DIGITALNA ARHIVA ŠUMARSKOG LISTA
prilagođeno pretraživanje po punom tekstu
| 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. |