專利名稱：一種空間數(shù)據(jù)模糊證據(jù)權重分析方法
技術領域：
本發(fā)明屬于空間信息技術領域，具體地說，是一種用于礦產(chǎn)資源預測、環(huán)境污染評價以及地質災害預警的空間數(shù)據(jù)模糊證據(jù)權重分析方法和技術。所處理的多源空間數(shù)據(jù)可包括各類地質數(shù)據(jù)(地質圖)、地球化學數(shù)據(jù)、地球物理數(shù)據(jù)、地理數(shù)據(jù)(數(shù)值地形圖)、礦產(chǎn)數(shù)據(jù)和遙感數(shù)據(jù)。該方法技術通過空間數(shù)據(jù)處理、空間信息獲取、多原空間信息綜合實現(xiàn)對礦產(chǎn)資源潛力預測、環(huán)境污染評價、自然災害風險進行評價。
背景技術：
空間數(shù)據(jù)處理與信息綜合是當代空間決策支持系統(tǒng)的重要技術手段。在地理信息系統(tǒng)環(huán)境下開展數(shù)據(jù)和信息驅動的空間決策支持具有十分廣闊的應用前景。證據(jù)權重技術(weights of evidence)作為人工智能性技術最早是醫(yī)學工作者依據(jù)各種所得證據(jù)診斷病情的一種方式，在牛津出版社1994年出版的《地質學家的地理信息系統(tǒng)地理信息系統(tǒng)建?！芬粫酗@示，邦哈卡特(Bonham-Carter)在20世紀80年代將該技術引進并拓展到了地質領域。該技術主要依據(jù)多原圖層對點事件空間分布進行預測和評價。目前該技術與GIS相結合已被廣泛用于礦產(chǎn)資源預測、環(huán)境污染評價、災害預警、傳染病預防、交通事故評價等預報性工作。該方法不僅能夠處理定量的數(shù)據(jù)如地球化學元素含量、地球物理測量數(shù)據(jù)等，而且可以處理定性數(shù)據(jù)如巖石類型、構造等點-線-面型標志。提供了一種獨特的分析不同維數(shù)空間特征的空間相關關系的方法。
在傳統(tǒng)的證據(jù)權重技術應用中，為了統(tǒng)一圖層的單位和量綱意義，往往要將連續(xù)的圖層進行離散化，比如按距構造線的水平距離以及與研究對象的空間最佳相關關系將區(qū)域區(qū)分為一定距離內和為兩種狀態(tài)，形成二元圖層。這種圖層中，一個狀態(tài)與研究預測對象具有正相關關系，而另一狀態(tài)則具有反相關關系。該方法進而可以定量地給出度量相關性大小的權重。將多層圖層根據(jù)其權重大小進行邏輯疊加則可形成研究對象的預測概率圖。這一預測圖反映了研究對象在空間上的分布的概率。二元和三元模式常表達證據(jù)屬性的存在或不存在、真或假、贊成或不贊成、確定或不確定等。對于連續(xù)的屬性層，通常的做法是將連續(xù)的屬性值分割成離散的二元或三元模式。例如，在結合地理信息系統(tǒng)(GIS，Geographical Information System)的應用中，連續(xù)的屬性值，比如地球化學或地球物理的測量值，可以通過它與礦點的空間相關關系來確定最優(yōu)的分割值。在證據(jù)權重方法中，將兩個權值W+和W～賦給證據(jù)中的每個模式，W+表示證據(jù)存在，W～表示證據(jù)缺失。它們表達了對證據(jù)E(evidence)和假設H(hypothesis)關系的測度，而在礦產(chǎn)勢能成圖中，它們表達了某類礦出現(xiàn)的概率。而在實際工作中，如果將連續(xù)屬性值轉換成離散的二元或三元模式，而又想確保在轉換過程中信息不缺失是比較困難的。尤其是將多層數(shù)據(jù)融合在一起，比如遙感數(shù)據(jù)、地球化學數(shù)據(jù)和地球物理數(shù)據(jù)等。另外，由于采樣數(shù)據(jù)獲取的質量和數(shù)量的非均衡特性，在預測過程中必須降低由于缺失數(shù)據(jù)所產(chǎn)生的不確定性。
在證據(jù)權重技術的基礎上，同時為了克服它存在上述不足之處，Cheng和阿格特伯格(Cheng and Agterberg)在《自然資源研究》1999年第8卷上發(fā)表了《模糊證據(jù)權重方法和其在礦產(chǎn)勢能圖中的應用》，進一步提出了模糊證據(jù)權重技術(fuzzy weights of evidence)，該技術考慮了證據(jù)的多類別而不是僅限于兩類或三類價值(后者包含缺值(missing data))，利用模糊概率和條件模糊概率給中間類別分配模糊成員函數(shù)值，以多類模式取代傳統(tǒng)的二元或三元模式。模糊成員函數(shù)可以通過人為確定也可以利用數(shù)學模型擬合得到。模糊概率和條件概率是基于模糊成員函數(shù)和普通概率積分來獲得。在條件獨立性的假設下，最后的后驗概率圖通過證據(jù)模型的線性模型擬合來獲得。這樣，傳統(tǒng)的證據(jù)權重技術就成了模糊證據(jù)權重的一個特殊情況，而后者是更廣義的模糊證據(jù)權重技術。

發(fā)明內容
為了克服現(xiàn)有技術的不足，本發(fā)明的目的在于提供一種空間數(shù)據(jù)模糊證據(jù)權重分析方法。這樣，在實際工作中，我們可以將連續(xù)屬性值轉換成離散的多元模式而不僅僅是二元或三元模式，有效地確保在轉換過程中信息不缺失。比如，多層數(shù)據(jù)融合在一起(遙感數(shù)據(jù)、地球化學數(shù)據(jù)和地球物理數(shù)據(jù)等)。
為了完成上述發(fā)明目的，本發(fā)明采取的總體技術方案為一種空間數(shù)據(jù)模糊證據(jù)權重分析方法，該方法至少包括以下步驟步驟1、選擇測量的礦物數(shù)據(jù)作為礦產(chǎn)預測的證據(jù)層，并將連續(xù)證據(jù)層轉變?yōu)殡x散的類別證據(jù)層；步驟2、對離散的證據(jù)層進行訓練；步驟3、計算訓練后的證據(jù)層的模糊證據(jù)權重；步驟4、計算預測區(qū)域的響應變量圖；步驟5、輸出礦產(chǎn)預測結果。
所述步驟2還包括設置訓練參數(shù)，計算先驗概率的步驟。
所述的計算先驗概率的步驟，采用如下公式先驗概率W0＝logO(D)，其中O(D)=P(D)1-P(D),]]>WμA(x)和WμB(x)分別對應的是模糊集合A和B的權重；μA(x)=1,ifx∈A1,0.5,otherwise,0,ifx∈A2.]]>A1，A2表示子集，A1＝{x；μA(x)＝1}，A2＝{x；μA(x)＝0}；A1∪A2X，A1∩A2＝0。
所述訓練參數(shù)至少包括單位面積大小、訓練區(qū)域和訓練樣本大小。
所述步驟3進一步包括以下步驟步驟31、將選中的證據(jù)層輸入計算機系統(tǒng)；
步驟32、設置和計算成員函數(shù)值；步驟33、計算證據(jù)層的模糊證據(jù)權重；步驟34、對計算結果進行檢驗。
所述步驟33還包括計算分類值的面積單元個數(shù)、訓練點面積單元個數(shù)、模糊證據(jù)權重標準差、比較值或檢驗值的步驟。
所述步驟4中的預測區(qū)域響應變量圖包括后驗概率圖和后驗概率標準差圖。
計算后驗概率時，WA進行如下取值WμA(x)=WA+,ifμA(x)=1,0,ifμA(x)=0.5(P[A1]+P[A2]=1),WA-,ifμA(x)=0.]]>這里，WA+(x)和WA-(x)利用普通的證據(jù)權重方法賦值；WA+=logP[A1|D]P[A1|D‾]]]>WA-=logP[A2|D]P[A2|D‾].]]>本發(fā)明的優(yōu)點和積極效果是由模糊證據(jù)權重方法推導出來的方差比從未知證據(jù)或錯誤證據(jù)推導出來的方差小，并且推導的后驗概率業(yè)比普通證據(jù)權重方法推導出來的精確。利用本專利可以使用戶在礦產(chǎn)預測、礦產(chǎn)資源評價以及環(huán)境評價得到更精確和可靠的結果，為國家資源開采，評價等帶來不可估量的經(jīng)濟貢獻。


圖1為本發(fā)明的主流程圖；圖2為證據(jù)層訓練參數(shù)設置界面圖；圖3為證據(jù)層模糊證據(jù)權重計算界面圖；圖4為證據(jù)層的相關信息示意圖；圖5為證據(jù)層模糊權重、標準差以及相應的T檢驗值示意圖；
圖6為預測參數(shù)設置界面圖；圖7為本發(fā)明實施例中的計算最終的響應變量圖界面圖。
具體實施例方式
下面結合說明書附圖來說明本發(fā)明的具體實施方式
。
本發(fā)明采用的模糊權重的計算方法如下假定證據(jù)X是與某種礦D的“出現(xiàn)”的假設連在一起。X＝{xi，x2，...，xn}。在礦產(chǎn)資源評價里，xi可以是巖石類別，奇異值類別等。在通常的的離散統(tǒng)計方法中，用X來構建二元和三元變量。其步驟如下一個二元模式由兩個子集構成，A和A(not A)，并且A∪A＝X；A∩A＝0即A和A是互斥的。落入集合A的二元變量值為1，未落入集合A或落入集合A的二元變量值為0。如果單一的二元模式不能滿足需要，可以從X中產(chǎn)生更多的二元模式。與傳統(tǒng)的證據(jù)權重方法不同的是，模糊證據(jù)權重用X的模糊集合代替多個二元模式定義1假設AX是一個被創(chuàng)建的模糊集。其中的每一元素屬于X的x隸屬集合A的隸屬度可以通過成員函數(shù)來定義μA(x)1.0≤μA(x)≤1，2.μA(x)＝1，if，and only if，xA，3.μA(x)＝0，if，and only if，xA.
μA(x)的值越靠近1表明x屬于A的可能性就越高。模糊集A可以被認為是普通脆弱集的廣義形式。如果A有兩個值1或0，則A就成為了普通脆弱集。
為了方便起見，令A1，A2表示子集A1＝{x；μA(x)＝1}，A2＝{x；μA(x)＝0}其中，A1∪A2X，A1∩A2＝0。在特殊情況下，μA(x)有三個值1，0.5和0，那么A變成三元模式μA(x)=1,ifx∈A1,0.5,otherwise,0,ifx∈A2.---(1)]]>模糊集A的模糊概率和條件能夠表達為P[μA(x)]和P[μA(x)|D]。相似的，模糊集A和B的聯(lián)合概率表達為P[μA(x)μB(x)]。
在普通的證據(jù)權重方法中，如果A和B是條件獨立于D，那么在模糊集合A和B上的D的幾率對數(shù)轉換表達如下logO[D|μA(x)μB(x)]=W0+WμA(x)+WμB(y)---(2)]]>這里，等式左邊表示某種礦物在證據(jù)A和B的模糊成員函數(shù)的條件下的出現(xiàn)幾率的對數(shù)轉換；W0對應的是先驗幾率W0＝logO(D)，其中O(D)=P(D)1-P(D),]]>WμA(x)和WμB(x)分別對應的是模糊集合A和B的權重。
后驗概率可以通過上式計算。其中WA有如下屬性WμA(x)=WA+,ifμA(x)=10,ifμA(x)=0.5(P[A1]+P[A2]=1),WA-,ifμA(x)=0.---(3)]]>這里，WA+(x)和WA-(x)利用普通的證據(jù)權重方法賦值。
WA+=logP[A1|D]P[A1|D‾]]]>WA-=logP[A2|D]P[A2|D‾]---(4)]]>體來說，由模糊證據(jù)權重方法推導出來的方差比從未知證據(jù)或錯誤證據(jù)推導出來的方差小，并且推導的后驗概率業(yè)比普通證據(jù)權重方法推導出來的精確。
請參閱圖1本發(fā)明的主流程圖。首先進行數(shù)據(jù)準備，選擇要測量的礦物數(shù)據(jù)作為礦產(chǎn)預測的證據(jù)層，并將連續(xù)證據(jù)層轉變?yōu)殡x散的類別證據(jù)層。
(1)選擇證據(jù)層。
在礦產(chǎn)預測過程中，本發(fā)明首先確定哪些測量數(shù)據(jù)或知識可以作為礦產(chǎn)預測的證據(jù)層(evidence)，假設有N個證據(jù)層，選擇證據(jù)層主要由專家參與和判斷。
(2)連續(xù)證據(jù)層轉變?yōu)殡x散的類別證據(jù)層。
在本發(fā)明中，模糊證據(jù)權重要求證據(jù)層為離散類別值，如果用戶的證據(jù)層是連續(xù)的測量值，如地球化學測量值，則需要將其轉變?yōu)殡x散類別值，然后，在計算過程中將這些離散變量代入模糊證據(jù)權重模型。
然后，設置訓練參數(shù)，計算先驗概率，并訓練證據(jù)層。其中包括設置單位面積大小，選擇訓練區(qū)域和訓練樣本大小?？赏ㄟ^鼠標拖動畫矩形筐來選擇訓練區(qū)域，用結構化查詢語句(SQL)等來選擇訓練樣本?；谏鲜鰠?shù)設置計算先驗概率，然后將先驗概率轉換為幾率并進行對數(shù)轉換，即為公式(2)中的W0。
先驗概率，參與計算的單元的總面積等參數(shù)將在計算模糊證據(jù)權重時用到，其計算方法是先驗概率是在已知訓練點的前提下點事件出現(xiàn)的概率，先驗概率＝采樣點所占有效單元格網(wǎng)的個數(shù)/研究區(qū)域內有效單元格網(wǎng)的個數(shù)。
參與計算單元的總面積＝(研究區(qū)域內有效單元格網(wǎng)的個數(shù)*單個單元格網(wǎng)面積)/用戶設定的單元面積。
參與計算的點的總個數(shù)＝(采樣點所占有效單元格網(wǎng)的個數(shù)*單個單元格網(wǎng)面積)/用戶設定的單元面積。
具體參數(shù)設置如表1和圖2所示。
表1參數(shù)設置表


之后，計算訓練后的證據(jù)層的模糊證據(jù)權重。
在計算證據(jù)層的模糊證據(jù)權重時，先進行參數(shù)設置，將選中的N個證據(jù)層調入系統(tǒng)，再計算證據(jù)層各個分類值的統(tǒng)計指標，設置和計算成員函數(shù)值，計算模糊權重及其標準差和T檢驗值。參數(shù)設置見表2表2計算模糊證據(jù)權重時的參數(shù)設置表

證據(jù)層各個分類值的統(tǒng)計指標包括分類值的面積單元個數(shù)和訓練點面積單元個數(shù)；利用公式(4)計算得到的普通證據(jù)權重W+和W-；它們的標準差s(W+)，s(W-))；以及對比C(C＝W+-W-)；C的標準差(s(C))；T檢驗值。
如圖3所示，在計算模糊證據(jù)權重時，用戶可以選擇任意一證據(jù)權重層(是否求案后名詞不一致？請確認)計算它的模糊證據(jù)權重。如圖4所示，選擇某個證據(jù)權重層后，一些關于此證據(jù)層的相關信息通過先驗信息(是否是先驗概率？請確認)的計算得到，其中包括每一個離散類別的面積和累積參與計算單元的總面積(Cumulative AreaC_area)，在類別內參與計算的點的個數(shù)和累積參與計算的點的總個數(shù)(Cumulative number of PointsC_points)；利用公式(4)計算得到的W+和W-；它們的標準差s(W+)，s(W-))；以及對比C(C＝W+-W-)；C的標準差(s(C))；T檢驗值。
在設置和計算成員函數(shù)值時，成員函數(shù)值可以根據(jù)統(tǒng)計結果和經(jīng)驗直接賦值，特別是當訓練點數(shù)據(jù)不足時。當訓練點數(shù)據(jù)比較多時，可根據(jù)分類值與某個統(tǒng)計指標(C或者T等)關系，繪制相關的散點圖，先確定成員函數(shù)值為μA(x)＝1和μA(x)＝0的部分A1和A2，對成員函數(shù)值0＜μA(x)＜1，可根據(jù)分類值與C或者T的關系，直接賦值或者進行線性或非線性函數(shù)擬合，用擬合值作為相應的成員函數(shù)μA(x)值。
如圖5所示。利用公式(3)計算每個證據(jù)層每個類別的模糊權重(FuzzyWeight)和模糊權重標準差以及相應的T檢驗值。
接下來，進行礦物預測，在進行預測時，先設置預測區(qū)域和預測參數(shù)，再計算預測區(qū)域的響應變量圖，最后輸出礦產(chǎn)預測結果(1)預測參數(shù)設置。預測參數(shù)設置見表3和圖6，在本發(fā)明中，用戶可以將預測區(qū)域和訓練區(qū)域設為同一區(qū)域，也可以在底圖中設置。
表3礦物預測參數(shù)設置表


(2)、計算預測區(qū)域的響應變量圖如圖7所示，在做完所有證據(jù)層的類別變量的模糊證據(jù)權重，然后設置完預測區(qū)域后，用戶可以開始計算最終的響應變量圖，包括后驗概率圖和后驗概率標準差圖，以及模糊證據(jù)權重報表，報表包括各個證據(jù)層的模糊證據(jù)權值重和標準差以及新的多項混合(new-omnibus)獨立性檢驗結果。在本發(fā)明中，用戶可以將前面計算的所有證據(jù)層作為變量代入公式(2)，對右邊做反對數(shù)轉換，也可以選擇部分證據(jù)層作為變量進行計算最終的礦產(chǎn)資源預測圖和其相應的預測誤差圖。對公式(2)右邊做反對數(shù)轉換方法如下P(D|μA(x)μB(y))=O(D|μA(x)μB(y))1+O(D|μA(x)μB(y))]]>最后將礦產(chǎn)預測結果輸出。
以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明，對于本領域的技術人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的權利要求范圍之內。
權利要求
1.一種空間數(shù)據(jù)模糊證據(jù)權重分析方法，其特征在于，該方法至少包括以下步驟步驟1、選擇測量的礦物數(shù)據(jù)作為礦產(chǎn)預測的證據(jù)層，并將連續(xù)證據(jù)層轉變?yōu)殡x散的類別證據(jù)層；步驟2、對離散的證據(jù)層進行訓練；步驟3、計算訓練后的證據(jù)層的模糊證據(jù)權重；步驟4、計算預測區(qū)域的響應變量圖；步驟5、輸出礦產(chǎn)預測結果。
2.根據(jù)權利要求2所述的空間數(shù)據(jù)模糊證據(jù)權重分析方法，其特征在于，所述步驟2還包括設置訓練參數(shù)，計算先驗概率的步驟。
3.如權利要求2所述的空間數(shù)據(jù)模糊證據(jù)權重分析方法，其特征在于，所述的計算先驗概率的步驟，采用如下公式先驗概率W0＝logO(D)，其中O(D)=P(D)1-P(D),]]>WμA(x)和WμB(x)分別對應的是模糊集合A和B的權重；μA(x)=1,ifx∈A10.5,otherwise0,ifx∈A2.]]>A1，A2表示子集，A1＝{x；μA(x)＝1}，A2＝{x；μA(x)＝0}；A1∪A2X，A1∩A2＝0。
4.根據(jù)權利要求2或3所述的空間數(shù)據(jù)模糊證據(jù)權重分析方法，其特征在于，所述訓練參數(shù)至少包括單位面積大小、訓練區(qū)域和訓練樣本大小。
5.根據(jù)權利要求2或3所述的空間數(shù)據(jù)模糊證據(jù)權重分析方法，其特征在于，所述步驟3進一步包括以下步驟步驟31、將選中的證據(jù)層輸入計算機系統(tǒng)；步驟32、設置和計算成員函數(shù)值；步驟33、計算證據(jù)層的模糊證據(jù)權重；步驟34、對計算結果進行檢驗。
6.根據(jù)權利要求5所述的空間數(shù)據(jù)模糊證據(jù)權重分析方法，其特征在于，所述步驟33還包括計算分類值的面積單元個數(shù)、訓練點面積單元個數(shù)、模糊證據(jù)權重標準差、比較值或檢驗值的步驟。
7.根據(jù)權利要求6所述的空間數(shù)據(jù)模糊證據(jù)權重分析方法，其特征在于，所述步驟4中的預測區(qū)域響應變量圖包括后驗概率圖和后驗概率標準差圖。
8.如權利要求7所述的空間數(shù)據(jù)模糊證據(jù)權重分析方法，其特征在于，計算后驗概率時，WA進行如下取值WμA(x)=WA+,ifμA(x)=1,0,ifμA(x)=0.5(P[A1]+P[A2]=1),WA-,ifμA(x)=0,]]>這里，WA+(x)和WA-(x)利用普通的證據(jù)權重方法賦值；WA+=logP[A1|D]P[A1|D‾]]]>WA-=logP[A2|D]P[A2+D‾].]]>
全文摘要
本發(fā)明是一種用于礦產(chǎn)預測、礦產(chǎn)資源評價以及環(huán)境評價的模糊證據(jù)權重分析方法和技術。包括構建多變量空間信息數(shù)據(jù)庫、通過數(shù)據(jù)處理和信息提取形成礦產(chǎn)預測的空間信息證據(jù)圖層、通過計算得到證據(jù)圖層的預測權重、通過綜合多層證據(jù)圖層繪制礦產(chǎn)資源預測概率圖，達到礦產(chǎn)資源預測的目的。本發(fā)明具有實用性廣、信息損失少、預測精度高等優(yōu)點，適用于多源地學數(shù)據(jù)如地質數(shù)據(jù)、礦產(chǎn)數(shù)據(jù)、地球化學數(shù)據(jù)、地球物理數(shù)據(jù)和遙感數(shù)據(jù)等進行信息提取、數(shù)據(jù)集成、礦產(chǎn)資源評價、礦產(chǎn)勘查、環(huán)境污染評價、自然災害和風險評價等預報性工作。
文檔編號G06Q50/00GK101055631SQ20061007276
公開日2007年10月17日 申請日期2006年4月10日 優(yōu)先權日2006年4月10日
發(fā)明者成秋明, 張生元, 葛詠 申請人:中國地質大學(武漢), 石家莊經(jīng)濟學院, 中國科學院地理科學與資源研究所