CC BY
94
УДК 528.921:004.032.26:63
АВТОМАТИЗИРОВАННОЕ КАРТОГРАФИРОВАНИЕ СЕЛЬСКОХОЗЯЙСТВЕННЫХ ЗЕМЕЛЬ С ПОМОЩЬЮ НЕЙРОННОЙ ЭКСПЕРТНОЙ СИСТЕМЫ, ИНТЕГРИРОВАННОЙ С ГИС
A.И. ПАВЛОВА, кандидат технических наук, старший научный сотрудник
B.К. КАЛИЧКИН, доктор сельскохозяйственных наук, главный научный сотрудник
Сибирский НИИ земледелия и химизации сельского хозяйства
E-mail: annstab@ngs.ru
Резюме. Авторами предложена методика автоматизированного картографирования сельскохозяйственных земель. Она состоит из взаимосвязанных технологических этапов: создание серии электронных карт, формирование базы данных карт и базы знаний для обучения нейронной экспертной системы (НЭС), обучение НЭС с помощью алгоритма обратного распространения ошибки, оценка качества НЭС и отображение результатов в виде электронной карты.
Ключевые слова: геоинформационные системы, нейронные сети, нечеткие множества, картографирование сельскохозяйственных земель, агроэкологиче-ские группы земель.
Теория нечетких множеств впервые предложена американским математиком Л.А. Заде ^аСеИ 1_.А.) в 1965 г и предназначалась для преодоления трудностей представления неточных понятий, анализа и моделирования систем, в которых участвует человек [1]. В работе [2] авторы предложили использовать теорию нечетких множеств как основу при решении задач, связанных с многокритериальным выбором. С тех пор нечеткие множества применяют в самых различных областях науки, например, в задачах распознавания и классификации объектов. Это позволяет изучать явления и объекты, описываемые качественными критериями, неопределенными признаками, создавать модели близкие к реальности. Как известно, такой подход используется при разработке экспертных систем. Поскольку нечеткие множества описываются функциями принадлежности, а ?-нормы и ^-нормы обычными математическими операциями, можно реализовать нечеткие логические рассуждения в виде нейронной сети [3-5].
Нейронные сети, или искусственные нейронные сети (ИНС) получают все большее распространение в самых разных областях от фундаментальных исследований до исследований «с(а?а-т/п/пд», прогнозирования, управления рисками, оценки степени спелости сельскохозяйственных культур [6], распознавания земных покровов [7-9] и др. Центральное место в архитектуре ИНС занимает искусственный нейрон, прототипом которого послужил биологический нейрон. Сети, образуемые ассоциацией нейронов, - это весьма упрощенные аналоги биологических нервных сетей. Вместе с тем ИНС обладают рядом достоинств, среди которых следует выделить такие, как работа с большим числом нейронов, параллельность обработки информации, глобальность связей между нейронами, возможность перенастройки сети и др.
В представленной статье предлагается подход, основанный на использовании нейронной экспертной системы (НЭС), интегрированной с геонформацион-ной системой (ГИС), для картографирования сельскохозяйственных земель.
При картографировании различных таксономических единиц для агроэкологической типизации земель (агроэкологических групп, подгрупп и др.) имеют место нечеткость и неопределенность информации. Выделение агроэкологических групп и подгрупп земель с помощью общепринятых количественных методов анализа затруднительно, так как доступные сведения интерпретируются в большинстве случаев качественно, неточно и неопределенно. Эту проблему можно решить с помощью современных методов анализа данных.
Условия, материалы и методы. Наши исследования выполнены на примере Омской области. Первоначально разрабатывали ГИС территории, как совокупность взаимосогласованных и территориально привязанных карт. Основными ее слоями послужили комические снимки Landsat-7 TM, топографическая карта, цифровая модель рельефа, карта глубины расчленения рельефа, карта горизонтального расчленения рельефа и др. Топографическая карта была разработана в масштабе 1:100 000 ФГУП «Госземкадастрсъемка» «ВИСХАГИ» (Западно-Сибирский филиал).
Результаты и обсуждение. В соответствии с теорией нечетких множеств: E - универсальное множество (universal), х - элементы этого множества. В качестве элементов множества выступают операционнотерриториальные единицы (ОТЕ), a R - это некоторое свойство рассматриваемого множества. Если для обычного (четкого) множества функция принадлежности принимает значения 0 или 1 в зависимости от того, удовлетворяет ли х выбранному свойству, то нечеткой переменной x соответствует некоторое ограничение R(x), представляющее собой нечеткое подмножество А универсального множества Ехарактеризуется функцией принадлежности, где цА: E^ [0, 1], указывающей на степень принадлежности элемента x подмножеству А. Таким образом, нечеткое подмножество А универсального множества E представляется в виде упорядоченных пар А={ц (х)/х}. Достоинством использования нечетких множеств служит то, что для элементов х из множества E нет однозначного ответа «да или нет».
Для того, чтобы результаты работы обученной НЭС имели пространственно-координатную привязку в ГИС, оценку осуществляли по отношению к операционнотерриториальным единицам. В качестве такой ОТЕ можно использовать ландшафтные выделы, единицы административного деления, ячейки регулярной сетки. Мы разбивали исследуемую территорию на сетку квадратов размером 2x2 км2. В ее узлах были записаны сведения о рельефе, почвах, глубине залегания грунтовых вод, условиях дренированности (рис. 1).
Такой подход к картографированию сельскохозяйственных земель, основанный на систематизации сведений изучаемой территории в виде совокупности
Рис. 1. Фрагмент БД ОТЕ в ГИС MapInfo.
электронных карт и баз данных (БД), в сравнении с вербальными методами выделения агроэкологических групп земель, имеет значительные преимущества.
Во-первых, можно визуализировать различного рода данные на экране монитора в соответствии с выбранной моделью их организации в ГИС.
Во-вторых, возникает возможность манипулирования сведениями, содержащимися во внутренних БД ГИС, то есть построения простых запросов (вычисление площадей, периметров и др.), а также применения более сложных запросов путем обращений к внешним БД ГИС.
В-третьих, пространственный аспект, реализуемый в концепции геоинформационных систем, позволяет «территориально» привязывать результаты математических расчетов к операционно-территориальной единице (ландшафту, элементарному агроэкологическому ареалу, почвенному контуру и др.). Все это повышает объективность картографирования сельскохозяйственных земель.
Таким образом, мы получили X матрицу размерностью M*N,
X=\x\
где i = 1,2...M - номер строки; j = 1,2...N - номер столбца.
При этом каждый элемент матрицы отражает вектор параметров, характеризующий каждый элементарный участок земной поверхности по некоторому набору тематических свойств, то есть x=(x11, xkn). Общее число ОТЕ для всей исследуемой территории можно записать набором векторов {Х, Х2, Х3,... Х}.
Далее мы выбирали T-вектора параметров {Х,Х2,Х3,...Хк}с таким условием, чтобы выборка была репрезентативной. Наборы параметров соответствовали эталонным ОТЕ и участвовали в формировании базы знаний НЭС, которую разрабатывали с помощью Microsoft Access на базе основных критериев для выделения агроэкологических подгрупп земель. Например, при построении базы знаний для увлажненных земель использовали такие параметры, как форма и угол
наклона рельефа, условия дренированности, глубина грунтовых вод, почва.
Показатели формы рельефа и углов его наклона (в градусах) использованы, потому что рельеф - один из основных природных факторов, участвующих в формировании гидрологического режима территории. Уровень грунтовых вод также влияет на режим увлажнения. Поэтому к числу гидроморфных отнесены земли, формирующиеся в условиях избыточного увлажнения, в замкнутых западинных, на плоских заболоченных водоразделах, характеризующихся углами наклона рельефа до 10, плохими условиями дренированно-сти территории, близким залеганием грунтовых вод к поверхности (до 1 м).
Полугидроморфные земли расположены на слабоволнистых равнинах с углами наклона до 10, с полуги-дроморфными почвами и залеганием грунтовых вод от 1 до 4 м.
Полугидроморфно-автоморфные земли залегают на плоских водораздельных равнинах, в понижениях по приречным увалам с углами наклона рельефа до 1,50, с преобладанием автоморфных и участием полугидро-морфных почв в количестве, допускающем их использование без гидротехнических мелиораций, с залеганием грунтовых вод от 4 до 6 м.
Автоморфные земли формируются на дренированных равнинах, на вершинах грив и увалов, с углами наклона рельефа до 20 с автоморфными почвами и залеганием грунтовых вод более 6 м.
По топологии разработанная НЭС - многослойная или слоистая, в которой нейроны объединены в слои. Каждый слой включает нейроны с единичными входными сигналами. При этом их число в сети может быть любым и не зависит от количества нейронов в других слоях. Далее на основе базы знаний мы осуществляли последовательное адаптивное обучение нейронной сети с помощью программного пакета БРББ. При этом использовали алгоритм обратного распространения ошибки, который по существу применяется для поиска значений синаптических весов,
Таблица 1. Критерии оценки работы НЭС
Наименование параметра Значе- ние
Дисперсия, определяющая ошибку прогноза на тестовой выборке, а2 0,03
Дисперсия, получаемая на выходе НЭС, а2д 0,08
Доля объединенной дисперсии, Ка2 0,89
Среднеквадратическое отклонение на тестовой выборке, а 0,17
Среднеквадратическое отклонение, получаемое на выходе нейронной сети, ад 0,28
минимизирующих среднеквадратическое отклонение между выходом нейронной сети и целевой функцией. Суть алгоритма предполагает прямой (forwardpass) и обратный (backwardpass) проход по всем слоям сети. Во время обратного прохода все синаптические веса настраиваются в соответствии с правилом коррекции ошибок [10].
Результаты обучения НЭС сохраняли в БД, которую затем использовали при последовательном переобучении сети для картографирования агроэколо-гических групп земель. Нейронная экспертная система выносила решение по каждому из свойств земельного участка о принадлежности к гидроморфным, по-лугидроморфным, полугидроморфно-автоморфным и автоморфным землям.
Взаимосвязь НЭС с геоинформационной системой осуществляли при помощи разработанной программы на Visual Basic. Это позволило сократить число входов НЭС благодаря применению нечетких запросов к реляционным БД ГИС, а также отобразить результаты работы НЭС в виде электронной карты. Особенность нечетких запросов заключается в том, что они позволяют обращаться к БД на «естественном» языке, привычном человеческому восприятию.
Оценка качества работы нейронной сети основана на минимизации значений некоторой функции, показывающей отклонение результатов на обучающем множестве от требуемых значений. Для этого используется средняя квадратическая ошибка (MSE), которая определяется как сумма квадратов разностей между желаемой величиной выхода и реально полученными значениями. Ее вычисление можно проводить с учетом весов для каждого примера из обучающей выборки [11]. Однако при этом возникает задача выделения наиболее значимых обучающих примеров и задания им определенных весов.
Мы предлагаем оценивать работу сети не только для совокупности обучающих данных, но и для остальных примеров. Для оценки достижимой точности обучения нейронной сети в представленной работе использованы две дисперсии - одна, определяющая ошибку прогноза на тестовой выборке, вторая, получаемая на выходе сети (табл. 1). Это позволило определить среднее квадратическое отклонение обучающих данных (ад = 0,28), а также рассчитать долю объединенной дисперсии (Кя2 = 0,89).
Использование нескольких показателей дает возможность более объективно оценить результаты работы НЭС. Полученные данные позволяют сделать вывод о том, что их можно считать удовлетворительными.
Кроме того, качество выполненных работ оценивали путем сравнения двух электронных карт. Одна с контурами по степени увлажнения земель, полученными путем использования НЭС, интегрированной с ГИС, и вторая с контурами выделенными с помощью топографической карты и результатов дешифрирования космических снимков 1_апс^а1-7 ТМ. Для оценки качества классификации были выбраны 5 участков карты, а также вычислены критерии значимости для каждого класса, используя доверительный уровень 95 % (табл. 2).
Рис. 2. Карта-схема группировки земель по гидрологиче-
скому режиму: □ - гидроморфные; □ - полугидроморфные; □ - полугидроморфно-автоморфные; □ - автоморфные.
Анализ ошибок классификации по каждому классу земель показал, что граничные значения доверительных интервалов трех классов больше выбранного порогового значения 85 %. В среднем достоверность классификации для трех классов составила до 93 % и общая ее точность удовлетворительна.
В результате проведенной работы с помощью НЭС было выполнено интерактивное картографирование сельскохозяйственных земель Омской области (рис. 2).
Выводы. Таким образом, методика автоматизированного картографирования сельскохозяйственных
Таблица 2. Доверительные интервалы для результатов классификации
Пропуски
правильно классифицирован-ных ОТЕ число ОТЕ % правильно распознанных
Класс
95 % доверительный интервал
Автоморфные 408 446 91,5 88,8. .94,2
Полугидроморфно-автоморфные 246 254 96,8 94,5. .99,1
Полугидроморфные 318 354 89,8 86,6. 93,0
Гидроморфные 526 570 92,3 90,0. .94,6
земель с помощью нейронной экспертной системой, интегрированной с ГИС, позволяет получать адекватные результаты. Ее можно использовать для картографирования засоленных, эрозионных и других земель. В этом случае возникает задача сбора исходных сведений, перенастройки базы знаний и настройки работы НЭС. Обученная многослойная нейронная
сеть по существу универсальна и способна проводить нелинейное преобразование исходной нечеткой информации о земельных участках. В этом смысле она должна выступать как сложное нелинейное устройство в составе автоматических систем картографирования сельскохозяйственных земель и управления нелинейными динамически развивающимися объектами.
Литература.
1. Заде Л.А. Тени нечетких множеств. Пер. с англ. В.Л. Стефанюка //Проблемы передачи информации. - М., 1966. - Том II. - Вып. 1. - С. 37-44.
2. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях// Вопросы анализа и процедуры принятия решений: Сб. переводов/Под ред. И.Ф. Шахнова. - М.: Мир, 1976. - С. 172-215.
3. Круглов В.В., Дли М.И. Интеллектуальные информационные системы. Компьютерная поддержка систем нечеткой логики и нечеткого вывода. - М.: Физматлит, 2002. - 254 с.
4. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечёткая логика и искусственные нейронные сети. - М.: Физматлит, 2001. - 221 с.
5. Новак В., Перфильева И., Мочкрож И. Математические принципы нечёткой логики. - М.: Физматлит, 2006. - 352 с.
6. Asakura Toshiyuki A., Iida Yasutomi Nihon kikai gakkai ronbunshu// Trans. Jap. Soc. Mech. Eng. C. 2003.69. - № 687. - C. 2872-2879.
7. Chun-Chieh Y., Prasher S. O., Landry J.-A., Ramaswamy H. S. Development of a herbicide application map using artificial neural networks and fuzzy logic //Agricultural Systems, Vol. 76, Issue 2, May 2003. - P. 561-574.
8. Han Min, Cheng Lei, Meng Hua Application of four-layer neural network on information extraction // Neural Networks, 2003. 16. - № 5-6. - P. 547-553.
9. Rodan John, Franklin Janet, Stow Doug, Miller Jennifer, Woodcock Curtis, Roberts Dar Mapping land-cover modification over large areas: a comparison of machine lerarning algorithms // Remote Sens. Environ, 2008. 112. - № 5. - P. 2272-2283.
10. Саймон Х. Нейронные сети: полный курс = Neural Networks: A Comprehensive Foundation. - М.: Вильямс, 2006. - 1104 с.
11. Комарцова Л.Г. Использование нейросетевых методов для решения задач проектирования вычислительных систем. - М.: Изд-во МГТУ, 2000. - 70 с.
AUTOMATED CARTOGRAPHY OF THE AGRICULTURAL LANDS WITH THE NEURON EXPERT
SYSTEM, INTEGRATED WITH HIS
A.I. Pavlova, V.K. Kalichkin
Summary. In this article authors the technique of the automated mapping of farmlands is offered. For this purpose in process karto-grafirovanija the neural expert system integrated with ГИС is used. System work is shown on an example of the humidified earths of the Omsk region.
Key words: geo-information systems, neuron networks, fuzzy sets, cartography of agricultural lands, agro-ecological groups of lands
УДК 631.82: 633.1: 631.526.32
ВКЛАД ФАКТОРОВ В ФОРМИРОВАНИЕ УРОЖАЯ И ОСНОВНЫХ ПОКАЗАТЕЛЕЙ КАЧЕСТВА ЯРОВЫХ ЗЕРНОВЫХ КУЛЬТУР
A.A. ЗAВAЛИН, член-корреспондент Россельхо-закадемии, зав. лабораторией
Всероссийский НИИ агрохимии им. Д.Н. Прянишникова
Е.Н. ПAСЫНКОВA, кандидат биологических наук, старший научный сотрудник
A.В. ПAСЫНКОВ, доктор биологических наук, зав. лабораторией
Зональный НИИСХСеверо-Востока им. Н.В. Рудницкого
E-mail: otdzem@mail.ru
Резюме. Приведены сведения о вкладе фиксированных (минеральные удобрения, сорт) и случайного (гидротермические условия в период вегетации) факто-
ров в формировании урожая и основных показателей качества зерна яровой пшеницы, пивоваренного ячменя и продовольственного овса. Установлено, что вклад погодных условий вегетационного периода в формирование урожая изученных культур составляет25. ..55 %, минеральных удобрений - 33.50 %, сорта - от 1 до 15 %. Содержание белка в зерне изученных злаков и сырой клейковины у пшеницы, кроме погоды (7,51.57,00 %), в основном определяется применением удобрений, в частности, азотных (14,7.46,1 %) и др. Приведенные данные показывают только основные тенденции влияния названных факторов в конкретных условиях вегетации, степень влияния которых может изменяться с расширением интервала доз и соотношений минеральных удобрений, набора изучаемых сортов и удлинением периода наблюдений.
