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.