查詢結果分析
相關文獻
- Spatial Estimation of Pollutant Concentration Using Neural Nets
- 地理統計結合地理資訊系統應用於土壤污染防治
- 地理統計模擬法於斗六地區流通係數空間分佈模擬之研究
- Mapping Soil Mercury in Taiwan Using Geostatistics and Geographic Information Systems
- 土壤微量元素空間分佈之分析:以花蓮吉安地區為例
- 以地理資訊系統及地理統計於空間資料分析之研究
- 森林生育地因子之空間推估與生育地分類
- Application of Disjunctive Kriging on Delineation of Heave-Metal Contaminated Soils
- 降雨量空間分佈連續性分析之探討
- 土壤質地與K值相關性及空間變異性之探討--以東勢、國姓區塊為例
頁籤選單縮合
題 名 | Spatial Estimation of Pollutant Concentration Using Neural Nets=類神經網路於污染物空間推估之研究 |
---|---|
作 者 | 盧瑞山; 駱尚廉; | 書刊名 | 中國環境工程學刊 |
卷 期 | 8:3 1998.09[民87.09] |
頁 次 | 頁239-245 |
分類號 | 445.6 |
關鍵詞 | 地理統計; 空間推估; 普通克利金法; 類神經網路推估法; Artificial neural networks; Geostastistics; Neural-estimation; Ordinary kriging; |
語 文 | 英文(English) |
中文摘要 | 本文所設計之新方法目的是為探討類神經網路(Artificail Neural Networks. ANN)對二維空間中污染物分布之推估能力,研究方法是以Turning Band Method(TBM)產生出 人工虛擬之土壤受重金屬污染之全域資料, 以 ANN 結合地理統計 (Geostatitics) 之概念 , 提出一種稱為 Neural-estimation 的空間推估技術應用於土壤中重金屬含量之推估,由 已知採樣點之測值去推估未知點之含量值。 並將比較 Neural-estimation 與普通克利金法 (OrdinaryKriging,O.K.) 之優劣。本研究獲致一個結論:當在風險評估的推估準確率僅要 求在 80 %以下時,可採用 Neural-estimation 方法, 其推估作業所花成本將是最小值; 但若風險評估的推估準確率要求要達 80 %以上時, 則 O.K. 及 Neural-estimation 皆是 最佳方案。 因其推估作業所花的成本將是一樣的。本研究成果將可證明 ANN 將是一種可取 代地理統計上普通克利金法之新方法。 |
英文摘要 | Measurements of contaminant concentration at a harzardous waste site typically vary over many orders of magnitude and have highly skewed distribution. This study presents a new methodology, neural estimation, for the estimation of pollutant concentration at a pseudo harzardous waste site. A neural-estimation model is described, implemented in a parallelizing algorithm, and applied to develop maps of discrete spatically distributed fields (e.g., heavy metal in soil). Neural estimation is similar to ordinary kriging. It uses a feed-forward counterpropagation training approach because field observations are available and because fast yet reliable results can be obtained. Neural estimation is datadriven and requires no estimate of a covariance function, that is, no,need to take account of dependent relations in samples. A comparison with a reference field shows that neural-estimation produces more correctestimation than does ordinary kriging. The combination of simplicity,interpolations, and reasonably curate estimation statistics, and computational speed suggest that artificial neural networks can be useful tools in environmental monitoring and assessment. |
本系統中英文摘要資訊取自各篇刊載內容。