Hidrológiai Közlöny, 2020 (100. évfolyam)
2020 / 1. szám
65 Benkő G. és társai: Folyami mederanyag szemösszetételének vizsgálata Mély Tanulás eljárással drónfelvételek alapján a cikk terjedelmén, azonban fontos megemlíteni, hogy megjelenésekor új, addig nem ismert modulokat tartalmazott, ezért került rá a választás a szerzők részéről. A konvolúciós neurális hálózatok mögött álló két legfontosabb matematikai koncepció az input adat különböző rétegekkel képzett konvolűciója és a visszapropagálás (backpropagation), ami a modell súlymátrixainak módosításáért felel. Míg a konvolúció csak ezen ne-A visszapropagálás segítségével képesek vagyunk a modell súlyait úgy manipulálni, mindezt a deriválás láncszabálya szerint, hogy a tanulás folyamán, minden iteráció után érzékelt hiba nagyságától és súlyosságától függően, annak arányában javítjuk a modellt, INPUT ADATOK A tanulmányban szereplő felvételeket az észak-magyarországi Duna-szakasz mentén elterülő Gönyű település mellett készítettük. Ezen a szakaszon a medermorfológia meglehetősen összetett képet mutat és mindez nagy kiterjedésű, sekély zónákkal párosul, ideális terepet nyújtva légi felvételek készítéséhez. Az itt bemutatott terület vizsgálata során lehetőségünk nyílt olyan folyami részek berepüléurális háló típusoknál jelenik meg, addig a visszapropagálás a neurális hálózat alapú eljárások alapkövének tekinthető. A konvolúcióval biztosítjuk, hogy a modell robosztus felépítésű legyen, így képes lesz kontextusában is információkat kinyerni és feldolgozni. Egy kétdimenziós képen ezt a műveletet elvégezve az (1) képlet írja le a konvolúciót, ahol 1 a bemenő kép és K. jelöli a kernelt, amely pásztázza: (1) így kellően nagy adathalmaz és iterációszám mellett, a súlymátrixok betaníthatok. A GPU-k párhuzamosított számítási módszere miatt érdemes a visszapropagálást is vektoros formában felírni, ami a 2. képleten látható. (2) sére, melyek legtöbbször víz alatt vannak, és rendkívüli kisvizes időszakokban válnak láthatóvá. A minták anyagának és méretének nagyobb varianciája érdekében a vizsgálat során három, szemcseméretét tekintve jelentősen eltérő területet is megvizsgáltunk. Ezek közül kettő Vének település közelében terült el, míg a harmadik, amely egy sarkantyú volt, a Duna Gönyüvel szemközti partjánál volt található (3. ábra) S(i,j) = (K *I)(i,j) = T.m'ZnKi - m,j - m)K(m,n) dz _ y dz dyj dxi Qyj gXí 3. ábra. A mederanyag vizsgálati mintaterületek Figure 3. Study sites of the river bed composition analysis A bemenő adatok annotálása során 8 különböző szemcseméret osztályt határoztunk meg (4. ábra), amelyből 7 valós szemcsenagysági tartományokat jelölt, a fennmaradó egy pedig minden olyan egyéb tárgyat, felszínt, növényt és objektumot, amelyet nem szükséges azonosítani a vizsgálat végrehajtásához. Itt azonban fontos megjegyezni, hogy azt is megtehetjük, hogy egy növény- vagy állatfajt, esetleg tárgyat teszünk kategóriává. Erre kiváló példa az, ha meg szeretnénk vizsgálni, hogy a partszakaszokat milyen arányban borítja pl. műanyag hulladék. Tehát látható, hogy egyszerre több funkcióval is felruházható egy ilyen neurális hálózat. A végső elemzést minden esetben segédprogramok végzik majd a szegmentált képek alapján, így az azokon feltüntetett kategóriaszínek a fontosak. A 4. ábrán látható, hogy az alkalmazott szemcseméret osztályok részben átfedik egymást, aminek két oka is van: (a) az utófeldolgozást végző algoritmusnak képesnek kell lennie bármilyen értéket felvenni az adott kategórián belül, mindezt úgy, hogy az egy osztályon belüli szemcsenagyságok normál eloszlást követnek, egy tapasztalati középérték mentén, továbbá, (b) az annotálás tartalmazhat jelölésbeli hibákat, ezért ezen pontatlanságokat így lehet a legkönnyebben ellensúlyozni. A modell bemenetéként tulajdonképpen egy képpárt adunk meg, amelyből az egyik a vizsgált területről készült valós kép lesz, míg a másik az annotált változat.
