ПРОГНОЗУВАННЯ ЗМІНИ РІВНЯ ЛІСИСТОСТІ ЗА ДОПОМОГОЮ СЕРВІСУ GLOBAL FOREST WATCH І МОВИ ПРОГРАМУВАННЯ ТА АНАЛІЗУ ДАНИХ R
Abstract
Розглядається проблема розрахунку рівня лісистості, у тому числі – прогнозування зміни лісистості в окремому лісництві. Наведено, що автори раніше розробили програмне забезпечення для розрахунку лісистості та оброблення інформації про лісові насадження на прикладі селища Співаківка в Ізюмському районі Харківської області. Також було зроблено порівняння лісистості за низку років з використанням ресурсу Global Forest Watch. З цього ресурсу були взяті зображення Придонецького лісництва з нанесеними умовними позначеннями: синім кольором зображені території, де відбувається висадка нових лісових насаджень, а рожевим – де відбувається вирубування. Кожне із завантажених зображень обраного лісництва запропоновано розділити на квадрати, а потім аналізувати дані по кожному квадрату. Було розраховано насиченість рожевим кольором та збережено у таблиці. Зазначено, що прогнозування зміни лісових насаджень на обраній ділянці, тобто зміни відсотка вирубки, можна зробити різними шляхами. По-перше, використати регресійний аналіз – застосувати рівняння регресії окремо до значень кожного квадрату, а також для усього лісництва. По-друге – сформувати перелік вхідних факторів, що містять показники на обраній ділянці у два попередні роки та ці ж показники на сусідніх ділянках. Таким чином, кількість факторів буде дорівнювати 27: 26 вхідних та 1 вихідний (значення на досліджуваному квадраті). Таку задачу прогнозування можна розв’язати або методом багатофакторної лінійної регресії, або методом штучних нейронних мереж. Для проведення розрахунків за обома методами було використано мову програмування та аналізу даних R. Створено скрипт, який виконує розрахунки побудовою ліній регресії та штучної нейронної мережі, а також дозволяє визначити найкращу архітектуру нейронної мережі та більш ефективний метод її навчання для певного набору даних. Наведено розрахунок динаміки вирубки у цілому лісництві (прогноз на останній рік забезпечує похибку в 1 %) та розрахунок динаміки вирубки на обраному квадраті (прогноз на останній рік забезпечує похибку в 3.5 %). Після численних запусків скрипту з’ясовано, що найкращий результат забезпечує персептрон з двома прихованими шарами та двома нейронами у кожному шарі. Результати розрахунків свідчать про високу кореляцію даних для визначення відсотка лісу, який буде вирубуватися на визначеному квадраті. Застосування цього персептрону для прогнозування на останній рік показало похибку в 3 %.
Keywords
