Nieliniowa generalizacja numerycznego modelu terenu z wykorzystaniem sztucznych sieci neuronowych

• Autorzy: Olszewski R. , Żyła A.

Warianty tytułu

EN

Non-linear generalization of a digital terrain model using neural networks

• Języki publikacji: PL

Abstrakty

PL

W artykule omówiono wybrane współczesne koncepcje generalizacji numerycznego modelu rzeźby terenu. Przedstawiono także podstawowe własności sztucznych sieci neuronowych. Szczególną uwagę zwrócono na możliwość zastosowania sieci neuronowych jako narzędzia nieliniowego uogólniania modelu danych przestrzennych na przykładzie generalizacji NMT.

EN

The article discusses selected contemporary concepts of generalization of a digital model of terrain relief. Basic properties of artificial neural networks are also presented. Special attention is paid to the possibility of application of neural networks as a tool for non-linear approximation of a spatial data model on the example of ganeralization of a digital tarrain model (DTM). Contemporary understanding of the concept of spatial data generalization differentiates between two models of spatial data connected to two types of generalization: cartographic generalization, linked to digital cartographic model (DCM) and model generalization linked to digital landscape model (DLM). Generalization of a terrain relief model (understood as DTM generalization, representing DLM model, and not as generalization of contour map - DCM model) requires one of three methods: global filtration, local filtration (usually multi-stage) or heuristic approach. Proper generalization of a digital terrain model is especially vital for powering of geographic information systems (GIS). In order to conduct credible spatial analyses it is essential to preserve the actual location of key terrain forms. Generalization of DLM model should therefore be applied, rather than cartographic generalization. Automatization of large scale DTM modeling understood this way requires local filtration. It should be noted that the question of source data selection from base model is only one of the aspects of DTM generalization. Interpolation methods applied have more complex impact on the resulting model. Classic methods of statistical surface creation usually base on linear interpolation. The article discusses non-linear methods of DTM interpolation using artificial neural networks. In mathematical modeling of physical surface of the Earth - in interpolation of digital terrain model - especially good results can be achieved with the use of regression networks. Generalized Regression Neural Networks (GRNN), due to the modification of the amoothing coefficient of radial function, permit fluent control of the level of executed generalization. Networks of this type can be used to refine and smooth DTM, preceding the stage of automatic generation of contours.Neural networks of the Radial Basis Function (RBF) type can be used as a tool for complex generalization of terrain relief model (the more radial neurons the lower generalization level).

Słowa kluczowe

PL

sieć neuronowa; generalizacja modelu; generalizacja kartograficzna

• Wydawca: Polskie Towarzystwo Geograficzne. Oddział Kartograficzny
• Czasopismo: Polski Przegląd Kartograficzny
• Rocznik: 2004
• Tom: T. 36, nr 2
• Strony: 82--91
• Opis fizyczny: Bibliogr. 23 poz., rys.

Twórcy

autor

Olszewski R.

• Zakład Kartografii Politechniki Warszawskiej

autor

Żyła A.

• Zakład Kartografii Politechniki Warszawskiej

Bibliografia

• Brassel K., Weibel R., 1988, A review and conceptual framework of automated map generalization. „Intern. J. of Geogr. Information Systems", Vol. 2, no. 3.
• Danovaro E., De Floriani L., Magillo P., Mesmoudi M.M., Puppo E., 2003, Morphology-driven sImplification and muitiresolution modeling of tenains. W: Proceedings ACM-GIS 2003 - The 11th International Symposium on Advances in Geographic Information Systems, E. Hoel and P. Rigaux (Eds.). ACM Press, s. 63-70, vonnv.disi.unige.it/persorn/DeflotianiL/publicatIons.html
• De Floriani L., Magillo R, 2002, Multiresolution mesh representatlon: models and data structures. W: Multiresolution in Geometrio Modelling. Ed. M. Floater and A. Iske and E. Ouak. Springer-Vedag, s. 363-418, www.disi.unige.it/person/DeflorianiL/publications.html
• Fausett L., 1994, Fundamentals of neural networks. New York: Prentice Hall.
• Firkowski H., Carvalho C.A.P. and Sluter C.R.. 2003, Regular wid DEM generalization based on infommtion theory. W: 21 st Intemafional Cartographic Conference ICA, Durban, South Africa. Abstract of papers, s. 92.
• Gonzalez R. C., Wintz R A., 1987, Digital image processing. Massachusetts, Addison-Wesley.
• Grünreich D., 1995, Development of computer-assisted generalization on the basis of cartographic model theory. W: GIS and generalization - rnetbodology and practice, s. 47-55. London: Taylor & Francis.
• Heller M., 1990, Triangulation algorithms for adaptive terrain modeling. W: Symposium on Spatial Data Handling. Zurich. Vol. 1, s. 163-174.
• Iwaniak A., Olszewski R., Paluszynski W., 2003, A comparison of urban area aggregation in satellite images using neural networks, celluiar automata and median filtration. W: 21st International Cartographic Conference ICA, Durban, South Africa. Abstract of papers, s. 36.
• Kępińska M., Olszewski R., 2002, Od Bertina I Hotellinga do Zadeha i Kohonena, czyli o zastosowaniu sztucznych sieci neuronowych w kartografii tematycznej. „Polski Przegl. Kartogr.” T. 34, nr 2, s. 103-114.
• Kładoczny D., Żyszkowska W., 1995, Struktura numerycznych modeli terenu a ich obraz poziomicowy. „Polski Przegl. Kartogr." T. 27, nr 4, s. 177-191.
• Kohonen T., 1982, Self-organized formation of topologicaily correct feature maps. „Biological Cybemetics" Vol. 43, s. 59-69.
• Kurczyński Z., Preuss Z., 2000, Podstawy fotogrametrii. Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej.
• Makowski A., 2001, Na obrzeżach cybernetyki. W: Mapa w systemach komputerowych. „Materiały Ogólnopolskich Konferencji Kartograficznych T. 23, s. 13-24.
• Meyer U., 1987, Computer-assisted genralization of buildings for digital landscape models by classification methods. W: Proceedings 13th ICA Conference, Morelia, Mexico.
• Olszewski R., 2003, Cartographic modelling of statislical surface with the use of non-linear neural networks. W: 21st International Cartographic Conference ICA, Durban, South Africa. Abstract of papers, s. 10-11.
• Ostrowski W., 2001, Typy generalizacji kartograficznej z punktu widzenia semiotyki. W: Metody kartograficzne a możliwości systemów komputerowych. Warszawa: Uniwersytet Warszawski, s. 56-65.
• Patterson D., 1996, Artificial nowa, networks. Singapore: Prentice Hall.
• Sester M., 2001, Kohonen feature nets for typification. W: Fourth Workshop on Progress In Automated Map Generalization, ICA Commission on Map Generalizatlon, Beijing.
• Stateczny A., 1999, Przestrzenny model kształtu dna morskiego jako warstwa trójwymiarowej morskiej mapy numerycznej. W: Materiały IX Konferencji Naukowo-Technicznej: Systemy Informacji Przestrzennej, Warszawa, PTIP.
• Tadeusiewicz, R., 1998, Elementarne wprowadzenie do sieci neuronowych z przykładowymi programami. Warszawa: Akademicka Oficyna Wydawnicza.
• Weibel R., 1991, Amplified intelligence and rule-base systems. W: Map generalization: making rules for knowledge representation. Ed. B. Buttenfield, R. McMaster. London: Longman.
• Weibel R., 1992, Models and experiments for adaptive computer-asslsted termin generalization. „Cartography and Geogr. Information Systems" Vol. 19, no. 3.