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. 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. 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. 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 |