Таблица 5
|
Почва |
Данные полученные экспериментальным путем |
Данные полученные сетодом нейронных сетей |
|||||||
|
Вл-ть |
Гл-на |
КДП |
Яр.Т. f=6,0 |
Яр.Т. f=2,73 |
Яр.Т. f=8,15 |
Яр.Т. f=6,0 |
Яр.Т. f=2,73 |
Яр.Т. f=8,15 |
|
|
Глина |
0,45714 |
1,00 |
29,614 |
- |
142 |
153 |
150 |
139 |
155 |
|
0,41086 |
2,00 |
25,218 |
- |
145 |
153 |
151 |
148 |
154 |
|
|
0,398 |
3,00 |
24,059 |
- |
145 |
153 |
152 |
147 |
151 |
|
|
0,19886 |
1,00 |
9,590 |
151 |
142 |
160 |
154 |
140 |
158 |
|
|
0,29657 |
1,00 |
15,873 |
176 |
160 |
178 |
178 |
162 |
180 |
|
|
0,17143 |
2,00 |
8,109 |
181 |
169 |
182 |
179 |
168 |
181 |
|
|
0,27314 |
3,00 |
14,223 |
179 |
152 |
174 |
181 |
150 |
176 |
|
|
0,26757 |
1,00 |
13,844 |
196 |
174 |
199 |
195 |
174 |
200 |
|
|
0,222 |
2,00 |
10,936 |
190 |
175 |
196 |
188 |
177 |
199 |
|
|
0,31871 |
3,00 |
17,515 |
187 |
194 |
203 |
187 |
195 |
205 |
|
|
0,29629 |
1,00 |
15,852 |
179 |
- |
212 |
181 |
198 |
210 |
|
|
Песок |
0,32057 |
1,00 |
17,656 |
- |
199 |
225 |
194 |
201 |
227 |
|
0,27286 |
2,00 |
14,204 |
- |
202 |
226 |
193 |
200 |
224 |
|
|
0,31829 |
3,00 |
17,483 |
- |
207 |
224 |
199 |
209 |
224 |
|
|
0,24457 |
1,00 |
12,333 |
214 |
210 |
231 |
212 |
208 |
233 |
|
|
0,08486 |
2,00 |
4,249 |
220 |
223 |
235 |
222 |
221 |
234 |
|
|
0,17657 |
1,00 |
8,377 |
214 |
210 |
231 |
212 |
212 |
229 |
|
|
0,17371 |
2,00 |
8,228 |
220 |
223 |
235 |
220 |
222 |
235 |
|
|
0,19 |
3,00 |
9,098 |
216 |
203 |
219 |
218 |
201 |
221 |
|
|
0,09714 |
1,00 |
4,721 |
230 |
216 |
240 |
234 |
216 |
241 |
|
|
0,12057 |
2,00 |
5,692 |
224 |
221 |
240 |
228 |
223 |
243 |
|
|
0,11571 |
3,00 |
5,483 |
208 |
239 |
245 |
205 |
240 |
247 |
|
|
0,39314 |
1,00 |
23,628 |
204 |
- |
241 |
204 |
216 |
243 |
|
В обученную нейронную сеть двухслойный персептрон при решении обратной задачи (получение параметров почв при заданной яркостной температуре с трех радиометров) вводим входные данные: экспериментально полученные яркостную температуру с трех радиометров разной частоты.
Получаем на выходе из нейронной сети данные об объемной влажности почв определенные с точностью ± 0,03 для двухслойного персептрона с 3 нейронами на каждом слое и ± 0,02 для двухслойного персептрона с 5 нейронами на каждом слое.
Таблица 6
|
Почва |
Данные полученные экспериментальным путем |
Данные полученные сетодом нейронных сетей |
|||||||
|
Вл-ть |
Гл-на |
КДП |
Яр.Т. f=6,0 |
Яр.Т. f=2,73 |
Яр.Т. f=8,15 |
Вл-ть |
Гл-на |
КДП |
|
|
Глина |
0,45714 |
1,00 |
29,614 |
- |
142 |
153 |
0,767 |
4,500 |
26,614 |
|
0,41086 |
2,00 |
25,218 |
- |
145 |
153 |
0,201 |
2,250 |
18,218 |
|
|
0,398 |
3,00 |
24,059 |
- |
145 |
153 |
0,968 |
2,500 |
6,059 |
|
|
0,19886 |
1,00 |
9,590 |
151 |
142 |
160 |
0,229 |
0,500 |
7,590 |
|
|
0,29657 |
1,00 |
15,873 |
176 |
160 |
178 |
0,317 |
1,500 |
17,873 |
|
|
0,17143 |
2,00 |
8,109 |
181 |
169 |
182 |
0,151 |
1,750 |
7,109 |
|
|
0,27314 |
3,00 |
14,223 |
179 |
152 |
174 |
0,293 |
3,500 |
12,223 |
|
|
0,26757 |
1,00 |
13,844 |
196 |
174 |
199 |
0,258 |
1,250 |
13,844 |
|
|
0,222 |
2,00 |
10,936 |
190 |
175 |
196 |
0,202 |
2,750 |
12,936 |
|
|
0,31871 |
3,00 |
17,515 |
187 |
194 |
203 |
0,319 |
3,500 |
18,515 |
|
|
0,29629 |
1,00 |
15,852 |
179 |
- |
212 |
0,516 |
2,500 |
28,852 |
|
|
Песок |
0,32057 |
1,00 |
17,656 |
- |
199 |
225 |
0,831 |
0,500 |
19,656 |
|
0,27286 |
2,00 |
14,204 |
- |
202 |
226 |
0,503 |
4,500 |
12,204 |
|
|
0,31829 |
3,00 |
17,483 |
- |
207 |
224 |
0,038 |
3,000 |
19,483 |
|
|
0,24457 |
1,00 |
12,333 |
214 |
210 |
231 |
0,225 |
1,500 |
10,333 |
|
|
0,08486 |
2,00 |
4,249 |
220 |
223 |
235 |
0,105 |
1,750 |
2,249 |
|
|
0,17657 |
1,00 |
8,377 |
214 |
210 |
231 |
0,157 |
0,500 |
10,377 |
|
|
0,17371 |
2,00 |
8,228 |
220 |
223 |
235 |
0,174 |
2,000 |
7,228 |
|
|
0,19 |
3,00 |
9,098 |
216 |
203 |
219 |
0,210 |
3,500 |
7,098 |
|
|
0,09714 |
1,00 |
4,721 |
230 |
216 |
240 |
0,107 |
1,250 |
4,721 |
|
|
0,12057 |
2,00 |
5,692 |
224 |
221 |
240 |
0,131 |
2,750 |
7,692 |
|
|
0,11571 |
3,00 |
5,483 |
208 |
239 |
245 |
0,086 |
3,500 |
6,483 |
|
|
0,39314 |
1,00 |
23,628 |
204 |
- |
241 |
0,793 |
3,250 |
15,628 |
|
3.5 Полученные результаты
В процессе обучения ИНС формирует некоторое скрытое, неявное знание о способе решения поставленной задачи, которое заложено в виде значений весов ее адаптивных параметров. Если требуется лишь получение результата, удовлетворяющего требованиям поставленной задачи, сама ИНС и является конечным решением задачи.
Таблица 7. Погрешность определения данных методом нейронных сетей различных моделей
|
Погрешность в получении результатов |
НС, созданная методом автоматического подбора параметров |
Двухслойный персептрон |
|
|
С тремя нейронами на каждом слое |
С пятью нейронами на каждом слое |
||
|
Яркостной температуры |
± 5 |
± 3 |
± 2 |
|
Влажность почв |
± 0,04 |
± 0,03 |
± 0,02 |
Таблица 8. Скорость обучения нейронных сетей различных моделей
|
Модель ИНС |
НС, созданная методом автоматического подбора параметров |
Двухслойный персептрон |
|
|
Обучение методом обратного распространения ошибки |
Обучение методом сопряженного градиента |
||
|
Скорость обучения ИНС |
150 эпох |
3500 эпох |
25 эпох |
Из приведенных выше таблиц видно что наиболее оптимальной моделью точной моделью для решения данной задачи является двухслойный персептрон с 5 нейронами на каждом слое, а оптимальным методом обучения является метод сопряженного градиента.
Из полученных данных наиболее достоверными считаются результаты, определенные с точностью ±2К для Tя и ±0.02 для W и Wsl. Обученная ИНС, показывающая наилучшие результаты на тестовой выборке и имеющая необходимый набор служебных процедур для работы с измеряемыми данными и выводом искомых параметров, является в итоге рабочим нейросетевым решателем[15].
Полученная погрешность объясняется следующими допущениями:
· Недостаточный объем данных в режиме обучения
· Трехканальность входных и выходных данных
· Неучет шероховатости поверхности
· Неучет динамики температуры внешней среды
· Пренебрежение шумом растительности
· Пренебрежение техногенным шумом
Выводы
Построены нейронные сети для определения параметров почв с погрешностью в 14–19% и классификации почв на основе разработанного нейросетевого способа определения неоднородности распределения влаги в приповерхностном слое почвы по данным многоканальных измерений в СВЧ-диапазоне [15].
Наиболее удачной в решении как прямой так и обратной задачей можно считать двухслойный персептрон с 5 нейронами на каждом слое (дальнейшее увеличение количества нейронов приводит к ухудшению результатов из-за большого количества связей и малого объёма входных данных в режиме обучения).
Разработанные нейронные сети могут использоваться при определении параметров почв в приповерхностном слое (5 см) при трехканальном радиометрическом зондировании земли, а также классификация типа почв идентичных в оптическом диапазоне.
В настоящее время перспективы дальнейшего развития данных методик обработки данных радиометрического зондирования не вызывает сомнения. Сейчас уже работают комплексы нейронных сетей по определению: влажности, температуры почв.
Серия работ Л.Е. Назарова посвящена вопросам нейросетевой классификации земных объектов (лесов, водоемов).
Разработана методика нейросетевого определения участков лесного пожара по данным RADARSAT-1.
Список литературы
1. Под ред. акад. РАН В.А. Садовничьего. Космическое землеведение. – М.: Изд-во МГУ, 1992. – Ч. 1. – 269 с.; 1998. – 4.2. – 571 с.
2. Башаринов А.Е., Гурвич А.С., Егоров СТ. Радиоизлучение Земли как планеты. – М.: Наука, 1974. – 207 с.
3. Шутпко A.M. СВЧ-радиометрия водной поверхности и почвогрунтов. – М.: Наука, 1986. – 190 с.
4. Арманд Н.А., Крапивин В.Ф., Мкртчян Ф.А. Методы обработки данных радиофизического исследования окружающей среды. – М.: Наука, 1987. – 270 с.
5. Шанда Э. Физические основы дистанционного зондирования: Пер. с англ. – М.: Недра, 1990. – 208 с.
6. Кондратьев К.Я. Ключевые проблемы глобальной экологии // Теоретические и общие вопросы географии. – М.: ВИНИТИ, 1990. – 454 с. – (Итоги науки и техники; Т. 9.)
7. Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. – М.: Наука, 1990. – 247 с.
8. Сост. М. Назиров, А.П. Пичугин, Ю.Г. Спиридонов. Под ред. Л.М. Митника, СВ. Викторова. Радиолокация поверхности Земли из космоса. – Л.: Гидрометеоиздат, 1990. – 200 с.
9. Баранов Д.В., Бобров П.П. Моделирование и экспериментальное исследование собственного радиотеплового излучения влажных почв. // Дипломная работа на соискание степени бакалавра радиофизики – Омск – 2006 – 30 с.
10. Караваев Д.М., Щукин Г.Г. СВЧ-радиометрические исследования влагозапаса атмосферы и водозапаса облаков. Тезисы докладов региональной XXIII конференции по распространению радиоволн. С-Петербург, 1997, с. 76.
11. «Потенциальные возможности бистатического радиометра для наблюдения поверхности Земли с высоким разрешением» // А.П. Верещак, В.В. Пискорж. – Журнал Радиоэлектроники – 2003 – №3
12. Баррет Э., Куртис Л. «Введение в космическое землеведение.» – пер. с англ. – М – Прогресс – 1979 г.
13. «Наблюдение океана из космоса при помощи микроволновых радиометров» Ю.А. Кравцов // Соросовский Образовательный Журнал – 1999 – (44)№7.
14. Медведев В.С., Потемкин В.Г. «Нейронные сети MatLab 6» М – ДиалогМИФИ – 2002 г.
15. Мансуров А.В. дисс. канд. ф.-м.н. «Алгоритмы обработки данных радиоволнового дистанционного зондирования поверхности Земли на основе искусственных нейронных сетей», Алтайский Государственный Университет, Барнаул – 2006
