Wyniki wyszukiwania - BazTech

1

Możliwości finansowania inwestycji OZE

Żyła A.

Nowa Energia

|

2009

|

nr 2

76--77

PL

Projekt „Polityki energetycznej Polski do 2030 roku” wymienia wśród podstawowych kierunków m.in. ograniczenie oddziaływania energetyki na środowisko i rozwój wykorzystania odnawialnych źródeł energii. Ciężar finansowania inwestycji niezbędnych do osiągnięcia tych celów będzie - w głównej mierze - spoczywał na samych inwestorach. Według danych GUS za 2007 r. nakłady na środki trwałe w ochronie środowiska finansowane były w blisko 48% przez właścicieli inwestycji. W nakładach na odnawialne źródła energii było to ponad 65%. Jednak, biorąc pod uwagę fakt, że ok. 10% środków wydatkowanych na inwestycje ochrony środowiska i blisko 7,5% środków przeznaczonych w 2007 r. na odnawialne źródła energii pochodziło z kredytów i pożyczek krajowych, w tym bankowych, śmiało można stwierdzić, że bez udziału banków część inwestycji nie mogłaby powstać.

2

Pakiet ekologiczny - wygoda i opłacalność

Żyła A.

Nowa Energia

|

2008

|

nr 4

36--37

PL

W maju br. Bank Ochrony Środowiska S.A. wprowadził do oferty „Pakiet Ekologiczny”. Jest to zestaw produktów skierowany do klientów segmentu korporacji i finansów publicznych (z wyłączeniem jednostek samorządu terytorialnego), prowadzących lub podejmujących działalność przyczyniającą się do ograniczania degradacji środowiska naturalnego. Pakiet adresowany jest do firm działających w takich dziedzinach jak: zaopatrzenie w wodę i oczyszczanie ścieków, gospodarka odpadami, wykorzystanie odnawialnych źródeł energii, transport zasilany gazem i wiele innych, które pozwalają ograniczać negatywny wpływ działalności człowieka na środowisko naturalne.

3

Nieliniowa generalizacja numerycznego modelu terenu z wykorzystaniem sztucznych sieci neuronowych

Olszewski R., Żyła A.

Polski Przegląd Kartograficzny

|

2004

|

T. 36, nr 2

82-91

PL

W artykule omówiono wybrane współczesne koncepcje generalizacji numerycznego modelu rzeźby terenu. Przedstawiono także podstawowe własności sztucznych sieci neuronowych. Szczególną uwagę zwrócono na możliwość zastosowania sieci neuronowych jako narzędzia nieliniowego uogólniania modelu danych przestrzennych na przykładzie generalizacji NMT.

EN

The article discusses selected contemporary concepts of generalization of a digital model of terrain relief. Basic properties of artificial neural networks are also presented. Special attention is paid to the possibility of application of neural networks as a tool for non-linear approximation of a spatial data model on the example of ganeralization of a digital tarrain model (DTM). Contemporary understanding of the concept of spatial data generalization differentiates between two models of spatial data connected to two types of generalization: cartographic generalization, linked to digital cartographic model (DCM) and model generalization linked to digital landscape model (DLM). Generalization of a terrain relief model (understood as DTM generalization, representing DLM model, and not as generalization of contour map - DCM model) requires one of three methods: global filtration, local filtration (usually multi-stage) or heuristic approach. Proper generalization of a digital terrain model is especially vital for powering of geographic information systems (GIS). In order to conduct credible spatial analyses it is essential to preserve the actual location of key terrain forms. Generalization of DLM model should therefore be applied, rather than cartographic generalization. Automatization of large scale DTM modeling understood this way requires local filtration. It should be noted that the question of source data selection from base model is only one of the aspects of DTM generalization. Interpolation methods applied have more complex impact on the resulting model. Classic methods of statistical surface creation usually base on linear interpolation. The article discusses non-linear methods of DTM interpolation using artificial neural networks. In mathematical modeling of physical surface of the Earth - in interpolation of digital terrain model - especially good results can be achieved with the use of regression networks. Generalized Regression Neural Networks (GRNN), due to the modification of the amoothing coefficient of radial function, permit fluent control of the level of executed generalization. Networks of this type can be used to refine and smooth DTM, preceding the stage of automatic generation of contours.Neural networks of the Radial Basis Function (RBF) type can be used as a tool for complex generalization of terrain relief model (the more radial neurons the lower generalization level).

4

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

Olszewski R., Żyła A.

Geodezja i Kartografia

|

2004

|

T. 53, z. 1

65-75

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.