Powiadomienia systemowe
- Sesja wygasła!
- Sesja wygasła!
- Sesja wygasła!
Identyfikatory
Warianty tytułu
The use of cellular automata for modeling and simulation of spatial phenomena
Języki publikacji
Abstrakty
Wiedza o charakterze zjawisk na danym terenie stanowi podstawę prognozowania ich zmian wskutek planowanego wdrożenia decyzji przestrzennych. Jednym ze sposobów wspomagania prognozowania jest symulacja, czyli dynamiczny model danego zjawiska. Powtarzanie Symulacji przy zmieniających się parametrach jest jednym z bardziej efektywnych sposobów wnioskowania decyzyjnego. Zjawiska przestrzenne charakteryzują się powtarzalnością lokalnych interakcji między sąsiadującymi ze sobą fragmentami powierzchni. Suma tych lokalnych procesów daje obraz zróżnicowanego przestrzennie zjawiska, zachodzącego na rozległych nieraz obszarach. Narzędziem, które bardzo dobrze odzwierciedla te lokalne interakcje są automaty komórkowe. W modelowaniu zjawisk przyrodniczych komórka-automat odzwierciedla pojedynczy fragment danego składnika środowiska. Zakładając interakcje, między różnymi składnikami modelu lub ich relacje z otoczeniem, możemy tak opisać działanie automatu, aby realizował je poprzez podatność na bodźce zewnętrzne lub oddziaływanie na stan otoczenia. W ramach prezentowanej pracy wdrożono automaty ukierunkowane na przekształcanie otoczenia, nazwane Interaktywnymi Automatami Komórkowymi (IAK). Podczas, gdy dane zmieniają swój stan w ograniczonym zakresie wartości, to w zależności od tego stanu oraz stanu otoczenia (modelowanego zjawiska) powodują zmiany zarówno w przestrzeni automatów jak i w modelowanym otoczeniu. Wykazano, że tak sformalizowane działanie ma szeroki zakres zastosowań przestrzennych, różniących się jedynie postacią reguły zmian. Potwierdzają to wyniki adaptacji takiego formalizmu do modelowania terenu, poklasyfikacyjnej agregacji obiektów obrazowych oraz symulacji obiegu wody.
Knowledge of the nature of phenomena in a given area is the basis for prediction of the changes resulting from a planned implementation of spatial decisions. A way to aid the prediction is a simulation, e.g. a dynamic model of a phenomenon. Repeating the simulation with changing parameters is one of the most effective ways for decision making. Spatial phenomena are characterized by repetition of local interactions between neighboring pieces of the surface. The sum of these local processes gives an image of a spatially varying phenomenon occurring sometimes over wide areas. A tool that best reflects these local interactions are cellular automata. In modeling natural phenomena a cell-automaton reflects a single part of the environment. Assuming the interactions between different components of the model, or their relationship with the environment, we can describe the operation of the slot to pursue them due to its susceptibility to external stimuli, or the impact on the state of the environment. As a part of this work, automata have been implemented aimed at transforming the environment, called Interactive Cellular Automata (ICA). While the data changes in a limited range of values, depending on their state and the state of the environment (modeled phenomena), they cause changes both in the space of the automata and the modeled environment as well. It has been shown that such formal action has a wide range of spatial applications that differ only by the form of the transition rule. This has been confirmed by the results of the adaptation of such formalism for modeling the site after classification, aggregation of object imaging and simulation of water circulation.
Rocznik
Tom
Strony
459--470
Opis fizyczny
Bibliogr. 21 poz.
Twórcy
Bibliografia
- 1.Batty M., Xie Y, 1994. From cells to cities. Environment and Planning B: Planning and Design, 21, s. 531–548.
- 2.Chakhar S., Martel J.-M., 2003. Enhancing geographical information systems capabilities with multi-criteria evaluation functions. Journal of Geographic Information and Decision Analysis, 7 (2), s. 47–71.
- 3.Dietzel C., Clarke K., 2005. The effect of disaggregating land use categories in cellular automata during model calibration and forecasting. Computers, Environment and Urban Systems.
- 4.Eastman J.R., Jin W., Kyem P.A.K., Toledano J., 1995. Raster Procedures for Multi- Criteria/ Multi-Objective Decisions, Photogrammetric Engineering & Remote Sensing, 61 (5), s. 539–547.
- 5.Jose M.C.P., Lucien D., 1993. A Multiple Criteria Decision-Making approach to GIS-based Land Suitability Evaluation. International Journal of Geographic Information Systems, 7 (5), s. 407–424.
- 6.Li X., Yeh A.G.O., 1998. Principal component analysis of stacked multi-temporal images for the monitoring of rapid urban expansion in the Pearl River Delta. International Journal of Remote Sensing, 19, s. 1501–1518.
- 7.Li X., Yeh A.G.O., 2001. Calibration of cellular automata by using neural networks for the simulation of complex urban systems. Environment and Planning A, 33, s. 1445–1462.
- 8.Li X., Yeh A.G.O., 2002, Neural-network-based cellular automata for simulating multiple land use changes using GIS. International Journal of Geographical Information Science, 16 (4), s. 323–343.
- 9.Lo C.P., Xiaojun Y., 2002. Drivers of Land-use / Landcover Changes and Dynamic Modelling for the Atlanta, Georgia Metropolitan Area. Photogrammetric Engineering & Remote Sensing, 68 (10), s. 1073–1082.
- 10.Malczewski J., 1999. GIS and Multicriteria Decision Analysis. John Wiley & Sons, Inc., New York.
- 11.Park S., Wagner D.F., 1997. Incorporating Cellular Automata simulators as analytical engines in GIS. Transactions in GIS, 2 (3), s. 213–231.
- 12.von Neumann J., 1966, Theory of Self-Reproducing Automata, Burks, A.W. (Ed.), Urbana, Illinois: University of Illinois Press.
- 13.Miller H.J., 2004. Tobler’s First Law and spatial analysis. Annals of the Association of American Geographers, 94 (2), s. 284–289.
- 14.Toffoli T., 1984. Cellular automata as an alternative to (rather than an approximation of differential equations in modeling physics. Physica, 10D, s. 117–27.
- 15.Toffoli T., Margolus N., 1987, Cellular Automata: A New Environment for Modeling. Cambridge, MA , MIT Press.
- 16.Wagner D.F., 1997. Cellular automata and geographic information systems. Environment and Planning B: Planning and Design. 24 (2), s. 219–234.
- 17.Ward D. Murray A. T., Phinn S. R., 2000. A stochastically constrained cellular model of urban growth, Computers, Environment and Urban Systems, Vol. 24, s. 539–558.
- 18.White R., Engelen G., 1993. Cellular automata and fractal urban form: A cellular modeling approach to the evolution of urban land-use patterns, Environment and Planning A, 25, s. 1175–1199.
- 19.Wolfram S., 1984. Cellular automata as models of complexity. Nature, 311, s. 419–424. Wyczałek I., 2005. The design on revitalization of landscape of an urban green with the use of cartographic methods of decision aid. A Coruna, Spain, 9-16 July 2005, , (CD).
- 20.Wyczałek I., 2006. Wykorzystanie decyzyjnych automatów komórkowych w klasyfikacji wysokorozdzielczych obrazów satelitarnych. Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 16, s. 577–586.
- 21.Wyczałek I., 2010. Nowa metoda modelowania powierzchni terenu dla potrzeb analiz i symulacji przestrzennych. Archiwum Fotogrametrii, Kartografii i Teledetekcji (w druku).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-dc670ad2-36ca-4ce3-b1b3-ac0f49657c72