Zbog svoje siroke primjene, gotovo da se danas može reci da je ovo vrijeme prijelaza na tehnologiju umjetnih neuronskih mreža. Stoga je cilj ovog rada predstaviti tu tehnologiju i njezinu primjenu u daljinskim istraživanjima. U tu svrhu koristen je digitalni ortofoto izrađen iz crno-bijelih aerofotosnimaka, približnog mjerila 1:20 000. Istraživanjem je obuhvacena gospodarska jedinica “ Jamaricko brdo” , suma rije Lipovljani. Procjena sastojinskog obrasta provedena je primjenom viseslojnog percep trona, kao najkoristenijeg modela umjetnih neuronskih mreža u daljinskim istraživanjima.Također je koristena samoorganizirajuca neuronska mreža sa svrhom kontrole utvrđenih obrasta u Osnovi gospodarenja, pre ma njihovoj raspodjeli u tri kategorije (normalan, manji od normalnog, slab). Provedenim istraživanjem dobivena su dobra generalizacijska svojstva vise - slojnog perceptrona u procjeni obrasta, kao i da se samoorganizirajuca neu - ronska mreža može primijeniti u kontroli i raspodjeli sastojinskih obrasta. Kako se u sumarstvu svakodnevno provodi velik broj razlicitih mjerenja, upravo umjetne neuronske mreže predstavljaju model temeljen na teoriji ucenja, kojim bi se znacajnije moglo unaprijediti koristenje ovako velikog broja podataka, koji su se do sada rjesavali iskljucivo statistickim metodama i metodama operacijskih istraživanja.
[1]
Yang Wang,et al.
Retrieving forest stand parameters from SAR backscatter data using a neural network trained by a canopy backscatter model
,
1997
.
[2]
Tatiana Mora Kuplich,et al.
Classifying regenerating forest stages in Amazônia using remotely sensed images and a neural network
,
2006
.
[3]
K. O. Niemann,et al.
Local Maximum Filtering for the Extraction of Tree Locations and Basal Area from High Spatial Resolution Imagery
,
2000
.
[4]
M. Bauer,et al.
Estimation and mapping of forest stand density, volume, and cover type using the k-nearest neighbors method
,
2001
.
[5]
Xuezhi Wen,et al.
Recent Applications of Artificial Neural Networks in Forest Resource Management: An Overview
,
1999
.
[6]
Daniel L. Civco,et al.
Artificial Neural Networks for Land-Cover Classification and Mapping
,
1993,
Int. J. Geogr. Inf. Sci..
[7]
Giles M. Foody.
Thematic mapping from remotely sensed data with neural networks: MLP, RBF and PNN based approaches
,
2001,
J. Geogr. Syst..