Utilisation of artificial neural networks for determination of morphometric features of the terrain relief

• Autorzy: Olszewski R. , Żyła A.

Warianty tytułu

PL

Zastosowanie sztucznych sieci neuronowych do określania morfometrycznych cech rzeźby terenu

• Języki publikacji: EN

Abstrakty

EN

The paper discusses selected, contemporary methods of determination of the basic geomorphologic units, basing on morphometric analyses of the Digital Elevation Model. It also presents methods of multi-feature data classification and the possibility to use those methods in cartography and geomorphology. Particular attention has been paid to the possibility to use Kohonen neural networks as a tool of unsupervised classification and generalisation of spatial data.

PL

W artykule omówiono wybrane współczesne metody wyznaczania podstawowych jednostek geomorfologicznych w oparciu o analizy morfometryczne numerycznego modelu rzeźby terenu. Przedstawiono także metody klasyfikowania danych wielocechowych oraz pokazano możliwość ich wykorzystania w kartografii i geomorfologii. Szczególną uwagę zwrócono na możliwość zastosowania sieci neuronowych, a zwłaszcza uczonych w trybie "bez nauczyciela" sieci Kohonena jako narzędzia nienadzorowanej klasyfikacji i uogólniania danych przestrzennych. Istnieje wiele klasycznych kryteriów i wskaźników morfometrycznych stosowanych do klasyfikacji typologicznej form powierzchni terenu takich jak nachylenie zboczy, deniwelacje lokalne, wskaźnik krętości, wskaźnik zwartości/rozczłonkowania itp. W przeprowadzonych badaniach zastosowano zestaw prostych kryteriów morfometrycznych, stosując do ich analizy sieci neuronowe Kohonena. Uzyskane wyniki wskazują, iż sztuczne sieci neuronowe uczone w trybie "bez nauczyciela" mogą być wykorzystywane jako narzędzie nienadzorowanej klasyfikacji wielocechowych danych przestrzennych. Zastosowanie algorytmu Kohonena do analizy rzeźby terenu (reprezentowanej przez NMT) umożliwia wydzielenie podstawowych struktur geomorfologicznych. Dla uzyskanych wyników istotny jest nie tylko dobór danych wejściowych (wskaźników morfometrycznych), lecz także rozmiar warstwy wyjściowej sieci Kohonena. Zastosowanie mniejszej liczby neuronów w tej warstwie pozwala na większy stopień uogólnienia wyników i zwiększenie rozmiarów wydzielonych jednostek terenowych. Istotny wpływ na przebieg iteracyjnego procesu klasyfikacji ma także liczba epok obliczeniowych. Użycie zbyt małej liczby iteracji powoduje "niedouczenie" sieci neuronowej i w konsekwencji uzyskanie obrazu struktur niespójnych przestrzennie. Interesujące jest także wykorzystanie zaproponowanych algorytmów do generalizacji numerycznego modelu rzeźby terenu. Porównanie uzyskanych wyników z generalizacją manualną lub uśrednieniem modelu podstawowego prowadzi do wniosku, że algorytm Kohonena może być wykorzystywany jako alternatywna metoda uogólniania modelu rzeźby.

Słowa kluczowe

EN

landform; geomorphological units; spatial data

PL

ukształtowanie terenu; jednostka geomorfologiczna; dane przestrzenne

• Wydawca: Komitet Geodezji PAN
• Czasopismo: Geodezja i Kartografia
• Rocznik: 2004
• Tom: T. 53, z. 1
• Strony: 65--75
• Opis fizyczny: Bibliogr. 21 poz., rys., tab.

Twórcy

autor

Olszewski R.

• Institute of Photogrammetry and Cartography Warsaw University of Technology

autor

Żyła A.

• Institute of Photogrammetry and Cartography Warsaw University of Technology

Bibliografia

• [1] Bartkowski T., Zastosowania geografii fizycznej, (Utilising Physical Geography), PWN, Warszawa, 1974.
• [2] Burrough, P. A., Principles of Geographical Information Systems for Land Resources Assessment., OUP, Ch.8, Methods of interpolation Oxford, 1986.
• [3] Chojnicki Z., Czyż T., Analiza czynnikowa w geografii. W: Metody ilościowe i modele w geografii. (Analysis of factors in geography. In: Quantitative methods and models in geography), Edited by: Z. Chojnicki., PWN, Warszawa, 1977.
• [4] De Floriani L., Mirra D., Puppo E., Computer Graphics Forum, No. 12(3), 1993.
• [5] Eckes T., Ćwiczenia z geomorfologii dla geodetów, (Geomorphologic tests for surveyors) Wydawnictwa Naukowo-Dydaktyczne AGH, Kraków, 2001.
• [6] Fausett, L., Fundamentals of Neural Networks. Prentice Hall, New York, 1994.
• [7] Hartigan L., Clustering Algorithms, J. Wiley, New York, 1975.
• [8] Kępińska M., Olszewski R., Od Bertina i Hotellinga do Zadeha i Kohonena, czyli o zastosowaniu sztucznych sieci neuronowych w kartografii tematycznej, (From Bertin and Hotelling to Zadeh and Kohonen, i.e. on utilisation of artificial neural networks in thematic cartography), Polski Przegląd Kartograficzny, vol. 34, no. 2, Warszawa, 2002.
• [9] Klimaszewski M., Geomorfologia (Geomorphology), PWN, Warszawa, 1978.
• [10] Klinkenberg B., Fractals and morphometric measures: is there a relationship?, Geomorphology 5, Elsevier Science Publishers B. V., Amsterdam, 1992.
• [11] Kohonen, T., Self-organized formation of topologically correct feature maps. Biological Cybernetics, vol. 43 (1982).
• [12] Kozieł Z., Zmiany struktury kartograficznego obrazu energii rzeźby wywołane różnymi układami: nałożeniami sieci pól odniesienia, (Changes of structures of the cartographic visualisation of the energy of terrain relief resulting from various systems: overlapping reference fields), PPK, vol. 22, no. 3, Warszawa, 1990.
• [13] Ławniczak R., Próba zastosowania kartograficznej metody badań do określania morfometrycznych cech rzeźby terenu, (An attempt to utilise the cartographic method of investigations for specification of morphometric features of the terrain relief), Polski Przegląd Kartograficzny, vol. 35, no. 1, 2003.
• [14] Olszewski R., Wymiarowanie multifraktalne jako narzędzie kwantyfikacji komponentów abiotycznych środowiska przyrodniczego w różnych skalach obserwacyjnych (Multifractal dimensioning as a tool of quantification of abiotic components on the natural environment at various scales of observations), Materiały Ogólnopolskiej Szkoły Kartograficznej, Wrocław, 2001.
• [15] Patterson, D., Artificial Neural Networks. Prentice Hall, Singapore, 1996.
• [16] Piotrowski M., Płanietarnaja gieołogija (Planetary geology), 1963.
• [17] Przewoźniak M., Podstawy geografii fizycznej kompleksowej (Bases of complex, physical geography), skrypt Uniwersytetu Gdańskiego, 1987.
• [18] Richling A., Kompleksowa geografia fizyczna (Complex physical geography), Wydawnictwo Naukowe PWN, Warszawa, 1992.
• [19] Tadeusiewicz, R., Elementarne wprowadzenie do sieci neuronowych z przykładowymi programami (.Elementary introduction to neural networks with examples of programmes). Akademicka Oficyna Wydawnicza, Warszawa, 1998.
• [20] Weibel R., Models and Experiments for Adaptive Computer-Assisted Terrain Generalization, Cartography and Geographic Information Systems, vol. 19, no. 3, 1992.
• [21] Zgorzelski M. S., System klasyfikacyjny form ukształtowania powierzchni niżowych obszarów polodow- cowych (A classification system of the terrain relief for the lowland post-glacial areas), Wydawnictwa Uniwersytetu Warszawskiego, 1988.