استخراج پايگاه دانش فازي بهينه به‌منظور تلفيق و وزن ‌دهي لايه‌هاي مكاني در محيط GIS (مطالعه موردي: تهيه نقشه پتانسيل معدني)

Constructing of Fuzzy Knowledge Base for Weighting & Integrating Spatial Layers in a GIS environment (Case Study: Mineral Potential Mapping)

وزن‌دهي و تلفيق لايه‌هاي مكان‌مرجع يكي از مباحث بسيار مهم در آناليز‌هاي اطلاعات مكانياست. از سوي ديگر،به‌دليلعدم قطعيت در لايه‌هاي مكاني نياز به روشي است كه بتواند عدم قطعيت را در ميزان تاثير اين لايه‌هادرنظر بگيرد. هدف اين تحقيق، استخراج پايگاه دانش بهينهبه‌منظور تلفيق موثرلايه‌هاي مكاني با درنظر گرفتن عدم قطعيت موجود در آن‌هاست. در روش‌هاي رايج و سنتي، پايگاه دانش براساس تجربه و دانش فرد خبره ايجادمي‌شد. باوجود اين، تبديل دانش و تجربه فرد خبره به توابع عضويت و قوانين فازي بسيار دشواراست و در اكثر موارد مي‌تواند به نتايج ناكارآمد منجر شود. در اين تحقيق دو روش خوشه‌بندي فازي و الگوريتم ژنتيك براي استخراج پايگاه دانش فازي از مشاهدات محيطي (داده‌هاي ورودي-خروجي) به‌كار رفتند. براي ارزيابي اين دو روش، دو پايگاه دانش فازي استخراج‌شده در يك سيستم استنتاج فازي براي تهيه نقشه پتانسيل معدني به‌كار گرفته شدند. نتايج نشان مي‌دهند پايگاه دانش فازي به‌دست آمده از الگوريتم ژنتيك با RMSE، 16.21 دقت بالاتري را نسبت به خوشه‌بندي فازي براي داده‌هاي آموزشي و كنترل به‌دست آورده است.

Weighting and integrating spatial information are vitally important in any analysis of the geospatial information systems (GIS). There are numerous sources of uncertainty in spatial phenomenon. Therefore, uncertainty in weighting spatial information must be considered. The purpose of this research is to construct a fuzzy knowledge base which contains all fuzzy rules along with membership functions to integrate uncertainty of spatial information in data integration. In the conventional design methods, the desired rules and functions are based on the expertʹs knowledge and experiences. However, we cannot perfectly represent the expertʹs knowledge by linguistic rules nor can we choose appropriate membership functions for fuzzy sets. Moreover, converting the expertsʹ knowledge into if-then rules is difficult and often results in incompleteness, and conflicting knowledge. This is due to the fact that experts cannot express all their knowledge. These problems can be adjusted by applying techniques to construct fuzzy knowledge base from numerical input-output data. In this study, two methods of fuzzy clustering and genetic algorithm were employed to build fuzzy knowledge base automatically. For evaluating these two methods, the two extracted knowledge bases were used for mapping mineral potential mapping. The results indicated that knowledge base extracted by genetic algorithm with RMSE of 4 had better accuracy than fuzzy clustering.