Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: jednostka geomorfologiczna

Sortuj według:

Ogranicz wyniki do:

Geoekologiczna ocena składu chemicznego gleb i osadów rzecznych na tle jednostek geomorfologicznych Litwy

Pustelnikovas O.

Landform Analysis

2008

Vol. 9

96--103

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

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.

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.