Pobierz prezentację
Pobieranie prezentacji. Proszę czekać
OpublikowałBlanka Dopierała Został zmieniony 10 lat temu
1
Zastosowanie metod sztucznej inteligencji w procesie generalizacji numerycznego modelu rzeźby terenu Warszawa, 11.02.2005 Robert Olszewski
2
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.
3
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
4
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
5
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.
6
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
7
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)
8
Modelowanie poznawcze w procesie uogólniania danych przestrzennych (Meng, 1998)
9
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.
10
Systemy wnioskowania rozmytego wyłączenie prawa wyłączonego środka... albo: czym jest weekend?
11
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.
12
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
13
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
14
Dekompozycja Morsea - Smalea
17
Generalizacja NMT - dobór punktów generalizacja modelu TIN zachowująca topologię podstawowych linii strukturalnych dwie wersje silnika obliczeniowego: - fuzzy - neuro
18
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...
19
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
20
Generalizacja NMT z wykorzystaniem SSN RBF GRNN
21
Generalizacja NMT z wykorzystaniem SSN Stopień generalizacji: zmiana współczynników funkcji radialnej W = 0,0125W = 0,0075W = 0,0175W = 0,0250
22
Porównanie z klasycznymi metodami generalizacji Model źródłowy 1:50 000 Klasyczna generalizacja 1:200 000 Generalizacja SSN
Podobne prezentacje
© 2024 SlidePlayer.pl Inc.
All rights reserved.