11.3. 智能GIS¶
目前，地理信息系统已成功地应用到了包括资源管理、设施管理、城市和区域的规划、人口和商业管理、交通运输等领域。传统地理信息系统具有较强的数据输入、存储、检索和显示能力。随着GIS 在上述等领域应用的日益深入，遇到了很多关于经验性的东西，或者一些定性的问题，使得GIS的传统功能已经无法满足要求，这就需要把地理信息系统和当今非常流行的人工智能技术互相结合，发挥各自的优点，使问题得到更加完美的解决，这就是智能GIS。
11.3.1. 智能GIS概述¶
智能GIS是指与专家系统（Expert System 简称ES）、神经网络、遗传算法等相结合的GIS，它实际上是基于知识的专家系统在GIS中的应用，GIS经过多年发展规律现在已经日趋成熟，但其应用还主要停留在数据库、空间叠加分析上，缺乏知识处理能力和推断能力。目前，对智能化GIS 有两种理解（黄继安，2004）：
一方面，是指在GIS 系统中应用人工智能技术，建立智能化时空数据处理和分析模型，在人工智能理论支持下对时空信息处理和分析。在地学规律指导下，结合具体的地学知识和地理信息，通过地学分析和人工智能等技术手段，获得更精确的反映实际地学规律的分析结果。发展地理智能系统，就是以地学分析模型为基础，运用统计分析、神经计算、知识处理系统、地学优化等智能技术，在时空信息、地学知识的相互作用下进行综合地学分析。
另一方面，则是指GIS 系统作为一种处理分析空间信息的通用技术在某一个领域的应用，使管理水平、决策系统体现智能化。例如，在智能运输系统中，通过采用先进的电子技术、地理信息系统技术、通信技术等高新技术，对传统的交通运输系统及管理体制进行改造，从而形成一种信息化、智能化、社会化的新型现代交通系统。在整个交通系统中强调了运输设备的系统性、信息交流的交互性以及服务的广泛性。当前在智能化城市建设中主要应用于：(1) 车辆管理和调度；(2)车辆导航；(3)公共交通信息；(4)事故管理和处理；(5)交通管制。由于将出行者、道路和交通运输工具三者作为一个整体系统来综合考虑，因此使交通运输基础设施得以发挥最大效能，车辆堵塞和交通拥挤得到有效解决，出行者的安全度和舒适度得到明显改善，并通过节约能源和保护环境使全社会获得巨大的社会效益。
11.3.2. 智能GIS关键技术¶
智能GIS是基于知识的专家系统，而人工智能（Artificial Intelligent，AI）是研究用计算机模拟人类的大脑从事推理、解题、识别、设计和学习等思维活动的学科，并且专家系统、模式识别和智能机器人是AI的重要领域。因此，研究智能GIS所涉及的技术主要有专家系统中知识库和推理机，智能空间决策支持系统，用来求解复杂系统问题的理论与工具——机器学习（如人工神经网络）和进化算法等。
专家系统是由美国斯贝福大学的Edward Feigenbaum教授提出，并把专家系统定义为是一种智能计算机程序，它运用知识和推理来解决只有专家才能解决的复杂问题。因此，专家系统是模拟专家决策能力的计算机系统，它拥有某个特殊领域专家的知识和经验。并像专家一样运用领域知识，通过推理，在具体领域进行智能决策。专家系统核心是知识库(事实、规则)和推理机。
1.知识库
知识库(事实、规则)用于存入由领域专家提供或通过其他途径（如类比、归纳等机器学习手段以及神经网络等）获得的、为求解该领域问题所必需的专门知识。在实现时需要一个动态数据库，动态数据库存放已知事实和推理结果。知识库中有两个主要问题：①知识表示形式。例如，产生式规则(If…Then…)，渭词逻辑(真／假二值)、模糊逻辑([0，1]连续值)，框架，语义网络，过程性知识和脚本。②知识的精确程度。包括精确性知识和不精确性知识。精确性知识是指原理性公式和公理；不精确性知识是指经验性知识，用置信度、概率、证据理论和模糊数学等方法描述。
2.推理机
推理机控制专家系统的问题求解过程，完成对知识的搜索和推理。根据上下文信息，推理机先识别在知识库中匹配的所有规则，从中选择并启用一条规则。目前，还没有通用的方法构造推理机，如何构造推理机不仅取决于领域问题性质，还取决于专家系统中知识表达和组织方法。
3.智能空间决策支持系统
专家系统（ES）是利用专家知识在计算机上进行推理，达到专家解决问题的能力。专家系统和空间决策支持系统几乎是同时兴起的，都能起到辅助决策的作用。但专家系统辅助决策的方式属于定性分析；空间决策支持系统辅助决策方式属于定量分析，将两者结合起来形成智能空间决策支持系统。
4.人工神经网络
人工神经网络(Artificial Neural Network ， ANN) 是20世纪80 年代以来人工智能领域中兴起的研究热点。它是模拟生物的神经结构系统而建立的非线形动力学系统（罗敏霞，2004），与传统的计算方法相比，神经网络具有以下特点：它不需要建立数学模型，经过学习能够建立样本隐含的复杂关系；具有很强的适应性和容错性；分布并行式的存储方式；非编程、自组织、自适应处理数据。因此神经网络特别适用于用常规计算方法难于表达的信息处理过程。人工神经网络吸取了生物神经网络的许多优点， 因而有其固有的特点：高度的并行性、高度的非线性全局作用、良好的容错性与联想记忆功能、十分强的可塑性和自组织、自适应、自学习功能。目前，许多学者做了大量开拓性工作，提出了许多理论和学习算法。例如，反向传播法(Back Propagation ，BP)、玻耳兹曼机、模拟退火算法、联想记忆、竞争学习等（金星姬，2008）。
人工神经网络是人工智能的重要领域，用于分类、聚类、特征挖掘、预测和模式识别。神经网络模仿生物神经网络，本质上是一个分布式矩阵结构，它通过对训练数据的挖掘。逐步计算网络连接的权值。神经网络首先要求一定数量的具有已知样本特征的训练样本，然后用训练好的网络结构对其他样本进行处理。
人工神经网络在空间决策支持系统中的应用包括两个方向：①知识获取。如果周围缺少某一领域的专家，或者很难构造出解决问题的模型时，可以考虑利用人工神经网络的某一学习算法获取知识，只是很难利用得到的内部网络配置解释获取知识的过程。②模型的自动选择。选择合适的模则对于SDSS用户来说是很重要的。传统SDSS系统中，模型选择是通过SDSS人机对话部分，以菜单方式、命令方式或窗口方式，以SDSS用户完成。SDSS模型中存储有许多模型，要求SDSS用户从中选择合适的模型有时是十分困难的。因此，可以利用人工智能和人工神经网络技术实现模型自动选择。
5.进化算法
进化算法仿效生物学中进化和遗传的过程，遵从“生存竞争，优胜劣汰”的原则，从一组随机生成的初始可行群体出发，借助复制、交换、突变等遗传操作，逐步逼近所研究问题的最优解。从实质而言，进化算法是一种具有自适应调节功能的搜索寻优技术。通常，进化算法包括遗传算法（Genetic Algorithms，GA）、遗传规划（Genetic Programming，GP）、进化策略（Evolution Strategies，ES）、进化规划（Evolutionary Programming，EP）等四种典型方法（云庆夏，2000）。
其中，遗传算法是一个群体优化过程，为了得到目标函数的最小（大）值， 它不是从一个初始值出发，而是从一组初始值出发进行优化。这一组初始值好比一个生物群体，优化的过程就是这个群体繁衍、竞争和遗传、变异的过程。遗传算法主要有以下步骤：
（1）设置初值。
（2）竞争。这一步是先根据优生的原则，选择初群体(初始值组) 中的若干个个体来产生下一代。例如可以根据目标函数值的大小决定个体被选中的概率，并按这个概率选择初始群体中的个体，以体现优生原则。
（3）繁衍。它包括演化、杂交和变异。可以简单地采取类似于上面讲到的优化步骤，也可以采取变异或杂交算法。在离散变量（通常它们是很高维数的离散取值向量)）优化问题中，一种常见的杂交方法是：对两个选中的个体，决定性地或随机地取它们（两个离散值向量）中的各自的一段相同维数的分量，互换对接成两个新个体，称为子代。针对不同的实际问题，可以根据原先对所需优化的问题的了解，选取其他的繁衍（即竞争、遗传与杂交）方式。
（4）以子代代替其父代(即产生子代的那两个个体)，反复进行步骤②与③，不断产生后代直至目标函数在整个群体中的最小（大）值不能再继续优化。
随着研究的不断深入，智能GIS中用来求解复杂系统问题的理论与工具除了人工神经网络和进化算法外，部分学者也利用模糊系统、免疫算法、DNA计算、优化算法（如蚁群算法，粒子群算法等）等应用到不同的GIS领域，使GIS的智能化程度不同提高。