DIGITALNA ARHIVA ŠUMARSKOG LISTA
prilagođeno pretraživanje po punom tekstu
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. |