خرید فالوور اینستاگرام خرید لایک اینستاگرام
خانه / RS سنجش از دور / کاربرد شبکه عصبی مصنوعی در سنجش از دور

کاربرد شبکه عصبی مصنوعی در سنجش از دور

کاربرد شبکه عصبی مصنوعی در سنجش از دور

مباني شبكه هاي عصبي مصنوعي :

شبكه هاي عصبي مصنوعي دستگا هها يا نرم افزارهايي هستند كه بر اساس ساختمان عصبي مغز انسان سازمان يافته اند و رفتارهايي را از خود نشان مي دهند كه مشابه آن در كاركرد مغز انسان وجود دارد و يا آن كه قابل تفسير به يكي از رفتارهاي آدمي است. بررسي ها نشان ميدهد كه اين شبكه ها قابليت يادگيري، يادآوري، فراموش كردن، استنتاج، شناخت الگو، طبقه بندي اطلاعات و بسياري ديگر از مهار تهاي مغز انسان را دارند.

اجزاي تشكيل دهنده شبكه عصبي مصنوعي :

نرون ها ( عناصر محاسباتي)

نرون عنصر اصلي شبكه عصبي مصنوعي مي باشد و كوچك ترين واحد پردازش گر اطلاعات است كه اساس عملكرد شبكه هاي عصبي را تشكيل ميدهد. نرون يك تابع محرك (تبديل) رياضي را براي پردازش اطلاعات بردار ورودي به كار مي برد و يك بردار خروجي به عنوان نتيجه توليد ميكند. مانند سيستم عصبي بيولوژيكي، نرونها به وسيله رشته هايي به هم مرتبط هستند كه سيگنا لها را در سرتاسر آن ها انتقال مي دهند. هر رشته ارتباطي يك بردار وزن همراه دارد كه سيگنال انتقالي را تنظيم مي كند.

لايه ها

يك شبكه عصبي مصنوعي در حالت كلي سه لايه دارد. لايه ورودي، مياني (پنهان) ، خروجي. لايه ورودي، اطلاعات (مجموعه اي از تركيب هاي معرف الگو) را از محيط دريافت كرده و آن را به لايه مياني انتقال ميدهد. هر نرون واقع شده در لايه ورودي با تمام نرون ها در لايه مياني مرتبط است، به طوري كه عملكرد پردازش اطلاعات به صورت موازي و همزمان انجام ميگيرد. به طور مشابه، لايه مياني با لايه خروجي ارتباط دارد. لايه مياني، لايه اي است كه تحليل هاي واقعي اطلاعات را از محيط به شبكه عرضه مي كند. لايه خروجي اين تحليل را دريافت مي كند و آن را به يك تفسير معني دار تبديل كرده و پس از محاسبه به محيط برمي گرداند.

مفاهيم شبكه هاي عصبي مصنوعي :

مشخصات اساسي يك شبكه عصبي مصنوعي به چهار بخش تقسيم ميگردد:

الف) ساختار شبكه: معين مي كند كه شبكه از چند نرون تشكيل شده و چگونه اين نرو نها در شبكه آرايش يافته و به چه شكل به همديگر اتصال يافته اند. هر نرون يا عنصر پردازش گر مشابه با نرون طبيعي داراي تعدادي ورودي، قدرت سيناپس، تابع محرك، تعدادي خروجي و باياس مي باشد.

ب) توابع محرك: خروجي يك نرون را به ازاي يك ورودي معين مشخص مي كند.

ج) الگوريتم آموزش شبكه: نحوه آموزش شبكه را براي يك سري الگوهاي آموزشي معين نشان ميدهد.

د) شيوه به كارگيري شبكه هاي عصبي مصنوعي: نشان ميدهد كه چگونه مي توان پاسخ شبكه يا خروجي آن را به ازاي يك الگوي ورودي مشخص كرد.

ساختار شبكه هاي عصبي مصنوعي :

ساختار شبكه هاي عصبي مصنوعي به صورت لايه اي است و از يك لايه ورودي، يك لايه خروجي و يك يا چند لايه مياني تشكيل شده اند. هر لايه شامل تعدادي گره يا نرون ميباشد كه گره ها به وسيله شبكه و با وزن هاي متفاوت به هم مربوط شده اند. بر اساس نحوه اتصال گره ها به يكديگر شبكه هاي عصبي به دو گروه تقسيم ميشوند: شبكه هاي عصبي مصنوعي پيشخور(FFNN) و شبكه هاي عصبي مصنوعي پسخور(FBNN).

شبكه هاي عصبي مصنوعي پيشخور :

در اين نوع شبكه ها، چون ورودي (ها) براي توليد خروجي(ها) از ميان نرون عبور مي كنند؛ به شبكه هاي پيشخور معروفند. در اين جا نوعي از شبكه هاي عصبي مصنوعي پيشخور، كه به شبكه عصبي چند لايه پيشخور موسوم است؛ معرفي مي شود. فرق اين شبكه با شبكه تك لايه در اين است كه بين لايه ورودي و لايه خروجي، يك يا چند لايه به نام لايه (هاي ) پنهان وجود دارد. وظيفه اين لايه ها ارتباط دادن لايه ورودي به لايه خروجي مي باشد. شبكه با داشتن اين لايه پنهان قادر مي گردد روابط غير خطي را از داده هاي ارائه شده استخراج نمايد. از قانون يادگيري پس انتشار خطا براي آموزش شبكه هاي عصبي چند لايه پيشخور كه عموماً شبكه هاي چند لايه پرسپترون (MLP) هم ناميده مي شوند، استفاده مي كنند. قانون پس انتشار خطا از دو مسير اصلي تشكيل مي شود: مسير اول به مسير رفت موسوم مي باشد كه در اين مسير، بردار ورودي به شبكه MLP اعمال مي شود و تأثيراتش از طريق لايه هاي مياني به لايه هاي خروجي انتشار مي يابد. بردار خروجي تشكيل يافته در لايه خروجي، پاسخ واقعي شبكه MLP را تشكيل مي دهد. در اين مسير پارامترهاي شبكه، ثابت و بدون تغيير در نظر گرفته مي شوند. مسير دوم به مسير برگشت موسوم مي باشد. در اين مسير بر عكس مسير رفت، پارامترهاي شبكه MLP تغيير و تنظيم مي گردند. اين تنظيم مطابق با قانون اصلاح خطا انجام مي گيرد. سيگنال خطا در لايه خروجي شبكه تشكيل مي گردد. بردار خطا برابر با اختلاف بين پاسخ مطلوب و پاسخ واقعي شبكه ميباشد. مقدار خطا پس از محاسبه، در مسير برگشت از لايه خروجي و از طريق لايه هاي شبكه در كل شبكه توزيع ميگردد. چون توزيع اخير در خلاف مسير ارتباطات وزني سيناپس ها صورت مي پذيرد، كلمه پس انتشار خطا جهت توضيح اصلاح رفتاري شبكه انتخاب شده است.

شبكه هاي عصبي مصنوعي پسخور

تفاوت شبكه هاي پسخور با شبكه هاي پيشخور اين است كه در شبكه هاي پسخور، حداقل يك سيگنال برگشتي از نرون به همان نرو ن(ها) يا نرون هاي لايه قبل وجود دارد.

گونه هاي مختلف آموزش در شبكه هاي عصبي مصنوعي

آموزش شبكه عصبي عبارت است از فرآيندي كه به وسيله آن شبكه عصبي خود را براي يك محرك سازگار مي كند، به نحوي كه پس از تعديل مناسب پارامترهاي شبكه، پاسخ مطلوب را ارائه دهد. در خلال آموزش، شبكه پارامترهاي خود يعني وزنهاي سيناپس را در پاسخ به ورودي محرك تعديل مي كند به نحوي كه خروجي واقعي شبكه به خروجي مطلوب همگرا شود. همان طوري كه براي هر فرد يك شيوه آموزشي خاص مناسب است، براي هر شبكه عصبي مصنوعي نيز روش هاي خاصي متناسب است. در ادامه به برخي از روش هاي معمول آموزش اشاره شده است.

آموزش با ناظر

در اين شيوه آموزش، ورودي هاي شبكه و خروجي هاي متناظر با آن ها از قبل مشخص مي باشند. در زمان آموزش شبكه، يك ورودي به شبكه اعمال ميشود. شبكه در پاسخ به آن ورودي محرك، پاسخ خروجي را نتيجه مي دهد. اين خروجي با خروجي مطلوب متناظر با همين ورودي مقايسه مي شود. حال اگر خروجي واقعي با خروجي مطلوب مغايرت داشته باشد، شبكه يك سيگنال خطا توليد ميكند كه از اين سيگنال فقط براي محاسبه ميزان تغييري كه بايد بر وزنهاي سيناپس اعمال شود، استفاده مي گردد. اين روند آن قدر تكرار مي شود تا خروجي واقعي، همان خروجي مطلوب يا نزديك به آن شود. روند حداقل نمودن خطا به يك مقدار ويژه به نام معلم يا ناظر نيازمند است كه عمل مقايسه بين خروجي واقعي و خروجي مطلوب را انجام دهد و شبكه را با توجه به اين ميزان سيگنال خطا تعديل نمايد تا اين كه آموزش لازم را ببيند. به همين دليل به اين شيوه آموزشي، آموزش با ناظر گفته مي شود. توجه به اين نكته مهم است كه در خلال آموزش، وزنها به نحوي تعديل يابند كه خطا به حداقل برسد. در زمان آموزش ممكن است به مقاديري براي وزن ها برسيم كه ظاهراً حداقل خطا در خروجي ايجاد مي نمايند، اما اگر روند آموزش ادامه داده شود ابتدا خطا افزايش يافته و به يك حداقل ديگر ميرسد كه از حداقل اولي كمتر است. به آن حداقل اول، حداقل محلي گفته ميشود. حال اگر روند آموزش را ادامه داده ولي ميزان خطا هرگز از ميزان خطاي دوم كم تر نشود به اين حداقل خطا، حداقل مطلق گويند.

آموزش بدون ناظر

شبكه كوهنن با عملكرد خود سازمانده (SOM )، يك نوع شبكه بدون ناظر است و ساختار آن تنها با دو لايه، ساده ترين نوع نسبت به ساير ساختارها مي باشد: لايه ورودي و لايه خروجي. شبكه كوهنن قادر به يادگيري بدون حضور خروجي هاي مطلوب در الگوهاي نمونه است. اين شبكه ها مي توانند الگوهاي داده ها را به تعداد مشخصي از مجموعه ها تفكيك كنند. در اين روش بر خلاف شيوه آموزش با ناظر نيازي به معلم نيست، يعني خروجي هدف وجود ندارد. در خلال آموزش، شبكه الگوهاي آموزشي خود را از طريق ورودي هايش دريافت ميكند و به شكل دلخواه، آ نها را در طبقه هاي مختلفي، دسته بندي مي كند. هنگامي كه يك شبكه ورودي را دريافت ميكند، پاسخي در خروجي ظاهر مي شود كه نشان دهنده طبقه اي است كه ورودي بدان تعلق دارد. اگر طبقه اي براي اين ورودي يافت نشد، آن گاه يك طبقه جديد تشكيل ميشود.

پرسپترون

طبق تحقيقات به عمل آمده و مرور مقالات مختلف موجود در اين زمينه،مشخص شدكه شبكه پرسپترون با الگوريتم پس انتشار خطا كارايي زيادي در حل مسائل مربوط به سنجش از دور دارد. پرسپترون اولين شبكه عصبي مصنوعي بود كه در سال ۱۹۵۸ توسط فرانك روزنبلات ارائه گرديد. در حال حاضر از پرسپترون در كاربردهايي نظير طبقه بندي اشكال، شناسايي نمادها و سيستم بينايي روبات استفاده ميشود. پرسپترون تك لايه قادر است الگوهاي به طور خطي تفكيك پذير را طبقه بندي كند، در حالي كه پرسپترون چند لايه ميتواند الگوهاي به طور غيرخطي تفكيك پذير را نيز طبقه بندي نمايد؛ به همين دليل امروزه در اكثر موارد، به منظور شناسايي الگو و طبقه بندي آن ها از پرسپترون چند لايه به خاطر قدرت آن در تفكيك پذيري استفاده ميشود. یک پرسپترون برداری از ورودیهای با مقادیر حقیقی را گرفته و یک ترکیب خطی از این ورودیها را محاسبه میکند. اگر حاصل از یک مقدار آستانه بیشتر بود خروجی پرسپترون برابر با ۱ و در غیر اینصورت معادل۱- خواهد بود.براي آموزش پرسپترون چند لايه از الگوريتم آموزشي « پس انتشار خطا » استفاده ميگردد .

قانون پس انتشار خطا

از قانون يادگيري پس انتشار خطا براي آموزش شبكه هاي عصبي چند لايه پيشخور كه عموماً شبكه هاي چند لايه پرسپترون هم ناميده ميشوند، استفاده ميكنند، به عبارتي توپولوژي شبكه هاي MLP با قانون يادگيري پس انتشار خطا تكميل مي شود.

كاربرد شبكه هاي عصبي مصنوعي در سنجش از دور

اندازه گيري خصوصيات فيزيكي و هيدروليكي خاك، يك كار وقت گير و بسيار پرهزينه مي باشد. به همين دليل در بسياري از اندازه گيري ها لازم است كه متغيرهاي زماني- مكاني را محدود نمود، همچنين به علت وجود ناهمگني فضايي بسيار زياد و وجود يك رابطه غيرخطي بين خصوصيات خاك، اين اندازه گيري ها خيلي دقيق نمي باشند؛ بنابراين لازم است كه روش هاي ساده تري براي اندازه گيري خصوصيات خاك، در مقياس وسيع ابداع شوند. تعيين خصوصيات فيزيكي خاك، در نواحي بسيار دوري كه استفاده از روش هاي اندازه گيري معمول در آن ها غيرممكن و يا بسيار پرهزينه و زمان بر است؛ از تكنيك تلفيقي شبكه هاي عصبي مصنوعي و سنجش از دور استفاده شده است. براي بررسي امكان پذير بودن تخمين خصوصيات فيزيكي و هيدروليكي خاك، فقط به كمك داده هاي سنجش از دور، بدون داشتن هيچ گونه اطلاعي از بافت خاك، مطالعاتي انجام گرفته است. بدين منظور از شبكه هاي مصنوعي خود سازمان ده و ارتباط فيزيكي بين خصوصيات هيدروليكي و رطوبت خاك در يك فاز خشكي استفاده شده است. مدل هاي پيشنهادي براي تشخيص خصوصيات خاك به كمك داده هاي دورسنجي، بايد اين شرايط را داشته باشند:

  1. توانايي استخراج اطلاعات از ورودي هاي متعدد و گوناگون مربوط به خصوصيات فيزيكي خاك.
  2. قابليت انجام عمل طبقه بندي (كلاسه بندي) و نقشه برداري از فضاهاي ورودي- خروجي چند بعدي.

براي دستيابي به اين هدف از شبكه هاي عصبي مصنوعي و وجود ارتباط فيزيكي بين الگوهاي زماني- مکانی (دمای درجه روشنایی)، كاهش رطوبت خاك و ويژگي هاي خاك استفاده گرديد. در اين طرح پيشنهادي عملكرد دو نوع از شبكه هاي عصبي مصنوعي با استفاده از داده هاي سنجش از دور مورد بررسي قرار گرفته است. چارچوب كلي يادگيري در شبكه هاي عصبي مصنوعي بر اساس مدل هايي است كه استفاده از آن ها را در مواقعي كه رابطه علت و معلولي دقيقي بين داده ها وجود ندارد، امكان پذير مي سازد. شبكه هاي عصبي مصنوعي جز آن دسته از سيستم هاي ديناميكي هستند كه با پردازش بر روي داده هاي تجربي، دانش يا قانون نهفته در وراي داده ها را به ساختار شبكه منتقل مي كنند. براي انجام اين كار از شبكه خود سازمانده و شبكه پيش خور با الگوريتم آموزشي پس انتشار خطا استفاده شده است.

تشخيص خصوصيات خاك با استفاده از داده هاي تصويري سنجش از دور مربوط به درجه روشنايي و شبکه SOM

تغييرپذيري زماني- مكاني درجه روشنايي خاك، نتيجه فعل و انفعالات پيچيده بين ورودي (به طور مثال بارندگي، تشعشعات و …) خروجي (به طور مثال ريزش هاي سطحي، نفوذ، زهكشي) و خصوصيات فيزيكي (به طور مثال ويژگي هاي هيدروليكي خاك، توپوگرافي) سطح خاك مي باشد. در طول يك دوره خشكي، تغييرپذيري فضايي و گراديان زماني ، در ابتدا توسط خصوصيات فيزيكي و هيدروليكي خاك كنترل مي شود. در طول اين توالي انتظار مي رود يك رابطه يكنواخت اوليه بين نمداري و خشكي سطح خاك مشاهده شود. اطلاعات مربوط به تغييرپذيري فضايي مقدار اوليه دمای درجه روشنایی و گرادیان زمانی دمای درجه روشنایی در مقياس يك پيكسل را مي توان براي پيش بینی خواص فيزيكي و هيدروليكي خاك استفاده نمود. به طور مثال پس از يك دوره بارندگي، در طول زمان خشكي، خاكي با نرمي متوسط (شن) در مقابل خاكي با زبري بيش تر (ماسه) رطوبت اوليه خاك را بالاتر مي برد (در مقابل درجه روشنايي را پايين مي آورد). فرض مي كنيم كه يك سري از داده هاي با پیکسل داریم. قدرت تفكيك پذيري و سايز هر كدام از پيكسل ها به خصوصيات سنجنده و ارتفاع پرواز بستگي دارد و تعداد روزهاي برداشت (P) نيز به اندازه و فراواني مجموعه داده ها وابسته است. الگوي ورودي براي شبكه SOM ، مي تواند يك سري متوالي از داده هاي دماي درجه روشنايي مربوط يه يك پيكسل معلوم باشد. از اين شبكه براي تشخيص و طبقه بندي داده هاي ورودي (بدون در اختيار داشتن خروجي ها) استفاده مي شود. عدم وجود هيچ منبعي راجع به خروجي ها در شبكه SOM جالب است، زيرا به ما اين اجازه را مي دهد كه فقط با داشتن دمای درجه روشنایی به عنوان ورودي، خاك را به دسته هاي مختلفي تقسيم كنيم. تعداد نرون هاي لايه مياني (كه در شبکه SOM به لایه رقابتی معروف است)، Q، با تعداد كلاس هاي مورد انتظار (كه توسط داده هاي ورودي مشخص مي شوند) برابر است. بردارهاي وزن اوليه مربوط به لايه ورودي و لايه رقابتي، به طور تصادفي مقداردهي مي شوند. هنگامي كه يك بردار (مثلاً يك سري زماني از دماي درجه روشنايي در يك منطقه) به عنوان ورودي در نظر گرفته مي شود، اولين گام در شبكه SOM محاسبه يك مقدار نظير براي هر واحد در لايه رقابتي است. اين مقدار حدي را كه در آن وزن هاي مربوط به نرون نظير با مقادير الگوهاي ورودي برابر مي شوند را اندازه گيري ميكند و نروني كه بيش ترين شباهت به الگوهاي ورودي دارد، به عنوان نرون برنده انتخاب مي شود. وزن هاي ارتباطي مربوط به نرون برنده و نزديك ترين همسايه هاي آن دوباره مقداردهي مي شوند تا به الگوهاي ورودي نزديك ترشوند. سپس ديگر الگوهاي ورودي از مجموعه داده ها انتخاب مي شوند و اين فرآيند تا زماني كه تغييرات بين وزن هاي ارتباطي الگوهاي ورودي و نرون ها متوقف نشود، ادامه مي يابد. و بدين ترتيب مي توان از شبكه SOM برای دسته بندی یک سری از داده های مربوط به لایه ورودی ،به Q گروه استفاده نمود که هر گروه (کلاس) بيان گر نوعي از بافت خاك مي باشد. مرحله يادگيري تا زماني ادامه مي يابد كه هر كدام از كلاس ها به يك حالت پايداري برسند. پس از آن تعداد محدودي از نرون ها در لايه رقابتي باقي مي مانند كه لايه رقابتي به عنوان فيلتر عمل مي كند و هر بردار ورودي را به يكي از كلاس هاي Q به عنوان لايه ورودي در نظر گرفته ميشوند. اين داده هاي ورودي به Q نرون در لايه رقابتي متصل مي گردند، در نتيجه وزن هاي مربوط به Q نرون ، Q منحني شاخص از Q بافت متفاوت خاك را تشخيص مي دهند.

استفاده از درجه روشنايي برای شخیص نوع خاک

در ابتدا به طور تصادفي درصدي ( ۵% و ۱۰% ) از داده های مربوط به دمای درجه روشنایی چند زمانه ، برای مرحله یادگیری انتخاب شدند و خاك به سه كلاس متفاوت ( ۳=Q كه برابر است با خاك زبر، متوسط ونرم) بافتي بر اساس نسبت ماسه به درصد رس، تقسيم گرديد. مقايسه بين نقشه بافت هاي تخمين زده شده توسط شبكه و نقشه بافت هاي مشاهده اي تأييد مي كنند كه اين ارزيابي به خوبي انجام شده است. در جدول (۱) برخي از پارامترهاي استاتيكي براي اعتبارسنجي مدل SOM نشان داده شده اندكه براي مقايسه وتعيين اعتبار شبكه عصبي پيشنهاد شده، از دو معيار ضريب همبستگي (CC) و و شاخص اختلاف (DI) استفاده شده است.

همان طور كه در جدول ( ۱) ملاحظه مي شود، فقط انتخاب ۵% از داده هاي دماي درجه روشنايي بعنوان الگوهاي يادگيري براي طبقه بندي خاك به سه كلاس متفاوت، كافي مي باشد.

استفاده از رطوبت خاك براي تشخيص انواع خاك

با تكرار آزمايشات ذكر شده در مرحله قبل و استفاده از داده هاي رطوبت خاك بجای دمای درجه روشنایی و شبکه SOM نيز مي توان خاك را به كلاس هاي متفاوتي تقسيم نمود. مطابق نتايج جدول ( ۱) با استفاده از درصد كم تري از داده ها ( ۵%) مي توان به نتايج بهتري رسد. علاوه بر اين جدول ( ۱) مشخص مي كند كه با استفاده از داده هاي رطوبت خاك به عنوان الگوي ورودي، به جاي دماي درجه روشنايي، نتايج بهتري حاصل مي گردد. اين مسئله تا حدي قابل انتظار است زيرا رابطه فيزيكي بين رطوبت خاك و بافت آن، از رابطه بين درجه روشنايي و بافت آن قوي تر میباشد.

استفاده از يك شبكه پيش خور چند لايه براي بالا بردن دقت شبكه طبقه بندي كننده خاك

با استفاده از شبكه هاي عصبي بدون ناظر و مدل SOM ، مي توان خاك را به گروه هاي بافتي مختلفي تقسيم نمود. اين روش در مناطقي كه هيچ دانش اوليه اي از بافت خاك وجود ندارد بسيار مفيد مي باشد. اما بايد توجه نمود كه طبقه بندي بافت خاك، با شبكه هاي عصبي بدون ناظر و با استفاده از تغييرات دمای درجه روشنایی حاصل میشود. اگر تغييرات مربوط به دمای درجه روشنایی تحت تأثير فاكتورهاي محيطي ديگر (مانند تغيير در شرايط جوي، توپوگرافي و …) قرار گيرد، آن گاه طبقه بندي بر پايه شبكه هاي بدون ناظر در شرايط عدم اطمينان انجام مي گيرد. براي رفع اين مشكل، تصميم گرفته شد كه از يك شبكه پيش خور سه لايه براي تعيين دقت شبكه طبقه بندي كننده استفاده شود. يك شبكه پيش خور معمولاً از سه لايه تشكيل مي شود: لايه ورودي، لايه مياني و لايه خروجي.. نرون هاي مربوط به لايه ورودي، سيگنال هايي را دريافت و ارسال مي كنند، بدون اين كه هيچ گونه تغييري در آن ها پديد آورند. وزن هاي نرون هاي خروجي، مجموع سيگنال ها و سپس نتايج شبكه از يك تابع محرك خطي عبور مي كنند. رفتار نرون هاي لايه مياني مشابه نرون هاي خروجي مي باشد با اين تفاوت كه به جاي تابع محرك خطي از يك تابع محرك غيرخطي سيگموئيدي استفاده مي كند. به عنوان مثال براي پيكسل مشخص K ، هر نرون در لايه مياني، ورودي مربوط به خود را دريافت مي كند. اگر تعداد نرون هاي لايه ورودي و لايه مياني را به ترتيب با P و I نشان دهیم، برای نمایش m امین جز از بکار میرود و خروجی i امین نرون در لايه مياني، مطابق رابطه محاسبه مي شود.

که در آن ،

و نتایج لایه های خروجی مطابق رابطه زیر محاسبه میشود،که در آن ،ω = یک ماتریس براي نمايش بردارهاي وزن در لايه مياني.

W= یک ماتریس براي نمايش بردارهاي وزن در لايه خروجي.

در نتيجه عدد صحيح به دست آمده از خروجي y(k) مربوط به پیکسل k ، براي نمايش بافت خاك به كار مي رود. براي به دست آوردن وزن هاي ارتباطي، مي توان به طور تصادفي درصدي ( ۵%) از پيكسل هاي چند زمانه دمای درجه روشنایی را براي مرحله يادگيري شبكه پيش خور سه لايه استفاده نمود (فرض مي شود كه اطلاعات مربوط به بافت خاك براي پيكسل هاي فوق موجود باشند). مقدار خروجي به دست آمده توسط شبكه با مقدار واقعي مقايسه شده و مقدار خطا محاسبه مي گردد و اين كار تا زماني ادامه مي يابد كه كليه الگوريتم هاي يادگيري به شبكه نشان داده شوند و وزن هاي ارتباطي بهينه گردند.

استفاده از دماي درجه روشنايي براي تشخيص انواع خاك

در ابتدا خاك به سه كلاس متفاوت (۳=Q كه برابر است با خاك زبر، متوسط ونرم) بافتي بر اساس نسبت ماسه به درصد رس و استفاده از ساختار شبکه پیشخور سه لایه (TFNN ) تقسيم گرديد. پس از مشاهده نتايج حاصل از اين آزمايش، كلاس هاي بافت خاك به شش كلاس افزايش يافتند (۶=Q). نتايج به دست آمده از محاسبه پارامترهاي استاتيكي مربوط به شبکه TFNN در جدول ( ۲) نشان داده شده اند. با مقايسه نتايج جداول ( ۱) و ( ۲) در مي يابيم كه ضريب شاخص اختلاف ( DI) برای TFNN برابر با ۱۹% و برای SOM برابر با ۲۸% می باشد. يعني اين ضريب براي شبكه TFNN کمتر است.

براي اين كه بتوان علت برتري (اعتبار پاسخ ها) مدل TFNN را نسبت به مدل SOM (زماني كه از داده هاي دماي درجه روشنايي به عنوان ورودي استفاده مي شود) مشخص نمود؛ در ابتدا بايد ساختار مدل SOM را بررسی کرد. مدل SOM براساس صفات برجسته مربوط به داده هاي آموزشي، خود را سازماندهي مي كند وداده هاي آموزشي را برا ساس اين صفات برجسته، طبقه بندي مي كند. در مثال استفاده از دماي درجه روشنايي به عنوان داده هاي ورودي، اين صفت برجسته، رابطه فيزيكي بين منحني نزولي درجه روشنايي و بافت خاك مي باشد كه در نتيجه مدل SOM استنتاج مي كند كه بافت هاي مختلف خاك منحني هاي نزولي متفاوتي دارند ولي هنگامي كه فاكتورهاي ديگري (مانند انواع گياهان، آب موجود در گياهان، زبري خاك سطحي و …) بررسي مي شوند ملاحظه مي گردد كه بافت هاي مختلف خاك، احتمالاً داراي منحني نزولي درجه روشنايي يكساني هستند. به عبارت ديگر مدل TFNN از تحولات زماني- مكاني درجه روشنايي به همراه خصوصيات فيزيكي خاك ( ۵% تا ۱۰ % پيكسل هاي حاوي اطلاعات مربوط به خاك)، به عنوان داده هاي آموزشي استفاده مي كند و وزن هاي ارتباطي شبكه TFNN با استفاده از مثال هاي معلوم راجع به خصوصيات بافت خاك، تعديل مي شوند. در نتيجه اين تعديل، كمبود اطلاعات در زماني كه فقط از داده هاي درجه روشنايي به عنوان داده هاي آموزشي استفاده شود؛ جبران مي گردد.

استفاده از رطوبت خاك براي تشخيص انواع خاك

اكنون با استفاده از داده هاي دورسنجي مربوط به رطوبت خاك و مدل TFNN ، به طبقه بندي خاك در كلاس هاي مختلف بافتي پرداخته مي شود. بررسي نتايج حاصل از اين آزمايش مشخص مي كند كه استفاده از رطوبت خاك به جاي درجه روشنايي به عنوان داده هاي ورودي، بهبود چنداني در پاسخ شبكه حاصل نمي گردد؛ زيرا همان طور كه قبلاً نيز گفته شد، رطوبت خاك يك كميت مشاهده اي مستقل نيست، بلكه كميتي است كه با استفاده از دماي درجه روشنايي و ديگر اطلاعات مربوط به بافت خاك، به دست مي آيد.

نتيجه گيري

به طور خلاصه مي توان گفت كه سنجش از دور علاوه بر آن كه به دانشمندان در جهت شناسايي بهتر محيط زيست كمك مي كند به علت انعطا ف پذيري، ارزاني نسبي و پوشش وسيع آن از كره زمين، نقش مهمي را در حل بعضي مشكلات اجتماعي، اقتصادي و محيط زيستي كه كره زمين با آن مواجه است ايفا مي كند. همچنين با توجه به كاربرد گسترده آن در علوم مختلف از جمله علوم زمين، در مواردي كه جمع آوري و اندازه گيري پارامترهاي مورد نياز با امكانات موجود، غير ممكن و يا بسيار پرهزينه است، مي توان از تكنيك شبكه هاي عصبي مصنوعي استفاده نمود. در اين تحقیق سعي شده است با بيان كاربرد شبكه هاي عصبي مصنوعي در تعيين خصوصيات فيزيكي خاك با استفاده از داده هاي جمع آوري شده توسط ماهواره هاي سنجش از دور، به گو شه اي از كاربردهاي اين روش نوين اشاره شود.

نمونه هایی دیگر از کاربرد شبکه عصبی مصنوعی:

  1. پیش بینی عملکرد محصولات زراعی و باغی
  2. پیش بینی خشکسالی
  3. پیش بینی سیل
  4. پیش بینی زمین لغزش
  5. پیش بینی صادرات محصولات کشاورزی
  6. تخمین منحنی سنجه رسوب
  7. پیش بینی آلودگی هوا
  8. مدیریت مواد زائد و پخش آلاینده ها
  9. پردازش داده های ماهواره ای و تهیه نقشه های موضوعی
  10. تخمین قیمت محصولات زراعی
  11. مدل سازی رواناب-سیلاب
  12. مدل سازی تبخیر و تعرق
  13. …….

درباره ی a.esmailzadeh

مطلب پیشنهادی

تعريف سيستم اطلاعات جغرافيايي(GIS) و قابلیت های آن

تعريف سيستم اطلاعات جغرافيايي(GIS) سيستم اطلاعات جغرافيايي مجموعه سازمان يافته‌اي از سخت‌افزار و نرم‌افزار كامپيوتري، …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *