ISSN: 2381-8719
Veronika Nevtipilova, Justyna Pastwa, Mukesh Singh Boori und Vit Vozenilek
Das Ziel dieser Forschung ist, das Paket künstlicher neuronaler Netze (KNN) in der Software GRASS 6.4 auf räumliche Interpolation zu testen und es mit den gängigen Interpolationstechniken IDW und gewöhnlichem Kriging zu vergleichen. Dieses Paket wurde auch mit den neuronalen Netzpaketen nnet und neuralnet verglichen, die in der Software R Project verfügbar sind. Das gesamte Paket verwendet ein mehrschichtiges Perzeptron (MLP)-Modell, das mit dem Backpropagation-Algorithmus trainiert wurde. Die Bewertungsmethoden basierten hauptsächlich auf RMSE. Alle Tests wurden mit künstlichen Daten durchgeführt, die in der Software R Project erstellt wurden; diese simulierte drei Oberflächen mit unterschiedlichen Eigenschaften. Um die beste Konfiguration für das mehrschichtige Perzeptron zu finden, wurden viele verschiedene Netzeinstellungen getestet (Test-und-Versuch-Methode). Die Anzahl der Neuronen in den verborgenen Schichten war der wichtigste getestete Parameter. Die Ergebnisse zeigen, dass das MLP-Modell im in GRASS implementierten KNN-Modul für räumliche Interpolationszwecke verwendet werden kann. Der resultierende RMSE war jedoch höher als der RMSE von IDW und der gewöhnlichen Kriging-Methode und zeitaufwändig. Beim Vergleich der neuronalen Netzpakete in GRASS GIS und R Project: es ist besser, die Pakete im R-Projekt zu verwenden. Das Training von MLP war in diesem Fall schneller und die Ergebnisse waren gleich oder etwas besser.