شبکه‌ی فازی- عصبی و GIS و اکتشاف دانش

پایش و پیش‌بینی پارامترهای کیفیت هوا در مناطق شهری  وابسته به عوامل متعددی مانند توپوگرافی، اقلیم، جمعیت، شبکه‌ی حمل ‌و ‌نقل می‌باشد که نحوه تعامل این عوامل مکانی به عنوان پدیده‌ ای دینامیک، غیر خطی و دارای ابهام عنوان شده است.

در این راستا تکنیک‌های هوش مصنوعی در مدل‌ کردن پدیده‌های غیر خطی و پیچیده دارای قابلیت فراوانی می‌باشند. شبکه‌ی فازی- عصبی این قابلیت را در اختیار ما می‌گذارد که با استفاده از توانایی یادگیری شبکه‌ی عصبی، دانش مورد نیاز در مورد پدیده‌ی مورد نظر را بدون نیاز به شخص خبره، در قالب قوانین مناسب بیان کنیم.

همچنین سیستم اطلاعات مکانی در قالب سیستمی توانمند، فرایند جمع آوری، ذخیره، پردازش و بصری سازی داده‌های مکانی را تسهیل می‌بخشد. به علت اهمیت پیش‌بینی و مدلسازی مکانی پارامترهای کیفیت هوا، با بهره‌گیری از مزایای شبکه‌ی فازی-عصبی و GIS، دانش حاکم بر محیط را در قالب قوانین فازی، از داده‌ها استخراج نموده و با استفاده از این قوانین، آلودگی هوا پیش‌بینی و مدلسازی میشود.

برای این منظور از شبکه‌ی فازی- عصبی و GIS در قالب دو مدل متفاوت استفاده میگردد. در مدل اول برای آموزش شبکه، داده‌های آموزشی (شامل پارامتر‌های هواشناسی و غلظت مونوکسید‌کربن) با استفاده از روش زمین آمار (کریجینگ) ایجاد و به کار میرود. برای هر ایستگاه ناحیه‌ای در نظر گرفته و از داده‌های موجود در آن ناحیه برای آموزش آن استفاده میشود. برای هر ناحیه قوانین فازی ممدانی و سوگنو استخراج و قوانین ایجاد شده به هر پیکسل آن ناحیه اعمال و میزان آلاینده تخمین زده می‌شود.

در مدل دوم هر ایستگاه به طور جداگانه با استفاده از داده‌های خود آموزش داده شده و برای هر ایستگاه قوانین فازی ممدانی و سوگنو آن استخراج شده و با استفاده از این قوانین غلظت آلاینده تخمین زده میشود. به علت اینکه پیش‌بینی در نقاط ایستگاه‌ها صورت می‌گیرد، در نهایت برای مدلسازی مکانی غلظت  از روش کریجینگ استفاده میگردد. برای انجام تست عملی، از داده‌های هواشناسی ایستگاه‌های واقع در سطح شهر استفاده میشود.

مدل اول با هدف به دست آوردن قوانین برای ناحیه توسعه داده شده که در این مدل گسستگی در نقشه ی غلظت آلاینده  به دلیل کمبود ایستگاه های پایش و گستردگی ناحیه ها  پایش هدف اصلی  که اکتشاف دانش است، برای ناحیه مرتفع میشود.

در مدل دوم  چون تعداد ایستگاه های پایش کم ،  مدلی مناسب‌تر از نظر مدلسازی می باشد.

فرایند WASPAS و ارجحیت منطق فازی در تعیین آسیب پذیری در GIS

بحران های طبیعی همچون زلزله، طوفان و سیل قادر به تحمیل خسارات جبران ناپذیری به انسان و محیط زیست هستند. از این رو ارزیابی ریسک به منظور مدیریت مناسب و کاهش خسارات، حیاتی است. ارزیابی ریسک با فرایند برآورد احتمال وقوع یک رویداد و اهمیت یا شدت اثرات زیان آور آن مشخص می شود.

 به منظور ارزیابی شدت آسیب پذیری از زلزله، پارامترهای مؤثر  با استفاده از فرایند WASPAS وزن دهی میشوند. نقشه آسیب پذیری به روش همپوشانی شاخص  و منطق فازی برای بلوک های آماری شهری تهیه و به صورت بصری در محیط سیستم اطلاعات مکانی ارایه میشوند.

 نتایج  حاکی از ارجحیت منطق فازی در تعیین آسیب پذیری مناطق است. مدل همپوشانی شاخص با تعداد مناسب کلاس های وزنی برای هر فاکتور می تواند نتایج مشابه با منطق فازی به بار آورد. علاوه بر آن مدل همپوشانی شاخص از مزایای سادگی، سرعت بیشتر در حل مسئله و انعطاف پذیری در ترکیب ورودی ها و رتبه بندی خروجی ها بهره می برد. روش مناسب برای تهیه نقشه آسیب پذیری به میزان فازی بودن پارامترها، انتخاب مناسب تابع عضویت و ادغام بهینه لایه های اطلاعاتی بستگی دارد.

مدل سازی روابط مکانمند در محیط GIS با اسفاده از استنتاج گری فازی

روابط توپولوژیک میان عوارض مکانی فازی یکی از اطلاعات مهم و اساسی در سیستم های اطلاعات جغرافیایی (GIS) است. استخراج این نوع روابط، در کنار اطلاعات مکانی و توصیفی، می تواند در بسیاری از فرایندهای تصمیم گیری مورد استفاده قرار گیرد. برای مدل کردن این روابط مسائل و مشکلاتی وجود دارد؛ مانند متحرک بودن پدیده های مکانی، عدم قطعیت و ابهام در عوارض و ماهیت میان خود عوارض. این مشکلات باعث می شود استخراج این روابط پیچیدگی های زیادی داشته باشد.

روشی جدید برای مدل کردن این روابط و استخراج متغیرهای بیانی برای نواحی فازی قابل ارایه است. در این روش از محاسبه میزان شباهت میان ماتریس های  اشتراکی کرسپ و فازی برای استخراج متغیرهای بیانی استفاده می شود.

این متغیرها دربردارنده نوع روابط توپولوژیک و کمیت سنج هایی هستند که قدرت روابط را نشان می دهند. با توجه به اینکه استخراج این متغیرها به عمل گرهای فازی وابستگی مستقیم دارند، مقایسه ای میان عمل گرهای مختلف فازی برای به دست آوردن جواب بهینه میتوان انجام داد. در پایان، سیستم استنتاج گر فازی بر اساس نوع روابط استخراج شده قابل طراحی است. این سیستم میزان پیغام هشدار را برای یک کاربرد خاص براساس میزان فرکانس فازی به کاربر اعلام می کند.

سیستم استنتاج فازي(FIS ) و پایداری کاربری های شهری و GIS

روش های تحلیل و ارزیابی مسائل درGIS به دو دسته داده مبنا و دانش مبنا تقسیم می شوند. در روش های دانش مبنا بکارگیری و تلفیق داده های ورودی به وسیله کارشناسان و متخصصان تعیین می شود و این مدل ها عمومیت بیشتری نسبت به مدل داده مبنا دارند.

سیستم استنتاج فازي(FIS )، سیستمی دانش مبنا میباشد که با استفاده از مجموعه ای از قوانین و بکارگیری متغیر های زبانی(مانند خوب، متوسط، ضعیف و...) به عنوان ورودی، آن ها را به روابط های ریاضی تبدیل می کند و قادر به استخراج نتیجه گیری صحیح از این داده ها می باشد.

كل سیستم استنتاج فازي، بر پايه قوانين "اگر، آنگاه " استوار است كه روابط مختلفی را میان متغیرهای ورودی و خروجی بر قرار می سازد.  معیارهای موثر در پایداری کاربری های شهری نظیر امنیت در برابر زلزله، سازگاری کاربری ها و دسترسی به خدمات و...، را میتوان به صورت توابع فازی به عنوان متغیرهای ورودی وارد سیستم FIS کرده و با استفاده از قوانین موجود در پایگاه دانش، خروجی های مناسب که در واقع درجه تناسب هر منطقه نسبت به وضعیت ایده آل از نظر توسعه پایدار می باشد، بدست آورد. همچنین حساسیت نقشه های خروجی به معیارهای ورودی را نیز تحلیل کرد.

برنامه‌ریزی سناریو و سیستم استنتاج فازی

"در فرایند برنامه‌ریزی استراتژیک ، زمان و عدم قطعیت، نقش مهمی ایفا می‌کنند.تغییرات غیرقابل پیش‌بینی در محیط، بسیاری از صنایع را زمین‌گیر ساخته و یا از صحنه رقابت حذف کرده است و پیش‌بینیها در مورد آینده را با شکست روبه‌رو ساخته است. سازمانها به‌طور غیرقابل پیش‌بینی با تکنولوژیهای جدید، محصولات جدید و بازارهای جدید روبه‌رو می‌باشند و استراتژیهای تدوین شده، پاسخگوی نیاز آنها در چنین محیط پویا و متغیری نیست. این فشارها در آینده افزایش نیز خواهد یافت، زیرا که تغییرات تکنولوژیکی، اقتصادی و اجتماعی همچنان رو به گسترش است. بدیهی است که آینده قابل پیش‌بینی نیست. اما نکته قابل توجه این است که سازمانها می‌توانند خود را برای مقابله با آن آماده کنند و این آمادگی سبب ایجاد مزیت رقابتی برای آنها می‌شود. هر چه عدم قطعیتها تشدید شود، مزیت رقابتی سازمانهایی که استراتژیهای پایدار و مقاوم را در برابر تغییرات تدوین کرده‌اند، نیز افزایش می‌یابد. هدف این مقاله معرفی روشی است که به سازمانها قابلیت تدوین استراتژیهای استوار در شرایط عدم قطعیت را می‌بخشد و آنها را در جهت مصون کردن استراتژیهای خود در برابر تغییرات محیطی هدایت می‌کند. روش معرفی شده در این مقاله، از این جهت که روش عمومی تدوین استراتژی را با دو ابزار مقابله با عدم قطعیت، یعنی برنامه‌ریزی سناریو و سیستم استنتاج فازی ترکیب می‌کند، از تازگی و نوآوری برخوردار ساخته است. این روش با استفاده از عوامل غیرقطعی در محیط، اقدام به طراحی سناریوهای محتمل پیش روی سازمان کرده و با استفاده از اطلاعات فازی بیان شده به‌وسیله خبرگان در سیستم استنتاج فازی اقدام به انتخاب استوارترین استراتژی سازمان در مواجهه با سناریوهای طراحی شده می‌پردازد. این روش به مدیران و برنامه‌ریزان استراتژیک سازمانها، کمک می‌کند تا بتوانند با ارزیابی محیط آینده خویش، به بینش درستی در تدوین استراتژیهای سازمان دست یابند و مزیت رقابتی سازمان را در محیط آشفته و متغیر آینده حفظ کنند. این روش به مدیران و برنامه‌ریزان استراتژیک سازمانها، کمک می‌کند تا بتوانند با ارزیابی محیط آینده خویش به بینش درستی در تدوین استراتژیهای سازمان دست پیدا کنند و مزیت رقابتی سازمان را در محیط آشفته و متغیر آینده حفظ کنند."

پیش‌بینی ترافیک توسط ماتریس مبدا- مقصد (O-D Matrix)

یک دستاورد مهم و با ارزش آمارگیری مبدا-مقصد، که با صرف و قت و هزینه بسیار، پس از جمع‌آوری اطلاعات سفر و تحلیل آن‌ها به دست می‌آید، ارائه‌ی ماتریس یا ماتریس‌های مبدا-مقصد است.

این ماتریس معمولا مربعی و ابعاد آن به اندازه‌ی تعداد نواحی منطقه‌ی مورد مطالعه می‌باشد و نشان می دهد هر ناحیه مانند i به هر ناحیه مانند  j  چه تعداد سفر صورت می‌گیرد.

                       

                                                                                                                                    

می‌توان ماتریس های مبدا-مقصد جزیی نیز با تحلیل آمار سفر‌ها ارائه داد؛ مثلا " ماتریس مبدا- مقصد سفر‌های اوج صبح با وسیله نقلیه شخصی".

با توجه به تعداد زیاد نواحی در مطالعات عملی، این ماتریس دارای ابعاد بزرگی خواهد بود. در صورت در اختیار داشتن ماتریس‌های مبدا- مقصد خوب و نزدیک به واقعیت، علاوه بر توصیف وضع موجود، می‌توان مدل‌های واقع بینانه‌ای برای تولید و جذب سفر و انتخاب وسیله با آن ساخت و سال‌ها از آن برای پیش‌بینی ترافیک یک شهر استفاده نمود.

چون تعداد سفر ها اصولا با گذشت زمان افزایش می یابد لازم است پس از هر چند سال این ماتریس به هنگام update)) شود.

در ماتریس مبدا- مقصد، جمع درایه‌های هر سطر مانند i، تولید سفر i را نشان می‌دهد:

و جمع درایه‌های هر ستون مانند j نیز، جذب سفر ناحیه ی j را نشان می‌دهد:

از آنجا که هر سفر دارای یک مبدا و یک مقصد است و سفری گم نمی‌شود داریم: