Нейросетевой метод решения обратных задач для радиационных моделей растительного покрова

Розглянуто задачу відновлення параметрів рослинності як задачу, обернену до задачі моделювання спектру відбиття рослини. Для розв’язання задачі запропоновано обчислювально-ефективний нейромережевий метод на базі мереж щільності суміші, який дозволяє отримувати оцінки похибки параметрів, що відновлюю...

Повний опис

Збережено в:
Бібліографічні деталі
Опубліковано в: :Кибернетика и системный анализ
Дата:2009
Автор: Кравченко, А.Н.
Формат: Стаття
Мова:Російська
Опубліковано: Інститут кібернетики ім. В.М. Глушкова НАН України 2009
Теми:
Онлайн доступ:https://nasplib.isofts.kiev.ua/handle/123456789/44375
Теги: Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:Нейросетевой метод решения обратных задач для радиационных моделей растительного покрова / А.Н. Кравченко // Кибернетика и системный анализ. — 2009. — № 3. — С. 159-172. — Бібліогр.: 26 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine
_version_ 1862740621570080768
author Кравченко, А.Н.
author_facet Кравченко, А.Н.
citation_txt Нейросетевой метод решения обратных задач для радиационных моделей растительного покрова / А.Н. Кравченко // Кибернетика и системный анализ. — 2009. — № 3. — С. 159-172. — Бібліогр.: 26 назв. — рос.
collection DSpace DC
container_title Кибернетика и системный анализ
description Розглянуто задачу відновлення параметрів рослинності як задачу, обернену до задачі моделювання спектру відбиття рослини. Для розв’язання задачі запропоновано обчислювально-ефективний нейромережевий метод на базі мереж щільності суміші, який дозволяє отримувати оцінки похибки параметрів, що відновлюються. Формально показані властивості нейронних мереж з традиційною архітектурою та запропонованих. Метод апробовано на тестовій моделі та радіаційній моделі листя рослини PROSPECT. Проведено валідацію метода на даних реальних спостережень. Vegetation parameter retrieval is considered as the inverse of the problem of modelling canopy radiative transfer. To solve this problem, a new computationally efficient method based on Mixture Density Networks (MDNs) is proposed. The method allows for the estimation of errors of retrieved parameters for each given set of reflectances. The properties of neural networks of traditional architecture and MDNs are considered. The developed method is tested on a simple model and on the PROSPECT leaf radiative transfer model. The method is validated using real data.
first_indexed 2025-12-07T20:15:31Z
format Article
fulltext
id nasplib_isofts_kiev_ua-123456789-44375
institution Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn 0023-1274
language Russian
last_indexed 2025-12-07T20:15:31Z
publishDate 2009
publisher Інститут кібернетики ім. В.М. Глушкова НАН України
record_format dspace
spelling Кравченко, А.Н.
2013-05-31T16:35:37Z
2013-05-31T16:35:37Z
2009
Нейросетевой метод решения обратных задач для радиационных моделей растительного покрова / А.Н. Кравченко // Кибернетика и системный анализ. — 2009. — № 3. — С. 159-172. — Бібліогр.: 26 назв. — рос.
0023-1274
https://nasplib.isofts.kiev.ua/handle/123456789/44375
681.32
Розглянуто задачу відновлення параметрів рослинності як задачу, обернену до задачі моделювання спектру відбиття рослини. Для розв’язання задачі запропоновано обчислювально-ефективний нейромережевий метод на базі мереж щільності суміші, який дозволяє отримувати оцінки похибки параметрів, що відновлюються. Формально показані властивості нейронних мереж з традиційною архітектурою та запропонованих. Метод апробовано на тестовій моделі та радіаційній моделі листя рослини PROSPECT. Проведено валідацію метода на даних реальних спостережень.
Vegetation parameter retrieval is considered as the inverse of the problem of modelling canopy radiative transfer. To solve this problem, a new computationally efficient method based on Mixture Density Networks (MDNs) is proposed. The method allows for the estimation of errors of retrieved parameters for each given set of reflectances. The properties of neural networks of traditional architecture and MDNs are considered. The developed method is tested on a simple model and on the PROSPECT leaf radiative transfer model. The method is validated using real data.
Настоящая статья поддержана совместным грантом УНТЦ-НАНУ «Grid Technologies for Multi-Source Data Integration» № 4928.
ru
Інститут кібернетики ім. В.М. Глушкова НАН України
Кибернетика и системный анализ
Системный анализ
Нейросетевой метод решения обратных задач для радиационных моделей растительного покрова
Нейромережевий метод розв’язання обернених задач для радіаційних моделей рослинності
Neural networks method of solving inverse problems for canopy radiative transfer models
Article
published earlier
spellingShingle Нейросетевой метод решения обратных задач для радиационных моделей растительного покрова
Кравченко, А.Н.
Системный анализ
title Нейросетевой метод решения обратных задач для радиационных моделей растительного покрова
title_alt Нейромережевий метод розв’язання обернених задач для радіаційних моделей рослинності
Neural networks method of solving inverse problems for canopy radiative transfer models
title_full Нейросетевой метод решения обратных задач для радиационных моделей растительного покрова
title_fullStr Нейросетевой метод решения обратных задач для радиационных моделей растительного покрова
title_full_unstemmed Нейросетевой метод решения обратных задач для радиационных моделей растительного покрова
title_short Нейросетевой метод решения обратных задач для радиационных моделей растительного покрова
title_sort нейросетевой метод решения обратных задач для радиационных моделей растительного покрова
topic Системный анализ
topic_facet Системный анализ
url https://nasplib.isofts.kiev.ua/handle/123456789/44375
work_keys_str_mv AT kravčenkoan neirosetevoimetodrešeniâobratnyhzadačdlâradiacionnyhmodeleirastitelʹnogopokrova
AT kravčenkoan neiromereževiimetodrozvâzannâobernenihzadačdlâradíacíinihmodeleiroslinností
AT kravčenkoan neuralnetworksmethodofsolvinginverseproblemsforcanopyradiativetransfermodels