Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей
Курсовой проект - Физика
Другие курсовые по предмету Физика
проводимость имеет общий комплексный вид:
Пусть температура слоёв имеет следующую зависимость:
,
где z глубина почвенных слоёв
Для расчета КДП почвы () в работе используется рефракционная модель диэлектрических свойств смесей. Она представляет собой описание влажностной зависимости диэлектрической проницаемости почв. Модель является наиболее успешной при работе в диапазонах СВЧ, учитывает двойственность диэлектрических свойств почв, определяемых содержанием связанной и свободной воды [15].
Рис.11. Слоистая модель по БашариновуА.Е.
Данная модель учитывает связь свободных и связанных молекул воды в почвах.
Для обучения нейронной сети были использованы данные теоретических расчетов по программе на базе Microsoft Excel, рассчитывающей яркостную температуру по данным КДП полученным, при моделировании методом инвариантного погружения в лаборатории Радиометрического зондирования Земли Омского Государственного Педагогического Университета на основе исследования [15].
Коэффициент диэлектрической проницаемости почв также используется в режиме обучения и восстанавливается по яркостным температурам радиометров различной частоты в нейронной сети с целью классификации типа почв.
Таблица 2. Пример обучающей выборки для соотношений параметров песчаной почвы и яркостных температур при различных частотах радиометра
W, влажностьЕ, КДП почвыdz, глубина погруженияTf, яркост. Темп. для f=2,73 GhTf, яркост. Темп. для f=6,0 GhTf, яркост. Темп. для f=8,15 Gh0,022,880,50291,57291,63291,680,043,200,75291,15291,18291,230,063,541,00289,89289,85289,850,084,071,25288,61288,46288,370,104,831,50288,47288,32288,220,125,671,75288,25288,11288,010,146,562,00287,98287,84287,740,167,532,25287,66287,54287,440,188,562,50287,32287,20287,100,209,652,75286,95286,83286,750,2210,823,00286,56286,45286,370,2412,043,25286,15286,05285,970,2613,343,50285,73285,64285,560,2814,703,75285,30285,21285,140,3016,124,00284,86284,78284,710,3217,614,25284,41284,34284,280,3419,174,50283,96283,89283,830,3620,794,75283,50283,43283,380,3822,485,00283,04282,98282,920,4024,245,25280,48280,11279,82
Количество обучающих данных было 120 измерений, что в 5 крат больше количества связей в двухслойном персептроне с 3 нейронами на каждом слое. Количество эпох обучения равнялось 100 в один период установления весов.
Рис.12. Расчет весов в зависимости от количества эпох при обучение нейронной сети, созданной методом автоматического подбора параметров
Рис.13. Расчет весов в зависимости от количества эпох обучения при обучение нейронной сети двухслойного персептрона методом обратного распространения ошибки
Рис.14. Расчет весов в зависимости от количества эпох обучения при обучение нейронной сети двухслойного персептрона методом сопряженного градиента
Из рисунков видно, что наиболее быстро обучаемой нейронной сетью, является двухслойный персептрон, устанавливающий параметры весов методом сопряженного градиента. При увеличении количества нейронов на слоях нейронной сети период становления увеличивается во всех вышеприведенных методах обучения нейронной сети.
- Решение поставленной задачи на экспериментальных данных методом нейронных сетей
Из экспериментальных данных полученных на производственной практике делается тестовая выборка яркостных температур трех радиометров в момент получения проб влажности почв. Таким образом для тестирования нейронной сети у нас будут два эталона: теоретический расчет яркостной температуры по методу инвариантного погружения на основе экспериментальных данных влажности почв и экспериментальные данные влажности почв.
Рис.15. Критические или противоречивые данные
Ошибки и фиксации противоречий возникали при восстановлении параметров почв по яркостным температурам, на тех данных, которые были получены в момент эксперимента, когда один из радиометров отключался или выдавал нечеткий результат.
В обученную нейронную сеть, созданную методом автоматического подбора модели и параметров при решении прямой задачи (получение яркостной температуры почв с заданными параметрами) вводим входные данные: экспериментально полученные влажность, глубину слоя.
Получаем на выходе из нейронной сети яркостную температуру для трех радиометров определенные, в среднем, с точностью 5К.
Таблица 3
ПочваДанные полученные экспериментальным путемДанные полученные сетодом нейронных сетейВл-тьГл-наКДПЯр.Т. f=6,0Яр.Т. f=2,73Яр.Т. f=8,15Яр.Т. f=6,0Яр.Т. f=2,73Яр.Т. f=8,15Глина0,457141,0029,614-1421531501391550,410862,0025,218-1451531511481540,3983,0024,059-1451531521471480,198861,009,5901511421601541401580,296571,0015,8731761601781781651830,171432,008,1091811691821791681810,273143,0014,2231791521741841471760,267571,0013,8441961741991951742000,2222,0010,9361901751961851771990,318713,0017,5151871942031871952050,296291,0015,852179-212181198210Песок0,320571,0017,656-1992251942012300,272862,0014,204-2022261932002210,318293,0017,483-2072241992122240,244571,0012,3332142102312122052330,084862,004,2492202232352252212340,176571,008,3772142102312092152260,173712,008,2282202232352202222350,193,009,0982162032192181982210,097141,004,7212302162402342162410,120572,005,6922242212402282232430,115713,005,4832082392452052402470,393141,0023,628204-241204216246
В обученную нейронную сеть, созданную методом автоматического подбора модели и параметров при решении обратной задачи (получение параметров почв при заданной яркостной температуре с трех радиометров) вводим входные данные: экспериментально полученные яркостную температуру с трех радиометров разной частоты.
Получаем на выходе из нейронной сети данные об объемной влажности почв определенные, в среднем, с точностью 0,04.
Таблица 4
ПочваДанные полученные экспериментальным путемДанные полученные сетодом нейронных сетейВл-тьГл-наКДПЯр.Т. f=6,0Яр.Т. f=2,73Яр.Т. f=8,15Вл-тьГл-наКДПГлина0,457141,0029,614-1421530,9650,25031,6140,410862,0025,218-1451530,8363,75026,2180,3983,0024,059-1451530,9761,50022,0590,198861,009,5901511421600,2290,5007