Hidrológiai Közlöny, 2020 (100. évfolyam)
2020 / 1. szám
68 Hidrológiai Közlöny 2020. 100. évf. 1. sz. 9. ábra. Az 5. ábrán látható felvétel alapján készült szemösszetételi görbe, amely csak a releváns, az eredeti képen felismert kategóriákat tartalmazza Figure 9. The grain size distribution curve obtained from the analysis of Figure 5., which contains only the relevant categories recognized in the original image KÖVETKEZTETÉSEK, FEJLESZTÉSI IRÁNYOK A legfontosabb eredmény, amit ezen kutatás fel tud mutatni, hogy tudomásunk szerint első alkalommal alkalmaztunk Mély Tanulás alapú eljárást a folyók és vízfolyások mederanyag szemcseösszetételének vizsgálatára, és az eredmények azt igazolják, hogy egy, a gyakorlatban is használható eljárással bővül ez a tudományág. Mint azt bemutattuk, a modell képes volt kellően nagy pontosságot elérni, a meglehetősen kicsi tanító adathalmaz dacára is. Fontos megjegyezni továbbá, hogy nemcsak a képek analizálására kialakított modell került kialakításra, hanem egy utófeldolgozást végző program is, amely szegmentált képekből szemcseeloszlási görbét állít elő. A mederanyag feldolgozása akár valós időben is történhet egy megfelelő számítási kapacitással rendelkező klaszter mellett. Az általunk használt konfiguráció másodpercenként 4 kép analizálására volt képes, amely jelzi, hogy nagy kiterjedésű területek vizsgálata is lehetségessé válik rövid idő alatt ezt a módszert használva. amiből hasonlóképpen, a képek esetleges torzítását is kezelve, tudunk képelemzést végrehajtani és így mind a száraz mind a víz alatti zónákban lesz térképszerű adatunk. Az így előállított térképek több tudományterületen tudnak hasznosulni. Korábbi tanulmányok pl. kimutatták, hogy folyószakaszok élőhely jellemzőinek leírásában a mederanyag, mint a bentikus élőhelyek egyik fizikai paramétere, meghatározó szerepet játszik az élőhely minőségében. Mivel a folyókban számos további fizikai paraméter, mint pl. az áramlási sebesség vagy a vízmélység a jelenleg alkalmazott vizsgálati módszerekkel már területi eloszlások formájában megadható, a mederanyag térképek ezt a leírásmódot jól kiegészíthetik (pl. Baranya és társai 2018). Folyók morfodinamikai folyamatainak vizsgálatánál is fontos szerepe van a mederanyag fizikai jellemzőinek. Manapság már többdimenziós számítógépes modellek alkalmazhatók a mederalak változási folyamatok szimulációjára (pl. Török és társai 2019), amelyeknek egyik releváns bemeneti adata a meder fizikai összetétele. A felvételek annotálása során kiderült, hogy a drón repülési sebessége közel sem volt optimális, mivel a képek nagyjából 30%-a használhatatlan volt, ezért fontos lenne megtalálni az optimális repülési gyorsaságot, amely mellett a legjobb minőségű képek készíthetők, azonban az elemzés is gyors ütemben haladhat. A modell architektúráját tekintve is vannak alkalmazható fejlesztési irányok. Itt a terület gyors ütemű fejlődése miatt erre szükség is van. Ha a jelenlegi architektúrát szeretnénk fejleszteni, akkor minél mélyebb (több belső réteggel rendelkező) modell kialakítása a célszerű, amely azonban a számítási teljesítmény növekedésével jár. Azonban az is elképzelhető, hogy a közeljövőben felbukkan egy, a jelen vizsgálat során használtnál jobb felépítésű modell, így érdemes folyamatosan követni ezen terület kutatási újdonságait. A legnagyobb teljesítmény növekedés azonban mindenképp a tanító adathalmaz nagyarányú növelésével lenne elérhető. Az itt bemutatott módszer tehát alkalmas lehet arra, hogy akár több 10 km hosszúságú folyószakaszokra a mederanyagra vonatkozó szemösszetételi információt térképi formában állítsuk elő. A cikkben ugyan csak a part menti sávról készült drónfelvételek elemzésére mutattunk be példát, de az eljárás kiterjeszthető víz alatti felvételekre is, IRODALOMJEGYZÉK Albelwi, S., Mahmood, A. (2017). A Framework for Designing the Architectures of Deep Convolutional Neural Networks, Entropy, Vol. 19 (6), pp. 242. Bankó, M., Brill, E. (2001). Scaling to very large corpora for natural language disambiguation, ACL '01 Proceedings of the 39th Annual Meeting on Association for Computational Linguistics, pp. 26-33. Baranya, S., Fleit, G., Józsa, ,/., Szalóky, Z., Tóth, B., Czeglédi, L, Erős, T. (2018). Habitat mapping of riverine fish by means of hydromorphological tools. Ecohydrology, Vol. 11 (7). Chen, /.., Zhu, Y., Papandreou, G., Schroff, F., Hartwig, A. (2018). Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation, ArXiv, 1802.02611 Detert, M., Kadinski, L., Weitbrecht, W. (2018). On the way to airborne gravelometry based on 3D spatial data derived from images, International Journal of Sediment Research, Vol. 33.(1), pp. 84-92. Esteva, A., Kuprel, B., Novoa, R. A., Ko,Swetter, S. M., Blau, H. M„ Thrun, T. (2017). Dermatologist-level
