Решение поставленной задачи на экспериментальных данных методом нейронных сетей

 

Из экспериментальных данных полученных на производственной практике делается тестовая выборка яркостных температур трех радиометров в момент получения проб влажности почв. Таким образом для тестирования нейронной сети у нас будут два эталона: теоретический расчет яркостной температуры по методу инвариантного погружения на основе экспериментальных данных влажности почв и экспериментальные данные влажности почв.

Рис. 15. Критические или противоречивые данные

 

Ошибки и фиксации противоречий возникали при восстановлении параметров почв по яркостным температурам, на тех данных, которые были получены в момент эксперимента, когда один из радиометров отключался или выдавал нечеткий результат.

В обученную нейронную сеть, созданную методом автоматического подбора модели и параметров при решении прямой задачи (получение яркостной температуры почв с заданными параметрами) вводим входные данные: экспериментально полученные влажность, глубину слоя.

Получаем на выходе из нейронной сети яркостную температуру для трех радиометров определенные, в среднем, с точностью ±5К.

 

Таблица 3

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	148
	0,19886	1,00	9,590	151	142	160	154	140	158
	0,29657	1,00	15,873	176	160	178	178	165	183
	0,17143	2,00	8,109	181	169	182	179	168	181
	0,27314	3,00	14,223	179	152	174	184	147	176
	0,26757	1,00	13,844	196	174	199	195	174	200
	0,222	2,00	10,936	190	175	196	185	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	230
	0,27286	2,00	14,204	-	202	226	193	200	221
	0,31829	3,00	17,483	-	207	224	199	212	224
	0,24457	1,00	12,333	214	210	231	212	205	233
	0,08486	2,00	4,249	220	223	235	225	221	234
	0,17657	1,00	8,377	214	210	231	209	215	226
	0,17371	2,00	8,228	220	223	235	220	222	235
	0,19	3,00	9,098	216	203	219	218	198	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	246

 

В обученную нейронную сеть, созданную методом автоматического подбора модели и параметров 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, в среднем, с точностью ±0,04.

 

Таблица 4

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	0,965	0,250	31,614
	0,41086	2,00	25,218	-	145	153	0,836	3,750	26,218
	0,398	3,00	24,059	-	145	153	0,976	1,500	22,059
	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	0,121	1,750	7,109
	0,27314	3,00	14,223	179	152	174	0,323	2,500	16,223
	0,26757	1,00	13,844	196	174	199	0,258	1,000	14,844
	0,222	2,00	10,936	190	175	196	0,202	2,500	13,936
	0,31871	3,00	17,515	187	194	203	0,319	3,250	19,515
	0,29629	1,00	15,852	179	-	212	0,646	3,750	23,852
Песок	0,32057	1,00	17,656	-	199	225	0,731	1,500	19,656
	0,27286	2,00	14,204	-	202	226	0,403	4,500	12,204
	0,31829	3,00	17,483	-	207	224	0,838	1,500	17,483
	0,24457	1,00	12,333	214	210	231	0,225	0,500	14,333
	0,08486	2,00	4,249	220	223	235	0,105	1,500	3,249
	0,17657	1,00	8,377	214	210	231	0,127	1,500	6,377
	0,17371	2,00	8,228	220	223	235	0,174	1,750	8,228
	0,19	3,00	9,098	216	203	219	0,210	2,500	11,098
	0,09714	1,00	4,721	230	216	240	0,137	1,000	5,721
	0,12057	2,00	5,692	224	221	240	0,161	2,500	8,692
	0,11571	3,00	5,483	208	239	245	0,086	3,250	7,483
	0,39314	1,00	23,628	204	-	241	0,793	4,500	25,628

 

В обученную нейронную сеть двухслойный персептрон при решении прямой задачи (получение яркостной температуры почв с заданными параметрами) вводим входные данные: экспериментально полученные влажность, глубину слоя.

Получаем на выходе из нейронной сети яркостную температуру для трех радиометров определенные с точностью ± 3К для двухслойного персептрона с 3 нейронами на каждом слое и ± 2К для двухслойного персептрона с 5 нейронами на каждом слое.

 

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

 

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 T_я 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