu uogólniania danych przestrzennych jest zachowanie podstawowej struktury i charakteru tych danych.

W procesie uogólniania danych przestrzennych można wyróżnić dwa rodzaje danych i związane z nimi typy generalizacji: numeryczny model krajobrazu – DLM (digital landscape model), numeryczny model kartograficzny – DCM (digital cartographic model). generalizacji kartograficznej (display-oriented), generalizacji modelu (analysis-oriented). Generalizacja danych przestrzennych

Numeryczny model rzeźby terenu - NMT numeryczna, dyskretna (punktowa) reprezentacja wysokości topograficznej powierzchni terenu, wraz z algorytmem interpolacyjnym umożliwiającym odtworzenie jej kształtu w określonym obszarze tak zdefiniowany model zawiera informacje o relacjach topologicznych łączących poszczególne punkty. Zdefiniowanie topologii następuje w wyniku zastosowania algorytmów interpolacyjnych, odtwarzających ukształtowanie modelowanej powierzchni

Generalizacja NMT Generalizacja modelu rzeźby terenu (rozumiana jako generalizacja modelu NMT, nie zaś uogólnienie rysunku warstwicowego) wiąże się zastosowaniem jednej z trzech metod (Weibel, 1992): filtracji globalnej, filtracji lokalnej (z reguły wieloetapowej), zastosowania podejścia heurystycznego.

Modelowanie poznawcze w procesie uogólniania danych przestrzennych dominująca tendencja w zakresie generalizacji - podejście algorytmiczne, polegające na stosowaniu ściśle określonych, sparametryzowanych procedur wykorzystania elementarnych operatorów generalizacji: upraszczania, agregacji, filtracji... zastosowania metod sztucznej inteligencji i modelowania poznawczego (cognitive modeling) w procesie uogólniania danych przestrzennych

Modelowanie poznawcze w procesie uogólniania danych przestrzennych Istota tego podejścia związana jest z wykorzystaniem tzw. procesów uczenia maszynowego i szeroko rozumianego pojęcia rozmytości. wiedza ekspercka + techniki ML systemy generalizacji modelujące obiekty przestrzenne w oparciu o nieprecyzyjne reguły. grupa algorytmów ML: systemy wnioskowania rozmytego (fuzzy inference systems – FIS), sztuczne sieci neuronowe (neural networks)

Modelowanie poznawcze w procesie uogólniania danych przestrzennych (Meng, 1998)

Systemy wnioskowania rozmytego zastosowanie tzw. zmiennych lingwistycznych (np. dużo, mało, około połowy), określenie tzw. funkcji przynależności (z reguły silnie nieliniowych), opracowanie tzw. reguł warunkowych if then (np. jeśli A jest małe i B jest średnie to C jest duże), przeprowadzenie obliczeń rozmytych, defuzyfikacja (wyostrzenie) uzyskanych wyników.

Systemy wnioskowania rozmytego wyłączenie prawa wyłączonego środka... albo: czym jest weekend?

Generalizacja NMT dobór punktów charakterystycznych (reprezentatywnych dla rzeźby terenu) dobór algorytmu interpolacyjnego (niekoniecznie liniowego) Numeryczny model rzeźby terenu (NMT): numeryczna, dyskretna (punktowa) reprezentacja wysokości topograficznej powierzchni terenu, wraz z algorytmem interpolacyjnym umożliwiającym odtworzenie jej kształtu w określonym obszarze.

podstawowy cel procesu generalizacji NMT: zachowanie podstawowej struktury i charakteru danych (zachowanie szkieletu rzeźby terenu), generalizacja modelu TIN z zachowaniem topologii form strukturalnych. Generalizacja NMT - dobór punktów

Generalizacja NMT Metoda hierarchicznej generalizacji numerycznego modelu terenu w postaci TIN (de Floriani, 2003). Podejście to pozwala na uwzględnienie struktury morfologicznej modelowanej powierzchni terenu. Najistotniejszą cechą tego podejścia jest oparte na heurystyce i w pełni zautomatyzowane hierarchiczne określenie linii strukturalnych rzeźby terenu. Procedura realizowana jest iteracyjnie i umożliwia zarówno budowę wieloskalowego modelu TIN, jak i jego monoskalową reprezentację na dowolnie określonym poziomie uogólnienia

Dekompozycja Morsea - Smalea

Generalizacja NMT - dobór punktów generalizacja modelu TIN zachowująca topologię podstawowych linii strukturalnych dwie wersje silnika obliczeniowego: - fuzzy - neuro

Generalizacja NMT - dobór algorytmu Selekcja danych źródłowych z modelu bazowego stanowi tylko jeden aspekt generalizacji NMT. Bardziej złożony wpływ na charakter tworzonego modelu mają stosowane procedury interpolacji. Klasyczne metody tworzenia powierzchni statystycznych oparte są z reguły na interpolacji liniowej...

Sztuczne sieci neuronowe nie wymagają klasycznie rozumianego programowania, nie wymagają znajomości a priori kształtu ani stopnia nieliniowości modelowanej funkcji, naturalna zdolność do generalizacji uzyskanej wiedzy Generalizacja NMT - dobór algorytmu

Generalizacja NMT z wykorzystaniem SSN RBF GRNN

Generalizacja NMT z wykorzystaniem SSN Stopień generalizacji: zmiana współczynników funkcji radialnej W = 0,0125W = 0,0075W = 0,0175W = 0,0250

Porównanie z klasycznymi metodami generalizacji Model źródłowy 1: Klasyczna generalizacja 1: Generalizacja SSN