WWW.REFERATCENTRAL.ORG.UA - Я ТУТ НАВЧАЮСЬ

... відкритий, безкоштовний архів рефератів, курсових, дипломних робіт

ГоловнаГеографія фізична, Геоморфологія, Геологія → Задачі і методи аналізу забруднень в ГІС. - Контрольна робота

Задачі і методи аналізу забруднень в ГІС. - Контрольна робота

визначають границі між класами. І якщо значення даної ознаки (критерію класифікації) для конкретної реалізації геоинформационного полючи далеко від граничних значень, то невизначеність границь самого полючи практично не позначається на вірогідності класифікації.
Якщо кількісних класифікаційних ознак трохи, і вони утворять багатомірний простір, у якому необхідно проводити класифікацію, причому, є навчальна вибірка вже класифікованих реалізацій полів даної інформаційної ознаки, то класифікатор може будуватися за допомогою різних детерміністських методів. При цьому, хоча самі реалізації об'єктів класифікації являють собою просторово-розприділені поля, але в просторі класифікаційних ознак кожна така реалізація представляється крапкою з координатами, що відповідають значеннями цих класифікаційних ознак для даної реалізації. Тому для класифікації подібних реалізацій можуть, без всяких обмежень застосовуватися такі детерміністські методи, як метод еталонів, метод дискримінантних функцій, метод найближчих сусідів і ін.
Найбільш складними є такі задачі класифікації, у яких не задані критерії класифікації, тобто ті інформативні ознаки, по яких повинна проводитися класифікація, і не визначений весь алфавіт класів. Звичайно вихідна інформація в таких задачах представлена деякою кількістю вже класифікованих реалізацій, для яких відомі (або можуть бути обмірювані) визначене число якихось кількісних характеристик, причому ці характеристики можна розглядати як інформативні ознаки, у просторі яких можна будувати класифікатор, але не відомо, чи є дана безліч інформативних ознак достатнім, недостатнім або надлишковим. Крім того, крім класів, представлених у навчальній вибірці, можуть існувати й інші класи, про які нічого невідомо. По представленій вибірці з безлічі інформативних ознак необхідно знайти мінімальна підмножина, а для нього такий класифікатор, що, по-перше, дозволяв би безпомилково класифікувати реалізації навчальної вибірки, а по-друге, з максимальною вірогідністю класифікував би нові реалізації, якщо вони відносяться до одному з представлених у навчальній вибірці класів. Якщо ж нова реалізація відноситься до неврахованого класу, то вона не повинна помилково ототожнюватися з якимсь із представлених класів, тобто не повинна відноситися до жодного з цих класів. Для таких задач принципове значення мають питання визначення ступеня інформативності класифікаційних ознак і методів відбору їхньої мінімальної сукупності для побудови класифікатора.
Для динамічних геоінформаційних класифікаційних задач основною ознакою класифікації є поводження геоінформаційних полів у часі. Тут можна розглядати наступні класи геоінформаційних процесів:
- відносно стабільні дуже повільні процеси, полючи яким за розглянутий інтервал часу практично не міняються;
- періодичні процеси (наприклад, природні або господарські процеси, зв'язані з часами року);
- загасаючі процеси (наприклад, процеси, зв'язані з наслідками природних або техногенних катастроф);
- процеси, що розвиваються, які характеризуються поступовим посиленням і територіальним розширенням зв'язаних з ними геоінформаційних полів;
- міграційні процеси, зв'язані з поступовим дрейфом відповідних геоінформаційних полів по географічних координатах і ін.
Для одних з них основними класифікаційними критеріями є характер і швидкість зміни географічних координат полючи, для інших - зміни інформаційної ознаки, для третіх - і те, і інше разом. Аналіз змін географічних координат і інформаційної ознаки по окремості праці не представляє. Але оцінка їхніх сукупних змін - задача не тривіальна. Одним з можливих методів такого аналізу є побудова запропонованої в попередньому розділі функції автопересічень геоінформаційного поля. Відповідно критеріями класифікації можуть бути окремі параметри цієї функції. Але для таких класифікаційних ознак, як форма (і плоских, і тривимірних фігур, утворених полем), прості кількісні критерії знайти дуже складно. У цих випадках доцільно скористатися широким арсеналом методів розпізнавання образів, вибір з який повинний визначатися специфічними особливостями конкретної задачі. [4-5]
7. Побудова математичних моделей екологічних геоінформаційних показів (для статичних систем). Така задача може ставитися лише для інформаційних полів кількісних ознак. Під час обговорення задач четвертої групи говорилося про визначення тісноти взаємозв'язків геоінформаційних полів. Якщо апріорно всі аналізовані інформаційні ознаки розділені на факторні і результативні, то такий аналіз дозволить відсіяти всі незначущі факторні ознаки і для кожної результативної ознаки визначити підмножина найбільш значимих факторних ознак. Тепер залишається лише побудувати математичні моделі цих зв'язків. Відмінність даних задач від традиційних задач багатомірного регресивного аналізу полягає в тому, що кожна перемінна, між якими шукається залежність, представлена не сукупністю своїх реалізацій (або своїх значень, які можна представити як реалізації випадкової величини), а тривимірним полем розподілу, де дві координати є геометричними, а третя - значенням інформаційної ознаки. Однак ця відмінність не вплине на математичний апарат побудови математичної моделі, якщо умовитися, що метою даної моделі є найбільш точне відтворення "рельєфу" факторних ознак для тих же координатних крапок. Іншими словами, така модель повинна з найбільшою можливою точністю пророкувати значення результативної ознаки для кожної точки геометричних координат за заданим значенням факторних ознак для тих же геометричних координат. Використання ж математичного апарата МНК (методу найменших квадратів) дозволить мінімізувати усереднену по всіх координатних точок помилку визначення результативної ознаки. Таким чином, до цих задач можна застосовувати відомий математичний апарат багатомірного регресивного аналізу. Більш того, добір значимих факторів у порівнянні з традиційними задачами регресивного аналізу істотно полегшується, тому що для цього можуть використовуватися парні коефіцієнти перетинань кожної факторної ознаки з результативним, а, як було показано вище, на ці коефіцієнти не впливають інші фактори, зв'язані з тією же результативною ознакою. А для підбора моделі оптимального виду і складності можна скористатися тими ж критеріями, що і для традиційних задач регресивного аналізу в їхній загальній постановці (коли заздалегідь не визначена не безліч факторних ознак, не вид моделі).
Тепер звернемося до динамічних задач. Насамперед, варто розглянути можливі методи прогнозування змін окремо узятого динамічного геоінформаційного поля. Визначені представлення про характер очікуваних змін можнаодержати, побудувавши і проаналізувавши функцію автопересічень цього полючи. Додаткові зведення можна одержати, побудувавши тимчасові і просторові тренди і сезонні коливання найбільш важливих інтегральних характеристик цього полючи (таких як середня інтенсивність, площа поширення й ін.). Однак усі ці методи не дозволяють прогнозувати майбутні значення інтенсивності полючи й у якійсь конкретній крапці даного полючи. Для цього придатний лише метод авторегресії. Він широко застосовується для аналізу і прогнозування
Loading...

 
 

Цікаве