DIGITALNA ARHIVA ŠUMARSKOG LISTA
prilagođeno pretraživanje po punom tekstu




ŠUMARSKI LIST 3-4/2009 str. 31     <-- 31 -->        PDF

IZVORNI ZNANSTVENI ČLANCI – ORIGINAL SCIENTIFIC PAPERSŠumarski list br. 3–4, CXXXIII (2009), 145-155
UDK 630* 585 (001)


UMJETNE NEURONSKE MREŽE U PROCJENI SASTOJINSKIH
OBRASTAS CIKLIČKIH SNIMAKA


ARTIFICIAL NEURAL NETWORKS IN THE ESTIMATION OF STAND
DENSITY FROM CYCLICAERIAL PHOTOGRAPHS


Damir KLOBUČAR*, Renata PERNAR**


SAŽETAK: Zbog svoje široke primjene, gotovo da se danas može reći da je
ovo vrijeme prijelaza na tehnologiju umjetnih neuronskih mreža. Stoga je cilj
ovog rada predstaviti tu tehnologiju i njezinu primjenu u daljinskim istraživanjima.
U tu svrhu korišten je digitalni ortofoto izrađen iz crno-bijelih aerofotosnimaka,
približnog mjerila 1:20 000.


Istraživanjem je obuhvaćena gospodarska jedinica “Jamaričko brdo”, šu-
marije Lipovljani.


Procjena sastojinskog obrasta provedena je primjenom višeslojnog percep
trona, kao najkorištenijeg modela umjetnih neuronskih mreža u daljinskim
istraživanjima.Također je korištena samoorganizirajuća neuronska mreža sa
svrhom kontrole utvrđenih obrasta u Osnovi gospodarenja, pre ma njihovoj
raspodjeli u tri kategorije (normalan, manji od normalnog, slab).


Provedenim istraživanjem dobivena su dobra generalizacijska svojstva više slojnog
perceptrona u procjeni obrasta, kao i da se samoorganizirajuća neu ronska
mreža može primijeniti u kontroli i raspodjeli sastojinskih obrasta.


Kako se u šumarstvu svakodnevno provodi velik broj različitih mjerenja,
upravo umjetne neuronske mreže predstavljaju model temeljen na teoriji učenja,
kojim bi se značajnije moglo unaprijediti korištenje ovako velikog broja
podataka, koji su se do sada rješavali isključivo statističkim metodama i metodama
operacijskih istraživanja.


Ključne riječi:umjetne neuronske mreže, daljinska istraživanja, cikličke
snimke, obrast, tekstura.


1. UVOD – Introduction
Već gotovo dva desetljeća u istraživanju i proučavanju
vegetacije dolazi do primjene naprednih tehnika
po put umjetnih neuronskih mreža. Krajem 80-tih godi na
prošloga stoljeća u SAD i Kanadi počeli su prvi
eksperimenti primjene neuronskih mreža u šumarstvu
(Scrinzii dr.2000), koje se razvijaju kao alternativni
pri stup u modeliranju nelinearnih i kompleksnih pojava
u šumarskoj znanosti (Gimbletti Ball1995,
Leki dr. 1996, PengiWen1999, Liui dr. 2003).


*Dr. sc. Damir Klobučar, dipl. ing. šum., UŠPZagreb,V.
Nazora 7, 10 000 Zagreb, e-mail: damir.klobucar@ hrsume.hr
**Izv. prof. dr. sc. Renata Pernar, dipl. ing. šum., Šumarski fakultet
u Zagrebu, Svetošimunska 25, 10 000 Zagreb,
e-mail: rpernar@sumfak.hr


U dosadašnjimm istraživanjima neuronske mreže
primjenjivane su za:


Klasifikaciju i kartiranje zemljišta


Analizu prostornih podataka i GIS modeliranje


Primjena neuronskih mreža u daljinskim istraživanjima,



Integracija neuronskih mreža u GIS sa svrhom prostornog
modeliranja


Rast šume i dinamičko modeliranje


Dinamiku biljnih bolesti, praćenje insekata i zaštiti
od šumskih požara.
U daljinskim istraživanjima primjena umjetnih neu ron
skih mreža počinje ranih devedesetih godina XX sto ljeća
(Benediktssoni dr.1990,Hepneri dr.1990,




ŠUMARSKI LIST 3-4/2009 str. 32     <-- 32 -->        PDF

D. Klobučar, R. Pernar: UMJETNE NEURONSKE MREŽE U PROCJENI SASTOJINSKIH OBRASTA...Šumarski list br. 3–4, CXXXIII (2009), 145-155
Civco1993). Najčešće se koristi višeslojni perceptron
(engl. multilayer feed – forward network – MLP)
(PaolaiSchowengerdt1995,Atkinsoni Tatnall
1997, Kanellopoulosi Wilkinson1997,
Foody2001), te znatno slabije drugi modeli kod neu ron
skih mreža s nadgledanim učenjem. Također se primje
njuju neuronske mreže s nenadgledanim učenjem,
kao što je samoorganizirajuća neuronska mreža (engl.
self – organizing map – SOM; Beamish2001).


Istraživanja u području primjene daljinskih istraživanja
u šumarstvu sa svrhom određivanja kvantitativnih i
kvalitativnih parametara šume ukazala su na koristnost
umjetnih neuronskih mreža (Ardöi dr.1997, Skid-
morei dr.1997, Wangi Dong1997, Moiseni
Frescino2002, Ingrami dr.2005, Joshii dr.
2006,Kuplich2006, Verbekei dr.2006,Klobu-


Umjetne neuronske mreže (engl. artificial neural net works
–ANN) su metoda umjetne inteligencije (engl.


Slika 1.Odnos glavnih komponenti biološkog i umjetnog neurona


Figure 1Relationship between the main components of a biological
and artificial neuron


1.2. Podjela umjetnih neuronskih mreža –
Građu, odnosno arhitekturu ili topologiju neuronske
mreže, možemo razlikovati s obzirom na način povezivanja
neurona u mrežu. Postoji velik broj kriterija za
razlikovanje arhitektura neuronskih mreža. Ovdje će se
opisati samo osnovni čimbenici podjele: broj slojeva,
tip učenja, smjer putovanja signala kroz mrežu, tip ve ze
između neurona, ulazne i prijenosne (aktivacijske)
funkcije.


Neuroni povezani u mrežu organizirani su u slojeve.
Svaka mreža ima neurone koji služe za prihvat ulaznih


čari dr. 2008) kao alternativnog pristupa klasičnim statističkim
metodama.


Primjenom tehnike digitalne obrade sastojinskih sce na
u posljednjih desetak godina došlo je do razvoja no vih
metoda u procjeni sastojinskog obrasta (Bolduci
dr. 1996, Wulderi dr.2000, St-OngeiCavayas 1997,
Franco-Lopezi dr.2001, Hölm strom2002,
Ver bekeidr.2006).


Dosadašnjim istraživanjima (Klobučar2003,
PernariKlobučar2003,Pernari dr.2003,Klobučar2004,
KlobučariPernar2005,Klobučar
2008) ukazano je na mogućnosti primjene cikličkih snimaka
u šumarstvu. Među značajnijim rezultatima svaka ko
je utvrđena povezanost histograma prvoga i drugoga
reda s kategorijama sastojinskih obrasta.


artificial intelligence) strukturirane prema ljudskom
moz gu. Pripadaju sekvencijalnim metodama modeli ranja
i predstavljaju jednu od najmodernijih me toda ne linear
nog programiranja. Za razumijevanje mo dela
umjetnih neuronskih mreža važno je osnovno poz navanje
strukture bioloških neurona.


Biološki i umjetni neuron imaju slične temeljne
pro cese, te su usporedivi (Slika 1).


Tijelo biološkog neurona zamjenjuje se sumatorom,
a ulogu dendrita preuzimaju ulazi u sumator. Izlaz suma
tora je akson umjetnog neurona, a uloga praga osjetljivosti
bioloških neurona preslikava se na tzv.
ak tivacijske funkcije. Funkcije sinaptičke veze biološ kog
neurona s njegovom okolinom preslikavaju se na
težinske faktore, preko kojih se i ostvaruje veza umjetnog
neurona s njegovom okolinom. Izlaz iz drugih neurona
i/ili okruženja promatranog neurona, koji se
upućuju promatranom neuronu, množe se težinskim
fak torima i dovode do sumatora. U sumatoru se tako
do biveni produkti sumiraju, a njihova suma se dovodi
na ulaz aktivacijske funkcije, koja će na svom izlazu
dati izlaz neurona (Novakovići dr.1998).


Classification of artificial neural networks


vrijednosti i čine ulazni sloj neurona, te neurone koji
daju odgovor mreže i čine izlazni sloj neurona. Svi os tali
neuroni koji se nalaze između tih dvaju slojeva čine
skriveni sloj neurona (DalbeloBašić2004). Tim slijedom
neuronske mreže mogu biti: jednoslojne i višesloj
ne. Jednoslojna mreža sastoji se od jednog sloja
neu rona (izlaznog sloja), dok se ulazni sloj ne broji, jer
u njemu nema procesiranja. Višeslojne mreže imaju
osim ulaznog i izlaznog sloja i jedan ili više skrivenih
slo jeva neurona (Lončarić2003).




ŠUMARSKI LIST 3-4/2009 str. 33     <-- 33 -->        PDF

D. Klobučar, R. Pernar: UMJETNE NEURONSKE MREŽE U PROCJENI SASTOJINSKIH OBRASTA...Šumarski list br. 3–4, CXXXIII (2009), 145-155
Glavni zadatak mreže ja da nauči model okoline (svijeta)
u kojoj će raditi i da održava model dovoljno točnim
da bi se mogli postići željeni ciljevi danog sustava.
Neuronska mreža uči o okolini kroz iterativni proces podešavanja
sinaptičkih težina i pragova. Učenje je proces
kojim se slobodni parametri neuronske mre že adaptiraju
kroz kontinuirani proces stimulacije od okoline u kojoj
se mreža nalazi (Haykin1999).Skup pravila za rješenje
problema učenja zove se algoritam učenja (učenje
ko rekcijom pogreške, Hebbovo uče nje, kompetetivno
učenje, Boltzmanovo učenje, Thor n dikeovo učenje).
Al go ritam učenja određuje na čin izračunavanja promje na
sinaptičke težine u trenutkun, dok paradigme učenja
(uče nje pod nadzorom, učenje podrškom, učenje bez
nad zora) određuju odnos neuronske mreže prema okolini
(Lončarić2003).


Kod učenja pod nadzorom (engl. supervised learning)
podaci za treniranje sastoje se od primjera s poznatim
ulazno-izlaznim vrijednostima. Mreža stvara izlaz,
računa pogrešku (razlika između željenog i dobivenog
odziva za ulazni vektor) i prilagođava težine s obzirom
na pogrešku. Proces se iterativno ponavlja sve dok mre ža
ne nauči imitirati učitelja.


Dakle, učenje pod nadzorom pretpostavlja postojanje
ciljne vrijednosti za svaku ulaznu vrijednost. U nekim
si tuacijama nije moguće osigurati takvu informaciju,
već samo informaciju koja govori je li izlazna vrijednost
poželjna ili nije. Ovaj tip učenja naziva se učenje podrš kom
(engl. reinforcement). Kod ovog učenja ne postoji
učitelj koji određuje kolika je pogreška za određeni ulazno-
izlazni par, nego učitelj kaže koliko je određeni ko rak
u učenju dobar (daje ocjenu ili podršku).


Učenje podrškom rješava problem učenja pod nad zo
rom, tj. da bez učitelja mreža ne može naučiti nove


stra tegije, koje nisu pokrivene primjerima koji su kori


šteni za učenje.


Kod učenja bez nadzora (engl. unsupervised learning)
nisu poznate izlazne vrijednosti. Ulazi su raspolo
živi mreži, a težine se ne prilagođavaju na osnovi
stvar nih vrijednosti izlaza. Ovdje se neuronska mreža
sama organizira, pa se mreže učene ovom metodom nazivaju
samoorganizirajuće neuronske mreže.


Ako su slojevi neurona povezani na način da signali
pu tuju u jednom smjeru od ulaza prema izlazu mreže,
ta kav tip mreže se naziva unaprijedna neuronska mre ža.
Ako postoji bar jedna povratna veza mreža se naziva
povratnom.


Prema tipu, veze između neurona mogu se ostvarivati
između dva sloja (inter-slojna) i između neurona u
jednom sloju (intra-slojna).


Kada neki neuron prima ulaz iz prethodnog sloja,
vri jednost njegovog ulaza računa se prema ulaznoj
funk ciji, obično zvanoj “sumacijska” funkcija.


Aktivacijske ili transfer funkcije, koriste se za smanji
vanje broja iteracija. Uvode nelinearnost u neuronske
mreže i unapređuju njezino provođenje (Cetini
dr. 2004). Postoji veći broj aktivacijskih funkcija, a u
radu su korištene: linearna, logaritamsko-sigmoidna,
hi perboličko-tangentno-sigmoidna i triangularna.


Slijedom navedenog, neuronske mreže mogu se podi
jeliti u četiri glavne vrste: jednoslojne mreže bez
povrat nih veza (single-layer feedforward networks),
višeslojne mreže bez povratnih veza (multi-layer feed-
forward networks), mreže s povratnim vezama (recurrent
networks), ljestvičaste mreže (lattice structures)
(Lončarić2003).


1.3. Prednosti i nedostaci neuronskih mreža
Advantages and disadvantages of neural networks


Umjetne neuronske mreže točnije su od ostalih statističkih
tehnika, osobito kada je problem ili zadatak
slabo definiran ili nerazumljiv, te ne zahtijevaju a priori
znanje o određenom procesu. Neuronska mreža može
raz viti vlastiti plan temeljen na odnosu između varijabli,
a to se posebno odnosi na nelinearne sustave, gdje
se klasične statističke tehnike ili matematički modeli
ne mogu definirati. Sposobnost mreže da uči složene
od nose i mogućnost uključivanja kvalitativnih i kvantitativnih
po dataka, rezultirao je da je postupak neuronske
mreže vrlo fleksibilan i snažan alat (PengiWen
1999, Liui dr. 2003). Jednom trenirane mreže mogu
biti korištene u analizi novih uvjeta i davanju rješenja.


Kao eventualne nedostatke neuronskih mreža mogu
se navesti teškoće u njihovom korištenju, a odnose se na
potrebno vrijeme treniranja i determinaciju djelo tvor ne
mrežne strukture, nasuprot jednostavnijim metodama


(Kavzoglui Mather1999). Neuronske mre že ne
nude kao konačni model podataka razumljiv odnos važnih
varijabli. Naime, odnosi između varijabli skriveni su
u mrežnoj strukturi i težinskim faktorima veza neuronske
mreže. Prema (DalbeloBašić2004) neuronska
mre ža ne može davati suvisle odgovore iz van raspona
vri jednosti primjera iz kojih je učila, a postupak generalizacije
naučenih primjera uspješan je samo kod relativno
“neprekidnih” pojava. Uspješno uče nje zahtijeva
ve liki broj podataka, a to ponekad može biti problem.




ŠUMARSKI LIST 3-4/2009 str. 34     <-- 34 -->        PDF

D. Klobučar, R. Pernar: UMJETNE NEURONSKE MREŽE U PROCJENI SASTOJINSKIH OBRASTA...Šumarski list br. 3–4, CXXXIII (2009), 145-155
2. CILJ I PODRUČJE ISTRAŽIVANJA– Goal and area of research
U ovom radu istražuju se mogućnosti procjene i ras
po djele sastojinskih obrasta metodama umjetnih neu ronskih
mreža, korištenjem određenih teksturalnih
značajki histograma prvoga i drugoga reda na digital-
nom ortofotu izrađenom iz crno-bijelih aerofotosnimaka,
približnog mjerila 1:20 000. Uz navedeno, cilj


rada je i prikupljanje podataka s prihvatljivom točnoš ću,
koje će zahtijevati manja materijalna ulaganja. Is tra
živanje je provedeno na području G. J. “Jamaričko
brdo”, šumarije Lipovljani. Cikličko snimanje prove-
de no je 2000. godine.


3. METODE RADA– Work methods
Da bi se odredile teksturalne značajke histograma
prvoga i drugoga reda isječen je uzorak s digitalnog or tofo
ta za80 sastojinskih scena (odsjeka/odjela) u uređajnim
razredima hrasta lužnjaka, hrasta kitnjaka i
obične bukve, IV(najučestaliji),ViVI dobnog razreda.


U analizi tekstura uobičajeni postupak odnosi se na
statističke osobine intenziteta histograma prvog reda.
MATLAB funkcijomstatxture(Gonzalesi Woods
2004) izračunato je šest statističkih vrijednosti: aritmetička
sredina, standardna devijacija, smoothnes, treći
mo ment, jednoličnost (uniformity)i entropija.


MATLAB funkcijaimtexfeat(Petković2004) ko rištena
je za određivanje značajki histograma drugog
reda. U ovom slučaju blok je predstavljao uzorak sastojin
ske scene, a vektorski pomak je bio [Dx (1) Dy (1)], te
je izračunato pet teksturalnih značajki: apsolutna vrijed nost
razlike, inercija, kovarijanca, entropija i energija.


Opisanim postupkom ukupno je ekstrahirano jedanaest
značajki teksture za svaku sastojinsku scenu (odsjek/
odjel), čime je formiran set podataka (vektora) za
ulaz u model neuronske mreže.


Izlazne vrijednosti mogu biti predstavljene i kao broj
sta bala, temeljnica ili volumen po hektaru ili kao neke
dru ge kvantitativne i kvalitativne vrijednosti sastojine.
Zbog slabijih spektranih obilježja primijenjenih snimaka,
kao i činjenica da se njihovo pridobivanje provodi
u perio du koji je nepovoljan sa stajališta šumar ske stru ke
(do ba godine kada je zemljište najmanje pre kriveno
ras linjem), kao izlazna vrijednost upotrebljen je sastojinski
obrast.


Za testiranje razlike u vrijednostima sastojinskih
obrasta između podataka Osnove gospodarenja (važnost
Osnove gospodarenja 2002.–2011. godine) i optimalnog
modela umjetne neuronske mreže primijenjena
je analiza varijance ponovljenih mjerenja.


U izradi arhitektura umjetnih neuronskih mreža korišten
je programski paket MATLAB 6. 5Demuthi
dr. 2006), a za statističku ana lizu program STATISTI CA
7. 1.


3.1. Izrada optimalne arhitekture višeslojnog perceptrona
Construction of an Optimal Structure of Multi Layer Perceptron


Postupak izrade optimalne arhitekture neuronske
mre že proveden je poslije ekstrakcije teksturalnih značaj
ki sastojinske scene za 80 odsjeka/odjela. U rješa vanju
problema procjenjivanja sastojinskog obrasta
pri mijenjen je višeslojni perceptron. Višeslojni perceptron
je neuronska mreža bez povratnih veza, gdje se
učenje pod nadzorom odvija pomoću algoritma s povratnom
propagacijom pogreške (error back – propaga
tion algorithm).


U cilju unapređenja generalizacije korištena je metoda
ranijeg zaustavljanja (engl. early stopping). Generalizacija
je svojstvo mreže kada mreža “dobro” radi i s
vektorima koji nisu sadržani u skupu primjera s kojima
je mreža trenirala. Postoji veći broj varijacija algoritma
s povratnom propagacijom pogreške, s tim da kod metode
ranijeg zaustavljanja nije shodno koristiti algoritam
koji previše brzo konvergira (Xiangchengi dr.
2005,Demuthi dr.2006), te su primijenjena dva algoritma:
resilient back-propagationiscaled conjugate
gradient algoritam.


U primjeni metode ranijeg zaustavljanja zapravo se
radi o statističkoj metodi kros – validacije (cross – valida
tion) u kojoj se cjelokupni skup podataka dijeli na tri
seta: za treniranje, validaciju i testiranje. Od cjelokupnog
skupa podataka setu za treniranje dodijeljeno je 50 %,
od nosno 40 odsjeka/odjela, dok su na preostala dva seta
po daci podijeljeni u jednakom omjeru: 25 % (20 odsje ka/
odjela) na set za validaciju i 25 % (20 odsjeka/odjela)
na set za testiranje.


Prije samog treniranja neuronske mreže provedeno
je preprocesiranje podataka, te su u tom smislu koristeći
MATLAB funkcije izvršene dvije operacije: normalizacija
ulazno-izlanih vrijednosti i analiza glavnih
kom ponenti ulaznih vrijednosti.


Analizom glavnih komponenti reducirana je dimenzija
ulaznih vektora, te su u ovom slučaju eliminirane
one komponente koje sudjeluju s manje od 1 % (zadana
vrijednost) u totalnoj varijanci ulaznih podataka, čime
je broj ekstrahiranih značajki teksture s 11sveden na 7.


Na kon izvršenog treniranja, generalizirani i normalizi


rani podaci konvertirati su u standardne jedinice.




ŠUMARSKI LIST 3-4/2009 str. 35     <-- 35 -->        PDF

D. Klobučar, R. Pernar: UMJETNE NEURONSKE MREŽE U PROCJENI SASTOJINSKIH OBRASTA...Šumarski list br. 3–4, CXXXIII (2009), 145-155
Ukupno je trenirano sedam modela algoritma s povratnom
propagacijom pogreške s jednim ili dva skrivena
sloja, u kojima je bio različit broj skrivenih
neu rona. Također su u skrivenim i izlaznim slojevima


pri mjenjene različite aktivacijske funkcije (hiperbolič ko-
tangentno-sigmoidna, linearna, logaritamsko-sigmoid
na i triangularna).


3.2. Priprema podataka za raspodjelu sastojinskih obrasta primjenom
samoorganizirajuće neuronske mreže
Preparation of data for classification of stand densities by using
a self-organizing neural network


Sa svrhom kontrole Osnovom gospodarenja utvrđenih
obrasta prema njihovoj raspodjeli u tri kategorije:
normalan, manji od normalnog, slab (NN 111/06), koriš
tena je samoorganizirajuća neu ron ska mreža.


U cilju istraživanja primjenjivosti ove neuronske
mre že, 80 odsjeka/odjela, podijeljeno je u dva seta: set
za treniranje i set za testiranje (set za validaciju i set za
tes tiranje iz prethodnog primjera). Svaki set je sadržavao
40 odsjeka/odjela.


Kao i kod višeslojnog perceptrona prije treniranja
neuronske mreže izvršeno je preprocesiranje podataka,
te je provedena normalizacija i analiza glavnih komponenti
ulaznih vrijednosti seta za treniranje.Analizom
glav nih komponenti eliminirane su komponente koje
su djeluju s manje od 1 % u totalnoj varijanci ulaznih
po dataka, te je broj ulaznih značajke teksture s 11smanjen
na 6.


Ukupno su trenirane 34 mrežne arhitekture (dimenzije
sloja). Dimenzija sloja predstavlja broj zadanih ne-
u ro na (broj klastera), odnosno topologiju neuronske
mre že. Na temelju ulazne vrijednosti (značajke tekstu re),


svakom odsjeku/odjelu dodijeljen je određeni klaster.
Budući da je u primjeni ovog modela neuronske mre že
za cilj grupiranje odsjeka/odjela u tri kategorije obra sta,
arhitektura s minimalnim brojem sadržavala je 3 neurona,
odnosno 3 klastera, dok je maksimalni broj neu rona,
odnosno klastera u arhitekturama [2 10] i [10 2] bio


20. Dakle, odsjecima/odjelima unutar pojedine kategorije
obrasta dodijeljen je veći broj klastera, što se uglavnom
odnosilo na sastojine normalnog obrasta, koje su
najzastupljenije.
Nakon provedenih treniranja analizirani su podaci s
ciljem utvrđivanja koje su arhitekture raspoznale tri kategorije
obrasta, kao i koji klasteri definiraju određenu
kategoriju obrasta.Tosu klasteri s najvećom učestalošću
u pojedinoj kategoriji obrasta.


Slijedom navedenog, utvrđen je po arhitekturama
broj točno dodijeljenih klastera. Nakon ove obrade podataka
provedena je generalizacija navedenih arhitektura
na novom skupu podataka (set za testiranje), koji se također
sastoji od 40 odsjeka/odjela G. J “Jamaričko Brdo”.


4. REZULTATI ISTRAŽIVANJAI RASPRAVA– Research results and discussion
4.1. Optimalna arhitektura višeslojnog perceptrona
Optimal architecture of a multilayer perceptron


U odabiru najprihvatljivije arhitekture korištena jeutvrđena je kod scaled conjugate gradientalgoritma s
najmanja vrijednost srednje kvadratne pogreške seta za25 neurona u skrivenom sloju i logaritamsko-sigmoidtestiranje.
Arhitektura s najmanjom vrijednosti ciljnenom funkcijom na svom izlazu, te hiperboličko-tangen(
troškovne) funkcije kod metode ranijeg zaustavljanjatno-sigmoidnom funkcijom u izlaznom sloju (Slika 2).


Slika 2.Arhitektura neuronske mreža 7-25-1


Figure 2Neural network architecture 7-25-1


4.2. Rezultati procjene sastojinskih obrasta – Results of stand density estimation
Kod seta za testiranje (20 odsjeka/odjela) uspoređe -gospodarenja (Tablica 1). Izlazne vrijednosti obrasta za
ne su vrijednosti obrasta dobivene optimalnim mode-ovaj set nisu bile predočene mreži tijekom učenja, te su
lom s vrijednostima obrasta koje su utvrđene Osnovomna ovom setu ispitana generalizacijska svojstva mreže.




ŠUMARSKI LIST 3-4/2009 str. 36     <-- 36 -->        PDF

D. Klobučar, R. Pernar: UMJETNE NEURONSKE MREŽE U PROCJENI SASTOJINSKIH OBRASTA...Šumarski list br. 3–4, CXXXIII (2009), 145-155
Tablica 1.Rezultati procjene sastojinskih obrasta


Table 1Results of stand density estimation


Odjel
Compart
Odsjek
Subcompart
Površina (ha)
Area (ha)
Obrast
Density
Procjenjeni obrast
Estimated density
Razlika
Difference
13b12.050.940.840.10
17a20.170.960.890.07
21a27.001.010.880.13
23b13.810.850.90-0.05
24b4.260.810.700.11
28a13.190.970.870.10
31a16.271.010.860.15
34a14.740.960.930.03
38a13.731.040.700.34
42a21.051.020.910.11
50a10.800.950.740.21
58a30.240.840.94-0.10
62a19.060.850.800.05
66a20.490.840.98-0.14
68b18.790.830.87-0.04
45b4.620.510.67-0.16
51a26.850.760.86-0.10
61b1.810.640.68-0.04
70a25.660.780.85-0.07
50c0.920.310.85-0.54


Najveće odstupanje odnosi se na odsjek(50c – 0,92 ha)sa
Vertical bars denote 0,95 confidence intervals
slabim obrastom. Smatra se da je glavni razlog odstupa


0.96
nju mala površina ovog odsjeka, čime se potvrđuju i pret 0.94

hodna istraživanja (HyyppäiHyyppä2001,Kušan
0.92


i Pernar2001, Klobučar2004) u kojima je utvr


0.90


đeno da odsjeci malih površina nisu najpogodniji za da


0.88


ljinska istraživanja.


Obrast


0.86


0.84


Tablica 2.Rezultati analize varijance ponovljenih mjerenja
Table 2Results of repeated measures analysis of variance0.82


G. J. “Jamaričko brdo” –M. U. “Jamaričko brdo”
SSDfMSFp
Intercept28.22508128.22508 1097.6810.000000
Error0.48855190.02571
Model0.0006310.000630.039 0.844770
Error0.30618190.01611


0.80
0.78
0.76
0.74
Osnova gospodarenjaProcjenjeni obrast
Management planEstimated density


Slika 3.Aritmetičke sredine i 95 % intervali pouzdanosti obrasta


Figure 3Arithmetic means and 95 % reliability intervals of density


–80 odsjeka/odjela G. J. “Jamaričko Brdo” na kojima
Provedena analiza varijanci ponovljenih mjerenja
(Tablica 2) ukazuje da ne postoji statistički značajna
raz lika između vrijednosti obrasta utvrđenih Osnovom
gos podarenja i optimalnog modela.


Iz grafičkih podataka (Slika 3) uočljivo je da podaci
Osnove gospodarenja imaju nešto veći raspon vrijednosti,
ali ta razlika nije značajna.Također, dobiveni rezultati
potvrđuju da su obrasti za gospodarsku jedinicu
dobro utvrđeni, te da optimalni model neuronske mreže
ima dobra generalizacijska svojstva.


Razlozi odstupanja procjene nalaze se u nekoliko
objektivnih činjenica:


je provedena metoda ranijeg zaustavljanja predstavlja
relativno mali skup podataka; utjecaj metodnih
pogrešaka u uređajnoj inventuri (Levaković
1919,Levaković1923,Klobučar2002); relativno
dugo razdoblje terestičke izmjere; nedostaci
neuronskih mreža; vremenski razmak između utvrđivanja
obrasta Osnovom gospodarenja i aerosnimanja.
Naime, u području daljinskih istraživanja,
često puta teško je raspolagati aero i satelitskim scenama,
odnosno terestičkim podacima, koji su prikupljeni
u istom razdoblju (FoodyiCurran1994,
Ingrami dr.2005).




ŠUMARSKI LIST 3-4/2009 str. 37     <-- 37 -->        PDF

D. Klobučar, R. Pernar: UMJETNE NEURONSKE MREŽE U PROCJENI SASTOJINSKIH OBRASTA...Šumarski list br. 3–4, CXXXIII (2009), 145-155
4.3. Rezultati raspodjele sastojinskih obrasta – Results of stand density distribution
Tablica 3.Broj točno dodijeljenih klastera (kategorija obrasta) seta za testiranje
ko rištene u postupku treniranja, ra-


Od ukupno 34 arhitekture koje su


Table 3
Number of accurately assigned clusters (density categories)
the testing set


spoznavanje tri kategorije obrasta


utvrđeno je kod dvadeset arhitektura.
Navedenih dvade set arhitektura koje
su raspoznale tri kategorije obras ta
simulirane su na značajkama seta za
testiranje (Ta blica 3).


Iz tablice je uočljivo da je najmanji,
odnosno najveći broj netoč no
do dijeljenih klastera pet, od nosno
jedanaest (2–9, 17). Pet netočno do


dijeljenih klastera odnosi se na arhitekturu
8–2, koja je i pripadala grupi od šest najboljih arhitektura
u fazi treniranja neuronske mreže. Dakle, za
ovu arhitekturu 87,50% točno je klasificiranih odsje ka/
odjela. Ostale arhitekture iz ove grupe imale su šest
(3–4, 6–3), sedam (4–3, 4–5) i devet (2–10) netočno dodijeljenih
klastera. Za navedene dvije najslabije arhitekture
72,50 % točno je klasificiranih odsjeka/odjela.


4.4. Rasprava –
Broj točno dodijeljenih klastera
Number of accurately assigned clusters
Arhitektura
Architecturen
35 (87,50 %)8-21
34 (85,00 %)3-4, 6-32
33 (82,50 %)2-6, 4-3, 4-5, 5-34
32 (80,00 %)4-41
31 (77,50 %)2-7, 2-10, 3-3, 3 -6, 7-25
30 (75,00 %)2-5, 5-4, 6-2, 13, 195
29 (72,50 %)2-9, 172


Netočno dodijeljeni klasteri uglavnom se odnose na
odsjeke čiji se obrasti nalaze u rasponu od 0.50–0.80 i
to su pretežito vrijednosti koje su bliže normalnom
obrastu. U ovoj kategoriji kod seta za testiranje svi odsjeci
(8) imaju vrijednost od 0.70–0.77, što je zasigurno
otežavalo identifikaciju ove kategorije.


Discussion


Primijenjeni postupak procjene sastojinskih obrasta
metodama daljinskih istraživanja uz pomoć umjetnih
neuronskih mreža svoju svrsishodnost u praksi svakako
ima u pripremnim uredskim radovima za izradu
Osnova gospodarenja, procjeni i kontroli uređajnom
inventurom utvrđenih sastojinskih obrasta, kao i u procjeni
volumena i stanja sastojina.


U kontroli terestičke izmjere primjena višeslojnog
perceptrona uz prikazani način, uspješno se može kombinirati
sa samoorganizirajućim neuronskim mrežama.


Rezultati procjene obrasta primjenom umjetnih neuronskih
mreža, mogu se dopuniti izradom histograma
prvoga i drugoga reda sastojinskih scena, kao i vizualnom
interpretacijom (procjenom).


U prethodnim istraživanjima (PernariKlobučar
2003, Pernari dr.2003,Klobučar2004, Klobučar
iPernar2005,Klobučar2008) na istim snimkama
postigniti su primjereni rezultati u procjeni stanja
sastojina, kao i u procjeni volumena sastojina, s tim da je
obrast korišten kao ulazni parametar. Primijenjenim postupkom
postiže se prihvatljiva točnost i visoki stupanj
au tomatizma u procjeni obrasta, kojim se uklanjaju su bjek
tivnosti klasičnih metoda daljinskih istraživanja, te
smanjuju financijska ulaganja.


Nakon izrade optimalne arhitekture neuronske mre že,
procjenjivanje sastojinskih parametara (u ovom slučaju
sastojinski obrast) zahtijeva samo ekstrakciju
teksturalnih značajki sastojinske scene i njihovu simulaciju
putem istrenirane neuronske mreže, što je uredski
posao koji se odradi u vrlo kratkom razdoblju.
Upravo brzina postupka, zadovoljavajuća točnost uz


neus poredivo manje troškove u odnosu na terestičku
izmjeru primijenjenom postupku daje veliku prednost.


Kako se u šumarstvu svakodnevno provodi velik
broj različitih mjerenja, upravo umjetne neuronske
mre že predstavljaju model temeljen na teoriji učenja,
ko jim bi se značajnije moglo unaprijediti korištenje
ova ko velikog broja podataka, koji su se do sada rješavali
isključivo statističkim metodama i metodama operacijskih
istraživanja.


Ovim istraživanjima potvrđene su prednosti (nije
po trebito poznavati model podataka, primjena u analizi
no vih uvjeta, tolerantnost na nesavršenost podataka) i
ne dostaci (determinacija optimalne arhitekture, nemogućnost
procjenjivanja izvan raspona vrijednosti podataka
za učenje) umjetnih neuronskih mreža. U svakom
slu čaju prednosti umjetnih neuronskih mreža nadilaze
nji hovenedostatke.


No, uz mnogobrojne prednosti, umjetne neuronske
mreže neće u potpunosti zamjeniti klasične statističke
tehnike. Umjesto toga dualni pristup i integracija ovih
dviju tehnika u donošenju odluka biti će vrlo korisna za
gospodarenje šumskim resursima u 21. stoljeću (Peng
i Wen,1999).


Naime, danas one imaju široku primjenu, te se može
reći da je ovo vrijeme prijelaza na tehnologiju umjetnih
neuronskih mreža, pa je stoga korisno započeti nihovu
širu primjenu u šumarstvu RH.




ŠUMARSKI LIST 3-4/2009 str. 38     <-- 38 -->        PDF

D. Klobučar, R. Pernar: UMJETNE NEURONSKE MREŽE U PROCJENI SASTOJINSKIH OBRASTA...Šumarski list br. 3–4, CXXXIII (2009), 145-155
5. ZAKLJUČCI – Conclusions
Istraživanje procjene i raspodjele sastojinskih obras
ta postupkom umjetne neuronske mreže provedeno je
na primjeru gospodarske jedinice “Jamaričko brdo”,
šu marije Lipovljani. Na osnovi provedenih istraživanja
i dobivenih rezultata izvedeni su sljedeći zaključci:


U šumarstvu RH, svrsishodno primjenjivanje potvrđenih
vrijednosti daljinskih istraživanja u praćenju
stanja i inventarizaciji šumskih resursa zahtijeva
raz vijen sustav periodičnog snimanja ili pridobivanja
scena šumskih površina


Višeslojni perceptron ima dobra generalizacijska
svojstva u procjeni sastojinskih obrasta metodama
daljinskih istraživanja s crno-bijelih cikličkih aerofotosnimaka



Samoorganizirajuća neuronska mreža može se primi
jeniti u kontroli raspodjele sastojinskih obrasta s
cikličkih aerofotosnimaka


Ovim istraživanjem naznačena je jedna od velikog
broja mogućnosti primjene umjetnih neurons kih
mreža u šumarskoj znanstvenoj i operativnoj dje latnosti.
Stoga, istraživanja i primjenu treba nastaviti i
na drugim područjima (iskorištavanje, zaštita, ekologija
i dr.) kako bi se racionalizirali radovi u šumarstvu.

6. LITERATURA– References
Atkinson,P.M.,A. R. L.Tatnall, 1997: Neural net works
in remote sensing. International Journal
of Remote Sensing, 18: 699–709.


Ardö,J., P.Pilesjo, A.Skidmore,1997: Neural
net works, multitemporal Landsat Thematic Ma pper
data and topographic data to classify forest
damage in the Czech Republic. Canadian Journal
of Remote Sensing, 23, 217–219.


Beamish, D.2001:AReview of Neural Networks in
Remote Sensing, 1–45.


Benediktsson, J.A., P.H.Swain, O. K.Evsoy,
1990: Neural network approach versus statistical
methods in classification of multi-source remote
sensing data. IEEETransactions on Geoscience
and Remote Sensing, 28(4), 540–551.


Bolduc,P., K.Lowell, G.Edwards,1999: Automated
estimation of localized forest volumes
from large-scale aerial photographs and ancillary
cartographic information in a boreal forest.
International Journal of Remote Sensing 20(18),
pp. 3611–3624.


Cetin,M., T.Kavzoglu, N. Musaoglu,2004:
Cla ssification of multi-spectral, multi-temporal
and multi-sensor images using principal components
analysis and artificial neural networks:
Bey kozcase.


Civco, D. L.1993:Artificial neural networks for land
cover classification and mapping. International
Journal of Geographical Information Systems 7:
173–186.


DalbeloBašić, B.2004: Sustavi koje uče. Knjiga
“Informacijska tehnologija u poslovanju”,
191–209, Zagreb.


Demuth,H., M.Beale, M.Hagan,2006: Neural
Net work Toolbox for Use with Matlab® User’s
Guide.Version 5.The Mathworks Inc., Natick,
MA.


Foody, G.M., P.J.Curran,1994: Estimation of tropical
forest extent and regenerative stage using
remotely sensed data. Journal of Biogeography,
21, 223–244.


Foody,G.M. 2001:Thematic mapping from remotly
sensed data with neural networks: MLP, RBF
and PNN based approaches, Journal of Geographical
Systems 3: pp. 217–232.


Franco-Lopez,H.,A. R. Ek, M. E. Bauer, 2001:
Estimation and mapping of forest stand density,
volume, and cover type using the k-nearest neighbors
method. Remote Sensing of Environment,
77, 251–274.


Gimblett, R.H., G. L.Ball,1995. Neural network
architectures for monitoring and simulating
chan ges in forest resources management. AIApplications
9: 103–123.


Gonzales, R.C., R. E.Woods,S. L.Eddins,2004:
Digital Image Proceessing using MATLAB.
Haykin, S.1999: Neural Networks:AComprehensive
Foundation. Prentice Hall, New Jersey.


Hepner, G.F.,T.Logan, N.Ritter, N.Bryant,
1990: Artificial neural network classification
using a minimal training set: Comparison to conventional
supervised classification. Photogrammetric
Engineering and Remote Sensing 56:
469–473.


Holmström, H.2002: Estimation of single tree characteristics
using the kNN method and plotwise
aerial photograph interpretations. Forest Ecology
and Management,Volume 167, Issues 1–3,
303–314.


Hyyppä, H.J., J. M. Hyyppä,2001: Effects of
Stand Size on theAccuracy of Remote Sensing –
Based Forest Inventory. IEEE Transactions on
Geoscience and Remote Sensing, Vol. 39, No.
12, 2613–2621.




ŠUMARSKI LIST 3-4/2009 str. 39     <-- 39 -->        PDF

D. Klobučar, R. Pernar: UMJETNE NEURONSKE MREŽE U PROCJENI SASTOJINSKIH OBRASTA...Šumarski list br. 3–4, CXXXIII (2009), 145-155
Ingram, J.C., T.P.Dawson, R. J. Whittaker,


2005: Mapping tropical forest structure in sout


heastern Madagascar using remote sensing and


artificial neural networks. Remote Sensing of


En vironment 94, 491–507.
Joshi,C., J. De Leeuw,A. K. Skidmore, I. C.
vanDuren, H.Oosten,2006: Remotely sensed
estimation of forest canopy density:Acomparison
of the performance of four methods.
International Journal ofApplied Earth Observation
and Geoinformation 8, 84–95.
Kanellopoulos,I., G. G. Wilkinson,1997: Stra tegies
and best practise for neural network image
classification. International Journal of Remote
Sensing 18, 711–725.
Kavzoglu,T.,P. M.Mather,1999: Pruning artificial
neural networks: an example using land
cover classification of multisensor images. International
Journal of Remote Sensing, 20 (14), pp.
2787–2803.
Klobučar, D.2002: Mogućnost primjene aerofotosnimaka
iz cikličkog snimanja Republike Hrvatske
u uređivanju šuma. Magistarski rad, 176,
Šu marski fakultet Zagreb.
Klobučar, D.2003: Ocjena točnosti geokodiranja
Os novne državne karte i digitalnog ortofota.
Šum. list 9-10, 457–465, Zagreb.
Klobučar, D.2004: Izlučivanje sastojina prema
sklopu na digitalnom ortofotu i usporedba sa teres
tičkim izlučivanjem. Rad. Šumar. inst. 39 (2):
223–230, Jastrebarsko.
Klobučar,D., R.Pernar,2005: Picture histogram
and interpretation of digital orthophotos in forest


th


management. Proceedings of the 4internatio


nal symposium on image and signal processing


and analysis: 395–401, Zagreb.


Klobučar, D.2008: Primjena histograma drugoga
re da reda u procjeni relativnog sastojinskog
obra sta. Šum. list 9–10, 419–429, Zagreb.


Klobučar,D., R.Pernar, S.Lončarić, M.Subašić,
2008:Artificial neural networks in the
assessment of stand parameters from an IKONOS
satellite image. Croatina Journal of Forest
Engineering.Vol. 29, Issue 2, 201–211, Zagreb.


Kuplich,T.M.2006: Classifying regenerating forest
stages inAmazonia using remotely sensed images
and a neural network. Forest Ecology and
Ma nagement 234, 1–9.


Kušan,V., R. Pernar,2001: Primjena satelitskih
sni maka za procjenu stanja sastojina. Znans tve na
knjiga “Znanost u potrajnom gospodarenju


Hrvatskim šumama”, 429–434, Zagreb.


Lek,S., M.Delacoste,P.Baran, I.Dimopou


los, J.Lauques, S.Aulagnier,1996: Appli
cation of neural networks to modelling non linear
relation-ships in ecology. Ecol. Modell. 90:
39–52.


Levaković, A.1919: Zaokruživanje promjera kod
klupovanja sastojine. Šum. list 43 (11–12):
343–350, Zagreb.


Levaković, A.1923: Još nešto o veličini dopustivog
zaokruženja u očitavanju promjera prigodom
klupovanja sastojina. Šum. list 47 (4): 199–203,
Zagreb.


Liu,C., L.Zhang, C. J.Davis, D. S.Solomon,


T. B.Brann, D. S.Caldwell,2003: Comparision
Of Neural Networks and Statistical Methods
in Classification of Ecological Habitats
Using FIAData. Forest Science 49 (4) 2003.
Lončarić, S.2003: Predavanja.ttp://ipg.zesoi.fer.hr
Moisen, G.G., T.S. Frescino,2002: Comparing
five modelling techniques for predicting forest
characteristics. Ecological Modelling 157 (2002)
209–225.
Novaković,B., D. Majetić, M. Široki,1998:
Umjetne neuronske mreže. Fakultet strojarstva i
brodogradnje, 240 pp, Zagreb.
Paola, J.D., R.A.Schowengerdet,1995: Are-
view and analysis of backpropagation neural networks
for classification of remotley – sensed
mul ti spectral imagery. International Journal of
Re mote Sensing.16, 3033–3058.
Peng,C., X. Wen,1999: RecentApplication ofArtificial
Neural Networks in Forest Resource Management:
An Overview. In: Environmental
Decision Support Systems andArtificial Intelligence,
Ulises Corté and Miquel Srnchez –


Marrc, Cochairs (eds.). pp. 15–22. Tech. Rep.
WS-99-07,AAAI Press, Menlo Park, California.
Pernar,R., D. Klobučar,2003: Estimating stand


density and condition with use of picture histo


grams and visual interpretation of digital orthop


hotos. Glas. šum. pokuse 40: 81–111, Zagreb.


Pernar,R., D. Klobučar, V.Kušan,2003: The
application of aerial photographs from cyclic
recordings in the Republic of Croatia to forest
management. Glas. šum. pokuse 40: 113–168,


Zagreb.
Petković,T.2004: Zavod za elektroničke sustave i
obradu informacija. Fakultet elektrotehnike i računarstva
Sveučilišta u Zagrebu. Upute za laboratorijske
vježbe iz digitalne obrade slike, 44,
57–59.
Scrinzi,G., A.Floris, M.Picci,2000: Artificial
neural networks in forestry: from modeling complex
to the qualitative multivariate classification.




ŠUMARSKI LIST 3-4/2009 str. 40     <-- 40 -->        PDF

D. Klobučar, R. Pernar: UMJETNE NEURONSKE MREŽE U PROCJENI SASTOJINSKIH OBRASTA...Šumarski list br. 3–4, CXXXIII (2009), 145-155
http://www.isafa.it/scientifica/model. International Journal of Remote Sensing,
retineurali.htm18: 981–989.


Skidmore, A.K., B. J. Turner,W.Brinkhof,W.Wulder,M., K. Niemann, D. Goodenough,
Knowles,1997: Performance of a neural ne-2000: Local maximum filtering for the extractwork:
mapping forests using GIS and remotelytion of tree locations and basal area from high
sensed data. Photogrammetric Engineering andspatial resolution imagery. Remote Sensing of
Remote Sensing, 63: 501–514.En vironment 73, pp. 103–114.


St-Onge,B., F.Cavayas,1997: AutomatedforestXiangcheng,M., YingbinZou, Wei Wei, Kestructure
mapping from high resolution imagerypingMa,2005:Testing the generalization of arbased
on directional semivariogram estimates.tificial neural networks with cross-validation and
Remote Sensing of Environment 61, pp. 82–95.independent-validation in modelling rice tillering


dynamics. Ecological Modelling 181, 493–508.


Verbeke, L.P.C., F.M. BVanCoillie, R. R.DeWulf,
2006: Object-based forest stand densityOsnova gospodarenja G. J. “Jamaričko brdo”, važnost
estimation from very high resolution optical1. 1. 2002. - 31. 12. 2011.
imagery using wavelet-based texture measures.


Pravilnik o uređivanju šuma. NN 111/06.
In: 1st International Conference on Object-based
ImageAnalysis (OBIA2006).
Wang,Y., D. Dong,1997: Retrieving forest stand
parameters from SAR backscatter data using a
neural network trained by a canopy backscatter


SUMMARY: In the field of remote sensing the results of research undertaken
with the purpose of determining quantitative and qualitative stand parameters
showed the usefulness of artificial neural networks (Ardö et al. 1997,
Skidmore et al. 1997, Wang & Dong 1997, Moisen & Frescino 2002, Ingram
et al. 2005, Joshi et al. 2006, Kuplich 2006, Verbeke et al. 2006, Klobučar et
al. 2008) as an alternative approach to classical statistical methods.


This paper explores the possibility of estimating and distributing stand
density using methods of artificial neural networks. These methods involve
particular textural features of first and second order histograms on a digital
ortophoto compiled from black and white aerial photographs at an approximate
scale of 1:20,000. The paper is also aimed at collecting data with an acceptable
accuracy, which will reduce material investments. Research
encompassed the area of the MU “Jamaričko Brdo”, Lipovljani forest administration.
Cyclic surveying was conducted in 2000.


In order to determine textural features of first and second order histograms,
a sample was cut out from a digital ortophoto for 80 stand scenes
(compartments/subcompartments) in management classes of pedunculate
oak, sessile oak and common beech of the fourth (the most common), fifth and
sixth age class.


A multi-layer perceptron was used to solve the problem of stand density
estimation. A multi-layer perceptron is a neural network without feedback
connections, where supervised learning is carried out with the error back propagation
algorithm.


An early stopping method was applied to improve generalization. The early
stopping method is a statistical cross-validation method in which the available
data are divided into three sets: training, validation and testing set. Of the overall
dataset, 50 % (or 40 compartments/subcompartments) relates to the training
set, whereas the two remaining datasets were divided equally: 25 % (20
compartments/subcompartments) relate to the validation set and 25 % (20 compartments/
subcompartments) to the testing set.




ŠUMARSKI LIST 3-4/2009 str. 41     <-- 41 -->        PDF

D. Klobučar, R. Pernar: UMJETNE NEURONSKE MREŽE U PROCJENI SASTOJINSKIH OBRASTA...Šumarski list br. 3–4, CXXXIII (2009), 145-155
There are numerous variations of error back propagation algorithms. As
for the early stopping method, it is not advisable to use an algorithm which
converges too rapidly (Xiangcheng et al. 2005, Demuth et al. 2006). Consequently,
two algorithms were used: resilient back-propagation and scaled conjugate
gradient algorithm.


Prior to training the neural network itself, the data were preprocessed. In this
sense, two operations were performed using MATLAB functions: normalization
of input-output values and analysis of the main components of input values.


Training encompassed a total of seven algorithm models with error back
propagation with one or two hidden layers containing a different number of
hidden neurons. Different activation functions were also applied in hidden
and output layers.


Self-organizing neural network was used to control densities according to
their distribution into three categories (normal, less than normal, poor). To
study the applicability of this neural network, 80 compartments/subcompartments
were divided into two sets: training set and testing set, each consisting of
40 compartments/subcompartments. The data were preprocessed before the neural
network was trained, just as was the case with the multilayer perceptron.


Textural features of first order histograms (arithmetic means, standard deviation,
smoothness, third moment, evenness and entropy) and second order
histograms (absolute value of difference, inertia, covariance, entropy and
energy) were used as input data for the neural network, whereas output density
values were taken from the Management plan.


Output values may also be represented as the number of trees, basal area or
volume per hectare or as some other quantitative and qualitative stand values.
Stand density was used as an output value for two reasons: a) poorer spectral
features of the applied photographs, and b) the fact that, from the aspect of the
forestry profession, the photographs were obtained in the unfavorable period
(time of the year in which the ground is the least covered with vegetation).


To test the difference in stand density values between the data from the Management
plan and the optimal model of artificial neural network, the analysis
of variance for repeated measurements was used.


Research confirmed good generalization characteristics of a multilayer
perceptron in density estimation, as well as the fact that a self-organizing neural
network can be used to control and distribute stand densities. The applied
procedure of density estimation achieves an acceptable accuracy and a high
degree of automatism, which removes the subjective nature of classical remote
sensing methods.


This research confirmed the advantages and disadvantages of artificial neural
networks. The advantages are as follows: it is not necessary to know data
models, the networks can be used to analyze new conditions, and they tolerate
imperfect data. The disadvantages are: the need to determine optimal architecture
and the impossibility of estimation outside the scope of learning data values.
However, despite their numerous advantages, artificial neural networks
will not completely replace classical statistical methods. Instead, a dual approach
and integration of these two techniques in decision making processes
will be a very useful tool in forest resource management of the 21st century.
They are currently broadly applied, so we could say that this is a time of transition
to the technology of artificial neural networks. Consequently, forestry of
the Republic of Croatia should make broader use of this new technology.


Key words:artificial neural networks, remote sensing, cyclic aerial
photographs, density, texture