Perspektywy wykorzystania cyfrowej kartografii gleb w ocenie szkód w glebach terenów górniczych

• Autorzy: Gruszczyński S.

Warianty tytułu

EN

Prospect of application of digital cartography of soils in the evaluation of soil pollution in post-mine areas

• Języki publikacji: PL

Abstrakty

PL

W pracy przeanalizowano czynniki budowy odpowiednio wiarygodnego modelu środowisko-gleby na podstawie danych z rejonu GOP. Stwierdzono, że pojedyncze klasyfikatory w rzeczywistych warunkach zawodzą jako dostatecznie precyzyjne modele poszukiwanych zależności. Lepszym i skuteczniejszym rozwiązaniem jest wykorzystanie zespołu wyselekcjonowanych, słabych klasyfikatorów. Alternatywą dla tradycyjnego głosowania większościowego jako procesu decyzyjnego wskazania klasy przez zespół, jest procedura związana z interpretacją wektora wskazań jako wejścia do wyspecjalizowanego klasyfikatora decyzyjnego (stacking).

EN

This paper presents an analysis of factors in the development of a reliable environment-soil model on the basis of data from the Upper Silesian Industrial Region. It was stated that individual classifiers fail as a sufficiently precise models for seeking dependences in realtime conditions. The use of selected weak classifier ensembles is a more effective solution. The procedure connected with interpretation of indication vector as the access to the specialized decisive classifier (stacking) is an alternative for the traditional majority voting as a decisive process of indicating the class.

Słowa kluczowe

PL

górnictwo; deformacja terenu; monitoring

EN

mining; area deformation; monitoring

• Wydawca: Stowarzyszenie Inżynierów i Techników Górnictwa
• Czasopismo: Przegląd Górniczy
• Rocznik: 2014
• Tom: T. 70, nr 8
• Strony: 52--58
• Opis fizyczny: Bibliogr. 17 poz., tab., rys., wykr.

Twórcy

autor

Gruszczyński S.

Bibliografia

• 1. Aksela M.: Comparison of Classifier Selection Methods for Improving Committee Performance, in Proceedings of MCS2003, 2003, pp, 84-93.
• 2. Bishop C.M.: Neural Networks for Pattern Recognition, (Oxford University Press, Oxford), 1995.
• 3. Duch W., Grabczewski W.: Heterogeneous adaptive systems, Neural Networks, IJCNN ’02, Proceedings of the 2002 International Joint Conference.
• 4. Duch W., Setiono R., Żurada J.M.: Computational Intelligence Methods for Rule-Based Data Understanding, Proceedings of the IEEE, vol, 92, no, 5, 2004, pp, 771-805.
• 5. Gruszczyński S.: Symulacja skutków przekształceń gleb na terenach górniczych za pomocą klasyfikatorów neuronowych, Uczelniane Wydawnictwa Naukowo-Dydaktyczne, Rozprawy Monografie, AGH Kraków, 2000.
• 6. Gruszczyński S.: Application of a set of heterogeneous neural networks to modelling soil classification in mining regions. W: MPES 2009; SWEMP 2009 [Dokument elektroniczny]: Mine Planning and Equipment Selection and Environmental issues and waste management in energy and mineral production: Banff, Alberta, Canada, November 16–19, 2009 : proceedings of the eighteenth international symposium and the eleventh international symposium, 244–254.
• 7. Gruszczyński S.: An ensemble of neural classifiers and constructivist algorithms in the identification of agricultural suitability complexes of soils on the basis of physiographic information ISRN Soil Science ISSN2090-875X, 2012 art,\,ID610567 s, 1–9, Tryb dostępu: {http://www,isrn,com/journals/ss/2012/610567/} [2012-05-18], Bibliogr, 2012, s, 9.
• 8. Hecht-Nielsen R.: Neurocomputing, Addison-Wesley, Reading 1991
• 9. Jankowski N.: Ontogeniczne sieci neuronowe, O sieciach zmieniających swoją strukturę, Warszawa 2004.
• 10. Jenny H.: Factors of Soil Formation, A System of Quantitative Pedology, New York: Dover Press, (Reprint, with Foreword by R, Amundson, of the 1941 McGraw-Hill publication) 1994.
• 11. Kuncheva L., Bezdek J., Duin R.: Decision templates for multiple classifier fusion: an experimental comparison, Pattern Recognition, vol, 34 (2), 2001, pp, 299-314.
• 12. McBratney A.B., Mendonca Santos M.L., Minasny B.: On digital soil mapping, Geoderma, v. 117, 2003, pp. 3-52.
• 13. Olszewski: Kartograficzne modelowanie rzeźby terenu metodami inteligencji obliczeniowej na Wyd, Politechniki Warszawskiej, 2009.
• 14. Pal S.K., Mitra P.: Pattern recognition algorithms for data mining, Scalability, knowledge discovery and soft granular computing, Chapman and Hall/CRC Press Company, Boca Raton-London-New York-Washington D,C 2004.
• 15. Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa 1993.
• 16. Wolpert D.: Stacked generalization, Neural Networks, vol. 5, 1992 pp, 241-259.
• 17. Zhu A-X.: Mapping soil landscape as spatial continua: the neural network approach, Water Resources Research, vol. 36 (3), 2000 pp, 633-677.