7–9 ноября 2018
Международная выставка сельскохозяйственной техники, оборудования и материалов для производства и переработки сельскохозяйственной продукции Получите электронный билет

Топология земель с помощью нейронной экспертной системы, интегрированной с ГИС

Земледелие, химизация и агроэкология / 08 ноября 2012


Пространственный анализ данных при агроэкологической группировке земель, отображенных на электронных картах, возможен при условии комплексной оценки местных условий территории. Таким векторно-математическим представлением координатных данных, необходимым для описания местоположения объектов в пространстве служит топология.

Пространственный анализ данных при агроэкологической группировке земель, отображенных на электронных картах, возможен при  условии комплексной оценки местных условий территории. Таким векторно-математическим представлением координатных данных, необходимым для описания местоположения объектов в пространстве служит топология. В работе предложен методический подход, основанный на использовании нейронных экспертных систем (НЭС) в задачах распознавания, интерпретации и топологии земель. С этой целью использована искусственная модель нейронных сетей с обратным распространением ошибки. Данная модель признается одной из ведущих в комплексном изучении природных объектов и ситуационном моделировании.  Обучение НЭС базируется на интеграции, взаимосвязи с данными дистанционного зондирования земли и геоинформационной системой. Предложенный подход позволил выделить на территории региона (Омская область) участки, описываемые набором показателей (количественных и качественных) принадлежащие определенной группе земель. Процесс выделения однотипных участков на основе НЭС разбивается на несколько этапов, последовательно включающих: 1) предварительную тематическую обработку изображений на космическом снимке c помощью ENVI; 2) создание и систематизирование сведений о территории в виде тематических карт ГИС; 3) формирование картографических баз знаний в виде векторных слоев ГИС MapInfo, а также в формате Microsoft Access; 4) непосредственное интегрирование знаний, полученных в первых трех этапах НЭС; 5) обучение искусственной НЭС и оценка ее работы; 6) создание электронных карт групп земель.

В проведенных исследованиях распознавание космических изображений осуществлялось с помощью методов визуального и автоматизированного дешифрирования. Это позволило изучить ландшафтную структуру территории, структуру почвенного покрова, распаханность и контурность полей. Результаты тематической обработки космических снимков служили основой при моделировании связей между пространственным распространением земель формами рельефа и почвенными условиями.

Совокупность информации, необходимой для оценки и картографирования земель описывается в базах данных ГИС. Интеграция данных реализуется через пространственную и атрибутивную составляющую в виде: результатов дешифрирования космической информации, топографической и тематических карт, баз знаний экспертов. При этом создание атрибутивных баз данных ГИС предполагает оцифровку тематических карт, привязанных в единой картографической проекции (в качестве которой служила топографическая карта масштаба 1:100000). Сформированы тематические карты и атрибутивные базы данных ГИС: климата, почв, почвообразующих пород, рельефа, условий увлажнения.

Для того чтобы результаты обученной НЭС имели пространственно-координатную привязку в ГИС, изучаемая территория разделена на конечное множество V элементарных участков – операционно-территориальные единицы (ОТЕ). Исходная информация о территории представляется в виде двумерной матрицы R размерности N*M, т.е. R={xi,j} (i=1…N; j= 1…M). В нашем случае исследуемая территория разбивалась на сетку квадратов размером 2 км2. В узлах регулярной сетки были записаны сведения по набору тематических свойств: xi,j=(x1ij, …xkij). Таким образом, формируется набор тематических свойств Pn={1,….k}, по которым осуществляется классификация данных при учете пороговых границ ограничений с условием Vt (1≤t≤ (N*M) элементарных участков, описываемых набором векторов P. Каждый вектор задается следующим образом Pn={PKi}=(PKс, PKr, PKw, PKp), где PKi – значение ограничений из набора признаков, ранжированных по порогам ограничений. При создании НЭС наборы признаков (климат, рельеф, почвы, увлажнение) описаны в эталонных таблицах с ранжированием порогов ограничений. Таблицы по сути представляют базы знаний используемых в обучении НЭС. В базах знаний по ранжированным значениям признаков  экспертами присваивается оценка принадлежности к определенной группе земель с определением функции принадлежности вида: Fkl = ║qkl u,v║ при условии qkl u,v . При обучении НЭС каждой паре uv присваивается решение об отнесении ОТЕ к определенной группе земель (плакорные, переувлажненные, засоленные, эрозионные) по функции принадлежности. Таким образом, осуществляется обучение искусственной нейронной сети на основе эталонных таблиц оценок и баз знаний, хранимых в Microsoft Access. По структуре разработанная НЭС реализует многослойный персептрон с обратным распространением ошибки. В результате осуществляется итеративная процедура картографирования групп земель на основе интеграции данных дистанционного зондирования, ГИС и НЭС.

Каличкин В.К.
ГНУ СРО Россельхозакадемии,
 п. Краснообск, НСО, Россия
 
Павлова А.И.
ГНУСибНИИЗХим,
п. Краснообск, НСО, Россия
E-mail: kvk@ngs.ru
 

Источник: BORONA.net



Другие статьи