مدل سازی ANN
کادر ۹٫۶ مدل سازی ANN با ArcGIS و GeoXplore برای ارزیابی حساسیت زمین لغزش |
کاربردی |
| برای پیروی از این مثال، ArcSDM را بارگیری کنید و محیط مدل‌سازی را مانند کادر ۹-۵ تنظیم کنید. ArcMap را شروع کنید و کلاس ویژگی boundary را از مسیر C:\Databases\GIS4EnvSci\VirtualCatchment\Geodata.gdb و شکل فایل landslides از مسیر C:\databases\GIS4EnvSci\VirtualCatchment\Shapefiles بارگیری کنید. |
| منطقه مطالعه رستر bnd_r و مضامین شواهد طبقه بندی شده ایجاد شده در کادر ۹-۵ از جمله soils_r, rocks_r slope_c and dist_faults_c و همچنین موضوع پاسخ W_pprb1 ایجاد شده است. GeoXplore یک برنامه همراه ArcSDM است که از سه روش طبقه‌بندی داده یا الگو تشکیل شده است : خوشه‌بندی فازی، RBFLN و شبکه‌های عصبی احتمالی. این برنامه در آدرس C:\SDM\Scripts\geoxplore061106.exe. قرار دارد. |
| در این مثال شبکه عصبی RBFLN برای پیش بینی وجود و عدم وقوع زمین لغزش بر اساس چهار متغیر ساخته می شود: خاک، نوع سنگ، شیب و فاصله تا خطوط گسل. بنابراین شبکه عصبی شامل ی لایه ورودی با چهار گره ورودی (نشان دهنده چهار متغیر) و لایه خروجی با دو گره خروجی (نشان دهنده دو کلاس حضور و عدم) خواهد بود. تعداد گره های پنهان یا توابع پایه شعاعی باید از طریق آموزش تعیین شود. نقاط آموزشی ترکیبی از نقاط تمرین حضور و نقاط آموزشی عدم حضور یا عدم حضور خواهد بود. |
مجموعه ای تصادفی از نقاط آموزشی غیر حضوری ایجاد کنید |
| شبکه عصبی RBFLN در ArcSDM به دو مجموعه آموزش نیاز دارد : مجموعه اول حضور موجودات یا شرایط پیش بینی شده (یعنی وقوع زمین لغزش) و دوم عدم وجود این موجودات یا شرایط را مشخص می کند (یعنی مکانهایی که وقوع رانش زمین در آنها رخ داده است). این رانش زمین shapefile شامل اولین مجموعه از نکات آموزشی است. داده های مربوط به عدم حضور نهادها اغلب به راحتی در دسترس نیست. در این مثال با ایجاد مجموعه ای از نقاط تصادفی در مناطق بسیار کم، چنین مجموعه داده ای را تقریب می زنیم : |
| در این مثال با ایجاد مجموعه ای از نقاط تصادفی در مناطق با احتمال بسیار کم (کمتر از احتمال قبلی) وقوع زمین لغزش بر اساسW_pprb1 ، چنین مجموعه داده ای را تقریب می کنیم. |
| ۱) از ابزار Reclassify (به کادر ۴-۳ مراجعه کنید) برای طبقه بندی مجدد W_pprb1 به دو کلاس استفاده کنید: ≤ ۰٫۰۰۰۳ and > 0.0003 را به کلاس اول و NoData را به کلاس دوم اختصاص دهید. خروجی را به صورت lowProb در فضای کاری C:\Databases\GIS4EnvSci\VirtualCatchment\Results ذخیره کنید. توجه داشته باشید که احتمال وقوع زمین لغزش در این مورد ۰۰۰۵۵/۰ است. |
| ۲) از ابزار Raster to Polygon (به کادر ۳-۶ مراجعه کنید) برای تبدیل lowProb به یک کلاس ویژگی استفاده کنید و خروجی را به عنوان lowProbVector.shp در فضای کاری ذخیره کنید. |
| ۳) یک فیلد جدید Area نوع فیلد: double به جدول ویژگی lowProbVector اضافه کنید و با دنبال کردن دستورالعمل‌های کادر ۴-۴، مساحت هر چند ضلعی را در لایه محاسبه کنید. |
| ۴) یک فیلد جدید Sample (نوع فیلد: عدد صحیح کوتاه) به جدول ویژگی lowProbVector اضافه کنید، و با دنبال کردن دستورالعمل‌های کادر ۵-۱ با اندازه نمونه ۱۰۰، یک نمونه‌برداری نقطه‌ای طبقه‌بندی متناسب انجام دهید. نقاط نمونه را به‌عنوان nonPresencePts ذخیره کنید. شامل حدود ۱۰۰ نکته آموزشی غیر حضوری است. |
رستر با شرایط خاص ایجاد کنید |
| ۵) در ArcToolBox، به Spatial Analyst Tools > Local بروید و روی Combine دوبار کلیک کنید. در گفتگوی Combine : |
| الف) مضامین شواهد طبقه بندی شده را به عنوان رسترهای ورودی یکی یکی اضافه کنید : soils_r, rocks_r, slope_c and dist_faults_c . |
| ب) نام رستر خروجی را منحصر به فرد بگذارید و آن را در فضای کاری ذخیره کنید. |
| ج) روی OK کلیک کنید. شرایط منحصر به فرد رستر منحصر به فرد ایجاد شده و به فهرست مطالب اضافه می شود. در رستر شرایط منحصر به فرد، هر مقدار سلول ترکیبی منحصر به فرد از کلاس های موضوع شواهد را نشان می دهد. مقادیر کلاس موضوع شواهد اصلی از هر یک از ورودی ها در جدول ویژگی شرایط منحصر به فرد شطرنجی ثبت می شود. |
فایل های ورودی شبکه عصبی را تولید کنید |
| ۶) در پنجره ArcToolBox، به Spatial Data Modeller Tools > Neural Network بروید و روی فایل های ورودی شبکه عصبی دوبار کلیک کنید. در گفتگوی Neural Network Input Files: |
| الف) unique را به عنوان شرایط منحصر به فرد ورودی رستر انتخاب کنید. |
| ب) زمین لغزش ها را به عنوان مکان های آموزشی انتخاب کنید. |
| ج) nonPresencePts را به عنوان سایت های آموزشی ND غیر سپرده، یعنی غیر حضوری انتخاب کنید. |
| د) فایل Classification را علامت بزنید. |
| ۵) روی OK کلیک کنید. دو فایل به نام‌های unique_train.dta و unique_class.dta تولید و در فضای کاری ذخیره می‌شوند. |
| این دو فایل به عنوان فایل های ورودی GeoXplore استفاده خواهند شد. هر دو فایل متنی با فرمت مشابه هستند. برای فرمت‌های فایل، به مستندات GeoXplore موجود در C:\SDM\Help_ArcSDM\Reprints\ مراجعه کنید. unique_train.dta فایل داده های آموزشی است که حاوی اطلاعات شرایط منحصر به فردی است که نقاط آموزشی در آن قرار دارند. هر ردیف در فایل بیانگر یک شرایط منحصر به فرد است – یعنی بردار ویژگی ورودی برای شبکه عصبی، با مقدار عضویت در کلاس ۱ یا صفر وجود لغزش و صفر عدم وجود زمین لغزش را نشان می دهد. این فایل داده آموزشی برای آموزش الگوریتم های شبکه عصبی استفاده می شود. unique_class.dta فایل داده های طبقه بندی است که داده های کلاس ناشناخته را ذخیره می کند (مجموعه کاملی از شرایط منحصر به فرد). هر ردیف نشان دهنده شرایط منحصر به فرد موجود در منطقه مورد مطالعه (از جمله نقاط غیر آموزشی) است. برای طبقه بندی با الگوریتم شبکه عصبی از قبل آموزش دیده استفاده می شود. |
الگوریتم RBFLN را آموزش دهید |
| ۷) در Windows Explorer به مسیر C:\SDM\Scripts بروید و برای اجرای GeoXplore روی geoxplore061106.exe دوبار کلیک کنید. |
| ۸) در صفحه شروع، روی دکمه RBFLN کلیک کنید. |
| ۹) در گفتگوی RBFLN، روی دکمه Train RBFLN کلیک کنید. |
| ۱۰) در گفتگوی آموزشی RBFLN : |
| الف) روی دکمه Load file کلیک کنید تا فایل داده های آموزشی ورودی unique_train.dta از فضای کاری بارگیری شود. |
| ب) روی دکمه Save as کلیک کنید، به فضای کاری بروید و landslides.par را به عنوان نام فایل برای ذخیره پارامترهای آموزشی برای یادگیری در طول آموزش وارد کنید. این فایل اطلاعاتی در مورد تعداد توابع پایه شعاعی گاوس، مراکز و مقادیر شعاع برای توابع پایه شعاعی گاوس، وزن خطوط از گره های پنهان به گره های خروجی و وزن خطوط اضافی از گره های ورودی را در خود دارد. به گره های خروجی که لایه پنهان را دور می زنند. |
| ج) روی Run کلیک کنید. کادر گفتگوی پارامترهای آموزشی RBFLN ظاهر می شود. دو پارامتر بالا (تعداد بردارهای ویژگی ورودی و تعداد توابع پایه شعاعی پیشنهادی) قابل تغییر نیستند. کاربر می تواند تعداد مورد نظر توابع پایه شعاعی را تغییر دهد، اما نباید آنها را بیش از حد از عدد پیشنهادی داده شده در مقدار پارامتر دوم تغییر دهد. برای تعداد بیشتری از توابع پایه شعاعی، شبکه عصبی کندتر اما دقیق تر خواهد بود. با این حال، اگر تعداد توابع پایه شعاعی خیلی زیاد باشد، خطاهای اضافی ایجاد می شود. در عمل، آزمایش ها را می توان با استفاده از چندین عدد کوچکتر و بزرگتر از توابع پایه شعاعی انجام داد تا بتوان تعداد مناسبی از توابع پایه شعاعی را بر اساس معیارهای کلی خطاهای آموزشی انتخاب کرد (به زیر مراجعه کنید). تعداد تکرارها نیز بر نتایج تمرین تاثیر دارد. اگر مجموعه داده آموزشی کوچک باشد، ۱۰۰ تکرار ممکن است کافی باشد. اما برای مجموعه داده های آموزشی بزرگتر، ۴۰۰۶۰۰ تکرار بهتر است. پیش فرض ۲۰۰ یک مبادله بین کم تمرینی و بیش از حد تمرین است. برای پذیرفتن مقادیر پارامترهای پیش فرض روی OK کلیک کنید. |
| پس از اتمام آموزش، نتایج و معیارهای کلی خطاهای تمرینی در پانل سمت راست نشان داده شده است. نتایج در سه ستون فهرست شده است: ستون ۱، شماره برداری – شماره شناسه هر بردار ورودی (شرایط منحصر به فرد). ستون ۲، هدف فازی – مقدار واقعی عضویت کلاس (۱ برای حضور یا صفر برای عدم حضور) مرتبط با هر بردار ورودی. و ستون ۳، آموزش باورهای فازی – مقدار عضویت در کلاس خروجی برای هر بردار ورودی، از صفر تا ۱ متغیر است. مقدار ۱ نشان دهنده عضویت کامل کلاس است، با کاهش عضویت به صفر که نشان می دهد عضوی از کلاس نیست. باور فازی بالاتر بین صفر و ۱ بهتر است. مقدار باور فازی خارج از محدوده صفر الی یک نشان دهنده خطای طبقه بندی است. خطاهای خروجی با مجموع مجذور خطا (SSE) و میانگین مجذور خطا (MSE) اندازه گیری می شوند. SSE به عنوان مجموع اختلاف مجذور بین مقادیر واقعی عضویت کلاس و مقادیر عضویت کلاس خروجی برای هر بردار ورودی محاسبه می شود. MSE SSE تقسیم بر تعداد بردارهای ورودی است. هر چه SSE و MSE کوچکتر باشند، نتایج پیش بینی شده بهتری خواهند داشت. تمرین ممکن است چندین بار با پارامترهای تمرینی مختلف تکرار شود تا زمانی که معیارهای کلی خوبی تمرین تقریباً بهینه باشد. |
| ۴) برای ذخیره نتایج روی دکمه Save Training Results کلیک کنید. |
| ۵) روی Return کلیک کنید. |
طبقه بندی RBFLN را اجرا کنید |
| ۱۱) در گفتگوی RBFLN، روی دکمه Do RBFLN Classification کلیک کنید. |
| ۱۲) در گفتگوی طبقه بندی RBFLN : |
| الف) روی دکمه Load file برای مرحله ۲ (مرحله دوم طبقه بندی RBFLN) کلیک کنید تا فایل نتیجه آموزش ورودی landslides.par از فضای کاری بارگیری شود. |
| ب) روی دکمه Load file برای مرحله ۳ کلیک کنید تا فایل داده ورودی برای طبقه بندی unique_class.dta از فضای کاری بارگیری شود. |
| ج) روی دکمه Save as کلیک کنید، به فضای کاری بروید و landslides.rbn را به عنوان نام فایل برای ذخیره نتایج طبقه بندی وارد کنید. |
| د) روی Run کلیک کنید. پس از اتمام عملیات، landslides.rbn ایجاد شده و در فضای کاری ذخیره می شود. این فایل یک فایل متنی است که شامل سه ستون داده است: ستون ۱ – شماره شناسه هر بردار ورودی. ستون ۲ – کلاس (۱ برای حضور)؛ و ستون ۳ – مقدار عضویت کلاس پیش بینی شده (باور فازی) برای کلاس در ستون ۲ برای هر بردار ورودی. معیارهای کلی طبقه بندی RBFLN، SSE و MSE نیز روی صفحه نمایش داده می شوند. باز هم، هر چه SSE و MSE کوچکتر باشند، نتایج پیش‌بینی‌شده بهتری خواهند داشت. |
| د) روی Return کلیک کنید. |
| ۱۳) از GeoXplore خارج شوید. |
نتایج طبقه بندی RBFLN را بخوانید و یک موضوع پاسخ ایجاد کنید. |
| ۱۴) در ArcToolBox، به Spatial Data Modeller Tools > Neural Network بروید و روی Neural Network Output Files دوبار کلیک کنید. در گفتگوی Files Neural Network Output : |
| الف) unique را به عنوان ورودی شرایط خاص رستر انتخاب کنید. |
| ب) landslides.rbn را از فضای کاری تحت نام فایل RBFLN اضافه کنید. |
| ج) نام جدول نتیجه خروجی را landslidesNN.dbf بگذارید و آن را در فضای کاری ذخیره کنید. |
| د) نام خروجی رستر landslidesNN را بگذارید و آن را در فضای کاری ذخیره کنید. |
| ه) روی OK کلیک کنید landslidesNN ایجاد شده و به فهرست مطالب اضافه می شود. این لایه رستر پاسخ با تمام ترکیب خاص شواهد و مقادیر عضویت کلاس از GeoXplore است. |
| ۱۵) جدول ویژگی مرتبط با landslidesNN را باز کنید. فیلد RBFLN مقادیر عضویت در کلاس (باور فازی) را برای حضور زمین لغزش برای هر شرایط خاص ذخیره می کند. هر چه مقدار عضویت بالاتر باشد، شرایط خاص بیشتر شبیه الگویی است که در آن لغزش ها رخ می دهند. به عبارت دیگر احتمال وقوع زمین لغزش در این شرایط بیشتر است. با این حال، تعدادی از شرایط خاص ممکن است مقدار عضویت بیشتر از ۱ را دریافت کنند که نشان دهنده خطای طبقه بندی است. مناطق با این شرایط را نامشخص تعریف می کنیم. از فیلد RBFLN برای تهیه نقشه احتمال زمین لغزش مشابه آنچه در شکل ۹-۲۱ است استفاده کنید. |
شکل ۹-۲۱ نقشه حساسیت به زمین لغزش که توسط RBFLN تهیه شده است
خلاصه
- تجزیه و تحلیل تصمیم گیری چند معیاره مربوط به اولویت بندی جایگزین های تصمیم گیری بر اساس مجموعه ای از اهداف و معیارها است. این شامل ایجاد زمینه تصمیم گیری، ساختاربندی مسئله، نمره گذاری گزینه های جایگزین در برابر هر معیار، تعیین وزن به معیارها، ارزیابی گزینه ها و انجام تحلیل حساسیت است. در تجزیه و تحلیل تصمیم گیری چند معیاره مبتنی بر GIS، گزینه ها معمولاً مکان ها هستند. معیارها و نمرات مربوط به هر گزینه در لایه های نقشه معیار نشان داده شده است. آنها استاندارد شده و از طریق جبر نقشه ترکیب می شوند تا رتبه بندی گزینه ها را بدست آورند.
- اتوماتای سلولی از شبکه ای از سلول ها برای نشان دادن پیکربندی سیستم خودسازماندهی و خود تکراری استفاده می کند و تکامل سیستم را با اعمال مجموعه ای از قوانین انتقال بر اساس حالات سلول های همسایه از طریق تعدادی مراحل زمانی گسسته شبیه سازی می کند.
- مدل سازی مبتنی بر عامل، سیستم های پیچیده ای را متشکل از عوامل متقابل و مستقل شبیه سازی می کند. نمایندگان اهداف ، حالات و رفتارهای خاص خود را دارند که اغلب با قوانین ساده توصیف می شوند. آنها با یکدیگر تعامل دارند و بر یکدیگر تأثیر می گذارند، از تجربیات خود می آموزند و رفتارهای خود را به گونه ای تطبیق می دهند که با محیط خود سازگارتر باشند. این ممکن است اجازه دهد رفتارهای پیش بینی نشده ظاهر شوند، بنابراین اطلاعات ارزشمندی در مورد پویایی سیستم دنیای واقعی که از آن تقلید می شود، ارائه می شود.
- وزن شواهد روش آماری برای ترکیب شواهد در حمایت از فرضیه است. این شامل برآورد موضوع پاسخ بر اساس مجموعه ای از موضوعات شواهد است. عمدتا برای پیش بینی احتمال وقوع موجودیت های جغرافیایی خاص استفاده می شود.
- شبکه عصبی مصنوعی مدل محاسباتی مبتنی بر ساختار و عملکرد سیستم‌های عصبی بیولوژیکی است. عناصر جداگانه شبکه نورون های مصنوعی هستند. آنها یک ورودی را می خوانند، پردازش می کنند و خروجی تولید می کنند. شبکه ای از بسیاری از نورون ها سیستم تطبیقی است که می تواند رفتارهای غنی و هوشمندانه ای از خود نشان دهد. از شبکه های عصبی مصنوعی برای استخراج الگوها و تشخیص روندها استفاده شده است.
برگرفته از کتاب کاربرد GISدر محیط زیست
ترجمه:سعید جوی زاده،شهناز تیموری،فاطمه حسین پور فرزانه
بدون دیدگاه