Hidrológiai Közlöny, 2022 (102. évfolyam)
2022 / 1. szám
Blix K., Tóth R. V.: Gépi tanulás módszerek a Balaton távérzékelésében 9 lyeket a tanítás során az összes elérhető csatorna felhasználásával kaptunk. Az eredményekből jól látható, hogy a modellek az SVM kivételével közel hasonló hatékonysággal teljesítettek, és a mély tanulással számított regreszsziós statisztikai értékek mutatták a legpontosabb becslést (7. táblázat). 1. táblázat. Regressziós statisztikai értékek összefoglaló táblázata: átlag abszolút hiba, regressziós korrelációs koefficiens (R2), a tanuláshoz használt idő (s) és az előrejelzéshez szükséges idő (megfigyelés/'s) Table 1. Regression performance measures: mean absolute error, regression correlation coefficient (R2), time used for learning Módszer (összes csatorna) Átlag abszolút hiba R2 Tanulás idő (s) Predikciós idő (megfigyelés/s) SVM 5,6 0,59 1,2 36 000 GPR 1 3,9 0,82 10,4 23 000 GPR 2 3,8 0,81 11,5 30 000 NN 1 3,9 0,82 5,7 38 000 NN 2 3,7 0,85 4,5 58 000 NN 3 3,4 0,86 8,1 43 000 mély tanulás 3,2 0,88 7,4 18 000 Megjegyzés: A modellek tanításánál az összes elérhető (11) spektrális csatorna használva volt. A modellek számozása a GPR esetében a kernel függvény típusára, míg a neurális hálók esetében a háló méretére utal. Note: All channels (11) were used in the training process. Model numbers indicate the type of the kernel function and the number of neurons for the GPR and NN, respectively. A 3. ábra bemutatja az 1. táblázatban összefoglalt Ml módszerek közötti különbségeket a legkevésbé (SVM - A) és a legjobban (mély tanulás - B) teljesítő modellek példáján. Jól látható, hogy míg az adat a mély tanulásnál követi az 1-1 egyenest, addig az SVM esetében a magasabb a-klorofdl értékeknél jelentős alul becslés tapasztalható (3A. ábra). (Megjegyzés: A felhasznált Ml módszerek közötti különbségeket a legkevésbé (SVM -A) és a legjobban (mély tanulás - B) teljesítő modellek példáján. Az egyenes fekete vonal az 1-1 elosztási mutatja.) Figure 3. Scatterplots of the measured and predicted Chlorophyll-a content by using the SVM-A and deep learning-B algorithms (Note: The differences between the A1 methods used are illustrated by the example of the least (SVM - A) and the best (deep learning - B) performing models. The straight black line shows the 1-1 distribution. A 2. táblázat összefoglalja a kiválasztott 3, illetve 4 csatornát használó MI modellekre számított statisztikai értékeket. Ebben az esetben a felhasznált algoritmusok között jelentős eltérés figyelhető meg. Míg a 3 spektrális csatornát használó modellek közel egyforma teljesítményre voltak képesek (a legszorosabb kapcsolatot mutató korrelációs koefficiens a GPR módszernél 0,80, míg a legrosszabb a mély tanulás modell 0,78), addig a 4 spektrális csatorna esetében a legjobb és a legrosszabb közötti eltérés jelentősen nagyobb volt (GPR - 0,80 és SVM - 0,55; 2. táblázat).
