Гис и нейросети реферат

Обновлено: 03.07.2024

На современном этапе развития науки и техники ключевым источником информации, наряду с полевыми и стационарными исследованиями, являются данные дистанционного зондирования Земли (ДЗЗ). Синтетическая природа, заложенная в космических снимках, позволяет использовать их для решения практико-ориентированных задач в строительстве, сельском хозяйстве, лесном хозяйстве, территориальном планировании и т. д., направленных на анализ ландшафтно-экологических систем с целью оптимальной пространственной организации территории 2.

Материалы и методика исследований

Наиболее перспективным для решения географических, экологических, технических задач являются многозональные космические снимки высокого разрешения, в пиксельной совокупности которых содержатся отражательные свойства природных и антропогенных объектов.

На сегодняшний день существует целый ряд сервисов (спутников и их сенсоров), представляющих космические снимки с разным разрешением, периодичностью, количеством спектральных каналов. Среди наиболее успешных проектов отмечаем данные ДЗЗ, получаемые со спутников SPOT, IKONOS, QuickBird, Landsat, TERRA (платформа ASTER) и другие.

В качестве ресурса данных ДЗЗ в исследовании нами был выбран комплекс Landsat – старейший проект по получению космофотоснимков. В настоящее время на орбите Земли действуют спутники Landsat-7 (сенсор ETM+) и Landsat-8 (сенсоры OLI и TIRS). Пространственное разрешение основных каналов соответствует 30 м длины стороны пикселя, что позволяет позиционировать их как снимки высокого разрешения. Сравнение спектральных диапазонов приведено в таблице 1.

Однако отдельно взятый канал представляет крайне ограниченную вариацию действий по интерпретации свойств ландшафтно-экологических систем. Специфика применения космофотоснимков заключается в возможности комбинирования каналов, помещая их в красную (R), зеленую (G) и синюю (B) позиции. Таким образом, каждый канал представляет интерес для решения тематических прикладных задач, но синтетическую информацию о ландшафтно-экологических системах можно получить только в рамках комбинирования каналов при комплексном дешифрировании.

Таблица 2 – Спектральные каналы сенсоров ETM+ спутника Landsat-7 и OLI/TIRS спутника Landsat-8 (по данным NASA и геологической службы США [4], методических разработок James W. Quinn [5])

Применение в ландшафтно-экологических исследованиях некоторых комбинаций каналов

Каналы ETM+ (Landsat-7)

Каналы OLI/TIRS (Landsat-8)

Длина волны, мкм

Разрешение (размер на 1 пиксель), м

Длина волны, мкм

Разрешение (размер на 1 пиксель), м

Развитие программно-аппаратных комплексов и вычислительных алгоритмов сделало возможным развитие автоматизированного дешифрирования, основанного на применении компьютерных технологий.

Потребность в совершенствовании методов автоматизированной классификации данных ДЗЗ и развитие соответствующих методов, основанное на качественном изменении программных средств и вычислительных устройств, делают возможным применение сложных математических алгоритмов для решения географических задач. Так, в Мордовском университете на базе тестовых научно-исследовательских полигонов (НИП) апробированы методики вычисления и оценки ландшафтного разнообразия [6, 7], выделения границ ландшафтов [8] и другие.

Использование монохромных изображений или космических снимков в естественных цветах предоставляет ограниченное количество информации. Гораздо более ценным ресурсом является визуальный и автоматизированный анализ комбинаций спектральных каналов. На современном этапе для анализа и интерпретации радиометрически и геометрически скорректированных данных, представленных в картографической проекции, используется ряд программных комплексов: ERDAS IMAGINE, ScanEx Image Processor, ENVI, ER Mapper и другие. Некоторые возможности заложены в неспециализированных на дешифрировании ГИС и их модулях, например, в ArcView и ArcGis.

Ключевым инструментом любого программного обеспечения для автоматизированной обработки космических снимков являются алгоритмы компьютерного дешифрирования, основанные на спектральных признаках, характеризующих пиксели. Конечная задача сводится к их классификации в определенное количество групп. В комплексе ScanEx Image Processor представлены:

- Классификация без обучения (кластеризация с помощью метода ISODATA);

- Классификация с обучением. При данном типе пиксели снимка объединяются в группы на основе сравнения их яркостей с эталонными значениями. В ScanEx Image Processor представлен ряд инструментов: классификация с помощью метода деревьев, бинарная классификация, классификация с помощью нейронных сетей и другие.

В основе работы нейронной сети, представленной системой взаимосвязанных простых процессоров, заложен принцип функционирования человеческой нервной системы. Нейроны нейронной сети сгруппированы в слои так, что выходной сигнал предыдущего слоя подается на входы всех нейронов последующего.

Для классификации данных ДЗЗ в программе ScanEx Image Processor с применением нейросетевого метода необходимо решить ряд взаимосвязанных задач.

1. Определение входных данных. В зависимости от решаемой проблемно-ориентированной задачи исходные данные могут быть представлены многозональными, гиперспектральными космическими снимками различного пространственного и временного разрешения. Для целей ландшафтного картографирования необходимо определить канал многозонального снимка для каждого входного нейрона в позициях R, G и B. При этом исключительную важность представляет комбинация каналов, позволяющая наиболее четко выделять те или иные компоненты ландшафтно-экологических систем.

2. Определение выходных данных. Количество выходных узлов нейронной сети зависит от предполагаемого результата классификации, т.е. количества структурных подразделений ландшафтов картографируемой территории.

3. Задание источника меток. Источник меток определяет эталоны для обучения нейронной сети. Программный комплекс позволяет использовать в качестве них растровые или векторные слои (слой с атрибутами).

4. Выбор параметров обучения. В ScanEx Image Processor основными параметрами являются: максимальная ошибка (задает среднеквадратическую ошибку, при достижении которой сеть считается обученной), максимальное число эпох (циклов использования всех входных нейронов), эпсилон (скорость обучения), ошибка выборки (параметр задает последовательный ряд пикселей, при которых выполняется перекрестная проверка качества обучения сети).

5. Выбор архитектуры нейронной сети. В вопросе выбора архитектуры нейронной сети важно выделить два направления. Во-первых, определение связей между слоями нейронов, которые могут быть прямыми и обратными. Нейронные сети прямого распределения, являющиеся наиболее перспективными для решения задач картографирования ландшафтно-экологических систем [9], носят однонаправленный характер, при этом их точность зависит от числа нейронов.


n – число нейронов во входном слое;

m – число нейронов в выходном слое.


Ландшафтно-экологические системы полигона детально изучены учеными Мордовского университета, сотрудниками профильных министерств и ведомств в рамках проведения геоэкологического анализа территории для целей строительства Мордовской ГРЭС. Приведем основные положения.

Геологическая среда тестового НИП формируется каменноугольными, юрскими, меловыми и четвертичными отложениями, перекрываемыми четвертичными породами мощностью до 25 м – моренными суглинками и водно-ледниковыми песками [11].

Долина р. Мокши – основного водотока полигона – имеет ширину около 20 км и характеризуется резко выраженным асимметричным строением с левым крутым коренным берегом и пологий с тремя надпойменными террасами правый. Ширина поймы от 3 до 5 км. По характеру морфологического строения она подразделяется на прирусловую, центральную и притеррасовую.

К востоку от долины Мокши простирается водно-ледниковая равнина, абсолютные отметки которой доходят до 200 м. Ее краевая часть сильно рассе-чена линейно вытянутыми эрозионными формами рельефа. По левому берегу Мокши протягивается левый коренной борт долины высотой 80–90 м, характеризующийся значительной крутизной и пересеченным рельефом.

В почвенном покрове территории полигона преобладают дерново-подзолистые, серые лесные, аллювиально-дерновые, аллювиально-болотные и торфяно-болотные почвы.

Полигон расположен на границе лесостепных комплексов, широколист-венных и смешанных лесов. Сосняки – наиболее распространенная формация – доминируют по надпойменным террасам. Широколиственные леса, представленные дубом, липой, кленом остролистным, ясенем и вязом, распространены преимущественно на аллювиально-водно-ледниковой и вторичной моренной равнине. Значительное распространение имеют вторичные и производные мелколиственные леса [11].

В морфологической структуре ландшафтов А. А. Ямашкин [11] выделил следующие геокомплексы (рисунок 2): местность водно-ледниковой (зандровой) равнины (В); местность аллювиально-водно-ледниковой равнины (Г цифрами обозначены урочища); местность надпойменных террас (Д, цифрами обозначены урочища); природные территориальные комплексы овражно-лощинно-балочной сети (Е, цифрами обозначены урочища); природные территориальные комплексы котловин, западин, понижений (Ж, цифрами обозначены урочища); местность поймы (З, цифрами обозначены урочища).

Результаты и их обсуждение

Выходные нейроны представлены классами земной поверхности. Зададим слой из 7 нейронов: хвойная растительность, широколиственная растительность, мелколиственная растительность, луговая растительность, водные поверхности, с/х модификации, селитебные ландшафты.

Признаки переобучения характерны и для синтеза 6-5-4. Несмотря на то, что селитебные территории интерпретированы наиболее строго, в класс селитьбы классифицированы краевые части с/х ландшафтов и геокомплексов с луговой растительностью.

Выводы

На основании проведенных экспериментов можно сделать ряд выводов.

Во-первых, классификация космического снимка зависит от характера входных каналов. В зависимости от характера подстилающей поверхности территории необходимо использовать ту комбинацию каналов, которая наиболее подробно отражает свойства физиономичных дешифровочных признаков. Из двух сочетаний каналов, ориентированных на изучение состояния растительного покрова, обобщенный лучший результат показала комбинация 6-5-4.

В-четвертых, применение нейронной сети прямого распределения позволяет детектировать сложные границы урочищ в морфологической структуре ландшафтов. Так, например, однозначно по космическому снимку выделяются крутые склоны, сложенные песками в составе местности надпойменных террас, балки сырые и балки заболоченные в природных территориальных комплексах овражно-лощинно-балочной сети; котловины (древне-озерные), сложенные делювиальными, древне-озерными и торфяными отложениями и другие. По характеру увлажнения и растительным формациям уверенно детектируется граница между местностью пойм и местностью надпойменной террасы.

Таким образом, использование нейронных сетей прямого распределения для дешифрирования и интерпретации данных ДЗЗ сопряжено с рядом задач по планированию топологии сети, определению состава ее слоев. Проведенные эксперименты показали необходимость рекогносцировки формализовано рассчитанной архитектуры для целей более четкого выделения классов поверхности – выходных нейронов.


© Если вы обнаружили нарушение авторских или смежных прав, пожалуйста, незамедлительно сообщите нам об этом по электронной почте или через форму обратной связи.

Основы создания нейронных сетей.Современные компьютеры устроены по так называемой схеме фон Неймана, реализующей быстрые последовательности большого числа бинарных операций. Видимо, такой подход отчасти был обусловлен структурой матема­тики первой половины XX в., когда высшие разделы математики опирались на арифметику, а та на бинарную логику. Вроде бы по­нятно, что, если бы за основу было взято что-то иное, а не Булева алгебра, могли бы получиться существенно иные компьютеры.

В качестве основной альтернативы подходу фон Неймана об­суждалась ориентация на воспроизведение принципов работы био­логических нейронных сетей. Примерно в те же годы создания первого компьютера была создана первая нейроподобная систе­ма — персептрон Розенблатта. Некоторое время оба направле­ния — фон Неймана и Розенблатта — развивались независимо, затем персептронное направление пережило кризис, и возроди­лось уже в 80-е годы под именем нейронных сетей, при этом на новом этапе бинарно-логический и бионический принципы ста­ли сочетаться. Интересно, что кризис бионического направле­ния во многом был обусловлен не техническими сложностями и не отсутствием приложений, а содержательным математическим рассмотрением, проведенным Минским и Пейпертом, — они показали, что не существует персептрона, способного надежно определять топологические характеристики образа, такие, как связность, и этого оказалось достаточно для резкого падения пер­воначального энтузиазма. Любопытно также, что и возрождение энтузиазма было связано не с опровержением выводов Минско­го и Пейперта, а просто с формированием обширной ориенти­рованной на приложения сферы деятельности. Впрочем, в пос­ледние годы появились некоторые приложения нейроподобных алгоритмов и к задачам топологии.

Сопоставление машины фон Неймана и биологической нейрон­ной сети приводит к следующей таблице (табл. 16.1).

Более конкретные характеристики мозга человека: кора голов­ного мозга образована нейронами поверхностью толщиной от 2 До 3 мм с площадью около 2,2 дм 2 , содержит около 10 й нейронов, каждый нейрон связан с 10 3 —10 4 другими нейронами.

Нейроны взаимодействуют посредством короткой серии им­пульсов, как правило, продолжительностью несколько миллисе-

Показатель Машина фон Неймана Биологическая нейронная система
Процессор Сложный Простой
Высокоскоростной Низкоскоростной
Один или несколько Большое количество
Память Отделена от процессора Интегрирована в процессор
Локализована Распределенная
Адресация не по содержанию Адресация по содержа­нию
Вычисления Централизованные Распределенные
Последовательные Параллельные
Хранимые программы Самообучение
Надежность Высокая уязвимость Живучесть
Специализация Численные и символь­ные операции Проблемы восприятия
Среда функциони­рования Строго определенная Плохо определенная
Строго ограниченная Без ограничений

Сопоставим биологический нейрон с наиболее часто рассмат­риваемой схемой технического нейрона (рис. 43).


Р ис. 43. Сравнение технического и биологического нейронов

ПК могут моделировать уровень нервной системы сложных чер­вей, лучшие нейросетевые спецпроцессоры — уровень мухи.

Типы технических нейросетей.В литературе заметное внимание уделяется вопросам архитектуры технических нейронных сетей, приведем вариант соответствующей классификации схем (рис. 44).


Рис. 44. Типы технических нейросетей

Более принципиальным является разбиение нейроалгоритмов на два класса — Supervised (обучающиеся по образцу, с Учите -

Нейросети, обучающиеся по образцу, произошли от персепт-ронов и в современной трактовке могут рассматриваться как вари­анты и модификации сетей с обратным распространением ошибки (иногда как результат примитивизации такого рода сетей с целью упрощения реализации). К этому классу можно отнести, напри­мер, однослойный и многослойный перцептрон, машину Больц-мана, сети, обучающиеся по правилу Хебба, рекуррентные слоис­тые и полносвязные сети обратного распространения ошибки, сети, использующие радиальные базисные функции. Различия между указанными системами порой достаточно велики, но всегда есть нема­ло общего, а детали классификации различаются у разных авторов.

В заключение укажем списки задач, которые принято относить к чаще всего рассматриваемым в рамках нейросетевого подхода:

  • обучение по образцу — классификация образов, аппрокси­
    мация функций, предсказание, управление, анализ данных, ка­
    тегоризация внутри класса, сжатие данных;
  • обучение без образца — категоризация, категоризация внут­
    ри класса, анализ данных, сжатие данных, ассоциативная память.

Нейросетевые алгоритмы — математические аспекты.Под име­нем нейросетевых алгоритмов сегодня объединяются несколько подходов к обработке данных, которые их авторы, не согласовы­вая друг с другом, сочли напоминающими принципы организа­ции биологических нейронных сетей. Видимо, сыграла роль при­влекательность названия вместе с тем обстоятельством, что по настоящему принципы работы таких сложных биологических сис­тем, как мозг человека, никому не известны, и в этом смысле все равны и свободны. Это несколько нарушает существующие в ма­тематике традиции логически обоснованной классификации ал­горитмов, но поскольку некоторые нейроалгоритмы достаточно эффективны, приходится считаться с установившейся практикой. Здесь мы обсудим два типа нейроалгоритмов, наиболее часто ис­пользуемых в приложениях — алгоритмы обратного распростра­нения ошибки (back error propagation algorithms; BackProp; в рос­сийских публикациях 80-х годов использовалось математически более культурное название: алгоритмы двойственного функцио­нирования; АДФ) и карты Кохонена (самоорганизующиеся кар­ты, self-organization maps, SOM).

Алгоритм обратного распространения ошибки. Нейроалгоритмы обратного распространения ошибки исходно создавались во многом Для решения классической задачи математической статистики — задачи регрессии табличных данных. Хорошо известны простейшие задачи регрессии, такие, как задача проведения прямой, наилуч­шим образом приближающей облако точек (например, прямой, с Умма квадратов расстояний точек до которой минимальна). В этом

примере речь идет о линейной регрессии, алгоритм которой дол­жен определить параметры положения прямой — ее углы наклона к осям координат и координаты одной из точек прямой.

Если речь идет о нелинейной регрессии, в качестве аппрокси­мирующего облако точек многообразия выступает не прямая, не плоскость или гиперплоскость, а некоторая гладкая кривая, по­верхность или гиперповерхность. Чтобы описать такие нелиней­ные многообразия, требуется увеличить число параметров по срав­нению со случаем линейной регрессии: возникает задача много­параметрической нелинейной регрессии.

Задолго до возникновения алгоритма обратного распростране­ния ошибки были известны сложности проведения нелинейной многопараметрической регрессии данных:

  • при большом числе параметров регрессии увеличивается вре­
    мя счета;
  • параметры регрессии определяются неоднозначно (так на­
    зываемая плохая обусловленность задач многопараметрической рег­
    рессии);
  • неясно, как выбрать лучший из множества вариантов нели­
    нейной регрессии.

Алгоритмы квантования данных и карты Кохонена. Карты Ко-хонена — это вариант алгоритмов квантования данных, т. е. пред­ставления N точек данных с помощью меньшего числа точек-об­разцов. Изложим здесь один из вариантов — Batch SOM.

1. Выбирается регулярная сетка узлов, расположенная так, чтобы
примерно соответствовать наиболее важной части пространства
данных, обычно М существенно меньше N.

5. Новое положение узлов задается вектором pt + X-rh где X —
параметр метода порядка десятых единицы.

6. Шаги 2 — 5 повторяются несколько раз.

В итоге получается сетка, не лишенная черт регулярности, но сгущающаяся там, где густы исходные данные. Такая сетка может рассматриваться как компактизованная модель исходного множества данных, либо как средство классификации новых данных — этим данным можно приписывать тот же класс, который ранее был приписан ближайшему к вектору данных узлу карты Кохонена.

Прочие нейросетевые алгоритмы. Комбинируя два изложенных подхода, можно получать новые варианты алгоритмов обработки данных. Например, если данных много, то можно сначала по ним построить компактную карту Кохонена (точнее, ее многомерную версию), и уже к этой карте применять методы нелинейной ре­грессии. Однако не все нейроалгоритмы сводятся к такого рода комбинациям — с ними следует знакомиться по многочисленным специализированным изданиям. Мы же ограничились лишь двумя вариантами нейросетевых алгоритмов — алгоритмом обратного распространения ошибки, который относительно сложен с точки зрения математики и связан со многими традиционными ее раз­делами, и относительно простой алгоритм Кохонена, тем не ме­нее решающий ряд практически значимых задач.

Области применения нейросетевых ГИС.Интегрированные с геоинформационными системами нейронные сети — мощный инструмент для решения широкого класса задач, обеспечиваю­щий эффективную поддержку принятия решений. В качестве вход­ных и выходных данных нейронная сеть может использовать про­странственно-координированные данные. Программы, созданные на основе нейросетевых алгоритмов, будут динамически модифи­цировать слои электронной карты, изменять характеристики су­ществующих объектов, создавать новые объекты. В результате об­работки массива имеющихся данных могут также возникать но­вые слои карты, в то время как существующие слои будут приоб­ретать динамические свойства.

Сегодня уже можно привести много примеров, демонстриру­ющих эффективность нейросетевых подходов, реализуемых в ГИС-среде. Наиболее выигрышно они проявляют себя в ситуациях, когда приходится иметь дело с большими массивами информации, хра­нящимися в крупных организациях, на основе которых принима­ются решения. В них нуждаются специалисты, оценивающие и прогнозирующие состояние какой-либо области человеческой де­ятельности, например, рынков сбыта продукции, реальной сто­имости недвижимости, загрязнения территории. Планирование очередности действий при развитии территорий и их инвестици­онной привлекательности, выявление зон с наиболее напряжен­ной экологической, социальной или экономической ситуацией,

анализ характеристик геологических объектов — эти и многие другие задачи уже невозможно решать на современном уровне без привлечения интеллектуальных геоинформационных систем.

Приведем несколько простых примеров.

В сельском хозяйстве одни слои ГИС могут содержать сведения о посеве зерновых культур, а другие — о достигнутой урожайно­сти. Нейросеть в этом случае будет обобщать практический опыт методов и технологий выращивания зерновой культуры с учетом конкретных климатических, почвенных и прочих характеристик выбранной территории.

В решении задачи лесоустройства с помощью нейросети мож­но анализировать динамику приростов деревьев по высоте, диа­метру и объему. Обработка тематических слоев ГИС с такой ин­формацией поможет спланировать лесоустроительные работы, например при выращивании насаждений сосны в лесопарковых хозчастях и в зеленых зонах.

Прогностические нейросетевые модели могут использоваться в демографии и организации здравоохранения, опираясь на про­странственные данные по плотности населения, медицинской статистике, загрязнению окружающей среды, представленные в виде слоев ГИС. Экспертная система будет определять, напри­мер, вероятностную продолжительность жизни, взаимосвязь раз­личных категорий заболеваемости от экологического состояния территории, прогнозировать вспышки эпидемий.

Для классификации используются различные нейросетевые алгоритмы. В нейронной сети с обучением без образца проводится

анализ цветных или черно-белых пикселей снимка без привязки к другим слоям карты, с целью выделения однородных фрагментов изображения (объектов) по тону, структуре, оттенку. Обучение по образцу полагается на доступные пространственные данные для выбранного участка территории. Если известно априори, что выбранному фрагменту снимка соответствует, например, лесной массив с известной степенью антропогенной нарушенное™, то эта информация может быть использована нейронной сетью для классификации изображения.

Нейронные сети все чаще используются в задаче выявления пространственно-однородных участков изображения. Эта задача является очень актуальной при разработке теоретических и мето­дологических основ новых альтернативных систем земледелия, принципов экологически безопасного землепользования и про­ектов землеустройства на ландшафтной основе. Отдельные эле­менты ландшафта могут быть выявлены на основе анализа фраг­ментов изображения, их формы, цвета, взаимосвязей, неодно­родности. Нейронная сеть также позволит оценить взаимосвязи отдельных элементов ландшафта.

В транспортной отрасли нейронная сеть может стать эффек­тивным дополнением к ГИС мониторинга автомобильных дорог. Здесь речь идет об анализе транспортной нагрузки и состояния транспортного полотна, выборе оптимальных коридоров для стро­ительства новых трасс и определении приоритетов в строитель­стве, анализе различных стратегий проведения ремонтных работ и соответственном распределении финансовых вложений. Задачей для нейронной сети может стать оперативное принятие решения по оптимизации распределения транспортной нагрузки на авто­мобильные дороги в случае транспортного происшествия в опре­деленном месте, повлекшего за собой скопление автомашин (проб­ку). Нейронная сеть будет использовать в качестве входных данных слои ГИС с автодорогами, местоположением аварии, текущими погодными условиями и прочими характеристиками, которые влияют на скорость движения. Все параметры системы, имеющие отношение к указанному происшествию, будут скорректированы нейронной сетью, и их откат в исходное состояние станет возмо­жен после стабилизации ситуации. Следующим шагом в развитии данного направления должна стать возможность онлайнового до­ступа водителей из автомобиля с помощью карманных ПК (КПК, PDA) и других мобильных устройств к картографическому серве­ру, содержащему оперативную информацию об обстановке на дорогах и подготовленные с помощью нейросети рекомендации по выбору оптимального маршрута.

Программное обеспечение.На рынке программного обеспече­ния в настоящее время имеется множество самых разнообразных программ для моделирования нейронных сетей. Поиск в Интерне-

те дает сотни ссылок на зарубежные и российские сайты. Можно выделить несколько основных функций, которые реализованы во всех этих программах:

  • формирование, конструирование нейронной сети;
  • обучение нейронной сети;
  • имитация функционирования (тестирование) обученной ней­
    ронной сети.

С точки зрения компьютерной технологии и программных ин­терфейсов они опираются на современные стандарты — от про­стых программ, ориентированных на платформу Unix с текстовым интерфейсом, до сложных модульных продуктов, базирующихся на последних технологических решениях от Microsoft.

Интегрированные решения на основе ГИС и нейронных сетей пока представлены слабо, несмотря на то, что повышение функ­циональной мощности геоинформационных пакетов за счет ин­теграции специальных модулей расширения или ГИС-приложе-ний — одна из важнейших черт современных геоинформацион­ных систем. Проблема интеграции нейронных сетей и ГИС может быть решена по крайней мере тремя способами:

  • интеграцией (встраиванием) нейросетевых моделей в ГИС с
    использованием специализированных средств геоинформацион­
    ной системы (программирование на встроенных языках типа
    Avenue, MapBasic и т.п.);
  • развитием интерфейса между отдельными приложениями
    нейросетевого анализа и ГИС как самостоятельными системами;
  • созданием прикладного программного обеспечения нейро­
    сетевых систем с элементами ГИС (например, с использованием
    библиотек классов типа MapObjects, GeoConstructor, MapX и
    проч.).

Выбор конкретного варианта связан с требованиями и поста­новкой задачи, имеющимися ресурсами и опытом работы. Ниже приводятся два конкретных примера — программных продукта, которые уже созданы на основе нейросетей и ГИС.

Основы создания нейронных сетей. Современные компьютеры устроены по так называемой схеме фон-Неймана, реализующей быстрые последовательности большого числа бинарных операций. Видимо, такой подход отчасти был обусловлен структурой математики первой половины XX в., когда высшие разделы математики опирались на арифметику, а последняя — на бинарную логику.

Понятно, что если бы за основу было взято что-то иное, а не булева алгебра, могли бы получиться существенно иные компьютеры.

В качестве основной альтернативы подходу Дж. фон-Неймана обсуждалась ориентация на воспроизведение принципов работы биологических нейронных сетей. Примерно в те же годы, что и первый компьютер, была создана первая нейроподобная система — пер- септрон Розенблатта. Некоторое время оба направления — Дж.фон- Неймана и Ф. Розенблатта — развивались независимо, затем персеп- тронное направление пережило кризис и возродилось уже в 80-е годы под именем нейронных сетей, при этом на новом этапе бинарно-логический и бионический принципы стали сочетаться. Интересно, что кризис бионического направления во многом был обусловлен не техническими сложностями и не отсутствием приложений, а содержательным математическим рассмотрением, проведенным М. Минским и С.Пейпертом, — они показали, что не существует персептрона, способного надежно определять топологические характеристики образа, такие, как связность, и этого оказалось достаточно для резкого падения первоначального энтузиазма. Любопытно также, что и возрождение энтузиазма было связано не с опровержением выводов Минского и Пейперта, а просто с формированием обширной ориентированной на приложения сферы деятельности. Впрочем, в последние годы появились некоторые приложения нейроподобных алгоритмов и к задачам топологий.'

Сопоставление машины фон-Неймана и биологической нейронной сети приведено в табл. 4.1.


Более конкретные характеристики мозга человека: кора головного мозга образована нейронами поверхностью толщиной от 2 до 3 мм и площадью около 2,2 дм2, содержит около 10" нейронов, каждый нейрон связан с 103—104 другими нейронами.

Сопоставим биологический нейрон с наиболее часто рассматриваемой схемой технического нейрона (рис. 44).


Рис. 45. Типы технических нейросетей

пьютере. Характеризуя вычислительную мощность, можно отметить, что по экспертным оценкам современные ПК могут моделировать уровень нервной системы сложных червей, лучшие нейросетевые спецпроцессоры — уровень мухи.

Типы технических нейросетей. В литературе заметное внимание уделяется вопросам архитектуры технических нейронных сетей, приведем вариант соответствующей классификации схем (рис. 45).

Нейросети, обучающиеся по образцу, произошли от персептро- нов и в современной трактовке могут рассматриваться как варианты и модификации сетей с обратным распространением ошибки (иногда как результат примитивизации такого рода сетей, в целях упрощения реализации).

К этому классу можно отнести, например, однослойный и многослойный перцептроны, машину Больцмана, сети, обучающиеся по правилу Хебба, рекуррентные слоистые и полносвязные сети обратного распространения ошибки, сети, использующие радиальные базисные функции. Различия между указанными системами порой достаточно велики, но всегда есть немало общего, а детали классификации различаются у разных авторов.

В заключение укажем задачи, которые принято относить к чаще всего рассматриваемым в рамках нейросетевого подхода:

• обучение по образцу — классификация образов, аппроксимация функций, предсказание, управление, анализ данных, категоризация внутри класса, сжатие данных; обучение без образца — категоризация, категоризация внутри класса, анализ данных, сжатие данных, ассоциативная память.

Нейросетевые алгоритмы — математические аспекты. Под именем нейросетевых алгоритмов в настоящее время объединяется несколько подходов к обработке данных, которые их авторы, не согласовывая друг с футом, сочли напоминающими принципы организации биологических нейронных сетей. Видимо, сыграла роль привлекательность названия вместе с тем обстоятельством, что по-настоящему принципы работы таких сложных биологических систем, как мозг человека, никому не известны, и в этом смысле все равны и свободны. Это несколько нарушает существующие в математике традиции логически обоснованной классификации алгоритмов, но поскольку некоторые нейроалгоритмы достаточно эффективны, приходится считаться с установившейся практикой. Рассмотрим два типа нейроалгоритмов, наиболее часто используемых в приложениях, — алгоритмы обратного распространения ошибки (back error propagation algorithms; BackProp; в российских публикациях 80-х годов использовалось математически более точное название: алгоритмы двойственного функционирования; АДФ) и карты Кохонена (самоорганизующиеся карты, self-oiganization maps, SOM).

Алгоритм обратного распространения ошибки. Такие алгоритмы создавались во многом для решения классической задачи математической статистики — задачи регрессии табличных данных.

Хорошо известны простейшие задачи регрессии — такие как задача проведения прямой, наилучшим образом приближающей облако точек (например, прямой, сумма квадратов расстояний точек до которой минимальна). В этом примере речь идет о линейной регрессии, алгоритм которой должен определить параметры положения прямой, — ее углы наклона к осям координат и координаты одной из точек прямой.

Если речь идет о нелинейной регрессии, в качестве аппроксимирующего облака точек многообразия выступает не прямая, не плоскость или гиперплоскость, а некоторая гладкая кривая, поверхность или гиперповерхность. Чтобы описать такие нелинейные многообразия, требуется увеличить число параметров по сравнению со случаем линейной регрессии: возникает задача многопараметрической нелинейной регрессии.

Задолго до возникновения алгоритма обратного распространения ошибки были известны сложности проведения нелинейной многопараметрической регрессии данных: при большом числе параметров регрессии увеличивается время счета; параметры регрессии определяются неоднозначно (так называемая плохая обусловленность задач многопараметрической регрессии); неясно, как выбрать лучший из множества вариантов нелинейной регрессии.

В итоге получается сетка, не лишенная черт регулярности, но сгущающаяся там, где густы исходные данные. Такая сетка может рассматриваться как компактная модель исходного множества данных либо как средство классификации новых данных — этим данным можно приписывать тот же класс, который ранее был приписан ближайшему к вектору данных узлу карты Кохонена.

Прочие нейросетевые алгоритмы. Комбинируя два изложенных типа алгоритмов, можно получать новые варианты алгоритмов обработки данных. Например, если данных много, то можно сначала по ним построить компактную карту Кохонена (точнее, ее многомерную версию), и уже к этой карте применять методы нелинейной регрессии. Однако не все нейроалгоритмы сводятся к такого рода комбинациям — с ними следует знакомиться по многочисленным специализированным изданиям.

Области применения нейросетевых ГИС. Интегрированные с геоинформационными системами нейронные сети — мощный инструмент для решения широкого круга задач, обеспечивающий эффективную поддержку принятия решений. В качестве входных и выход

ных данных нейронная сеть может использовать пространственно координированные данные. Программы, созданные на основе нейросетевых алгоритмов, будут динамически модифицировать слои электронной карты, изменять характеристики существующих объектов, создавать новые объекты. В результате обработки массива имеющихся данных могут также возникать новые слои карты, в то время как существующие слои будут приобретать динамические свойства.

Можно привести много примеров, демонстрирующих эффективность нейросетевых подходов, реализуемых в ГИС-среде. Наиболее выигрышно они проявляют себя в ситуациях, когда приходится иметь дело с большими массивами информации, хранящимися в крупных организациях, на основе которых принимаются решения. В них нуждаются специалисты, оценивающие и прогнозирующие состояние какой-либо области человеческой деятельности, например, рынков сбыта продукции, реальной стоимости недвижимости, загрязнения территории. Планирование очередности действий при развитии территорий и их инвестиционной привлекательности, выявление зон с наиболее напряженной экологической, социальной или экономической ситуацией, анализ характеристик геологических объектов — эти и многие другие задачи уже невозможно решать на современном уровне без привлечения интеллектуальных геоинформационных систем.

Приведем несколько примеров.

В сельском хозяйстве одни слои ГИС могут содержать сведения о посеве зерновых культур, а другие — об урожайности. Нейросеть в этом случае будет обобщать практический опыт методов и технологий выращивания зерновой культуры с учетом конкретных климатических, почвенных и прочих характеристик выбранной территории.

В лесоустройстве с помощью нейросети можно анализировать динамику приростов деревьев по высоте, диаметру и объему. Обработка тематических слоев ГИС с такой информацией поможет спланировать лесоустроительные работы, например при выращивании насаждений сосны в лесопарках и в зеленых зонах.

Прогностические нейросетевые модели могут использоваться в демографии и организации здравоохранения, опираясь на пространственные данные по плотности населения, медицинской статистике, загрязнению окружающей среды, представленные в виде слоев ГИС. Экспертная система будет определять, например, вероятностную продолжительность жизни, зависимость различных категорий заболеваемости от экологического состояния территории, прогнозировать вспышки эпидемий.

Для классификации используются различные нейросетевые алгоритмы. В нейронной сети с обучением без образца проводится анализ цветных или черно-белых пикселей снимка без привязки к другим слоям карты в целях выделения однородных фрагментов изображения (объектов) по тону, структуре, оттенку. Обучение по образцу полагается на доступные пространственные данные для выбранного участка территории. Если известно априори, что выбранному фрагменту снимка соответствует, например, лесной массив с известной степенью антропогенной нарушенности, то эта информация может быть использована нейронной сетью для классификации изображения.

Нейронные сети все чаще используются в задаче выявления пространственно однородных участков изображения. Эта задача является очень актуальной при разработке теоретических и методологических основ новых альтернативных систем земледелия, принципов экологически безопасною землепользования и проектов землеустройства на ландшафтной основе. Отдельные элементы ландшафта могут быть выявлены на основе анализа фрагментов изображения, их формы, цвета, взаимосвязей, неоднородности. Нейронная сеть также позволит оценить взаимосвязи отдельных элементов ландшафта.

В транспортной отрасли нейронная сеть может стать эффективным дополнением к ГИС при мониторинге автомобильных дорог. Здесь речь идет об анализе транспортной нагрузки и состояния полотна дороги, выборе оптимальных коридоров для строительства новых трасс и определении приоритетов в строительстве, анализе различных стратегий проведения ремонтных работ и соответственном распределении финансовых вложений. Задачей для нейронной сети может стать оперативное принятие решения по оптимизации распределения транспортной нагрузки на автомобильные дороги в случае дорожно-транспортного происшествия в определенном месте, повлекшего за собой скопление автомобилей (пробку). Нейронная сеть будет использовать в качестве входных данных слои ГИС с автодорогами, местоположением аварии, текущими погодными условиями и прочими характеристиками, которые влияют на скорость движения. Все параметры системы, имеющие отношение к указанному происшествию, будут скорректированы нейронной сетью, и их откат в исходное состояние станет возможен после стабилизации ситуации. Следующим шагом в развитии данного направления должна стать возможность онлайнового доступа из автомобиля с помощью карманных ПК (КПК, PDA) и других мобильных устройств к картографическому серверу, содержащему оперативную информацию об обстановке на дорогах и подготовленные с помощью нейросети рекомендации по выбору оптимального маршрута.

Программное обеспечение. На рынке программного обеспечения в настоящее время имеется множество самых разнообразных программ для моделирования нейронных сетей. Поиск в Интернете дает сотни ссылок на зарубежные и российские сайты. Можно выделить несколько основных функций, которые реализованы во всех этих программах: формирование, конструирование нейронной сети; обучение нейронной сети; имитация функционирования (тестирование) обученной нейронной сети.

С точки зрения компьютерной технологии и программных интерфейсов они опираются на современные стандарты — от простых программ, ориентированных на платформу Unix с текстовым интерфейсом, до сложных модульных продуктов, базирующихся на последних технологических решениях от Microsoft.

Интегрированные решения на основе ГИС и нейронных сетей пока представлены слабо, несмотря на то, что повышение функциональной мощности геоинформационных пакетов за счет интеграции специальных модулей расширения или ГИС-приложе- ний — одна из важнейших черт современных геоинформационных систем. Проблема интеграции нейронных сетей и ГИС может быть решена по крайней мере тремя способами: интеграция (встраивание) нейросетевых моделей в ГИС с использованием специализированных средств геоинформационной системы (программирование на встроенных языках типа Avenue, MapBasic и т.п.); развитие интерфейса между отдельными приложениями нейросетевого анализа и ГИС, как самостоятельными системами; создание прикладного программного обеспечения нейросетевых систем с элементами ГИС (например, с использованием библиотек классов типа MapObjects, GeoConstructor, МарХ и пр.).

Выбор конкретного варианта связан с требованиями и постановкой задачи, имеющимися ресурсами и опытом работы. Ниже приводятся два конкретных примера — программных продукта, которые уже созданы на основе нейросетей и ГИС.

Программа NeRIS предназначена для тематической интерпретации пространственных данных, в первую очередь данных дистанционного зондирования Земли. Основной инструмент, реализованный в программе, — нейронные сети Кохонена. Являясь одним из методов классификации многомерных данных, нейронные сети Кохонена обладают важными дополнительными свойствами, на которых основана значительная часть используемых в программе алгоритмов.

Области применения нейросетевых ГИС. Интегрированные с геоинформационными системами нейронные сети — мощный инструмент для решения широкого круга задач, обеспечивающий эффективную поддержку принятия решений. В качестве входных и выходных данных нейронная сеть может использовать пространственно координированные данные. Программы, созданные на основе нейросетевых алгоритмов, будут динамически модифицировать слои электронной карты, изменять характеристики существующих объектов, создавать новые объекты. В результате обработки массива имеющихся данных могут также возникать новые слои карты, в то время как существующие слои будут приобретать динамические свойства.
Можно привести много примеров, демонстрирующих эффективность нейросетевых подходов, реализуемых в ГИС-среде. Наиболее выигрышно они проявляют себя в ситуациях, когда приходится иметь дело с большими массивами информации, хранящимися в крупных организациях, на основе которых принимаются решения. В них нуждаются специалисты, оценивающие и прогнозирующие состояние какой-либо области человеческой деятельности, например, рынков сбыта продукции, реальной стоимости недвижимости, загрязнения территории. Планирование очередности действий при развитии территорий и их инвестиционной привлекательности, выявление зон с наиболее напряженной экологической, социальной или экономической ситуацией, анализ характеристик геологических объектов — эти и многие другие задачи уже невозможно решать на современном уровне без привлечения интеллектуальных геоинформационных систем.
Приведем несколько примеров.
В сельском хозяйстве одни слои ГИС могут содержать сведения о посеве зерновых культур, а другие — об урожайности. Нейросеть в этом случае будет обобщать практический опыт методов и технологий выращивания зерновой культуры с учетом конкретных климатических, почвенных и прочих характеристик выбранной территории.
В лесоустройстве с помощью нейросети можно анализировать динамику приростов деревьев по высоте, диаметру и объему. Обработка тематических слоев ГИС с такой информацией поможет спланировать лесоустроительные работы, например при выращивании насаждений сосны в лесопарках и в зеленых зонах.
Прогностические нейросетевые модели могут использоваться в демографии и организации здравоохранения, опираясь на пространственные данные по плотности населения, медицинской статистике, загрязнению окружающей среды, представленные в виде слоев ГИС. Экспертная система будет определять, например, вероятностную продолжительность жизни, зависимость различных категорий заболеваемости от экологического состояния территории, прогнозировать вспышки эпидемий.

В транспортной отрасли нейронная сеть может стать эффективным дополнением к ГИС при мониторинге автомобильных дорог. Здесь речь идет об анализе транспортной нагрузки и состояния полотна дороги, выборе оптимальных коридоров для строительства новых трасс и определении приоритетов в строительстве, анализе различных стратегий проведения ремонтных работ и соответственном распределении финансовых вложений. Задачей для нейронной сети может стать оперативное принятие решения по оптимизации распределения транспортной нагрузки на автомобильные дороги случае дорожно-транспортного происшествия в определенном, месте, повлекшего за собой скопление автомобилей (пробку). Нейронная сеть будет использовать в качестве входных данных слои с автодорогами, местоположением аварии, текущими погодными условиями и прочими характеристиками, которые влияют на скорость движения. Все параметры системы, имеющие отношение к указанному происшествию, будут скорректированы нейронной сетью, и их откат в исходное состояние станет возможен после стабилизации ситуации. Следующим шагом в развитии данного направления должна стать возможность онлайнового доступа из автомобиля с помощью карманных ПК (КПК, PDA) и других мобильных устройств к картографическому серверу, содержащему оперативную информацию об обстановке на дорогах и подготовленные с помощью нейросети рекомендации по выбору оптимального маршрута.

Читайте также: