Нейронна мережа для розпізнавання та класифікації картографічних зображень ґрунтових масивів

  • В. В. Жуковський Національний університет водного господарства та природокористування, м. Рівне https://orcid.org/0000-0002-7088-6930
  • С. В. Шатний Національний університет водного господарства та природокористування, м. Рівне
  • Н. А. Жуковська Національний університет водного господарства та природокористування, м. Рівне https://orcid.org/0000-0001-7839-0684
Ключові слова: метод навчання; засіб тестування; збіжність пошукового процесу; нейрон; активаційна функція; ваговий коефіцієнт

Анотація

Запропоновано нейронну мережу для розпізнавання картографічних зображень ґрунтових масивів та класифікації ландшафтних ділянок за типами ґрунтових масивів із використанням нейронної мережі. Описано підходи до проектування архітектури, методів навчання, підготовки даних для проведення навчання, тренування та тестування нейронної мережі. Розроблено структурно-функціональну схему нейронної мережі, яка складається із вхідного, прихованих та вихідного шарів, кожен окремий нейрон описано відповідною активаційною функцією із підібраними ваговими коефіцієнтами. Показано доцільність застосування кількості нейронів, їх тип та архітектуру для проведення задачі розпізнавання та класифікації ділянок на кадастрових картах. Як вихідні дані використано відкриті державні інформаційні ресурси, в яких виділено окремі ділянки за типами ґрунтів, їх поширення та сформовано базу даних для навчання та тренування нейронної мережі. Проаналізовано ефективність, швидкодію та точність роботи нейронної мережі, зокрема, проведено комп'ютерну симуляцію із використанням сучасного програмного забезпечення та математичне моделювання обчислювальних процесів у середині структури нейронної мережі. Розроблено програмні засоби для попередньої підготовки та оброблення вхідних даних, подальшого тренування та навчання нейронної мережі та безпосередньо процесу розпізнавання та класифікації. Відповідно до отриманих результатів, розроблена модель та структура нейромережі, її програмні засоби реалізації показують високу ефективність як на етапі попереднього оброблення даних, так і загалом на етапі класифікації та виділення цільових ділянок ґрунтових масивів. Надалі наступним етапом досліджень є розроблення та інтеграція програмно-апаратної системи на основі розпаралелених та частково розпаралелених засобів обчислювальної техніки, що дасть змогу значно пришвидшити обчислювальні операції, досягти виконання процесів навчання та тренування нейронної мережі в режимі реального часу та без втрати точності. Подані наукові та практичні результати мають високий потенціал для інтеграції в сучасні інформаційно-аналітичні системи, системи аналізу та моніторингу за станом навколишнього середовища, технологічними об'єктами та об'єктами промисловості.

Біографії авторів

В. В. Жуковський, Національний університет водного господарства та природокористування, м. Рівне

канд. техн. наук, доцент, кафедра комп'ютерних наук та прикладної математики

С. В. Шатний, Національний університет водного господарства та природокористування, м. Рівне

ст. викладач, кафедра обчислювальної техніки

Н. А. Жуковська, Національний університет водного господарства та природокористування, м. Рівне

канд. техн. наук, доцент, кафедра комп'ютерних наук та прикладної математики

Посилання

Carpenter, G. A., Grossberg, S., & Rosen, D. B. (1991, Jun.). Fuzzy ART: fast stable learning and categorization of analog patterns by an adaptive resonance system. Neural Networks, 4(6), 759–771.

Cassman, K. G. (1999). Ecological intensification of cereal production systems: yield potential, soil quality, and precision agriculture. Proc Natl Acad Sci USA, 96, 5952–9. https://doi.org/10.1073/pnas.96.11.5952

Hnatushenko, V. V., Kavats, O. O., Halchenko, E. B., & Kavats, Yu. V. (2016). Informatsiina tekhnolohiia rozpiznavannia budivel na bahatokanalnykh fotohrammetrychnykh zobrazhenniakh vysokoi prostorovoi zdatnosti na osnovi morfolohichnykh indeksiv. Visnyk Khersonskoho natsionalnoho tekhnichnoho universytetu, 195–198. [In Ukrainian].

Karpowicz, J. (2016). Above the field with UAVs in precision agriculture. Commercial UAV Expo: Las Vegas, NV, USA.

Kreta, D. L. (2016). Informatsiina tekhnolohiia analizu ta otsinky zabrudnennia skladovykh dovkillia. Matematychne modeliuvannia v ekonomitsi, 43–56. [In Ukrainian].

Lavreniuk, M., Kussul, N., & Novikov, A. (2018). Deep Learning Crop Classification Approach Based on Sparse Coding of Time Series of Satellite Data. В: IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium; 22.07.2018-27.07.2018; Valencia: IEEE; 22.07.2018-27.07.2018, 4812–4815. https://doi.org/10.1109/IGARSS.2018.8518263

Martnez-Zarzuela, M., Pernas, F., de Pablos, A., Rodrguez, M., Higuera, J., Giralda, D., & Ortega, D. (2009). Adaptive Resonance Theory fuzzy networks parallel computation using CUDA. In Proc. 10th Int. Work-Conference. Art. Neural Networks, LNCS 5517, 149–156.

Mogili, U. R., & Deepak, B. B. V. L. (2018). Review on Application of Drone Systems in Precision Agriculture. Procedia Computer Science. 133, 502–509. https://doi.org/10.1016/j.procs.2018.07.063

Mulla, D. J. (2013). Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosystems Engineering, 114, 358–371. https://doi.org/10.1016/j.biosystemseng.2012.08.009

Petro Skrypchuk, Viktor Zhukovskyy, Halyna Shpak, Nataliia Zhukovska, & Halyna Krupko. (2020). Applied Aspects of Humus Balance Modelling in the Rivne Region of Ukraine. J. Ecol. Eng. 21, 42–52. https://doi.org/10.12911/22998993/123255

Pierce, F. J., & Nowak, P. (1999). Aspects of Precision Agriculture. В: Advances in Agronomy (Vol. 67: Elsevier;, 1–85. https://doi.org/10.1016/S0065-2113(08)60513-1

Romanchuk, I. F., Sakhatskyi, O. I., & Apostolov, O. A. (2018). Otsinka volohosti gruntu za dopomohoiu suputnykovykh znimkiv Sentinel-2 (na prykladi Baryshivskoho polihonu Kyivskoi oblasti). Dopovidi NAN Ukrainy. [In Ukrainian].

Vlasyuk, A., Zhukovskyy, V., Zhukovska, N., Pinchuk, O., & Rajab, H. (2020). Mathematical Modeling of Heat, Mass and Moisture Transfer in Catalytic Porous Media. WSEAS Transactions on Applied and Theoretical Mechanic, 15, 52–59. https://doi.org/10.37394/232011.2020.15.8

Zhang, N., Wang, M., & Wang, N. (2002). Precision agriculture – a worldwide overview. Computers and Electronics in Agriculture, 36, 113–132.

Опубліковано
2020-11-03
Як цитувати
Жуковський, В. В., Шатний, С. В., & Жуковська, Н. А. (2020). Нейронна мережа для розпізнавання та класифікації картографічних зображень ґрунтових масивів. Науковий вісник НЛТУ України, 30(5), 100-104. https://doi.org/10.36930/40300517
Розділ
Інформаційні технології