Új módszerek alkalmazása a belvizek keletkezésének
ada-tok integrálása ebbe a rendszerbe nagyon is megfelelı (PRADHAN B. ÉS LEE
S.2010).
A belvizek bizonyos típusainak megjelenése elırejelezhetı, így elmé-leti és gyakorlati eszközök segítségével közvetlenül meghatározhatóak azok a területek vagy pontok, ahol a károk csökkentése vagy megelızése céljából beavatkozás szükséges. Ily módon számos esetben mérsékelhetı az elönté-sek kockázata, és elmozdulhatunk a reakciós, védekezésen alapuló vízkeze-lési stratégia felıl egy sokkal inkább megelızı stratégia irányába, mely a károk csökkentését, vagy akár megelızését is szolgálja.
Mesterséges neurális hálózatok
Az ANN-ok olyan számítógépes modellek, amelyek az emberi agy feltétele-zett mőködése alpján épülnek fel. Az ANN-oknak számos típusa létezik, de alapvetıen mindegyik neuronok egymásra épülı rétegeibıl áll, melyek kap-csolatban vannak egymással (1. ábra). A neuron feldolgozza, súlyozza és összegzi a bemeneti adatokat, majd egy aktivizációs függvény meghatározza, hogy a jel továbbításra kerül-e.
W11 W12 W13
W21 W22 W23
W31 W32 W33
W41 W42 W43
Input
layer Hidden layer
Output layer 1. ábra Egy egyszerő neurális hálózat felépítése
Az ANN betanítást igényel, amelyhez egy input és ahhoz kapcsolódó output adathalmaz szükséges. A tréning a hálózatban alkalmazott súlyokat iteratí-van módosítja annak érdekében, hogy a hálózat által szolgáltatott eredmény és az elvárt output közötti átlagos hibát minimalizálja. A betanított hálózat ezután új adatokra is alkalmazható. Az ANN-ok részletesebb bemutatása
túlmutat ezen cikk keretein, de megtalálható RETTER GY.(2006) könyvében és HEWITSON B.C. ÉS CRANE R.G.(1994)hivatkozott cikkében.
Az ANN-okat számos olyan tudományterületen alkalmazzák, ahol komplex adathalmazokat kell elemezni rejtett struktúráik és tulajdonságaik felderítése céljából. Az ANN-ok jelentıs potenciállal rendelkeznek a térbeli problémák elemzésében is, mint amilyenek a földrajzban is általánosak (HEWITSON, ET AL,1994). Az Alföldön elıforduló belvízelöntések egyértel-mő példái az ilyen problémáknak. Az ismétlıdı elöntések több, egymással összefüggı tényezı hatására alakulnak ki.
Az ANN-ok és a GIS kapcsolata viszonylag újkelető, és további fej-lesztéseket igényel (COLEMAN A.2008,SÁRKÖZY F. 1998). Jelenleg csak két olyan GIS szoftver létezik – az ArcGIS és az IDRISI –, amely a GIS és az ANN-ok teljes integrációját nyújtja. Ezeket a megoldásokat kifejlesztették ugyan, de nem alkalmazzák ıket, ugyanis az ANN-ok csak egy-egy típusát használják: a radiális bázisfüggvényes hálózatot és a multiréteges perceptron hálózatot, viszont nem kínálnak integrált eszközöket a tréning és az eredmé-nyek értékeléséhez.
A Matlab 7.10.0 integrált ANN eszköztárral rendelkezik, amely a legegyszerőbb megoldásoktól kezdve a kiterjesztett hálózat implementáció-kig többféle lehetıséget kínál. A hálózat architektúrájának meghatározása az ANN-ok használatának egyik legfontosabb és legbonyolultabb mővelete (BARSI Á. 1997, JAFAR ET. AL., 2010). Ahogy ezidáig, most sem tudhatjuk még pontosan, hogy az ANN-ok mely típusa, és annak milyen beállításai szükségesek a belvíz probléma tanulmányozásához. Éppen ezért úgy döntöt-tünk, hogy egy olyan keretrendszert hozunk létre, amelyben lehetıségünk van kísérletezni különbözı ANN-okkal GIS környezetben. Jóllehet mi az ArcGIS-t választottuk térinformatikai környezetként, a keretrendszer bár-mely általános földrajzi információs rendszerrel használható.
Mintaterület és adatok
Az Alföld 52000 km2-en terül el. Ebbıl a Tisza bal partján található Tápairét területet választottuk ki belvíz projektünk – melynek keretei között ezen ku-tatás is készül – egyik mintaterületeként (2. ábra). A Tápairét mintaterület kb. 15 km2-én a maximális magasságkülönbség kb. 10 méter. A terület túl-nyomó részén mezıgazdasági mővelés folyik, de nagy számban találhatók kıolajkitermelı kutak is. A Maros fiatal, igen agyagos üledékein öntés-, il-letve réti talajok alakultak ki (MAROSI S.SOMOGYI S.1990). Ezek a talajok szélsıséges mechanikai összetételük miatt – Arany-féle kötöttségük számos
területen 60 fölé emelkedik – rendkívül rossz vízvezetı képességőek, össze-gyülekezési belvíz kialakulására hajlamosak.
2. ábra A déli (A) tréning és az északi (B) szimulációs terület a GPS-es felméréssel
A kutatás során felhasznált adatokat a 2009-2010-es idıszakban győjtöttük, melyeket az 1. táblázatban röviden bemutatunk.
1. táblázat A felhasznált adatok LIDAR/DDM/
mélyedések (lokális
de-pressziók)
2009. november 19-én egy LIDAR repülési kampány keretében történt adatgyőjtés a kb. 70 km2-es területrıl 1,4 pont/m2 pontossággal. Ebbıl az adatból került levezetésre az 1 méter felbontású digitális domborzat-modell.
CIR (Color-InfraRed)
felvé-telek
Nem sokkal a belvízes idıszak maximális elöntését követıen, 2010.
március 24-én végrehajtott repülés során történt adatgyőjtés egy MS3100 digitális kamerára épülı kisgépes felvételezı rendszerrel (TOBAK ET AL 2008). A 63 cm felbontáső multispektrális képek egyen-ként 800 x 600 méteres területet fednek le, melyekbıl egy 60 km2-es mozaik készült.
Terepi felmérés
2010. március 5-én egynapos terepi felmérésre került sor a mintaterület dél-nyugati részén. Ebben az idıpontban a területen II. fokú belvízvé-delmi készülség volt érvényben. Összesen 7,8 ha került felmérésre az elöntött területek különbözı GPS-ekkel történı körbejárásával.
Ezt nagyban elısegíti a minimális domborzat, a közel sík területen számos lapos, nagykiterjedéső, lefolyástalan mélyedés található. Morfológiai változatosságot a különbözı feltöltöttségi állapotban lévı medermaradvá-nyok jelentenek. A terület alatt az átlagos talajvízszint 2-4 m mélyen van.
Ingadozását a két folyót kísérı 1-1,5 km széles sávban a folyók vízállása határozza meg, a távolabbi területeken felvételezésünk ideje alatt is 2-3 m mélyen helyezkedett el. Ezeken a területeken felszíni megjelenésére csak a régi Maros-medrekben számíthatunk.
Keretrendszer
A keretrendszert úgy alakítottuk ki, hogy rugalmasan kezelje a bemeneti, köztes és kimeneti adatokat mind ArcGIS-ben, mind Matlab-ban (3. ábra).
Így lehetıvé vált, hogy hatékonyan hozzunk létre adatállományokat, tesztel-jünk különbözı típusú ANN-okat és beállítsuk, illetve értékeljük a szimulá-ció eredményeit.
Elsı lépésben különbözı mesterséges adatokat hoztunk létre ArcGIS-ben, melyeket a rendszer beállításához és a szimulált eredmények értékelé-séhez használtunk fel. Három ilyen, egyenként 100 x 100 pixel kiterjedéső mesterséges térképet készítettünk. Mindhárom egy-egy, a belvízképzıdéssel összefüggı bemeneti paramétert ábrázolt (pl. helyi depressziók, geomorfoló-giai szerkezetek, talajtípusok, talajvízszint mélysége). A negyedik térkép ugyanezen terület belvízelıfordulásait ábrázolja. Az ArcGIS-ben létrehozott fájlok TIFF formátumúak, így azok beolvashatók a Matlab-ba térképenként egy-egy 100 x 100 cellából álló mátrix fomájában.
Az ANN vizsgálatokat a Matlab Neural Network eszköztárával vé-geztük el. Ez az alap Matlab funkcionalitás kiterjesztéseként érhetı el, és különbözı ANN-okat, illetve olyan eszközöket tartalmaz, melyek a hálóza-tok betanítási stratégiáinak és eredményeinek értékelését teszik lehetıvé (DEMUTH H. ET AL,2010). Az eszköztár mátrix formában kéri be az adatokat, melyben minden sor egy-egy input adat rétegnek felel meg. Egy általunk írt segéd program a különálló mátrixokat tömbbé konvertálja, majd az 1 x 1000-es tömböket egyetlen 3 x 1000 cellás mátrixba egy1000-esíti, melyet már kép1000-es beolvasni a neurális hálózat eszköztár. Az eredmény mátrixot végül hasonló módon kell konvertálni 1 x 1000-es tömbbe.
A mesterséges adatokkal csak egy standard ANN-ot próbáltunk ki.
Ez egy széles körben használt, kétrétegő feed forward hálózat (DEMUTH H.
ET AL, 2010), amely maximum 20 neuront tartalmazott a rejtett rétegekben.
Kevesebb neuronnal is hasonló eredményt kapnánk, de csak nagyobb számú iteráció után. Az adatok 70%-át a rendszer betanítására használtuk. A mara-dék 15%-a a validáláshoz, 15%-a pedig a teszteléshez lett felhasználva. Az
optimálisnak ítélt hálózatot elmentettük a késıbbi szimulációhoz. A szimu-lációs adatokat a GIS rendszerbıl importáltuk be, majd mátrixformába kon-vertáltuk, és beadtuk a neurális hálózatnak.
3. ábra A keretrendszer és a munkafolyamat
A szimuláció eredményét ismét visszaalakítottuk egy mátrixba. A különféle átalakítási lépések során az adatok többféle típuskonverzión estek át, hogy megfelelı adatformátumúak legyenek. Végül 8 bites TIFF fájlokat generál-tunk, amelyek már ArcGIS-ben is megjeleníthetık.
A fent részletezett lépéseket – néhány további, térinformatikai rend-szerben végrehajtott elıfeldolgozási lépéssel kiegészítve – alkalmaztuk a valós szimulációs adatokra is (4. ábra). A tréning adatok 4 input és egy out-put réteget tartalmaztak. A CIR felvételeket zöld, vörös és közeli infravörös csatornákra bontottuk szét. A LIDAR adatokból készített digitális dombor-zatmodellbıl az ArcGIS Fill eszközével nyertük ki az elöntési területeket (TARBOTON D. G. ET AL, 1991). Az eredeti magassági értékeket kivonva a feltöltési térkép értékeibıl megkaptuk a lokális depressziókat. Ezt a térképet azután három kategóriába újraosztályoztuk: nagyon kis mélységő (<15 cm), közepes (15-60 cm) és nagy (>60 cm) mélyedések. Az eredmény adatréteget a betanítás 4. input rétegeként használtuk fel. A tréning output adatául a te-repi felmérés belvízfoltjai szolgáltak, amely réteg csak két osztályt – nyílt víz és száraz talaj – tartalmazott. Az input térképek mindegyike 1 méter fel-bontású és 1000 x 1000 méteres területet fed le.
Mátrix → tömb konverzió
Tréning
Szimuláció
Exportálás Importálás
Tömb → mátrix konverzió Tréning
adatok (input és
output)
Szimuláció eredménye Szimuláció input adata
Neurális hálózat
ArcGIS Matlab
A szimuláció során ugyanilyen típusú CIR felvételeket és magassági adatokat alkalmaztunk. Az elızıekkel megegyezı módon hoztuk létre ıket, de a tréning területtıl valamivel északabbra.
4. ábra. A tréning adatok élıfeldolgozásának lépései
Eredmények
Több beállítást is kipróbáltunk a rejtett rétegekben található neuronok számát illetıen. A neuronok számának növelése csökkentette ugyan az RMS hibát, de ezzel párhuzamosan növekedett a betanítás erıforrásigénye. Optimális beállításnak 10 neuront választottunk, amivel a tréning 0,74-es RMS hibát produkált. A betanítás eredménye az 5. ábrán balra látható.
5. ábra A betanítás (bal) és szimuláció (jobb) eredménye
Tréning adatok (input és
output) CIR képek
CIR – zöld CIR - vörös CIR - NIR
Digitális domborzat
modell
Fill eszköz Fill és DEM különbsége
Újra-osztályozás Terepi
fel-mérés (polygon)
Terepi fel-mérés
(rasz-ter)
Az 5. ábrán jobbra már a betanított hálózattal végzett szimuláció eredménye látható. A sárga területek belvízként kerültek osztályozásra. A mintaterület északi, északnyugati részén az eredmény jónak mondható. A töltés és az utak mentén sikerült azonosítania a nyílt vízfelületeket. A kép déli részén azon-ban nem megfelelı az osztályozás. Néhány pixelt helyesen belvízként jelöl, a nagy részüket viszont száraz talajként. A hibát valószínőleg a tréning adatok összetétele okozza, abban ugyanis csak vízzel borított kategória szerepelt, átnedvesedett talaj és vízben álló növényzet nem.
Következtetések
A keretrendszer a kismérető, mesterséges tesztadatokkal az elvárások szerint mőködött. A nagyobb, valós adathamazt felhasználva is kirajzolódtak a bel-víz-elöntések bizonyos elrendezıdései, azonban további fejlesztések szüksé-gesek. A térbeli adatok természete miatt igen nagymérető mátrixokat kellett létrehozni a hálózatok input adataiként. Ez teljesítménybeli problémákat okozott. A szimuláció eredményei éles határt mutatnak a belvízzel elöntött és a száraz talajok között. A valóságban ez egy fuzzy határ. Köztes kategóri-ák is léteznek, mint az átnedvesedett talaj vagy a vízben álló vegetáció. Eze-ket az oszályokat eddig nem vettük figyelembe a betanítás során. További terepi felvételezések szükségesek ezek bevonásához, és ahhoz, hogy a szi-muláció eredményei között is megjelenhessenek.
A GIS és neurális hálózatok integrációja is további fejlesztést igé-nyel. A keretrendszer jelenleg számos lazán összekapcsolt programkódot és Matlab funkciót tartalmaz. Egy hatékonyabb rendszer kiépítéséhez szükséges lenne ezeket is integrálni.
Irodalomjegyzék
BARSI Á., (1997): Landsat-felvétel tematikus osztályozása neuális hálózattal, Geodézia és Kartográfia, Budapest, Vol. XLIX, No. 4, pp. 21-28
BOZÁN CS.,PÁLFAI I.,PÁSZTOR L.,KOZÁK P.,KÖRÖSPARTI J.(2005): Mapping of Excess Water Hazard in Békés and Csongrád Counties of Hungary, ICID 21st European Regional Conference 2005 - 15-19 May 2005 - Frankfurt (Oder) and Slubice - Germany and Poland
COLEMAN A.M. (2008): An adaptive Landscape classification procedure using geoinformatics and artificial neural networks.
DEMUTH H.,BEALE M.,HAGAN M.(2010):Neural Network Toolbox 6, User’s Guide, The Mathworks
HEWITSON B.C., CRANE R.G. (1994): Neural Nets: Applications in Geography, Kluwer Academic Publishers
JAFAR R.,SHAHROUR I.,JURAN I. (2010): Application of Artificial Neural Networks (ANN) to model the failure of urban water mains, Mathematical and Computer Modell-ing, Vol. 51, p. 1170-1180
MAROSI S.,SÁRFALVI B. (1990): Magyarország kistájainak katasztere I. MTA FKI Budapest PÁSZTOR L.,PÁLFAI I.,BOZÁN CS.,KİRÖSPARTI J.,SZABÓ J.,BAKACSI ZS.,KUTI L.(2006):
Spatial stochastic modelling of inland inundation hazard, 9th AGILE Conference on Geographic Information Science, Visegrád, Hungary, 2006 PRADHAN B.,LEE S.(2010): Landslide susceptibility assessment and factor effect analysis:
backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling, Environmental, Modelling &
Software Vol. 25, p747–759
RAKONCZAI J.,MUCSI L.,SZATMÁRI J.,KOVÁCS F.,CSATÓ SZ. (2001): A belvizes területek elhatárolásának módszertani lehetıségei, Földrajzi Konferencia, Szeged 2001.
RAKONCZAI J.,CSATÓ SZ.,MUCSI L.,KOVÁCS F.,SZATMÁRI J.(2003): Az 1999. és 2000. évi alföldi belvíz-elöntések kiértékelésének gyakorlati tapasztalatai., Vízügyi Köz-lemények, 1998-2001. évi árvízi külön füzetek., IV. kötet., pp.317-336.
RETTER,GY.(2006): Fuzzy, Neurális Genetikus, Kaotikus Rendszerek, Akadémiai Kiadó, Budapest
SÁRKÖZY F. (1998): Mesterséges neurális hálózatok mint GIS függvények. Geomatikai Közlemények I. kötet, 109-130 old.
TARBOTON D.G.,BRAS R.L.,RODRIGUEZ–ITURBE I.(1991): On the Extraction of Channel Networks from Digital Elevation Data. Hydrological Processes. 5: 81-100.
TOBAK Z., KITKA G., SZATMÁRI J., VAN LEEUWEN B., MUCSI L. (2008): Kisgépes, Kisformátumú (SFAP) CIR légifelvételek készítése, feldolgozása és alkalmazá-sa környezeti vizsgálatokban, IV. Magyar Földrajzi Konferencia, Debrecen, Hungary