CC BY
121ТЕХНИЧЕСКИЕ НАУКИ
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ В ГЕОИНФОРМАЦИОННЫХ
СИСТЕМАХ Морозов Д.А.
Морозов Дмитрий Андреевич - магистр, кафедра информационных технологий,
Новосибирский государственный университет экономики и управления, г. Новосибирск
Аннотация: статья посвящена применению искусственных нейронных сетей (ИНС) для решения задач прогнозирования в геоинформационных системах (ГИС). Разработан плагин для ГИС с открытым исходным кодом - QGIS, позволяющий обрабатывать информацию, собранную с метеостанций, расположенных в Новосибирской области, и прогнозировать количество осадков в Новосибирской области с помощью многослойной ИНС.
Ключевые слова: искусственные нейронные сети; многослойный персептрон; геоинформационная система; прогнозирование.
Актуальность исследований. Прогнозирование в геоинформационных системах позволяет произвести анализ окружающей среды и своевременно реализовать комплекс мероприятий направленных на улучшение прогнозируемой области.
Результаты долговременных прогнозов могут использоваться при экономическом планировании городских территорий и промышленных комплексов, возведении гидротехнических, газонефтяных, химических сооружений на сейсмоопасных территориях.
Прогнозирование в геоинформационных системах включает в себя статические методы прогнозирования, методы деловой графики и методы геоинформационного моделирования.
Предобработка данных в прогнозировании является ключевым аспектом при построении математической модели. В процессе предобработки данных необходимо преобразовать данные в соответствии с контекстом решаемой задачи. Проблема предобработки данных в ГИС может заключаться в:
1. Отсутствии полной информации о факторах прогнозируемой области
2. Наличии неочевидных факторов
3. Например, для прогнозирования осадков важными факторами являются температура, влажность, воздуха, атмосферное давление и скорость ветра, но в базе данных геоинформационной системы существуют записи только о дате и месте осадков.
Если контекст задачи прогнозирования меняется, аналитику геоинформационной системы необходимо заново производить предобработку данных, что является трудоемкой задачей. Не исключена возможность пропуска неочевидных факторов. Если данные факторы значимы, то модель данных будет не пригодна для прогноза.
При использовании искусственных нейронных сетей, описанные выше проблемы не актуальны, поскольку способность нейронной сети к прогнозированию напрямую следуют из её способности к обобщению и выделению скрытых зависимостей между входными и выходными данными.
Цель исследований - разработка плагина для ГИС с открытым исходным кодом -рвШ, позволяющего обрабатывать информацию собранную с метеостанций, расположенных в Новосибирской области, и прогнозировать количество осадков в Новосибирской области с помощью многослойной ИНС.
Научная новизна исследований связана с применением многослойных ИНС в ГИС для прогнозирования количества осадков. Применение ИНС наиболее эффективно в тех случаях, когда построение модели трудно поддается формальному описанию строгим математическим аппаратом [1-2]. В работе была использована ГИС - QGIS, позволящаю создавать плагины с различным функционалом на языке Python. С помощью созданного в процессе работы плагина, была реализованы следующие возможности:
1. Вызов функционала ИНС из интерфейса QGIS
2. Передача данных из атрибутивной таблицы ГИС в ИНС
Ускорение обучения ИНС с помощью библиотек OpenMP и CUDA, посредством переноса трудоемких математических функций из Python в вышеперечисленные средства.
Рис. 1. Интерфейс QGIS
Функциональные возможности плагина позволяют осуществлять прогноз осадков в Новосибирской области на основе многослойного персептрона (методом обратного распространения ошибки с коэффициентом момента).
Анализ результатов обучения ИНС с архитектурой многослойного персептрона показал, что значения абсолютной (MSE - Mean Square Error) и средней квадратической ошибок (RMSE -Root Mean Square Error) малы, следовательно обученная ИНС пригодна для прогнозирования (табл. 1).
Таблица 1. Результат обучения искусственной нейронной сети
Обучение Многослойный персептрон
MSE 0,018
RMSE 0,135
Таким образом, ИНС могут служить инструментом для прогнозирования осадков в Новосибирской области и использование ИНС с архитектурой многослойного пересептрона позволяет получить точные результаты для прогноза.
Список литературы
1. Павлова А.И. Применение нейронной экспертной системы и ГИС для классификации эрозионных земель // Современные информационные технологии и ИТ-образование Сухомлина. М.: ИНТУИТ.РУ, 2014. С. 312-319.
2. Каличкин В.К. Применение нейронной экспертной системы для классификации эрозионных земель / В.К. Каличкин, А.И. Павлова // Сибирский вестн. с.-х. науки. 2014. № 6. С. 5-11.
