8.6. Применение экспертных систем, искусственных нейронных сетей, когнитивных подходов для изучения озер

В мире более 10 млн озер, а в России их около 2,8 млн. Причем изучено менее 1% озер. Таким образом, недостаточно изучены ресурсы озер и озерных регионов. Для их исследования применяют так называемые инновационные подходы. В Институте водных проблем Севера КарНЦ РАН совместно с Санкт- Петербургским институтом математики и экономики РАН была разработана экспертная система (ЭС) для классификации озер, определения их трофического статуса, оценки водных и биологических ресурсов водоемов, основанная на методах теории искусственного интеллекта (Меншуткин и др., 2009). Предлагаемая экспертная система может использоваться для оценки ихтиоценозов, рыбопродуктивности и построения планов вылова рыбы, в конечном итоге - для рационального использования ресурсов озер.

8.6.1. Экспертные системы и искусственные нейронные сети

Классификация озер Карелии осуществлялась неоднократно многими исследователями. Все классификации основывались на выделении какого- либо одного признака или группы сходных признаков по происхождению, размерам, гидрохимическим параметрам и ир. Характерная особенность ранее применявшихся подходов заключается в отсутствии конструктивного алгоритма восстановления неизвестных характеристик озера после отнесения его к определенному классу. Для оценки связей, построения эффективных моделей озерных экосистем было проведено всестороннее изучение 225 озер, которые рассматриваются в совокупности как единое целое, состоящее из неповторимых индивидуальностей. Все характеристики озер как сложных природных комплексов были масштабированы, так как размерности их физических, химических и биологических характеристик разнообразны и зачастую трудно сопоставимы (Озера Карелии, 2013).

Применение многомерного масштабирования к порядковым характеристикам озер Карелии показало, что при классификации центральное место занимают максимальные и средние глубины озера как наиболее обобщающие и информативные характеристики. Близка к ним по значимости площадь озера (5). Важными для классификации являются такие параметры, как типы грунтов, термические свойства озера, цветность воды и биомасса бентоса. Была изучена информационная значимость всех используемых параметров (грунтов, макро- фигов, цветности воды и ир.). Очень резкие различия в информационной значимости отмечаются у рыб. Применительно к озерам Карелии к таким же значимым переменным относятся характеристики грунтов, списки видов рыб, макрофитов и бентоса.

Применение экспертных систем оказалось эффективным не для изучения уникальных озерных экосистем (например, Байкала, Ладоги или Великих американских озер), а при исследовании многочисленных озерных экосистем (например, озера Карелии (Меншуткин и др., 2009)), когда стояла задача оценки состояния неизученных или малоизученных озер по имеющемуся ансамблю достаточно хорошо исследованных водных объектов. При всем многообразии конструкций экспертных систем (ЭС) их функционирование обычно сводится к многократному применению байесовской процедуры оценки апостериорной функции распределения но априорной функции распределения с учетом конкретных свойств исследуемого озера. Так, на первом этапе применения ЭС из 100 исследовавшихся озер Карелии трофический статус экосистем по измеренным величинам первичной продукции был установлен только для 20 озер. Для остальных озер эта характеристика была получена при помощи экспертной системы, которая была построена по базе данных для более чем 250 озер (Мен- шуткин и др., 2009). Похожий подход применялся для озер Финляндии (Saloran- ta et al., 2009).

Для корректной оценки трофносги озер Карелии недостаточно знания таких величин, как первичная продукция фитопланктона или концентрация хлорофилла. Более корректно была выполнена классификация озер в работе (Меншу г- кин и др., 2009), в которой было предложено считать трофический статус озера величиной нечеткой и тем самым свести операцию определения трофического статуса озера к вычислению функции принадлежности этой величины. Предлагается на основании относительно небольшого числа измерений первичной продукции фитопланктона установить связи этой характеристики с остальными характеристиками озер, которые уже есть в базе знаний. Далее на основе гак называемого приобретенного знания выполнены расчеты на экспертной системе. Оказалось, что для многих озер оценки трофносги были нечетко определенными. Так, для озера Среднее Куйто получались оценки от «-олиготрофного до гииер- эвтрофного. А функция принадлежности трофического статуса озера Долгая Ламба имеет полимодальный вид. Хотя это единственный случай из всех 100 исследованных озер. Было показано, что ряд озер имеют так называемую «размытую» оценку трофического статуса. Выяснилось, что имеет место так называемое «проклятие» неоднозначности оценки, отмеченное Карпентером (Carpenter, 2002) на примере американских озер. Таким образом, даже современными методами искусственного интеллекта не всегда удается преодолеть трудности оценки. Новый метод дает более определенное, четкое отнесение к классу, что свидетельствует в пользу применения нечеткой классификации.

Важным блоком экспертной системы являются модели, которые могут использоваться не только для уточнения рыбной продуктивности данных водоемов, но и для построения планов их рационального хозяйственного использования (рис. 8.21). В настоящее время доступна веб-версия экспертной системы (http://nvvpi.krc.karelia.ru/php_fusion/). Подобные технологии позволяют сделать работу с экспертной системой более доступной для широкого круга пользователей. Основная идея построения модели ихтиоценоза заключается в раздельном описании трофических, популяционных и промысловых процессов, которые происходят в сообществе рыб. Для калибрации и настройки системы использовались данные длительных (50 лет) репрезентативных наблюдений по озеру Водлозеро (Петрова, Кудерский, 2006).

Опыт создания и исследования моделей сообщества рыб, полученный на примере озер Карелии, показывает: сообщество рыб представляет собой сложную и целостную систему. Эго означает, что воздействие на какую-то одну часть сообщества неизбежно влечет изменения в других его частях. Практическое следствие из этого свойства сообществ рыб заключается в том, что назначение предельных допустимых выловов для каждого вида рыб по данным промысловой статистики только для этого вида может привести к существенным ошибкам. Доказано, что объектом эксплуатации должна быть не отдельная популяция промысловой рыбы, а все сообщество рыб данного водоема. Основной результат работы по разработке экспертной системы заключается в создании инструмента для классификации озер по комплексу параметров. С помощью экосистемного подхода показана возможность определения оптимальных режимов промысла рыб (Меншуткин и др., 2012).

Блок-схема алгоритма экспертной системы для сообщества рыб Карелии

Рис. 8.21. Блок-схема алгоритма экспертной системы для сообщества рыб Карелии

Использование экспертных систем для определения характеристик озерных экологических систем связано с принятием предположения о недоступности внутренней структуры этих систем. Подобный подход носит название метода «черного ящика» и находит широкое применение при решении практических задач. Применение метода искусственных нейронных сетей для озер также основывается на представлении исследуемой системы в виде «черного ящика». Такая процедура применялась для определения характеристик озера Шира (Хакасия) (Белолипецкий, 1997).

Схема искусственной нейронной сети для определения первичной продукции озер Карелии по 6 исходным характеристикам

Рис. 8.22. Схема искусственной нейронной сети для определения первичной продукции озер Карелии по 6 исходным характеристикам. Штриховыми линиями отмечены «фиктивные нейроны», предназначенные для подбора пороговых характеристик нейронов второго и тре тьего слоя

Сравнение результатов прогноза величины первичной продукции, полученных с применением искусственной нейронной сети, с натурными измерениями

Рис. 8.23. Сравнение результатов прогноза величины первичной продукции, полученных с применением искусственной нейронной сети, с натурными измерениями. Величины первичной продукции нормированы в интервал от 0 до 1

Другим примером применения нейронных сетей является построение краткосрочных прогнозов развития некоторых групп фитопланктона в различных озерах (Recknagel et al., 2006). Исследованию возможностей решения задач прогнозирования экологических явлений с помощью нейронных сетей посвящена работа (Olden, Jackson, 2002). На рис. 8.22 приведена схема искусственной нейронной сети для определения первичной продукции озер Карелии всего лишь по нескольким информативным параметрам: по площади озера, средней глубине, минерализации, определенной по диску Секки прозрачности, цветности воды но шкале Фореля-Уле и биологическому потреблению кислорода (ВПК). Результаты работы этой сети представлены на рис. 8.23.

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ ОРИГИНАЛ   След >