CC BY
31
еся к некоторому учебному курсу, осуществляются с использованием дополнительных модулей информационного потенциала. Кроме того, в курсе информационного потенциала полностью отсутствует или является чрезвычайно низкой интеграция компонентов среды на уровне курса.
Другим важным фактором, сказывающимся на сложности непосредственного использования предлагаемого программного обеспечения, является необходимость адаптации функциональных возможностей информационного потенциала, в первую очередь - в части организации учебного процесса, к требованиям реального учебного заведения, что часто затруднено. Поэтому возникла необходимость в разработке информационного потенциала, удовлетворяющего требованиям ПУ, лицеям НПО.
Словом, актуальность данного сообщения связана с тем, что поиск путей повышения качества подготовки рабочих кадров, профессионального уровня выпускника лицея, ПУ, удовлетворение запросов личности в образовательных услугах обусловливают необходимость пересмотра содержания и технологий образовательного процесса, внедрения информационного потенциала дистанционного обучения.
Результаты данного исследования могут быть использованы в учебных заведениях НПО и СПО и других регионах России.
Библиографический список
1. Бесиалько В. П. Педагогика и прогрессивные технологии обучения / В. П. Беспалько. - М„ 1995. - С. 23-28,
2. Зеер Э. Ф. Личностно ориентированные технологии профессионального развития специалиста / Э Ф. Зеер, О. Н. Шахматова. — Екатеринбург : Изд-во Урал. гос. проф -пед. ун-та, 1999. -245 с.
3. Лапчик М. П. Информатика и информационные техно-
логии в системе общего и профессионального образования : монография / М. П Лапчик. - Омск: Изд-во Омск. гос. пед унта, 1999. - 230 с.
4. Романцев Г. М. Инновации в развитии профессионального образования в Уральском регионе / Г. М. Романцев // Образование и наука. Изв. Урал, науч.-образоват. центра Рос. акад. образования. - 2000. - № 4 (6). - С. 18-26.
5. Романцев Г. М. Теоретические основы высшего рабочего образования / Г М. Романцев. - Екатеринбург: Изд-во Урал, гос. проф.-пед. ун-та, 1998. - 333 с.
6.Таюрский А.И. Подготовка кадров для экономики переходного периода. Красноярск. Красноярское книжное изд-во.
- 1999,-192 с..
7. Таюрский А.И. Опережающее обучение. Монография. Красноярск, Изд-во «КП плюс» - 2002,-144 с.
8. Тихомиров В П. Среда ИНТЕРНЕТ-обучения системы образования России: проект Глобального виртуального университета / В. П. Тихомиров, В. И. Солдаткин, С. Л. Лобачев; Меж-дунар. акад. открытого образования. — М.: Изд-во МЭСИ, 2000.
- 332 с.
9. Ткаченко Е. В. Педагогический поиск в области профессионально-педагогического образования / Е В Ткаченко, Г. Д. Бухарова, М. Г. Контобойцева. - Екатеринбург : Изд-во Рос. гос. проф-пед. ун-та, 2003. - 205 с.
10. Чубаркова Е.В. Дистанционное образование: новое поколение образовательных систем в профессиональном образовании. — Образование. Карьера. Общество: журн. — ГОУ «Кузбас. регион, ин-т развития проф образования» - Кемерово, 2005. - с.25-26.
ЗАБНЕВ Александр Михайлович, директор профессионального училища № 20 (г. Красноярск), агентство по профессиональному образованию и науке администрации Красноярского края.
Дата поступления статьи в редакцию: 29.06.2006 г. © Забнев А.М.
УДК 004.8.032.26:537.86 A.B. МАНСУРОВ
Алтайский государственный университет
НЕЙРОСЕТЕВОЙ МЕТОД ОПРЕДЕЛЕНИЯ ТЕМПЕРАТУРЫ И ВЛАЖНОСТИ НЕОДНОРОДНО УВЛАЖНЕННЫХ ПОЧВ ПО ДАННЫМ СВЧ-РАДИОМЕТРИИ_
В статье предлагается способ определения параметров почвогрунтов по данным дистанционного зондирования с помощью искусственных нейронных сетей. Анализ получемых резул»татов демонстрфует устойчсосп. предлагаемого способа к случамюму шуму, адаптируемость к вариациям профиля влажности и неровности поверхности.
1. Введение
Обработка и достоверная интерпретация получаемых данных дистанционного зондирования в радиодиапазоне является одной из самых сложных проблем при создании информационных технологий дистанционного зондирования. Она включает в себя как
разработку компьютерных алгоритмов на базе теории распознавания образов и моделей процессов собственного излучения и рассеяния электромагнитных волн, так и необходимость иметь тестовые базы геофизических данных, достоверно характеризующих исследуемые объекты. Физические модели позволя-
ют получать количественные алгоритмы восстановления искомых параметров с использованием математических методов решения обратных задач, основываясь на функциональных соотношениях, связывающих геофизические параметры исследуемого объекта с измеряемыми характеристиками. Однако по причине сложности процессов собственного излучения и рассеяния электромагнитных волн построение физических моделей для большинства реальных объектов часто сопровождается непреодолимыми трудностями [1-3].
В настоящее время все большее применение в задачах обработки данных дистанционного зондирования находит подход, заключающийся в использовании информационных моделей на основе искусственных нейронных сетей (ИНС) [4]. Основной принцип такого подхода состоит в моделировании внешнего функционирования системы с помощью "черного ящика" с чисто информационным описанием - на основе данных экспериментов или наблюдений. Обычно такие модели проигрывают формальным математическим по степени "прозрачности" и "объяснимое™" получаемых результатов, однако важной особенностью таких моделей является отсутствие ограничений на сложность моделируемых систем, а также возможность функционировать в режиме реального времени, что является все более актуальным аспектом в области обработки данных мониторинга Земли.
В данной работе изучается возможность определения температуры, влажности почвенного покрова и характера неоднородности распределения влаги в верхнем 5-см слое почвы на основе данных радиометрического зондирования поверхности Земли с аппаратов AMSR (Advanced Microwave Scanning Radiometer) [5] и SMOS (Soil Moisture and Ocean Salinity)[6]. В общем виде решение поставленной задачи можно представить как нахождение зависимости Fследующего вида:
(Ts, W, WJ = F(TB)
(1)
о-
-5-
2
и
10 X S
ю
-10
-15
-20 -60
. W
d1
.Ws/
d2
W end
0,0
0,1
0,2
W
W ■■
w
dl Wend
0,3 0,4 0,5
0 < г < dl ; г < dl + с >dl + d2
где - температура почвы, К; УУ - объемное содержание влаги на поверхности почвы; ¥/А - объемное содержание влаги в верхнем пятисантиметровом слое почвы; ТВ - вектор измеряемых радиояркост-ных температур.
Определение значений W^^ \Л/я1 позволит судить о вертикальной неоднородности приповерхностного увлажнения почв. Повышенная чувствительность радиояркостных температур ТВ к содержанию влаги в почве в Ь-диапазоне (1.43 ГГц), необходимость определения температуры почвы и характера неоднородности вертикального увлажнения обуславливают выбор для обработки измерений, выполненных аппаратами БМОБ (1.43 ГГц, Ь-диапазон, углы визирования 50° и 20°, поляризация Н и V) и АМ5Я (10.7 ГГц, 55°, поляризация Н и V) [7]. В целях удобства проведения исследования этап выполнения радиометрических измерений (получение значений радиояркостных температур) моделируется искусственно.
2. Модель радиоизлучательных и диэлектрических характеристик почвенного покрова
При дистанционном зондировании важным является факт зависимости мощности принимаемого излучения от температуры, влажности, шероховатости и минералогического состава почв. Радиояркостная температура Тв связана с мощностными характеристиками излучения следующим соотношением:
тв = Т5 (1 - Л„,г)г + Тс (1 - г)(1 + Л„„Г) (2)
где Тс - температура растительного покрова, К; 7^. - температура почвы, К; - коэффициент отраже-
Рис. 1, Модель вертикального распределения BAa™W=W(z).
ния для поверхности; (Г - коэффициент прохождения для растительности (в работе полагается (Г= 1).
Учет неровности поверхности вводятся следующим образом [3, 8]:
Rw, = Rsoil • ехр(-4k2RGH cos2 0) (3)
где Rsiijl - коэффициент отражения для почвы; 0 -угол падения волны на границу раздела, к - волновое число, RCH - параметр, задающий среднеквадратичное (эффективное) значение возвышенностей.
Вычисление коэффициента отражения Кап = I I2 осуществляется численно методом инвариантного погружения [2] из-за вертикальной неоднородности входящей в коэффициент отражения е — комплексной диэлектрической проницаемости (КДП). Неоднородность реализуется посредством введения профилей влажности W= W(z). Вертикальное распределение влаги W= W(z) в почвенно-грун-товой толще задается выражением, которое описывает плоскослоистую модель, состоящую из однородного слоя с влажностью И^толщиной dl, переходного слоя толщиной d2 и нижнего слоя с влажностью Wend (Рис. 1):
При значительном увлажнении земной поверхности (W> Wend) интенсивность излучения главным образом определяется значением влажности на поверхности и слабо зависит от особенностей вертикального распределения влаги (исследователями в [2] отмечается отличие коэффициента излучения в данных условиях от коэффициента излучения однородно увлажненного почвогрунта не более чем на 10%). В прочих случаях исследователи отмечают, что ра-диационно-влажностная зависимость определяется толщиной т.н. "эффективного" слоя, ответственного за формирование коэффициента излучения, длиной волны и градиентом влажности, а также отмечается влияние "переходного слоя", находящегося над более сухим верхним [2]. Таким образом, вариацией параметров dlwd2 реализуются практически все возможные профили влажности почв, оказывающих влияние на интенсивность излучения. При W = Wend моделируется однородное увлажнение почвогрунтов.
^ Для расчета КДП почвы (е) в работе используется обобщенная рефракционная модель диэлектрических свойств смесей. Она представляет собой описание влажностной зависимости диэлектрической проницаемости почв. Модель учитывает двойственность
Таблица 1
Восстановление параметров почвенного покрова с помощью нейросетевого алгоритма
по данным радиометрического зондирования
№ Т&К № Ш
Я ЯМвЕ, К Я ЯМ8Е К ЯМБЕ
1 1*7=0.05...0.21, с11=8, с!2=0.05 ..3 0.989 1,115 0.979 0,022 0,979 0,022
2 Щ- =0.05...0.21, (11=8, с12=0.05...3, о=1К 0,973 1.729 0,977 0,024 0,977 0,024
3 =0.05...0.21, <11=8, <12=0.05...3, о=2К 0,910 3,141 0,972 0,026 0,972 0,026
4 Ит-=0.05...0.21, <11=3. (12=0.05... 3 0,986 1,239 0,978 0,023 0,973 0,024
5 1¥т =0.05...0.21. (11=3, (12=0.05...3, о=1К 0,971 1,796 0,974 0,025 0,968 0,026
6 №7-=0.05...0.21. (11=3, (12=0.05...3, о=2К 0,922 2,925 0,971 0,026 0,961 0,029
7 =0.05...0.21, (11=1, (12=0.05... 3 0,986 1.298 0,980 0,022 0,943 0,030
8 =0.05.. 0.21, (11=1, (12=0.05...3, о=1К 0,974 1.698 0,976 0,024 0,926 0,034
9 =0.05...0.21. <11=1, (12=0.05...3, сг=2К. 0,908 3.210 0,965 0,029 0,887 0,042
10 =0.05...0.21, (11=3, (12=0.05... 3 0,986 1,239 0,978 0,023 0,973 0,024
И Ц/т =0.05...0.21, (11=3, (12=0.05... 3,1ШН =1.0 0,989 1,218 0,965 0,029 0,959 0,029
12 »V =0.05...0.21, (11=3, (12=0.05... 3,1ЮН=2.0 0,988 1,165 0,959 0,031 0,951 0,032
13 ^•=0.05... 0.21,(11=3, (12=0.05...3,1ШН =3.0 0,985 1,300 0,959 0.031 0,951 0,032
14 ^=0.05...0.21. (11=8, (12=0.05...3 0,989 1,115 0,979 0,022 0,979 0,022
15 И>=0.05...0.21. <11=8, (12=0.05...3, ЯСН=1.0 0,986 1,269 0,972 0,025 0,972 0,025
16 №т =0.05... 0.21,(11=8, (12=0.05... 3,1ЮН =3.0 0,984 1,305 0,971 0,026 0,971 0,026
17 И^т-=0.05... 0.21,(11=8, (12=0.05... 3.1ЮН=6.0 0,983 1,410 0.942 0,036 0,942 0,036
18 Щ =0.05. .0.21. (11=1...5. (12=3 0,972 1,792 0,975 0,024 0,975 0,024
диэлектрических свойств почв, определяемых содержанием связанной и свободной воды [1, 9]. Различие между свободной и связанной водой устанавливается при представлении влажностной зависимости для квадратного корня из комплексной диэлектрической проницаемости, поскольку экспериментально наблюдается точка излома влажностной зависимости при значениях объемной влажности Меньшие
значения соответствуют влаге в грунте в связанном состоянии, большие - в свободном. Таким образом, является параметром, характеризующим тип почвы в модели. Учитывая, что = п + 1к ■ рефракционная модель имеет вид:
IV < IV,
»ъ+ц-о^+к-о^-ио
к^к^ + ф-и',)
IV > И',
I V < IV, IV > IV
И)
е = л/ - к,2 , е" = 2пл.к,
где е' и е" - действительная и мнимая часть КДП почвы, л, - коэфф. преломления для почвы, пи - ко-эфф. преломления для сухой смеси, пь - коэфф. преломления мя связанной воды, п„ - коэфф. преломления для свободной (несвязанной) воды, к - коэфф. поглощения с индексами, аналогичными коэфф. преломления, IV,- объемное содержание связанной воды; ЦТ-объемное содержание свободной воды.
Было проведено большое количество лабораторных и натурных исследований для проверки корректности данной модели. Авторы отмечают точность, с которой модельные данные соотносятся с данными экспериментальными [1, с. 203-211]. В исследовании [9] модель была расширена для работы в большом диапазоне влажностей почв, текстур и частот и проверена на изучении ряда реальных почв.
Значения радиояркостных температур вычисляются для широкого диапазона температур (273К ...
301К), влажности (УУ = й1, (12)) и типов почв, которые задаются через (0.02 ... 0.21). К значениям радиояркостных температур добавляется аддитивный случайный шум с нормальным распределением и стандартным отклонением ег = 1К или а = 2К для приближения модельных результатов к реальным. Влияние неровности поверхности учитывается с помощью параметра ЯСИ, задающего среднеквадратичное (эффективное) значение возвышенностей. Таким образом, моделируются 6 каналов со значениями радиояркостных температур на разных частотах и поляризациях.
3. Нейросетевое решение задачи
Исходя из (1), входными данными являются 6 каналов со значениями радиояркостных температур на разных частотах и поляризациях. Определяемыми параметрами являются температура почвы Г4., влажность на поверхности и влажность в слое почвы толщиной 5 см от поверхности И^. Ориентируясь на большое количество тестовых лабораторных и наземных экспериментов [1-2,9], определение параметров У/и с погрешностью ±0.02, а параметра Г, с погрешностью ±2К считается достаточно точным и приемлемым для практики. Это является ориентиром для характеристики работы дистанционных методов, поскольку их погрешности определения величин заведомо больше в силу большего числа возникающих помех. В соответствии с (2)-(4) моделируется 4000 результатов радиометрических измерений - 6 каналов со значениями радиояркостных температур на разных частотах и поляризациях. Из этого множества выбирается (равномерно, с проверкой на конфликтность примеров в выбранных последовательностях) 5% отсчетов для получения обучающей выборки и 50% отсчетов для получения тестовой выборки для последующей работы.
Реализация зависимости (1) предполагает решение задач регрессии и аппроксимации многомерных функций. Этот факт обуславливает применение ИНС типа "многослойный персептрон" с функцией активации "рациональная сигмоида" [10,11]. Согласно исследованиям, в общем случае задачу равномерной аппроксимации любой непрерывной функции на компакте можно решить с помощью персептрона с 1 скрытым слоем. Все же наиболее общими в своем классе являются сети с двумя и более скрытыми слоями, которые при любой размерности входного пространства способны создавать в необходимом количестве произвольные независимые многоугольные решающие области, комбинация которых позволяет аппроксимировать любую функциональную зависимость с любой точностью.
В начале каждого этапа численных экспериментов инициализируются несколько (8-10) ИНС одинаковой структуры, которые обучаются на одной и той же обучающей выборке. В дальнейшем из них выбирается лучшая по результатам обработки тестовой выборки. Если результаты работы оказываются неудовлетворительными, то структура нейронной сети изменяется (добавляются или убираются нейроны в скрытых слоях) и процесс повторяется. Все ИНС инициализировались со значением характеристики крутизны активационнойфункции, равной0.1 (с = 0.1).
Структура ИНС формируется последовательным увеличением количества нейронов в скрытых слоях. Изначально полагается по 1 нейрону в каждом скрытом слое и далее их количество увеличивается по необходимости путем добавления по одному нейрону в тот или иной скрытый слой на этапе создания и пос-
ледующей инициализации ИНС уже с измененной структурой. В итоге в условиях искусственно созданной модельной реальности достаточной и оптимальной для решения задачи была определена ИНС, имеющая по 5 нейронов в каждом скрытом слое.
Всего в исследовании было проведено 18 различных численных экспериментов, которые объединены друг с другом в "серии". Во всех экспериментах измерения радиояркостных температур моделировались для широкого диапазона температур Ts (273К... 301К), типов почв WT(0.02... 0.21) и значений W. Первые три "серии", состоящие из трех экспериментов с сг = 0К, а = 1К и а = 2К, толщина верхнего слоя dl последовательно уменьшается от 8 см до 5 см и далее до 1 см при случайной вариации промежуточного слоя d2. В последнем эксперименте (№18), наоборот, случайным образом варьируется толщина верхнего слоя при неизменной толщине d2. Еще две "серии" cdl — 3 и dl = 8 нацелены на изучение влияния неровности поверхности RGH на определение параметров изучаемой поверхности.
Основными показателями оценки качества определения целевых параметров являются коэффициент корреляции (R) и среднеквадратическое отклонение (RMSE) между полученными и тестовыми данными. Примеры, на которых ИНС не смогли обучиться, удалялись из обучающей выборки. Таких примеров иногда оказывалось до 30 % от всего числа, что впоследствии не сказывалось отрицательно на работе ИНС. Увеличение числа нейронов в скрытых слоях приводит к ухудшению работы ИНС - сокращению числа определенных с заданной точностью искомых параметров и увеличению среднеквадратической ошибки. Такое поведение объясняется тем, что ИНС теряют свои обобщающие свойства и обучаются реагировать на влияние различных случайных параметров как на полезный сигнал, поскольку обладают достаточным запасом вычислительной мощности.
Выполненные численные эксперименты и результаты нейросетевого определения температуры и влажности почв приведены в табл. 1. Согласно результатам, в целом ИНС является устойчивой к шуму, присутствующему во входной информации, адаптируемой к вариациям профиля влажности и неровности поверхности. Для всех определяемых параметров R > 0.900, а значение RMSE < 3.210 для Tsи RMSE <0.360 для Wи Wsl, что превышает "целевые" погрешности лабораторных экспериментов ±0.02 и ±2К не более чем на 80%. Наличие на входах ИНС аддитивного случайного шума с а >0К в большей степени оказывает влияние на восстановление параметра Ts, чем на определение влажности W и Wsl (например, эксперименты № 1-№3).
Неровность поверхности RGH снижает число достоверно восстановленных значений влажности почвогрунтов, наиболее заметно это проявляется при определении влажности в верхнем 5-см слое Wd (эксперименты №10-№17). Малые значения RGH достаточно заметного влияния на результаты нейросетевого определения искомых параметров не оказывают. Также следует отметить, что близость к поверхности переходного слоя толщиной d2 увеличивает общий градиент влажности в почвогрунте, что проявляется в уменьшении числа достоверно определенных Wsl и ^эксперименты №1-№9).
Полученные значения Wh Wsl позволяют определять градиент влажности в приповерхностном слое почвы. Полагая, что над исследуемым участком профиль влажности задается выражением (5), a WJ( характеризует объемное содержание влаги в верхнем
5-см слое почвы (среднее в слое), градиент влажности вЯ вычисляется следующим образом:
1У(г)=Н, + в1{ г (5)
1 ь
Ш = , ¿ = 5 (6)
^ л
4. Заключение
В работе рассмотрен способ определения температуры, влажности почвенного покрова и характера неоднородности распределения влаги в верхнем пятисантиметровом слое почвы на основе данных радиометрического зондирования поверхности Земли. Определение целевых параметров производится с помощью нейросетевой информационной модели с использованием для обучения всего 5% данных от всего рабочего множества задачи.
Реализующая задачу ИНС является многослойным персептроном с двумя скрытыми слоями (5 нейронов в каждом) и одним выходным слоем, на вход которой подаются 6 значений радиояркостных температур, на выходе снимаются 3 искомых параметра. ИНС является устойчивой к шуму, присутствующему во входной информации, адаптируемой к вариациям профиля влажности и неровности поверхности. В результате проведенного исследования установлено, что для всех определяемых параметров И > 0.900, а значение ЯМБЕ < 3.210 для 7\.и ЯМБЕ < 0.360 для \Л/„Г Наличие на входах ИНС аддитивного шума с а * 0К в большей степени влияет (ухудшает) на восстановление параметра 7\., а неровность поверхности ИСН - на определение влажности УКи
Предложенный способ восстановления параметров почвы с помощью ИНС может применяться на практике для оперативной обработки данных дистанционного зондирования в режиме реального времени, а также при выполнении работ научно-исследовательской тематики по дистанционному зондированию земных покровов в Алтайском государственном университете.
Библиографический список
I. Комаров С.А., Миронов В.Л. Микроволновое зондирование почв. - Новосибирск: Научно-издательский центр СО РАН, 2000-289 с.
2 Щутко A.M. СВЧ-радиометрия водной поверхности и почвогрунтов. -М.: Наука, 1984 - 189с.
3. Ulaby F., Moore R., Fung A. Microwave Remote Sensing: Active and Passive. Washington. Artech House, 1986. Vol.3.
4. Забавин А.Б. Использование искусственных нейронных сетей в задачах изучения Земли из космоса. // Исследование Земли из космоса. - 2000. - №6. - с.79-93.
5. Njokn. F..G., T.L. Jackson, V. Lakshmi. Т. Chan, and S.V. Nghiem. Soil moisture retrieval from AMSR-E. // IEEE Trans. Geosci. Remote Sens. 2003. V.41. NO. 2. pp. 215 - 229.
6. KerrY.H., Waldteufel P., Wigneron J. P., Martinuzzi J., Font J., Bergei M. Soil moisture retrieval from space: the Soil Moisture and Ocean Salinity (SMOS) mission. //IEEE Trans. Geosci. Remote Sens. 2001. V.39. NO. 8. pp. 1729 - 1735.
7. Liou Y.A., Liu S.F., Wang W.J. Retrieveing Soil Moisture from Simulated Brightness Temperatures by a Neural Network. //IEEETrans. Geosci. Remote Sens. 2001. V.39. NO. 8. pp. 1662 - 1672.
8. Jackson T.J. Measuring Soil Moisture Using Passive Microwave Remote Sensing. // Hydrological Processes, 1993. vol. 7,pp.139-152.
9. Mironov V.L., Dobsori M.C., Kaupp V.H., Komarov S.A., Kleshchenko V N. Generalized retractive mixing dielectric model for moisl soils. // IEEE Trans Geosci. Remote Sens. 2004. V.42. NO. 4. pp. 773 - 785.
10. Горбань A.H., Дунин-Барковский В.Л. и др. Нейроинфор-матика. - Новосибирск: Наука. Сибирское предприятие РАН, 1998.-296с.
II. Каллан Р. Основные концепции нейронных сетей. - М.: Издательский дом "Вильяме", 2001. -288 с.
МАНСУРОВ Александр Валерьевич, аспирант кафедры радиофизики и волнового зондирования Алтайского унвиерситета, Барнаул.
Дата поступления статьи в редакцию: 26.05.2006 г. © Мансуров A.B.
Информация
Научно-технический журнал "Системы управления и информационные технологии" (список ВАК) ♦ продолжает оперативную публикацию результатов кандидатских и докторских диссертаций (подробности на сайте журнала http://www.sbook.ru/csit, раздел "Срочно! ).
Открыта подписка на научно-технический журнал "Системы управления и информационные тех* нологии". Подписной индекс в объединенном каталоге "Пресса России (зеленый) на первое полугодие 2007 года - 42086.
