SDM四种方法使用流程.docxVIP

SDM四种方法使用流程一模糊逻辑模糊逻辑是一种无源评价方法，是一种主观评价方法，因此它不需要输入已知矿点。需要有若干原始证据图层。证据图层分为类型类和等值线类两大类。模糊逻辑对这两类图层在具体的模糊化操作上有所不同。进行模糊逻辑评价有两大步骤，分别是隶属度图层的生成和图层信息的合成。隶属度图层的生成隶属度图层的生成是在空间数据建模工具—模糊逻辑—模糊隶属函数下进行。对于类型类证据图层，我们使用模糊隶属函数下的类型和重分类工具进行类型数据的隶属度图层的生成。对于等值线类数据，我们使用和模糊隶属函数下的模糊大、模糊小、模糊MS大等工具来生成隶属度图层，具体使用哪种方法，根据评价的需要来选择，模糊大在矿产资源评价中的应用极为广泛，如果想要进行乐观评价，也可采用模糊MS大工具。图层信息合成使用模糊逻辑--模糊算子下提供的各种模糊算子来实现若干图层之间的信息合成。可以根据评价的需要来设计模糊推理网络，如先用一种算子合成几个图层，再用合成的结果与其他图层一起使用另一种算子合成，直到最后达到的唯一一个处于网络顶点的合成图层，就是资源环境评价的目标图层。或者就用一种算子合成所有图层。具体使用哪种合成方式，可以根据需要来设计。模糊AND：对若干个数据组成的集合取最小值，即如果有m个图层参数隶属度的合成，对每个网格单元访问m个隶属度数据，取最小值为合成图层该单元的模糊隶属度值。模糊AND在五种算子中给隶属度强度赋值的强度名列第三。模糊OR：对若干个数据组成的集合取最大值，即如果有m个图层参与隶属度的合成，对每个网格单元访问m个隶属度数据，取最大值为合成图层该单元的模糊隶属度值。模糊OR在5种算子中给隶属度赋值的强度名列第二。模糊代数积：对若干个数据组成的集合取其代数积，即该集合的所有数据相乘。对若干个数据组成的集合取其代数积，即该集合的所有数据相乘。如果有m个图层参与隶属度的合成，对每个网格单元访问m个隶属度数据，取其代数积为合成图层该单元的模糊隶属度值。模糊代数积在5种算子中给隶属度的赋值的强度名列第五，是赋值最低的算子。模糊代数和：此算子的算法是1-模糊代数积。如果有m个图层参与隶属度的合成，对每个网格单元访问m个隶属度数据，取1-代数积为合成图层该单元的模糊隶属度值。模糊代数和在5种算子中给隶属度的赋值的强度名列第一，是赋值最高的算子。γ算子：γ算子在模糊代数积与模糊代数和之间进行调和，找到一个居二者之间的隶属度。γ越大，越靠近模糊代数和，γ越小，越靠近模糊代数积。二证据权法与逻辑回归证据权法与逻辑回归都是有源评价的方法，它需要已知目标图层，即它需要一些已知的矿点。（一）证据权法的基本思路是：需要一个已知目标图层。需要若干证据图层，即同目标有关系的图层。是否有关系则需要专业的石油地质研究人员确定。对每个证据图层，计算两个权系数，w+和w-，建立预测未知区目标的预测模型。根据预测模型计算每个单元的后验概率，它是一个在0与1之间的数，数字越大，出现目标的可能性也越大。证据权法的输入图层是已知目标图层和证据图层，证据权法给出四个输出图层，分别是后验概率图层、置信度图层、权系数标准离差栅格、缺失数据方差栅格和总标准差图层。其中，证据图层同样分为类型类和等值线类。等值线类的证据图层需要转化为栅格文件才可使用。（二）SDM中证据权法的操作流程：1 首先根据需要进行训练点缩减，通过建立训练点随机子集，或以每个单位面积设置一个单元的抽稀方式缩减训练点数目。这一处理过程是为证据权法服务的，该方法的假设前提是每个单元包含一个训练点。当前掩模区中的点首先被选择，然后通过选择缩减方法选择其他的点。2 第二步是计算证据权，对每个证据图层计算证据权，使用计算证据权工具对证据图层计算证据权，此工具的输出是一张权系数表。3 计算响应图层，使用此工具通过证据权系数表中提供的推广合成证据权系数，此工具基于证据计算后验概率栅格、由权系数引起的标准离差栅格、由缺失数据引起的方差栅格、总标准差栅格、置信度栅格。4 使用阿格特伯格-陈条件独立性检验工具对上一步的响应图层栅格进行条件独立性检验。此工具计算两个条件独立性测度：条件独立性（CI）比值和阿格特伯格-陈条件独立性检验。这一检验是非常必要的，因为证据权法是一种贝叶斯方法，它假定证据对于训练点具有条件独立性。条件独立性通常要影响到后验概率。此工具的输入时响应图层的计算结果。（三）下面介绍一下证据权与逻辑回归下其他工具的使用：逻辑回归：逻辑回归是一种统计方法，具体地说就是一种多元回归方法。同一般线性多元回归不同的是，这种回归具有指数形式，且因变量是后验概率。逻辑回归的思路很简单，就是把输入的证据图层值转换为同目标关系的后验概率值，后验概率越高，同目标的关系就越密切。因为逻辑回归的很多步骤与证据权法步骤相同，所以了解了证据权法，再来了