herunterladen - GDI Sachsen eV

Software zur Prognose von Ereignissen und
Phänomen im Raum
mit Methoden der künstlichen Intelligenz und GIS
Gefördert durch das Bundesministerium für Wirtschaft und Technologie: Förderkennzeichen: IW072061
Silke Noack, Andreas Barth
IW072061
2
Gliederung
1. Motivation
2. Lösungsansätze
3. Künstliche neuronale Netze
4.
Software
5. Anwendungsbeispiele
6. Zusammenfassung
IW072061
Folie 2
3
Motivation
Karsttrichter
Wo findet ein Ereignis statt?
Lagerstättensuche
Wo
ist die Lagerstätte?
Hangrutschung
Welche Parameter beeinflussen es ?
Steinschlag
Wahrscheinlichkeit des Auftretens?
Hangkrieche
n
IW072061
Folie 3
4
Schritte der Datenanalyse
Eingangsinformation: Bodentypen, Geologie,
Geländeeigenschaften, Landnutzung, Messdaten…
Unser Wissen: bekannte Ereignisse,
Zusammenhänge
Möglichkeiten der Datenanalyse: analytische oder
statistische Lösungansätze
IW072061
Anwendung des Gelernten an ähnlichen Gebieten/
Problemen Prognosekarte
Folie 4
Grundsätzliche Modellierungs- und Vorhersageansätze
5
Analytischer Ansatz: mathematische Modellierung
•
•
•
•
setzen ein komplexes Verständnis der ursächlichen physikalischen und
chemischen Zusammenhänge voraus
E = f (a,b,c,d,g,...)
Felduntersuchungen, Modellkalibrierung und -anwendung
zeitaufwändig, teuer
braucht viele verschiedene Daten (die in der Realität oft nicht verfügbar
sind)
Statistischer Ansatz: z.B. Regression, Diskriminanzanalyse, …
Methoden künstlicher Intelligenz:
Analyse von komplexen, nichtlinearen
Zusammenhänge möglich
lernfähig
generalisierungsfähig
robust
arbeitet mit verfügbaren Daten
IW072061
Folie 5
6
Prinzip künstlicher neuronaler Netze
Vorbild Natur
• Funktionsweise dem biologischen Nervensystem
nachempfunden
• besteht aus Nervenzellen (Neuronen)
• Simulation der biochemischen Prozesse durch geeignete
Rechenoperationen: Ausführung durch künstlichen
Neuronen
• meist schichtweise Organisation der Neuronen
Nervenzelle als Prozessor
•
Verbindungen zwischen Neuronen = Gewichte wx
Stärken oder schwächen das Eingangssignal
sind gerichtet, werden trainiert
•
Eingangssignale
werden zu einem einzigen Eingangssignal
verrechnet: Propagierungsfunktion
•
Aktivierungsfunktion berechnet den
Ausgabestatus des Neurons
IW072061
Folie 6
7
Prinzip künstlicher neuronaler Netze
Mehrschichtiger Netzaufbau
Beispiel
Wie lernt das Netz?
Durch wiederholte Eingabe von Trainingsmustern wird die
Stärke der Verbindungen zwischen den Neuronen
modifiziert.
Der Fehler zwischen erwarteter und tatsächlicher Ausgabe
des Netzes wird minimiert.
IW072061
Folie 7
Geodatenanalyse mit künstlichen Neuronalen Netzen und GIS
8
Eigenschaften unserer Software
Einfache Verfügbarmachung von Methoden der künstlichen Intelligenz
zur räumlichen Prognose
Dokumentation des Workflows
Erfassung und Pflege von Metadaten zu den Geodaten und deren
Bearbeitung
Werkzeuge zur Datenvorbereitung, Datennachbereitung, Darstellung
Nutzerfreundlichkeit
Ziel: breite Anwendergruppe durch Integration in Standard GIS- und
Datenbanksoftware
IW072061
VB.NET
2005
Folie 8
9
Komponenten
Daten- und Modellexplorer
GIS Extension
IW072061
Application
Meta Database
SQL Server /
SQL Server Express
Project
Database
Referenzierte
Datenquellen
ESRI Grid + Shapefile /
FGDB / PGDB
Systemvoraussetzung: ArcGIS Desktop 9.2 + Spatial Analyst von ESRI
Folie 9
10
Daten- und Modellexplorer
Menü und Toolbar mit Werkzeugen und
Funktionen
Formular zur Erfassung, Bearbeitung und Anzeige
zu Datenobjekten und Modellen
Übersicht
zu Datenobjekten und Modellen
IW072061
Explorerbaum zum
Navigieren in Projekten
Funktionalität per Kontext
Meldungsfenster mit Informationen
zu Status, Warnungen, Fehlern
Folie 10
GIS-Extension mit Toolbar und Treeview
11
Toolbar mit Werkzeugen zur
Datenbearbeitung und
zur Kommunikation mit
IW072061
Treeview der Projekte und ihrer
Daten mit Funktionalität zum
Daten laden und zur
Kommunikation mit
Folie 11
Arbeitsablauf und Softwareunterstützung
12
Arbeitsschritte:
1. Formulierung der Aufgabenstellung
2. Abgrenzung des Modellgebiets
3. Zusammenstellen der Datengrundlagen
4. Datenaufbereitung (datentechnisch, fachlich)
5. Statistisches Preprocessing
(Skalentransformationen, Datenpartitionierung, Dimensionsreduktion…)
6. Aufbau und Berechnen der Modellszenarien
7. Statistisches Postprocessing
(Bewertung Generalisierungsfähigkeit, Reproduzierbarkeit, Robustheit… )
IW072061
8. Darstellung der Prognoseergebnisse
Folie 12
13
1. Formulierung der Aufgabenstellung
Formulierung der Aufgabenstellung:
Was ist Gegenstand? Was will ich
herausfinden?
IW072061
Folie 13
2. Abgrenzung des Modellgebiets
Festlegen des Rasters
Abgrenzung des Projektgebietes
Abgrenzung von Teilgebieten für
Training, Test und Validierung
14
IW072061
Folie 14
3. Zusammenstellen der Datengrundlagen
15
IW072061
Erfassen von relevanten Daten und
zusätzlichen Informationen
Bodenkarte (Quelle: sächs.LFUG)
Folie 15
4. Datenaufbereitung (datentechnisch, fachlich)
Fachliche und technische
Datenaufbereitung: z.B. Ableiten von
Sand-, Schluff-, Tonanteilen (Quelle:
BKKonz, Sächs. LfUG)
16
IW072061
Folie 16
5. Erstellen der Modelleingangsdaten
Erstellen konsistenter Rasterdaten unter
Berücksichtigung des Basisrasters und des
Projektgebietes:
Hier z.B. Bodenbestandteile und Hangneigung im
EZG des Reichstädter Bach
(Quelle: BKKonz, Sächs. LfUG, Sächs. LVermA)
17
IW072061
Folie 17
6. Aufbau und Berechnen der Modellszenarien
18
IW072061
Aufbau parametrisierter Modelle:
Definierte Analysemethode
Anlegen von Trainingsszenarien
mit definierten Input und Parametern
Training des Netzes
Folie 18
8. Darstellung der Prognoseergebnisse
19
IW072061
Karte mit Prognoseergebnissen
(Quelle des Luftbildes: Sächs. LVermA)
Folie 19
Praxistest: Prognose niederschlagsindizierter Bodenerosion
20
Bearbeitungsgebiet:
Einzugsgebiet der Weißeritz, Sachsen
Trainingspunkte (überwachtes Lernen):
Erfassung von Abtragsflächen aus Orthofotos
(2002 nach Augusthochwasser aufgenommen, Quelle Sächs. LVermA))
Verschiedene Eingangsdaten:
Bodenkonzeptkarte, DGM, Nutzungsdaten
Datenformat / Codierung:
IW072061
Erstellen der Modelleingangsinformationen im Rasterformat
Skalentransformation:
Metrisches Skalenniveau: Transformation auf Wertebereich [0..1]
Nominales Skalenniveau: Binäre Codierung (0/1: An-/Abwesenheit)
Folie 20
Praxistest: Prognose niederschlagsindizierter Bodenerosion
21
KNN-Parameter:
•
•
•
•
Nutzung von Feedforward-Netzen: Multilayer-Perceptron
Lernalgorithmus: RPROP = Abwandlung des Backpropagation-Algorithmus
Aktivierungsfunktion: Sigmoidfunktion (logistische Funktion)
Netzwerktopologie, z.B.: 7 - 15 - 1
Beispiel einer Netzkonfiguration:
Schluffanteil / Gesamtboden
Tonanteil / Gesamtboden
Sandanteil / Gesamtboden
Ackerflächen
Erosionswahrscheinlichkeit
Grünlandflächen
Fließakkumulation
IW072061
.
.
.
Hangneigung
Folie 21
22
Praxistest: Prognose niederschlagsindizierter Bodenerosion
Eingangsdaten: verschiedene thematische Karten
Training mit
bekanntem Muster,
z.B. Erosionsflächen
IW072061
Folie 22
Validierung der Prognose
23
Vergleich der Prognoseergebnisse
mit bekannten Testflächen
(nicht als Trainingsflächen verwendet)
Insgesamt ca. 90% der Flächen erkannt
(mit p > 75%)
IW072061
Folie 23
24
Überprüfung der Ergebnisse
durch Begehung vor Ort
IW072061
Folie 24
25
Erosion: Planung von Schutzmaßnahmen
Planungsmaßnahmen:
z.B. Pflanzen von Hecken
IW072061
Auflösung 5m
Eingabedaten:
Schluff-, Ton-,Sandanteil
Acker und Grünland
Hangneigung
Fließlänge
Folie 25
26
Praxistest: Prognose von Lagerstätten
Training mit
bekanntem Muster,
z.B Lagerstätten
Prognose von
Rohstofflagerstätten im Kosovo
Datenquelle:
Independent Commission for
Mines and Minerals, Prishtina,
Kosovo
IW072061
Folie 26
Praxistest: Prognose von Lagerstätten
27
Praxistest an verschiedenen Lagerstätten:
Blei/Zink
Gold
Chrom
…
IW072061
Folie 27
Zusammenfassung
•
Neuronale (MLP-) Netze sind zur Analyse und Prognose räumlicher
Probleme geeignet .
•
Mit einem moderaten Aufwand an Datenaufbereitung und Berechnungszeit
können gute Ergebnisse erzielt werden.
•
Die Software
macht diese Vorteile für den (ESRI-)GISAnwender in einer nutzerfreundlichen Umgebung verfügbar und
komfortabel nutzbar.
•
Nutzer von
werden in die Lage versetzt, parametrisierte
Modelle nachvollziehbar aufzubauen und zu dokumentieren.
28
IW072061
Folie 28
29
Vielen Dank für Ihre Aufmerksamkeit
IW072061
Folie 29