УДК 528.7 Аэрокосмическая съемка и фотограмметрия (аэрофотограмметрия, наземная фотограмметрия). Методы и инструменты
УДК 528.8 Дистанционное зондирование. Методы и приборы
ГРНТИ 89.57 Исследования Земли из космоса
Искусственные нейронные сети (Artificial Neural Network) — это усовершенствованные алгоритмы распознавания образов, способные извлекать сложные нелинейные зависимости между переменными. В данной статье описано применение искусственных нейронных сетей, в частности нейронных сетей MultiLayer Perceptron (MLP) из модели Land Change Modeler (LCM), для моделирования вероятности изменений в землепользовании под воздействием природных факторов. В качестве иллюстрации применения этого метода приводится исследование, проведенное в округе Зяотхюи провинции Намдинь (Вьетнам). Данные о состоянии землепользования за период с 2001 по 2013 год были дешифрированы с использованием спутниковых изображений Landsat. Процесс анализа данных проводился с помощью программного обеспечения TerrSet для получения простой нейронной сети MLP, состоящей из входного слоя (3 нейрона), скрытого слоя (7 нейронов) и выходного слоя (2 нейрона). Результаты исследования показывают, что сети MLP работают с высокой надежностью. Общая (со всеми переменными) эффективность (0,6858) и точность (84,29 %) модели значительно превышают допустимые минимальные значения, позволяющие использовать ее для обучения. Результаты исследований показывают, что три фактора, влияющие на изменения в землепользовании, могут быть ранжированы по уменьшению влияния в следующем порядке: почвы, геоморфология и расстояние до береговой линии.
изменение в землепользовании, многослойные персептроны, искусственные нейронные сети, V Крамера, алгоритм обратного распространения ошибки, природный фактор
1. Kuemmerle T, Chaskovskyy O, Knorn J, et al. Forest cover change and illegal logging in the Ukrainian Carpathians in the transition period from 1988 to 2007. Remote Sensing of Environment. 2009;113(6): 1194–1207. DOIhttps://doi.org/10.1016/j.rse.2009.02.006.
2. Mas JF, Kolb M, Paegelow M, et al. Inductive pattern-based land use/cover change models: A comparison of four software packages. Environmental Modelling & Software. 2014;51: 94–111. DOIhttps://doi.org/10.1016/j.envsoft.2013.09.010.
3. Amiraslani F, Dragovich D. Combating desertification in Iran over the last 50 years: An overview of changing approaches. Journal of Environmental Management. 2011;92(1): 1–13. DOIhttps://doi.org/10.1016/j.jenvman.2010.08.012.
4. Maithani S. A Neural Network based Urban Growth Model of an Indian City. Journal of the Indian Society of Remote Sensing. 2010;37(3): 363–376. DOIhttps://doi.org/10.1007/s12524-009-0041-7.
5. Pérez Vega A, Mas JF, Ligmann-Zielinska A. Comparing two approaches to land use/cover change modeling and their implications for the assessment of biodiversity loss in a deciduous tropical forest. Environmental Modelling & Software. 2012;29(1): 11–23. DOIhttps://doi.org/10.1016/j.envsoft.2011.09.011.
6. Fathizad H, Hakimzadeh Ardakani MA, Taghizadeh Mehrjardi RA, et al. Modeling Land Use Change Process by Integrating the MLP Neural Network Model in the Central Desert Regions of Iran. Desert. 2019;24(2): 241–254. DOIhttps://doi.org/10.22059/jdesert.2019.76364.
7. Shafizadeh-Moghadam H, Tayyebi A, Helbich M. Transition index maps for urban growth simulation: application of artificial neural networks, weight of evidence and fuzzy multi-criteria evaluation. Environmental Monitoring and Assessment. 2017;189(6): 189–300. DOIhttps://doi.org/10.1007/s10661-017-5986-3.
8. Nguyen VN, Nguyen CC. Application of multilayer artificial neural network in establishing a flash flood zoning model in the Northwestern mountainous region, experimentally in Yen Bai Province. Journal of Mine Surveying and Cartographic Science. 2020;44: 56–64. (In Vietnamese). DOIhttps://doi.org/10.54491/jgac.2020.44.304.
9. Azari M, Tayyebi A, Helbich M, et al. Integrating Cellular Automata, Artificial Neural Network and Fuzzy Set Theory to Simulate Threatened Orchards: Application to Maragheh, Iran. GIScience & Remote Sensing. 2016;53(2): 183–205. DOIhttps://doi.org/10.1080/15481603.2015.1137111.
10. Girma R, Fürst Ch, Moges A. Land Use Land Cover Change Modeling by Integrating Artificial-Neural-Network with Cellular Automata-Markov Chain Model in Gidabo River Basin, Main Ethiopian Rift. Environmental Challenges. 2021;6(10): 100419. DOIhttps://doi.org/10.1016/j.envc.2021.100419.
11. Gharaibeh A, Shaamala A, Obeidat R, et al. Improving land-use change modeling by integrating ANN with Cellular Automata-Markov Chain model. Heliyon. 2020;6(9):1–18. DOIhttps://doi.org/10.1016/j.heliyon.2020.e05092.
