INHOUDSOPGAVE

Blz.

1 Inleiding

2 opzet

2.1 Methodiek

2.2 Verbetering datasets

2.3 Training neurale netwerken

3 Resultaten

BIJLAGEN

1. Beschrijving NN langzaam stromende beken
2. Beschrijving NN snel stromende beken
3. Beschrijving NN diepe meren
4. Beschrijving NN ondiepe meren
5. Beschrijving NN kanalen
6. Beschrijving NN sloten
7. Beschrijving NN zwak brake wateren
8. Beschrijving NN brak tot zoute wateren

1                               Inleiding

Het afgelopen jaar hebben de waterbeheerders hard gewerkt om de waterlichamen, doelen en maatregelen aan te passen en vast te stellen voor hun waterbeheerplannen en SGBP2. Het Planbureau voor de Leefomgeving (PBL) gaat net als in 2007 en 2009 voor SGBP1 analyseren in hoeverre de geplande maatregelen leiden tot het bereiken van de doelen (in de zogenaamde Ex Ante evaluatie). Dit gebeurt in samenwerking met Deltares waarbij met de KRW-verkenner de effecten van de maatregelen op de ecologische toestand worden doorgerekend. Om dit mogelijk te maken, is echter eerst een aanpassing van de ecologische rekentools in de KRW-verkenner noodzakelijk. Deze zijn namelijk nog opgesteld op basis van de oude maatlatten en waterlichaamkarakterisering. De ecologische rekenregels zijn ondergebracht in een rekenmodule Expertsystseem Ecologische Effecten. Waarbij voor dit project de versie 3 is aangepast naar versie 4 (EEE4)

Royal HaskoningDHV heeft van PBL opdracht gekregen om voor de KRW-Verkenner:

• Bestaande datasets aan te passen aan de nieuwe maatlatten en aan te vullen als dat mogelijk is.
• Nieuwe neurale netwerken te trainen voor de acht verschillende watertypen (EEE4).
• De verkregen netwerken te testen en tezamen als ‘stand alone’ executable te compileren voor gebruik in de KRW-verkenner.

In deze korte rapportage wordt de methodiek, opzet en resultaten van de neurale netwerken beschreven. In bijlagen 1 t/m 8 worden de concrete resultaten van deze netwerken voor elk van de acht watertypen gegeven.

2                               opzet

2.1                         Methodiek

Met de aangevulde en verbeterde datasets zijn nieuwe neurale netwerken getraind met de Neural Network Toolbox V7.0 (R2010b) in Matlab V7.11 (R2010b) van Mathworks ®. Het daarbij gebruikte type neurale netwerk is een zogenaamd feed forward back propagation netwerk dat ook toegepast is voor het trainen van de EEE2 [1] en EEE3 [2] netwerken. Voor elk te trainen netwerk zijn de datasets verdeeld in een set met 80% wateren voor de training en validatie en een set met 20% wateren voor het testen. Deze zelfde 20% worden ook bij de andere tools (PUNN en Regressiebomen) gebruikt om te testen. Deze 20% testdata is in het verleden wel eens (foutief) validatiedata genoemd, maar wordt dus enkel gebruik voor het testen en onderling vergelijken van de drie rekentools.

De aldus verkregen netwerken zijn vervolgens gecompileerd tot de executable EEE4.exe met Matlab Compiler V4.14 (R2010b). Deze executable leest een csv-invoerbestand in en genereert twee uitvoerbestanden, te weten:

• Een csv-bestand waarin eventuele te hoge of te lage waarden van een stuurvariabele als ‘outliers’ zijn aangegeven.
• Een csv-bestand met voorspelde EKR’s voor alle kwaliteitselementen.

Deze executable is aan Deltares geleverd voor koppeling aan de KRW-verkenner.

2.2                         Verbetering datasets

Uitgangspunten

Bij de verbetering van de dataset zijn de volgende uitgangspunten van toepassing:

• De clusters van regionale watertypen blijven gelijk.
• De stuurvariabelen binnen de genoemde watertypeclusters blijven ook gelijk.
• De kwaliteitselementen zijn: fytoplankton, overige waterflora (macrofyten, gecombineerd met fytobenthos in de stromende wateren), macrofauna en vis.
• De datasets voor training (incl. validatie) en testen (verder trainingset genoemd) per watertype en biologisch kwaliteitselement die voor EEE3 (Expertsysteem Ecologische Effecten) zijn samengesteld in 2012 waren het startpunt. De verbetering van de trainingsets is vooral gericht op de effecten van de nieuwe maatlatten. Omdat het Waterkwaliteitsportaal (meest recente KRW-toetsing) voor alle kwaliteitselementen nieuwe gegevens bevat, is vervanging van deze gegevens in de trainingset noodzakelijk. Daarnaast moeten de EKR’s voor overige waterflora en vis van de Limnodata-toetsingen en de expertoordelen ook vervangen worden omdat deze maatlatten zijn gewijzigd. Dat is gedaan met nieuwe toetsingen, waar beschikbaar, of met een factor of formule waar er een duidelijke relatie is tussen de oude en nieuwe maatlatten. Voor macrofauna in M30 (zwak brakke wateren) en fytoplankton in M20 (diepe zoete meren) geldt hetzelfde.

Veranderingen in dataset

Voor het trainen van nieuwe neurale netwerken ten behoeve van EEE4 zijn de datasets voor de acht verschillende watertypen zoals gebruikt voor de verdere ontwikkeling van EEE3 in 2012 aangevuld en verbeterd. Tabel 2.1 geeft hiervan een overzicht.

Voor zes watertypen zijn de datasets uitgebreid, voor één watertype is de dataset gelijk gebleven in aantal records en voor één watertype is er één record minder.

Van de uitgebreide datasets springen de watertypes langzaam stromende beken, ondiepe meren en kanalen erbovenuit met aardig wat meer records, om precies te zijn 10, 11 en 13 records. Na deze update is voor alle watertypenclusters op de diepe meren na een dataset van voldoende omvang (circa 190-200) verkregen. Het aantal diepe meren dat in Nederland als waterlichaam is aangewezen is echter zo laag dat een dataset met vergelijkbare omvang niet mogelijk is op dit moment. Ondanks de relatief kleine dataset waren er voor alle kwaliteitselementen van dit type waterlichaam toch goede netwerken te trainen.

Samenvattend zijn er iets meer records beschikbaar en meestal hetzelfde of meer echte metingen. Bij meer records kan dat soms tot een iets lager percentage ‘echte waarnemingen’ leiden.

Tabel 2.1: Aantal records in de datasets voor ontwikkeling EEE4 en aandeel monsters dat getoetst is aan de KRW-maatlatten (uit Limnodata, Piscaria of uit het WKP), eventueel aangepast n.a.v. ontbrekende data of andere gegevens. Resterend aandeel ingevuld op basis van expert judgement. Tussen () het aantal records c.q. percentage getoetst bij EEE3

Verandering in oordelen na aanpassing maatlat

In beide clusters stromende wateren was het verwerken van de nieuwe maatlatten voor overige waterflora (specifiek de macrofyten) en vis het meest ingrijpend. Met name voor vis zijn de oordelen op dezelfde locaties nu een stuk lager dan voorheen.

In de zwak brakke wateren heeft de aangepaste maatlat voor macrofauna het meeste effect op de EKR’s. In het zoete bereik (<1000 mg Cl/l) zijn de oordelen hoger dan voorheen en in het zoute bereik (>2000 mg Cl/l) juist lager.

In de diepe zoete meren heeft de aanpassing van de deelmaatlat voor chlorofyl geleid tot hogere EKR’s voor fytoplankton. De nieuwe maatlatten voor overige waterflora en vis leiden in de meeste gevallen tot wat lagere EKR’s.

In de sloten en kanalen zijn met de maatlataanpassingen (vis en overige waterflora) hoofdzakelijk fouten opgelost. Dit heeft niet geleid tot een structurele verhoging of verlaging van de EKR. De maatlatfouten spelen uiteraard niet in de expertoordelen en zijn dan ook niet aangepast. Dit geldt ook voor overige waterflora in de ondiepe meren. Bij vis in de ondiepe meren is wel overwogen om de expertoordelen wat te verlagen. De relaties tussen de EKR’s van oude en nieuwe maatlatten was echt niet goed genoeg om een juiste factor af te kunnen leiden. Daarom is eerst getraind en zijn vervolgens expert oordelen aangepast waar de berekende oordelen die duidelijk afwijken van de ingevoerde waarden.

De volgende codes zijn gebruikt in de trainingsets om de herkomst van de gegevens te kunnen herleiden en of het betreffende record is gebruikt voor training (+ validatie) of testen:

• Herkomst locatie: LD (meetpunt uit Limnodata), WL (Waterlichaam uit Waterkwaliteitportaal/WKP) en DF (Default locatie op basis van de referentiebeschrijvingen).
• Herkomst EKR per kwaliteitselement: 1 (KRW conforme toetsing meetpuntgegevens), 2 (EKR waterlichaam uit WKP SGBP2), 3 (expertoordeel), 4 (eigen default) en 5 (EKR waterlichaam vorige ronde SGBP1, soms enige mogelijkheid). Combinaties zijn ook mogelijk.
• Toepassing EKR kwaliteitselement: T (gebruikt voor de training) en V (gebruikt voor testen [3] ).

2.3                         Training neurale netwerken

De Matlab scripts die zijn opgesteld om de neurale netwerken te trainen zijn geupdate, waarna nieuwe neurale netwerken zijn getraind met de datasets die ten opzichte van de sets in 2012 zijn aangevuld en verbeterd.

In tabel 2.2 is een overzicht gegeven van de watertypen, de verschillende neurale netwerken en het aantal trainingscycli dat is uitgevoerd.

Tabel 2.2: Watertypen, neurale netwerken en trainingscycli

In Tekst box 1 is de opbouw van een training en de bijbehorende begrippen verder toegelicht.

Trainen, valideren en testen

Zoals al is aangegeven in paragraaf 2.1 is de dataset willekeurig verdeeld in 80% (train-) en 20% (test-)data. De 80% data is vervolgens voor elke trainingscyclus opnieuw willekeurig verdeeld in 80% voor de training en 20% voor de validatie. Tijdens de training worden de netwerkfout in de trainingset en de netwerkfout in de validatieset continu gecontroleerd. Beide fouten nemen tijdens de eerste fase van de training gewoonlijk af. Wanneer het netwerk zichzelf overtraint (‘overfitting’), zal de fout in de
validatieset meestal groter worden. De netwerkparameters worden dan vastgelegd op het minimum van de validatiefout.

De verdeling van de dataset in training + validatie (80%) en testen (20%) van de uiteindelijk vastgestelde neurale netwerken zijn vervolgens ook beschikbaar gesteld voor het trainen van de andere twee typen expertsystemen (PUNN’s bij Witteveen en Bos en regressieboomanalyses bij Planbureau voor de Leefomgeving). In deze datasets is de testset zoals eerder gesteld nog aangegeven met een ‘V’.

Voor een specifiek neuraal netwerk is telkens één trainingscyclus [4] ingezet. De cyclus is gericht op:

1. Maximalisatie van de determinatiecoëfficiënt R 2 tussen voorspelde en gemeten EKR’s.
2. Optimalisatie van de richtingscoëfficiënt RC van de verkregen lineaire regressielijn van voorspelde en gemeten EKR’s.

Dit houdt in dat na het bepalen van het netwerk met de laagste validatiefout de R 2 wordt berekend en vergeleken met de R 2 van het voorgaande beste netwerk. Als de R 2 beter is wordt ook de RC berekend en vergeleken met de RC van het voorgaande beste netwerk. Als de RC en dus ook de R 2 beter is wordt dit netwerk opgeslagen en de daarvoor gebruikte training- en validatieset bewaard. Tijdens de training van een netwerk wordt de trainingscyclus minimaal 11 000 en maximaal 55 000 keer herhaald afhankelijk van het watertype. Bij elke trainingscyclus wordt de dataset opnieuw willekeurig verdeeld in training- en validatiedata en de maximale R 2 en RC tot dan toe wordt meegenomen. Aan het eind van de training is het netwerk met de beste R 2 en RC opgeslagen. De daarbij behorende trainings- en validatiesets zijn daarna verstuurd aan de trainers van de andere twee expertsystemen.

Tabel 2.3 geeft een overzicht van de stuurfactoren die bij de training van de verschillende watertypen als invoerparameter zijn gebruikt.

Tabel 2.3: Watertypen en de gekozen hydromorfologische en chemische stuurvariabelen

In tabel 2.4a-e worden de waarden van de stuurvariabelen per watertypencluster verder uitgewerkt naar klasse-indeling en eenheden.

Tabel 2.4a: Stuurvariabelen langzaam en snel stromende beken uitgesplitst naar hydromorfologische en chemische parameters

* BZV is Biochemisch Zuurstofverbruik (maat voor de organische belasting van een water).

Tabel 2.4b: Stuurvariabelen zoete ondiepe en diepe meren uitgesplitst naar hydromorfologische en chemische parameters

Tabel 2.4c: Stuurvariabelen kanalen uitgesplitst naar hydromorfologische en chemische parameters

* NVO staat voor Natuurvriendelijke oevers.

Tabel 2.4d: Stuurvariabelen sloten uitgesplitst naar hydromorfologische en chemische parameters

* NVO staat voor Natuurvriendelijke oevers.

Tabel 2.4e: Stuurvariabelen zwak brakke en brakke tot zoute wateren uitgesplitst in hydromorfologische en chemische parameters

* NVO staat voor Natuurvriendelijke oevers.

3                               Resultaten

Hierna wordt in tabel 3.1 een samenvatting gegeven van de resultaten van de netwerktrainingen voor de kwaliteitselementen van de verschillende watertypen.

Naast determinatiecoëfficiënt R 2 en richtingscoëfficiënt RC zijn in de tabel opgenomen:

• De gemiddelde voorspelfout RMSE ( Rooted Mean Square Error) . Deze is als volgt gedefinieerd:

In deze formule staat y i voor de gemeten EKR en voor de met het expertsysteem voorspelde EKR in water i. Bij een perfecte voorspelling geldt dat de RMSE-waarde gelijk is aan nul.

• Het percentage voorspelde EKR’s dat minder dan 0,1 afwijkt van gemeten EKR.
• De Coëfficiënt of Determination (CoD) van de testset. De CoD is een maat voor de voorspellingswaarde van een neuraal netwerk. De waarde dient groter te zijn dan 0 en zo dicht mogelijk bij 1 te liggen. De formule voor de CoD is:
   

Met ‘var(y i )’ de variantie van de metingen in de testset.

Voor de gedetailleerde resultaten van de getrainde netwerken voor de verschillende watertypen wordt verwezen naar bijlagen 1 t/m 8.

De EEE4-resultaten zijn vergelijkbaar tot beter dan die van EEE3 (tabel 3.1). Zowel de R 2 als de RC is in alle gevallen verbeterd of zo goed als gelijk gebleven (-0.01 tot -0.06 afname). De RMSE is in alle gevallen kleiner geworden en het percentage binnen 0.1 is op twee netwerken na (-1 en -3 afname) gelijk gebleven of toegenomen met zelfs een toename van 24%. De CoD is heel wisselend met verschillen tussen de -0.48 en +0.45. De resultaten van beide EEE-versies zijn statistisch niet verder met elkaar vergeleken. We bevelen aan om dit weer gecombineerd voor alle drie de rekentools uit te voeren.

De met deze netwerken gecompileerde executable EEE4.exe dient als invoer een inputdata.csv bestand te hebben zoals weergegeven in tabel 3.2.

De beide uitvoerbestanden van deze EEE4 tool – outputdata.csv en outliers.csv - zijn weergegeven in tabel 3.3 en 3.4.

Tabel 3.1: Statistische kenmerken van getrainde neurale netwerken voor de verschillende watertypen tussen () waarden van EEE3

Tabel 3.2: Voorbeeld van invoerbestand EEE4

Tabel 3.3: Voorbeeld van uitvoerbestand outputdata.csv

Tabel 3.4: Voorbeeld van uitvoerbestand outliers.csv

Bijlage 1

Beschrijving NN langzaam stromende beken

Neurale netwerken (EEE4) voor watertypen R4 R5 R6 R12 Langzaam stromende beken

• Kwaliteitselementen (EKR): Overige waterflora, macrofauna en vissen
• Stuurfactoren: Meandering, beschaduwing, verstuwing,
  BZV, totaal fosfaat, totaal stikstof
• Aantal waarnemingen in dataset: 212
• Toegepast software pakket: Neural Network Toolbox 7.0 in Matlab 7.11.0.584
  (R2010b) 
• Aantal data gebruikt voor training: 64% (80% van de 80% van de hele dataset)
• Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
• Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
• Aantal trainingscycli: 11 000

Resultaat neuraal netwerk op trainingset

Resultaat neuraal netwerk op validatieset

Resultaat neuraal netwerk op testset

Gevoeligheid voor verandering stuurfactoren

Statistische gegevens

1 COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht mogelijk bij 1 te liggen.

Bijlage 2

Beschrijving NN snel stromende beken

Neurale netwerken (EEE4) voor watertypen R13 R14 R15 R17 R18 Snelstromende beken

• Kwaliteitselementen (EKR): Overige waterflora, macrofauna en vissen
• Stuurfactoren: Meandering, beschaduwing, verstuwing,
  BZV, totaal fosfaat, totaal stikstof
• Aantal waarnemingen in dataset: 195
• Toegepast software pakket: Neural Network Toolbox 7.0 in Matlab 7.11.0.584                                                         (R2010b) 
• Aantal data gebruikt voor training: 64% (80% van de 80% van de hele dataset)
• Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
• Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
• Aantal trainingscycli: 11 000

Resultaat neuraal netwerk op trainingset

Resultaat neuraal netwerk op validatieset

Resultaat neuraal netwerk op testset

Gevoeligheid voor verandering stuurfactoren

Statistische gegevens

1 COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht mogelijk bij 1 te liggen.

Bijlage 3

Beschrijving NN diepe meren

Neurale netwerken (EEE4) voor watertypen M16 en M20 Diepe meren

• Kwaliteitselementen (EKR): Fytoplankton, overige waterflora, macrofauna en                                                         vissen
• Stuurfactoren: Oeverinrichting, peilbeheer, totaal fosfaat, totaal                                                         stikstof
• Aantal waarnemingen in dataset: 129
• Toegepast software pakket: Neural Network Toolbox 7.0 in Matlab 7.11.0.584                                                         (R2010b) 
• Aantal data gebruikt voor training: 64% (80% van de 80% van de hele dataset)
• Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
• Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
• Aantal trainingscycli: 11 000

Resultaat neuraal netwerk op trainingset

Resultaat neuraal netwerk op validatieset

Resultaat neuraal netwerk op testset

Gevoeligheid voor verandering stuurfactoren

Statistische gegevens

1 COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht mogelijk bij 1 te liggen.

Bijlage 4

Beschrijving NN ondiepe meren

Neurale netwerken (EEE4) voor watertypen M14 M23 en M27 Ondiepe meren

• Kwaliteitselementen (EKR): Fytoplankton, overige waterflora, macrofauna en                                                         vissen
• Stuurfactoren: Oeverinrichting, peilbeheer, totaal fosfaat, totaal                                                         stikstof
• Aantal waarnemingen in dataset: 204
• Toegepast software pakket: Neural Network Toolbox 7.0 in Matlab 7.11.0.584                                                         (R2010b) 
• Aantal data gebruikt voor training: 64% (80% van de 80% van de hele dataset)
• Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
• Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
• Aantal trainingscycli: 11 000

Resultaat neuraal netwerk op trainingset

Resultaat neuraal netwerk op validatieset

Resultaat neuraal netwerk op testset

Gevoeligheid voor verandering stuurfactoren

Statistische gegevens

1 COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht mogelijk bij 1 te liggen.

Bijlage 5

Beschrijving NN kanalen

Neurale netwerken (EEE4) voor watertypen M3 M6ab M7ab en M10 Kanalen

• Kwaliteitselementen (EKR): Fytoplankton, overige waterflora, macrofauna en                                                         vissen
• Stuurfactoren: Oeverinrichting, peilbeheer, onderhoud,                                                         scheepvaart, totaal fosfaat, totaal stikstof
• Aantal waarnemingen in dataset: 211
• Toegepast software pakket: Neural Network Toolbox 7.0 in Matlab 7.11.0.584                                                         (R2010b) 
• Aantal data gebruikt voor training:  64% (80% van de 80% van de hele dataset)
• Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
• Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
• Aantal trainingscycli: 55 000

Resultaat neuraal netwerk op trainingset

Resultaat neuraal netwerk op validatieset

Resultaat neuraal netwerk op testset

Gevoeligheid voor verandering stuurfactoren

Statistische gegevens

1 COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht mogelijk bij 1 te liggen.

Bijlage 6

Beschrijving NN sloten

Neurale netwerken (EEE4) voor watertypen M01 M02 M08 Sloten

• Kwaliteitselementen (EKR): Overige waterflora, macrofauna en vissen
• Stuurfactoren: Oeverinrichting, peildynamiek, onderhoud, totaal                                                         fosfaat, totaal stikstof
• Aantal waarnemingen in dataset: 195
• Toegepast software pakket: Neural Network Toolbox 7.0 in Matlab 7.11.0.584                                                         (R2010b) 
• Aantal data gebruikt voor training:  64% (80% van de 80% van de hele dataset)
• Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
• Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
• Aantal trainingscycli: 11 000

Resultaat neuraal netwerk op trainingset

Resultaat neuraal netwerk op validatieset

Resultaat neuraal netwerk op testset

Gevoeligheid voor verandering stuurfactoren

Statistische gegevens

1 COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht mogelijk bij 1 te liggen.

Bijlage 7

Beschrijving NN zwak brakke wateren

Neurale netwerken (EEE4) voor watertype M30 Zwak brakke wateren

• Kwaliteitselementen (EKR): Fytoplankton, overige waterflora, macrofauna en                                                         vissen
• Stuurfactoren: Oeverinrichting, peildynamiek, onderhoud,                                                         connectiviteit, chloride, totaal fosfaat, totaal                                                                                     stikstof
• Aantal waarnemingen in dataset: 209
• Toegepast software pakket: Neural Network Toolbox 7.0 in Matlab 7.11.0.584

(R2010b)

• Aantal data gebruikt voor training:  64% (80% van de 80% van de hele dataset)
• Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
• Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
• Aantal trainingscycli: 55 000

Resultaat neuraal netwerk op trainingset

Resultaat neuraal netwerk op validatieset

Resultaat neuraal netwerk op testset

Gevoeligheid voor verandering stuurfactoren

Statistische gegevens

1 COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht mogelijk bij 1 te liggen.

Bijlage 8

Beschrijving NN brak tot zoute wateren

Neurale netwerken (EEE4) voor watertype M31 Brak zoute wateren

• Kwaliteitselementen (EKR): Fytoplankton, overige waterflora, macrofauna en                                                         vissen
• Stuurfactoren: Oeverinrichting, peildynamiek, onderhoud,                                                         connectiviteit, chloride, totaal fosfaat, totaal                                                                                     stikstof
• Aantal waarnemingen in dataset: 185
• Toegepast software pakket: Neural Network Toolbox 7.0 in Matlab 7.11.0.584                                                         (R2010b)
• Aantal data gebruikt voor training:  64% (80% van de 80% van de hele dataset)
• Aantal data gebruikt voor validatie: 16% (20% van de 80% van de hele dataset)
• Aantal data gebruikt voor testen: 20% (20% van de hele dataset)
• Aantal trainingscycli: 55 000

Resultaat neuraal netwerk op trainingset

Resultaat neuraal netwerk op validatieset

Resultaat neuraal netwerk op testset

Gevoeligheid voor verandering stuurfactoren

Statistische gegevens

1 COD is een maat voor de voorspellingswaarde van een ANN. Waarde dient groter te zijn dan 0 en zo dicht mogelijk bij 1 te liggen.

[1] Rapport ‘ Verdere ontwikkeling Expertsysteem Ecologische Effecten en evaluatie gebruik in de Ex ante evaluatie KRW’, voor Planbureau voor de Leefomgeving, Royal Haskoning, 16 april 2009.

[2] Rapport ‘Verbetering kennisregels ecologische effecten ten behoeve van de KRW-verkenner’, voor STOWA, Royal HaskoningDHV, 6 februari 2013.

[3] Werd bij EEE3 validatie genoemd, maar dit was eigenlijk het testen. Nu wordt het ook testen genoemd in het rapport, maar de V komt nog van Validatie in de opgeleverde sets (zodat die overeenkomen met de vorige versie). Zie ook paragraaf 2.3.

[4] Bij het trainen van EEE3 was dit opgesplitst in 2 cycli. Echter, tijdens het updaten van de scripts bleek het efficiënter om dit te combineren in één cyclus.

[5] De mate van meandering wordt uitgedrukt in sinuositeit. Sinuositeit is de lengte van de beek gedeeld door de lengte van het stroomdal. Op basis van sinuositeit kunnen 5 klassen in meandering worden onderscheiden, te weten: 1. Recht (sinuositeit 1), 2. Gestrekt (sinuositeit 1.01-1.05), 3. Zwak slingerend (sinuositeit 1.06-1.25), 4. Slingerend (sinuositeit 1.26-1.5), 5. Meanderend (sinuositeit >1.5).

[6] De mate van intensiteit van het onderhoud was meestal alleen kwalitatief beschikbaar. Wanneer als KRW maatregel extensief onderhoud is opgenomen, is aangenomen dat het in de huidige situatie intensief is.