Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей
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
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