第四章 以類神經網路建構空間模型
4.7 個案（四） ：美國愛達荷州(Idaho)雨量站 30 年平均降雨量 .71
第四章 以類神經網路建構空間模型
第四章 以類神經網路建構空間模型
表4-10個案（四）BPN與AASN最佳輸出結果
網路結構 最佳學習循環次數 測試範例
RMS( inch
)BPN(2-10-10-1) 20560 2.982
AASN(2-6-6-1) 2100 3.064
在資料後處理的部份，分別以學習循環 30000 次範圍下繪製出 BPN(2-10-10-1, Ncycle=20560)與AASN(2-6-6-1, Ncycle=2100)之收斂 圖，可以看出兩種網路結構收斂的完整過程，如圖4-16與圖4-17所 示。
0 2 4 6 8 10 12 14 16 18 20
0 5000 10000 15000 20000 25000 30000
學習循環
RMS
訓練範例 測試範例
圖 4-16個案（四）BPN收斂圖
第四章 以類神經網路建構空間模型
0 2 4 6 8 10 12 14 16 18 20
0 5000 10000 15000 20000 25000 30000
學習循環
RMS
訓練範例 測試範例
圖 4-17個案（四）AASN 收斂圖
未知檔(PCN.unk)建置完畢後載入 PCNeuron，在前處理以及網路 設定部份所示，僅需將測試範例數改為 3822 筆且使用驗證網路模式 執行，輸出變數之值亦須尺度化。經PCNeuron輸出後之預測值匯入
AreView 中，即呈現一均佈點距為 10000 公尺之網格圖，再以
Geostatistical Analyst模組分別繪製BPN空間模型（如圖4-18所示）
與AASN空間模型（如圖 4-19所示）。
第四章 以類神經網路建構空間模型
圖4-18個案（四）BPN空間模型
第四章 以類神經網路建構空間模型
4.8 個案（五）：田間鹼解氮含量
本個案在資料前處理部份設定如表4-1所示，除了訓練範例與測 試範例各為45筆與 18筆。其他則與個案（一）相同。在網路設定的 參數部份亦與個案（一）相同。依照上述設定分別執行BPN與AASN 後個別找尋最佳學習循環數目（收斂點）之
RMS
作為預測指標比較 之依據。如表4-11所示為分別在 20種網路結構下執行BPN與AASN 之輸出結果。就最佳學習循環數目而言如表4-12所示，BPN以2-10-1網路結 構下在學習循環 3810 次後之
RMS
為 5.29mg / kg
為最佳；而 AASN 則以 2-22-22-1 網路結構下在學習循環 240 次後產生之RMS
為 5.19mg / kg
為最佳。表4-11個案（五）BPN與AASN 輸出結果
BPN（單隱藏層） BPN（雙隱藏層） AASN
網路 結構
學習 循環
RMS (mg/kg)
網路 結構
學習 循環
RMS (mg/kg)
網路 結構
學習 循環
RMS (mg/kg) 2-2-1 3360 5.41 2-2-2-1 4790 5.58 2-2-2-1 570 5.77 2-4-1 2530 5.34 2-4-4-1 3280 5.59 2-4-4-1 370 5.71 2-6-1 2730 5.39 2-6-6-1 4800 5.57 2-6-6-1 340 5.68 2-8-1 3830 5.43 2-8-8-1 4150 5.58 2-8-8-1 330 5.56 2-10-1 3810 5.29 2-10-10-1 4350 5.37 2-10-10-1 310 5.32 2-12-1 3000 5.40 2-12-12-1 4480 5.46 2-12-12-1 210 5.59 2-14-1 2340 5.41 2-14-14-1 3830 5.30 2-14-14-1 290 5.40 2-16-1 2240 5.33 2-16-16-1 3810 5.46 2-16-16-1 320 5.54 2-18-1 5130 5.56 2-18-18-1 3750 5.47 2-18-18-1 370 5.45 2-20-1 2830 5.37 2-20-20-1 3820 5.43 2-20-20-1 280 5.44 2-22-1 4050 5.85 2-22-22-1 5200 5.36 2-22-22-1 240 5.19 2-24-1 2400 5.36 2-24-24-1 3400 5.36 2-24-24-1 280 5.25 2-26-1 4460 5.46 2-26-26-1 4230 5.45 2-26-26-1 240 5.25 2-28-1 2940 5.37 2-28-28-1 3890 5.43 2-28-28-1 220 5.25 2-30-1 3530 5.34 2-30-30-1 4970 5.44 2-30-30-1 240 5.33 2-32-1 2710 5.34 2-32-32-1 4520 5.41 2-32-32-1 420 5.81 2-34-1 4020 5.34 2-34-34-1 4730 5.38 2-34-34-1 700 6.26 2-36-1 4730 5.78 2-36-36-1 5480 5.32 2-36-36-1 1460 6.89 2-38-1 3350 5.37 2-38-38-1 4800 5.43 2-38-38-1 N.A. N.A.
2-40-1 4370 5.49 2-40-40-1 3780 5.41 2-40-40-1 N.A. N.A.
*N.A.：無法執行
第四章 以類神經網路建構空間模型
表4-12個案（五）BPN與AASN最佳輸出結果
網路結構 最佳學習循環次數 測試範例
RMS( mg / kg
)BPN(2-10-1) 3810 5.29
AASN(2-22-22-1) 240 5.19
在資料後處理的部份，分別以學習循環 30000 次範圍下繪製出 BPN(2-10-1, Ncycle=3810)與 AASN(2-22-22-1, Ncycle=240)之 收 斂 圖，如圖4-20與圖4-21所示可看出兩種ANN 方法收斂的完整過程。
0 2 4 6 8 10 12 14 16 18 20
0 5000 10000 15000 20000 25000 30000
學習循環
RMS
訓練範例 測試範例
圖 4-20個案（五）BPN收斂圖
第四章 以類神經網路建構空間模型
0 2 4 6 8 10 12 14 16 18 20
0 5000 10000 15000 20000 25000 30000
學習循環
RMS
訓練範例 測試範例
圖 4-21個案（五）AASN 收斂圖
未知檔(PCN.unk)建置完畢後載入 PCNeuron，在前處理以及網路 設定部份所示，僅需將測試範例數改為 63 筆且使用驗證網路模式執 行，輸出變數之值亦須尺度化。經 PCNeuron 輸出後之預測值匯入 AreView中，即呈現一均佈點距為50公尺之網格圖，再以Geostatistical Analyst 模組分別繪製 BPN 空間模型（如圖 4-22 所示）與 AASN 空 間模型（如圖4-23所示）。
第四章 以類神經網路建構空間模型
圖4-22個案（五）BPN空間模型
圖4-23個案（五）AASN空間模型
第五章 一般克利金法與類神經網路之比較