Нейросетевое моделирование процессов загрязнения окружающей среды

Якшина, Наталья Владимировна

Бесплатный автореферат и диссертация по биологии на тему
Нейросетевое моделирование процессов загрязнения окружающей среды
ВАК РФ 03.00.16, Экология

Автореферат диссертации по теме "Нейросетевое моделирование процессов загрязнения окружающей среды"

УДК 004 8 504 5

На правах рукописи

Яншина Наталья Владимировна

НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ ПРОЦЕССОВ ЗАГРЯЗНЕНИЯ ОКРУЖАЮЩЕЙ СРЕДЫ

03 00 16 — «Эколот ия»

Автореферат диссертации на соискание ученой степени кандидата физико-математических наук

^и^и <- Ш87

Ека1еринбур1 - 2007

003071087

Работа выполнена в Институте промышленной экологии Уральского отделения Российской Академии Наук

Научный руководитель - кандидат физико-математических наук

Коробицын Борис Аленгордович

Официальные оппоненты - доктор физико-математических наук

Вараксин Анатолий Николаевич,

кандидат физико-математических наук Аникин Сергей Алексеевич

Ведущая организация - ФГУП Российский НИИ комплексного

использования и охраны водных ресурсов г Екатеринбург

Защита состоится 29 мая 2007 г в 16-00 час на заседании диссертационного совета К 004 014 01 Института промышленной экологии Уральского отделения Российской академии наук по адресу г Екатеринбург, ул Софьи Ковалевской, 20 А

С диссертацией можно ознакомиться в библиотеке ИПЭ УрО РАН Автореферат разослан^^апреля 2007 г

Ученый секретарь диссертационного совета К 004 014 01

Медведев А Н

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследований. В настоящее время задача обеспечения экологической безопасности по своей значимости и актуальности относится к числу наиболее приоритетных для общества В качестве одного из инструментов для ее решения широко используются математические модели поступления и миграции загрязняющих окружающую среду веществ

Но, существующие методы прогнозирования динамики состояния окружающей среды имеют существенные недостатки Одни методы требуют значительных материальных и временных затрат, что вызвано необходимостью сбора большого объема входных данных, калибровкой и верификацией моделей Применение же более простых в практическом использовании методов часто дает лишь приближенную консервативную оценку Необходимость поиска инструментов прогнозирования состояния окружающей среды, свободных от перечисленных выше недостатков, определяют актуальность данной работы

Целью диссертационной работы является исследование возможности использования искусственных нейронных сетей (ИНС) для прогнозирования динамики состояния окружающей среды и динамики процессов, определяющих ее загрязнение, применительно к наиболее острым экологическим проблемам Уральского региона

Для достижения поставленной цели были решены следующие задачи

• выбор базовых принципов построения и применения ИНС для прогнозирования динамики состояния окружающей среды и динамики процессов, определяющих ее загрязнение,

• создание нейросетевой модели и прогнозирование динамики измеряемой три раза в сутки концентрации взвешенных веществ и диоксида азота в атмосферном воздухе в городе Каменск-Уральский,

• создание нейросетевой модели и прогнозирование динамики ежемесячной концентрации стронция-90 в воде реки Теча в створе села Мус-люмово (Челябинская область) и села Першинское (Курганская область),

• создание нейросетевой модели и прогнозирование динамики изменения уровня воды в водоеме-хранилище жидких радиоактивных отходов - водоеме В-11 Тсченского каскада водоемов

Объектом исследования является динамика загрязнения химическими веществами атмосферного воздуха в г Каменск-Уральский, динамика загрязнения стронцием-90 воды р Теча в пределах Челябинской и Курганской областей, динамика уровня воды в водоеме В-11 Течснского каскада водоемов

Предмет исследования - искусственные нейронные сеги как инструмент прогнозирования динамики состояния окружающей среды

Информационная база исследования формировалась на основе данных Уралгидромета и промышленных предприятий, статистических сборников, ежегодников, материалов монографических исследований! отечественных и

зарубежных ученых, а также исследований, проведенных автором

Научная новизна исследования заключается в использовании единого подхода, основанного на применении ИНС, для прогнозирования нелинейных процессов загрязнения и изменения состояния окружающей среды, имеющих различную природу и механизмы, применительно к актуальным экологическим проблемам Уральского региона, для которых в настоящее время отсутствуют очевидные альтернативные методы решения В работе впервые

1 Показана возможность проведения такого прогнозирования на основании исключительно традиционных данных экологического мониторинга, не прибегая к каким-либо специальным дополнительным исследованиям на местности или на промышленных объектах

2 С использованием ИНС выполнено моделирование динамики загрязнения атмосферного воздуха в городе Каменск-Уральский Показано, что использование ИНС позволяет давать прогноз приемлемого качества для динамики концентрации взвешенных веществ и диоксида азота в атмосферном воздухе на срок до пяти суток, основываясь только на метеорологических данных и концентрациях загрязняющих веществ за предшествующий период

3 С использованием ИНС выполнено моделирование динамики концентрации стронция-90 в воде р Теча в створе населенных пунктов с Муслюмово (Челябинская обл ) и с Першинское (Курганская обл ) Показано, что использование ИНС даег возможность прогнозирования и ретроспективного восстановления динамики концентрации стронция-90 в воде ira период до 10 месяцев с ошибкой, не превышающей погрешность экспериментального определения стронция-90 в речной воде

4 С использованием ИНС выполнено моделирование динамики уровня воды в водоеме В-11 Теченского каскада водоемов Показано, что использование ИНС позволяет с высокой точностью давать прогноз уровня воды в водоеме на период до 12 месяцев На основании анализа значимости входных сигналов ИНС выявлено существование «скрытого» фактора, вызывающего существенное понижение уровня воды в водоеме В-11, который ранее не учитывался при рассмотрении водного баланса водоема

Практическая значимость работы-

Результаты проведенных исследований могут найти практическое применение в качестве одного из инструментов для подготовки краткосрочных прогнозов загрязнения атмосферного воздуха и поверхностных вод, а также для прогнозирования уровня воды в водоеме-хранилище радиоактивных отходов при различных метеорологических условиях Результаты моделирования миграции стронция-90 в реке Теча могут быть использованы для ретроспективного восстановления уровней радиоактивного загрязнения речной воды в створе населенных пунктов при наличии пробелов в ряду данных мониторинга

Научные положения, выносимые на защиту:

1 Использование единого подхода, основанного на применении ИНС, эффективно для прогнозирования нелинейных динамических процессов загрязнения окружающей среды и изменения состояния окружающей среды, имеющих различную природу и механизмы функционирования, применительно к актуальным проблемам Уральского региона, для которых в настоящее время отсутствуют другие альтернативные методы решения

2 Подобное прогнозирование может выполняться на основании исключительно традиционных данных экологического мониторинга, осуществляемого подразделениями Росгидромета, иными уполномоченными организациями и силами промышленных предприятий, т е не прибегая к каким-либо специальным дополнительным исследованиям на местности или на промышленных объектах

3 Использование ИНС позволяет давать прогноз приемлемого качества для динамики концентрации взвешенных веществ и диоксида азота в атмосферном воздухе города Каменск-Уральский на срок до пяти суток, основываясь только на метеорологических данных и концентрациях загрязняющих веществ в предшествующий период

4 Использование ИНС дает возможность прогнозирования и ретроспективного восстановления динамики концентрации стронция-90 в воде р Теча в створе населенных пунктов с Муслюмово (Челябинская обл) и с Першинское (Курганская обл ) па период до 10 месяцев с ошибкой, не превышающей погрешность экспериментального определения стронция-90 в речной воде

5 Использование ИНС позволяет с высокой точностью давать прогноз уровня воды в водоеме В-11 Теченского каскада водоемов на период до 12 месяцев На основании анализа значимости входных сигналов ИНС выявлено существование «скрытого» фактора, вызывающего существенное понижение уровня воды в водоеме В-11, который ранее не учитывался при рассмотрении водного баланса водоема

Достоверность научных положений, выносимых на защиту, подтверждена сравнением с данными мониторинга состояния окружающей среды и другими результатами экспериментальных исследований

Апробация работы. Основные положения и результаты диссертационного исследования докладывались на IX Международном экологическом симпозиуме «Урал атомный, Урал промышленный» (г Екатеринбург, 2005 г), Седьмой всероссийской научно-практической конференции «Экологические проблемы промышленных регионов» (г Екатеринбург, 200бг ), Международной конференции «Биологические эффекты малых доз ионизирующей радиации и радиоактивное загрязнение окружающей среды» (г Сыктывкар, 2006 г), Всероссийской конференции «Риск - 2006» (г Москва, 2006), 6-ой Международной научной конференции «Сахаровские чтения 2006 года экологические проблемы XXI века» (г Минск, 2006 г)

Публикации. По теме диссертации опубликовано 8 печатных работ, в т ч 1 статья - в издании, рекомендованном ВАК РФ

Объем и структура работы. Диссертационная работа состоит из введения, пяти глав основного текста, заключения, списка использованной литературы, приложений Работа содержит 148 страниц текста, включая 10 таблиц, 37 рисунков, список использованной литературы из 69 наименований, б приложении

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, показана степень разработанности проблемы, определены предмет и объект исследования, сформулированы ее цель, задачи, методологическая база, охарактеризованы научная новизна, практическая значимость работы, обоснованность и достоверность результатов, а также изложена структура исследования

Глава 1. Общие положения теории искусственных нейронных сетей

Рассмотрены общие положения теории искусственных нейронных сетей Приведена история исследований в данной области

Новая прикладная область математики, специализирующаяся на создании и применении искусственных нейронных сетей, возникла в 40-х годах XX века Нейронная сеть имитирует структуру и свойства нервной системы живых организмов и представляет собой совокупность связанных между собой однотипных вычислительных элементов, называемых нейронами Каждый нейрон характеризуется своим текущим состоянием и обладает группой однонаправленных входных связей (синапсов), соединенных с выходами других нейронов, а также имеет выходную связь, с которой сигнал поступает на вход следующих нейронов

Каждый синапс характеризуется величиной синаптической связи или ее весом Текущее состояние нейрона определяется, как взвешенная сумма его т входов

ЕГ х+ъ 1=1 1 1

Выход нейрона есть функция его состояния

У = Л*)

где IV, - вес синапса, г = 1, , т, Ъ — значение смещения,

X, - компонент входного векгора (входной сигнал), у - выходной сигнал нейрона

Нелинейная функция / называется активационной и может иметь различный вид Одной из наиболее распространенных активационных функции является нелинейная функция с насыщением или сигмоид

Как правило, нейроны объединяются в слои, которые содержат совокупность нейронов с едиными входными сигналами Кроме входного и выходного слоев в нейронной сети обычно есть один или несколько скрытых слоев

На входные нейроны подается вектор, кодирующий воздействие или состояние моделируемой системы Выбор этих переменных осуществляется экспериментально, и часто определяется количеством доступной информации о моделируемой системе

Количество выходных нейронов определяется относительно легко, так как напрямую связано с изучаемой проблемой Количество выходов соответствует числу прогнозируемых параметров и, как правило, используется один выход

Процесс функционирования нейронной сети зависит от величин сипапти-ческих связей, поэтому, задавшись определенной структурой нейронной сети, отвечающей какой-либо задаче, необходимо подобрать значения всех весовых коэффициентов Этот этап называется обучением нейронной сети Как правило, в процессе обучения сети предъявляются значения как входных, так и истинных выходных сигналов, и она по некоему внутреннему алгоритму подстраивает веса своих синаптических связей Одним из подобных алгоритмов является алгоритм обратного распространения ошибки Кратко данный метод можно представить следующим образом

1 Инициировать элементы весовой матрицы случайным образом

2 Представить один из входных векторов на вход для обучения ИНС

3 Рассчитать выход из нейронной сети Для этого вычислить

- входы в скрытые нейроны Sn = ~tfv"x" + b,

J î=1 У y

где n — число нейронов в слое /г-1, г- номер входа в нейрон,у — номер нейрона в слое,

- соответствующие выходы из скрытых нейронов х" = f(s" J, где /(s")- активационная функция,

L п

- входы в выходные нейроны s, = Z IV , X, ,

л ]=\ J* J

где к= 1, L - количество скрытых нейронов,

- соответствующие выходы из выходных нейронов f = fis. )

к " '

4 Рассчитать ошибку полученного выходного нейрона ={y~ f)f'[s^ ]

где Y- требуемое значение выхода, f = f- , /' - производная,

- ошибку в скрытых нейронах 8п = /' 5П Ел IV

1 К 1Л * ]к к

5 Скорректировать веса в выходном слое ИНС IV ^(( + 1 )=

и в скрытом слое IV +1) =- IV (<) + т]5пх , у У у

где ц - коэффициент скорости обучения, Г и (¿+1) - номера текущей и последующей итераций,

6 Повторять шаги 2-5 до тех пор, пока ошибка сети будет существенной В противном случае - конец обучения

Искусственные нейронные сети обладают рядом особенностей, которые делают их привлекательными для использования при решении задач, связанных с прогнозированием Так, ИНС являются высоко нелинейными, и это позволяет им моделировать реальные нелинейные системы без предварительных знаний о взаимоотношениях между входными и выходными переменными Кроме того, ИНС обладают возможностью делать точный прогноз на данных, не принадлежащих к исходному обучающему множеству (но взятых из того же источника) Неоспоримым преимуществом нейронных сетей является также и их высокая скорость в решении задач

Главный недостаток заключается в том, что при использовании нейронных сетей отсутствует построение предметной модели Кроме того, не существует общего алгоритма синтеза нейронной сети, поэтому, в большинстве случаев, выбор конфигурации сети осуществляется экспериментальным путем

В данной работе использован нейропакет НейроПро 0,25 (разработчик -В Г Царегородцев, Институт вычислительного моделирования СО РАН) Пакет реализует одну из основных нейросетевых парадигм - многослойную сеть прямого распространения с алгоритмом обучения обратного распространения ошибки Активационная функция нейронов скрытого слоя - сигмоид, выходных нейронов - линейная

Глава 2. Применение искусственных нейронных сетей в задачах экологического моделирования

По мере распространения персональных компьютеров с начала 1990-х годов, стало быстро расширяться использование ИНС в исследованиях по распознаванию образов, в химии, медицине и молекулярной биологии Примерно тогда же, хотя и не так активно, метод ИНС стал применяться для решения задач в области экологии и охраны окружающей среды Перспективы использования ИНН в задачах экологического моделирования обсуждались в литературе, по-

крайней мере, уже в 1991 году К середине 1990-х годов ИНС стали пытаться 8

применять для решения таких разнообразных задач прикладной экологии как моделирование парникового эффекта, прогнозирование и моделирование параметров численной и пространственной динамики рыбных популяций, прогнозирование продуктивности фитопланктона, прогнозирование соотношения продуктивность/биомасса в популяциях животных, и так далее Эти работы выявили ряд преимуществ ИНС перед классическими методами моделирования

Одновременно с появлением работ «классической» биологической направленности, с начала 1990-х годов быстрыми темпами возрастало число публикаций посвященных использованию ИНС в области охраны окружающей среды, в частности, для моделирования и прогнозирования состояния и процессов загрязнения атмосферного воздуха и водных объектов Очень скоро изучение с помощью ИНС атмосферных и гидрологических процессов привело к формированию самостоятельных областей исследования

ИНС успешно применяются для прогнозирования уровней загрязнения атмосферного воздуха такими веществами, как озон, диоксид серы, диоксид азота, оксид углерод и взвешенные вещества Эти работы показали, что нейронные сети способны выполнять прогноз гораздо с большей точностью, чем традиционные методы В наибольшей степени преимущество ИНС перед другими моделями проявляется в тех случаях, когда про1 позирование выполняется для местности со сложным рельефом, или при отсутствии точной информации о функции источника загрязнения атмосферного воздуха

Применения ИНН в гидрологии весьма многочисленны и включают как задачи моделирования водного стока и переноса загрязняющих веществ, так и задачи управления водными ресурсами В литературе описано использование ИНС для оптимизации сети х идрологического мониторинга, оперативного управления водными ресурсами, прогноза потребления питьевой воды, управления системой очистки сточных вод в режиме реального времени и др Показано, что применение ИНН открывает новые возможности для понимания и моделирования гидрологических процессов, когда причинно-следственные связи имеют сложный характер Существенным преимуществом ИНН при моделировании водного стока и транспорта загрязняющих веществ является минимальная потребность в топографической и морфометрической информации без существенной потери в точности модели

Анализ литературных источников показал, что наиболее часто в задачах атмосферного и гидрологического моделирования используется многослойный персептрон с сигмоидной активационной функцией Такой же тип ИНС использован и в данной работе

Глава 3. Прогнозирование уровней загрязнения атмосферного воздуха в городе Каменск-Уральский

Каменск-Уральский - один из наиболее крупных и экономически развитых городов Свердловской области Загрязнение атмосферного воздуха является одной из самых острых экологических проблем города Для эффективного управления качеством атмосферного воздуха, крайне важно уметь прогнозировать уровень загрязнения атмосферы на краткосрочную перспективу Качество атмосферного воздуха в г Каменск-Уральский определяется большим числом факторов различной природы — выбросами многочисленных промышленных предприятий и автотранспорта Использование в этих условиях традиционных методов расчета распространения загрязняющих веществ в атмосфере сопряжено с большими техническими трудностями, а для подготовки краткосрочных прогнозов в режиме реального времени, вряд ли вообще возможно В качестве альтернативы предложено применение ИНС для прогнозирования уровней загрязнения атмосферного воздуха в городе Каменск-Уральский

Исходными данными служили результаты мониторинга, проводимого Уралгидрометом в 1985-1986 годах на стационарном посту наблюдений № 1, расположенном вблизи автомагистралей с интенсивным движением транспорта Наблюдаемыми параметрами являются концентрация взвешенных веществ и двуокиси азота в атмосферном воздухе, а также температура атмосферного воздуха, скорость и направление ветра, измеряемые три раза в сутки Данные наблюдений были сгруппированы следующим образом

• обучающий набор — группа данных с известными входными и выходными переменными, 300 наборов (данные с октября 1985 по сентябрь 1986 гг),

• тестовый набор - группа данных для кросс-проверки, 10 наборов (данные за октябрь 1986г),

• прогнозируемый набор — группа независимых данных (выходные переменные при моделировании неизвестны, сравнение проводится по завершению моделирования), 16 наборов (данные за ноябрь 1986г)

Для выбора оптимальной архитектуры сети по прогнозированию концентрации взвешенных веществ построены и протестированы модели с различной архитектурой Число входных переменных изменялось от 4 до 15, число скрытых слоев - 1 или 2, число нейронов в скрытых слоях — от 10 до 60

Целевая функция, значение которой минимизировалось при обучении, имела вид

где С"" - наблюдаемое значение концентрации взвешенных веществ, соответствующее к-му образу (набору входных переменных), ёвзв - прогнозируемое ИНС

значение концентрации взвешенных веществ

Наилучшие показатели работы продемонстрировала модель с архитектурой 11-20-20-1 (см рис 1) На вход персептрона поступал вектор значений

Х = {хих2,х3, ,хи}= {c/f®8,С,,Tt_,,TtTtм,<pt_x,<pt,(pt+l,vt_y,vt,ut+l j На выходе персептрона получали значение конценграции взвешенных веществ в (М-1)-ый момент времени у = С"™" (С""" - концентрация взвешенных веществ, Т — температура воздуха, ф - направление ветра, г) - скорость ветра) Данная сеть имеет коэффициент корреляции между реальными и прогнозируемыми среднесуточными скользящими значениями - 0,83, индекс согласованности - 0,97

График корреляции между среднесуточными скользящими реальными и прогнозируемыми концентрациями взвешенных веществ представлен на рис 2 Уровень точности выполнения работы нейронной сетью сравнивался с точностью расчетов, полученных с помощью линейной аппроксимации Аппроксимация методом наименьших квадратов показала коэффициент корреляции между реальными и прогнозируемыми значениями - 0,24, индекс согласованности-0,18

5 0 90

Í 080 3 0 70

и 0 60

| 0 50 а 0 40

S О 30 i 0 20 | С 10

| о оо й

х I 10 19 28 37 46 55 М 71 82 91 100 109 113 127 13(5 14< 154 161 172 131 190 199 203 217 226 245 2-14 253 262 271 280 239 298 307 316

&-мн чясэдьи. мттермлы

^^^"регтьнь с энакння - -> > обучение Ш1С ~"*О~-~*тест1ф0В1Н1/еИнС »-Д—прогноз 1ШС

Рис 1 Обучение, тестирование и прогноз концентрации взвешенных веществ (модель 11-20-20-1)

ООО 0 10 0 20 0 30 0 40 0 50

концентрация взвешенных веществ (реяльные значения), мг/мЗ

Рис 2 Корреляция между реальными и прогнозируемыми среднесуточными скользящими значениями концентрации взвешенных веществ

Для установления оптимальной архитектуры нейронной сети в целях прогнозирования концентрации диоксида азота использовался такой же конструктивный подход, что и при прогнозе концентрации взвешенных веществ Емкость обучающей выборки - 240 наборов (данные с февраля 1985 по январь 1986 гг), тестовой - 30 наборов (данные за февраль 1986 г), прогнозируемой - 30 наборов (данные за март 1986 г )

В результате сравнения показателей работы различных нейронных сетей, наилучшие показатели у модели с архитектурой 7-20-20-1 (см рис 3) На вход персептрона поступал вектор значений

X ~{хих2,х3, ,х7} == ,Т,ТМ,(рп<р,+1,,3,и} На выходе персептрона получали значение концентрации диоксида азота в (1+1)-ый момент времени

V = Ст> У - 4+1

Коэффициент корреляции между реальными значениями и прогнозируемыми среднесуточными скользящими значениями - 0,48, индекс согласованности — 0,69 График корреляции между среднесуточными скользящими реальными и прогнозируемыми концентрациями диоксида азота представлен на рис 4

1 12 23 34 +5 36 67 78 8<> 100 I [ 1 ] 12 ] .13 144 155 I (36 177 138 199 2! О 221 232 243 254 265 276 537 29Я

К ми ч АСО В Ы 4 .И! и

^^^■реальныезначения |»™"1"1 обучениеИНС' 1 ° • тестирование ИНС ■ прошозИНС

Рис. 3. Обучение, тестирование и прогноз концентрации диоксида азота (модель 7-20-20-1)

0,07 0,06

~ m

« 2 0,05 «5 >

3 s

„(1.04

s и s

я g и

I а

¡,0,01

— * * у

/ *

0,00 0,01 0.02 0.03 0,04 0,05 0,06 0.07 концентрации диоксида азота (реальные значения), мг/мЗ

Рис. 4. Корреляция между реальными и прогнозируемыми среднесуточными скользящими значениями концентрации диоксида азо та

Расчет концентрации диоксида азота с помощью линейной аппроксимации показал следующие результаты: коэффициент корреляции - 0,18, индекс согласованности -0,34.

Таким образом, результаты расчетов показали возможность использования по заданным временным рядам нейросетевого метода для оперативного прогно-зироиашя уровней загрязнения атмосферного воздуха и условиях отсутствия1 заданной функции источника загрязнения.

Глава 4. Прогнозирование динамики радиоактивного загрязнения реки Теча Проведено прогнозирование динамики радиоактивного загрязнения воды реки Теча стронцием-90

Река Теча, протекающая по территории Челябинской и Курганской областей, по уровню радиоактивного загрязнения речной системы не имеет аналогов в мире Одним из наиболее значимых радиационных факторов является загрязнение речной воды стронцием-90, концентрация которого в створе прибрежных населенных пунктов в настоящее время устойчиво превышает уровень вмешательства, испытывая при этом значительные годовые и сезонные колебания Концентрация стронция-90 в воде определяется несколькими взаимосвязанными факторами поступлением через гидротехнические сооружения Теченского каскада водоемов, процессами сорбции/десорбции в заболоченных верховьях реки и величиной водного стока

Таким образом, задача прогнозирования динамики радиоактивного загрязнения воды р Теча является чрезвычайно актуальной с научной и с практической точки зрения, но технически достаточно сложной Известные гидрологические модели, либо дают приближенную консервативную оценку, либо требуют значительного объема детальных входных данных, калибровки и верификации В качестве альтернативы в работе использованы ИНС

Для исследования возможностей ИНС для прогнозирования динамики концентрации стронция-90 в воде р Теча использованы массивы наблюдений за 1970-1974 и 1998-2004 годы

Целевая функция, оптимизируемая при обучении сети, имеет следующий

где. С5' — наблюдаемое значение концентрации стронция-90, соответствующее

к-му образу (набору входных переменных), ё5г - прогнозируемое ИНС значение

концентрации стронция-90

Массив данных за 1970-1974 гг включает осадки за месяц, мм (г) , среднемесячную температуру, °С (0, среднемесячный водный сток в селах Муслюмо-во (Челябинская обл), Першинское (Курганская обл) левобережном и правобережном каналах, млн м3 (¿л/, 0П} Олек, <2лбк)> концентрацию стронция-90 (Ки/л) в воде в створе сел Муслюмово (Челябинская обл) и Першинское (Курганская обл) в левобережном и правобережном каналах (См, Сп, СЛБК, Спбк) На этом массиве данных решались две задачи

Задача 1 Прогнозирование концентрации стронция-90 в селе Першинское Прогнозирование концентрации стронция-90 в селе Першинское осуществлено тремя типами ИНС, отличающихся качественным составом входных переменных и числом скрытых нейронов Выходной нейрон у всех нейронных сетей один и тот же - концентрация стронция-90 в селе Першинское

I группа входных переменных На вход персептрона поступал вектор значений X — {х1,х2,х3, ,х5} == {г, Наилучшие показатели у ИНС с архитектурой 5-20-20-1 (коэффициент корреляции между реальными и прогнозируемыми ИНС значениями - 0,78, индекс согласованности - 0,81)

II группа входных переменных На вход персептрона поступал вектор значений X = {хих2,х3}^ {0А!, См,<2/7} Наилучшие показатели у ИНС с архитектурой 3-20-1 (коэффициент корреляции между реальными и прогнозируемыми ИНС значениями - 0,75, индекс согласованности - 0,83)

III группа входных переменных На вход персептрона поступал вектор значений Х = {х1,х2,хъ }== {СЛБК,СПЬК,()П} Наилучшие показатели у ИНС с

архитектурой 3-20-20-1 (коэффициент корреляции между реальными и прогнозируемыми ИНС значениями - 0,86, индекс согласованности - 0,82) (см рис 5)

3 й

70 ! 60 50 40 30 20

И -Р «р л4 Л4 "0" 'О' "О1 -?> 'С Л"> л1,

I ^ ^ ^ ^ ¿а ^ ^ ^ ^ ^ # ^ ^ ^ ^ ^ ¿Я ^ ^

яшятт»реальные знамения "-""""обучение ИНС - -прогноз ИНС

Рис 5 Обучение ИНС и прогноз концентрации стронция-90 в воде р Теча в створе с Першинское (модель 3-20-20-1)

Результаты прогнозирования стронция-90 в с Першинское сравнивались с результатами, полученными с помощью простейших балансовых уравнений построенных на тех же массивах наблюдений и имеющих следующий вид

сп =

СЛБК * в.

ЛБК + СПБК * в,

ПБК

вл

(1)

где СЛг:К< СПБК- концентрация стронция в левобережном и правобережном каналах, Олек, Олек, 0п~ расход воды в каналах и селе Першинское

СП=См*С)М/Оп, (2)

где См - концентрация стронция-90 в воде в створе с Муслюмово, 0М, 0_п -расход воды в створе сел Муслюмово и Першинское,

Графики корреляции между реальными и прогнозируемыми концентрациями стронция-90 в створе с Першинское, рассчитанными с помощью ИНС архитектурой (3-20-20-1) и по балансовому уравнению (1), представлены на рис 6,7 В таблице приведены результаты прогнозирования динамики концентрации стронция-90 в воде р Теча в створе с Першинское, полученные с помощью ИНС с архитектурой (3-20-20-1) и по балансовым уравнениям (1) и (2)

Таблица Результаты прогнозирования концентрации стронция-90 в селе Першинское

Концентрация стронция -90, Бк/л г- апр 74 май 74 О £ Ч О гс-8 сент 74 й о ноябр 74 дек 74

реальные значения 29,97 18,13 21,09 21,09 40,7 26,64 34,41 40 7 44,4 51,8

прогноз по уравнению (1) 56 96 3,7 8,21 10,06 10,29 41,4 16,02 22,3 23,7 74 92

прогноз по уравнению (2) 228 4 17 1 11,9 17,6 30 3 20,0 35,7 45,43 43,0 35,52

прогноз ИНС 24,56 19,38 25 12 27,45 28 23 29,16 30,34 34 3 38 06 41 68

10 20 30 40 50 ео

реалыяые значения стронция 90

♦ /

/ ♦

/ ♦ 1

10 20 30 40 50 60 70 ре ни ныс зча [снтгя стрспщия 90,Бк/л

Рис 6 Корреляция между реальными значениями и прогнозом ИНС

Рис 7 Корреляция между реальными значениями и рассчитанными по балансовому уравнению (1)

Задача 2 Прогнозирование концентрации стронция-90 в воде р Теча в створе с Муслюмово

Рассмотрено несколько ИНС с различной архитектурой Входящие переменные для села Муслюмово концентрация стронция-90 (Ки/л) в левобережном канале и правобережном канале, среднемесячный расход воды (м3/сек) в селе Муслюмово Выходящая переменная концентрация стронция-90 в селе Муслюмово Наилучшие показатели у ИНС с архитектурой 3-10-1, где в качестве входных параметров использовались концентрация стронция-90 (Ки/л) в левобережном и правобережном каналах, и среднемесячный расход воды (м3/сек) в селе Муслюмово (коэффициент корреляции между реальными и прогнозируемыми ИНС значениями - 0,65, индекс согласованности - 0,79)

Массив данных за 1998-2004 гг включает концентрацию стронция-90 (Бк/литр) в фильтрате плотины В-11 (С,,], в воде левобережного (Слвк), правобережного (СПБк) каналов и в сгворе с Муслюмово (См), среднемесячный водный сток в левобережном (Одбк), правобережном (QпБK) каналах, в створе с Муслюмово и объем фильтрата (<2ф) (млн м3)

На вход персептрона поступал вектор значений

показатели у ИНС с архитектурой 7-5-1 (коэффициент корреляции между реальными и прогнозируемыми ИНС значениями - 0,70, индекс согласованности -

Расчет концентрации стронция-90 по балансовому уравнению показал следующие результаты коэффициент корреляции — 0,48, индекс согласованности -

Таким образом, использование ИНС дает возможность прогнозирования и ретроспективного восстановления динамики концентрации стронция-90 в воде р Теча в створе населенных пунктов с Муслюмово (Челябинская обл ) и с Пер-шинское (Курганская обл) на период до 10 месяцев с ошибкой, не превышающей погрешность экспериментального определения стронция-90 в речной воде При этом нейронные сети дают точность прогноза выше, чем расчеты по простым балансовым уравнениям

Глава 5. Прогнозирование уровня воды в водоеме-хранилшце радиоактивных отходов

Водоем В-11 был сооружен в верховье реки Теча в 1964 г путем возведения грунтовой плотины и эксплуатируется в бессточном режиме с момента его создания За весь период эксплуатации водоемов Теченского каскада, на фоне сезонных колебаний наблюдается устойчивая тенденция повышения уровня воды в водоеме В-11

Беспрецедентный за всю историю эксплуатации рост уровня воды в водоеме наблюдался в 1998-2000 гг, когда за два года (с августа 1998 г по ищль

0,78)

0,52

2000 г) уровень воды В-11 поднялся на 120 см Затем, после короткого периода относительной стабилизации на отметках 216,9-217,1 м, уровень воды вновь начал подниматься Особенно напряженная обстановка сложилась на водоеме В-11 в 2003 году, когда уровень воды в водоеме вплотную приблизился к максимальному проектному уровню, рисунок 8

Основной причиной роста уровня водоема В-11 в период 1980-2003 гг считается изменение метеорологических условий региона, а именно - положительная разность атмосферных осадков и испарения При условии повторения серии многоводных лет, в течение ближайших 2-5 лет возможно превышение максимальной проектной отметки уровня воды При повышении уровня воды в водоеме до 218,14 м начнется автоматический переток жидких радиоактивных отходов из водоема в реку Теча по аварийному водосбросу Но и без этого, эксплуатация водоема 11 на высоких отметках привела к росту гидростатического напора на плотину, ложе и борта водоема, что обусловило увеличение фильтрационного выноса радионуклидов в пойму реки Теча

Структура водного баланса водоема В-11 имеет примерно следующий вид

АУ=У0с~Уисп+Уст~* Уцер+Угр пр~^гр от+^фп10~^фп1пр~^к от>

где АУ — изменение объема водохранилища, Уос — осадки, выпадающие на зеркало водоема, Уисп - испарение с зеркала водной поверхности, Уст - поверхностный сток с частной водосборной площади, Упер — переток из водоема 10 в водоем 11, Угр пр — грунтовый приток, Угр от - грунтовый отток, Уфп]0 - фильтрационные поступления через тело плотины В-10, Уфпц - фильтрационные потери через тело плотины В-11, УКПр - фильтрационные поступления из каналов в водоем, Ук от - фильтрационные потери через разделяющие дамбы в каналы

Несмотря на кажущуюся простоту, использовать эту и подобные формулы для прогнозных расчетов практически невозможно, т к составляющие водного баланса, связанные с фильтрацией, определшь практически невозможно, кроме того, эти величины существенно изменяются в зависимости от водности года и, главное, уровня воды в водоеме В-11

Насколько известно, несмотря на многолетние непрекращающиеся попытки, пока так и не удалось создать удовлетворительную аналитическую модель водоема В-11 В качестве альтернативного метода прогнозирования уровня воды в водохранилище были использованы искусственные нейронные сети

Были построены и протестированы ИНС с различным набором входных переменных Выходная переменная одна и та же - изменение уровня воды в водоеме В-11 Целевая функция, оптимизируемая при обучении сети, имела вид

где АН,, - наблюдаемое значение изменения уровня воды в водоеме, соответст-18

вугощее к-му образу (набору входных переменных), А- прогнозируемое ИНС

изменение уровня воды

Объем обучающей выборки составил 66 наборов входных переменных (данные с января 1998 по июнь 2003 г) Горизонт предсказания (объем прогнозируемой выборки) составил 18 месяцев - с июля 2003 по декабрь 2004 г

Наилучшие результаты прогнозирования показала ИНС с архитектурой 6-10-10-1 (входные переменные среднемесячный уровень осадков и испарения, средний уровень воды в водоемах № 10 и № 11, среднемесячный расход воды в ЛБК и ПБК), рисунок 8 Качество прогноза очень высокое коэффициент корреляции между реальными и прогнозируемыми значениями — 0,96, индекс согласованности — 0,97

Для сравнения, была рассчитана динамика уровня воды в В-11 по простейшему балансовому уравнению, учитывающему только осадки и испарение Н(=Н,.1+Нос-Нисп, 1де - уровень водоема в предыдущем месяце, Нос -количество осадков на единицу поверхности за текущий месяц, Нис„ - удельное испарение с зеркала водной поверхности

реачьные зтчсния — прогноз по балансу

о ~ прогноз ИНС (6-10-10-1) —про1 ноз без ЛБК

* прогноз без ПБК

Рис 8 Прогноз динамики изменения уровня воды в В-11

(

Оказалось (рис 8), что такая модель хорошо описывает поведение уровня водоема 11 в периоды его повышения, но не работает на тех временных интервалах, где наблюдается понижение уровня Для выяснения причины, по которой ИНС дают прогноз существенно лучшего качества, был выполнен анализ значимости входных сигналов нейронной сети Эта процедура заключается в последовательном исключении отдельных переменных из входного набора, и, таким образом, в поиске информативных сигналов, обязательных для получения прогноза с заданной точностью Было обнаружено, что при исключении из входного набора величины расхода воды по левобережному каналу, качество прогноза резко ухудшается, и становится таким же, как у прогноза, основанного только на балансе осадков и испарения, рисунок 8

На основании этого сделан вывод о существование некоего «скрытого» фактора, который «включается» в определенные моменты времени и приводит к существенному понижению уровня воды в водоеме В-11, необъяснимому из баланса осадков и испарения Спустя какое-то время, действие этого фактора прекращается, и динамика уровня воды вновь определяется балансом осадков и испарения Анализ значимости входных сигналов ИНС позволил установить, что действие этого фактора существенным образом связано с изменением расхода воды в левобережном канале

ЗАКЛЮЧЕНИЕ

1 Показана эффективность единого подхода, основанного на использовании ИНС, для прогнозирования нелинейных динамических процессов загрязнения окружающей среды и изменения состояния окружающей среды, имеющих различную природу и механизмы функционирования, применительно к актуальным экологическим проблемам Уральского региона, для которых в настоящее время отсутствуют очевидные альтернативные методы решен™

2 Показана возможность проведения такого прогнозирования на основании исключительно традиционных данных экологического мониторинга, осуществляемого подразделениями Росгидромета, иными уполномоченными организациями и силами промышленных предприятий, те не прибегая к каким-либо специальным дополнительным исследованиям на местности или на промышленных объектах

3 Выполнено моделирование динамики загрязнения атмосферного воздуха в городе Каменск-Уральский Показано, что использование ИНС позволяет давать прогноз приемлемого качества для динамики концентрации взвешенных веществ и диоксида азота в атмосферном воздухе на срок до пяти суток, основываясь только на метеорологических данных и концентрациях загрязняющих веществ за предшествующий период

4 Выполнено моделирование динамики концентрации стронция-90 в воде р Теча в створе населенных пунктов с Муслюмово (Челябинская обл) и с Першинское (Курганская обл) Показано, что использование ИНС дает возможность прогнозирования и ретроспективного восстановления динамики концентрации стронция-90 в воде на период до 10 месяцев с ошибкой, не превышающей погрешность экспериментального определения стронция-90 в речной воде

5 Выполнено моделирование динамики уровня воды в водоеме-хранилище жидких радиоактивных отходов — водоеме В-11 Теченского каскада водоемов Показано, что использование ИНС позволяет с высокой точностью давать прогноз уровня воды в водоеме на период до 12 месяцев Проведенный анализ значимости входных сигналов ИНС позволил выявить существование «скрытого» фактора, вызывающего существенное понижение уровня воды в водоеме В-11, который ранее не учитывался при рассмотрении водного баланса водоема

Публикации по теме диссертации Основное содержание диссертации отражено в опубликованных работах

1 Коробицын, Б А , Якшина, Н В Прогнозирование уровней загрязнения атмосферного воздуха с использованием искусственных нейронных сетей / Труды XI Международного экологического симпозиума «Урал атомный, Урал промышленный» Екатеринбург, 7-11 февраля 2005, с 270-272

2 Коробицын, Б А , Якшина, Н В Нейросетевое моделирование источника радиоактивного загрязнешм реки Теча / Биологические эффекты малых доз ионизирующей радиации и радиоактивное загрязнение окружающей среды Тезисы докладов Международной конференции Сыктывкар, 28 февраля - 3 марта 2006, с 15-16

3 Коробицын, Б А , Якшина, Н В Прогнозирование процессов радиоактивного загрязнения реки Теча с использованием искусственных нейронных сетей / Оценка и управление природными рисками Материалы Всероссийской конференции «Риск - 2006» Москва, 20 апреля 2006, с 265-266

4 Коробицын, Б А , Якшина, Н В Моделирование процессов радиоактивного загрязнения реки Теча с применением искусственных нейронных сетей / Сахаровские чтения 2006 года экологические проблемы XXI века Материалы 6-ой международной научной конференции, 18-19 мая 2006 года, г Минск, Республика Беларусь/ под ред С П Кундаса, А Е Океанова, С С Позняка - Мн МГЭУ им АД Сахарова, 2006, Ч 2, с 153-155

5 Волкова, А А , Якшина, Н В , Шашмурина, Е В Применение искусственных нейронных сетей для анализа и прогнозирования экологического риска / Экологические проблемы промышленных регионов Материалы Седьмой всероссийской научно-практической конференции — Екатеринбург, 18-20 апреля 2006, с 244-245

6 Шашмурина, Е В , Якшина, Н В Реализация экологической политики в Уральском регионе / Проблемы безопасности современного мира средства защиты и спасения Всероссийская научно-практическая конференция аспирантов и студентов (с международным участием) Иркутск, 2006, с 210-211

7 Коробицын, Б А, Якшина, Н В Нейросетевое моделирование выноса радионуклидоз т Теченского каскада водоемов / Доклады IV Международной научно-практической конференции «Тяжелые металлы и радионуклиды в окружающей среде» Семипалатинск, Казахстан, 19-21 октября 2006, с 237-241

8 Коробицын, Б А , Якшина, Н В Применение искусственных нейронных сетей в задачах гидрологического прогнозирования / Вестник Южно-Уральского Государственною университета, серия «Математика Физика Химия» № 7 (62), выпуск 7, 2006, с 252-255

Яншина Наталья Владимировна

Нейросетевое моделирование процессов загрязнения окружающей среды

03 00 06 - «Экология» Автореферат

Подписано в печать 24 апреля 2007 г Формат 60x84/16 Объем 1,4 уел печ л Тираж 100 экз Заказ №105

Размножено с готового оригинал-макета в типографии AHO «Ур центр академического обслуживания»

620219 г Екатеринбург, ул Первомайская, 91

Содержание диссертации, кандидата физико-математических наук, Якшина, Наталья Владимировна

Введение.

ГЛАВА 1. ОБЩИЕ ПОЛОЖЕНИЯ ТЕОРИИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ.

1.1 .История исследования искусственных нейронных сетей.

1.2 Параллели искусственных нейронных сетей с биологическими процессами.

1.3.0сновы теории искусственных нейронных сетей.

1 АОсновные этапы работы с искусственными нейронными сетями.

1.5.Преимущества и недостатки искусственных нейронных сетей.

ГЛАВА 2. ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧАХ ЭКОЛОГИЧЕСКОГО МОДЕЛИРОВАНИЯ.

2.1 .Области применения искусственных нейронных сетей.

2.2.Применение искусственных нейронных сетей для прогнозирования уровней загрязнения атмосферного воздуха.

2.2. Применение искусственных нейронных сетей в задачах гидрологического прогнозирования.

2.3. Применение искусственных нейронных сетей в иных областях экологии.

ГЛАВА 3. ПРОГНОЗИРОВАНИЕ УРОВНЕЙ ЗАГРЯЗНЕНИЯ АТМОСФЕРНОГО ВОЗДУХА В КАМЕНСК-УРАЛЬСКОМ.

3.1.Анализ экологической ситуации в городе Каменск-Уральский.

3.2. Прогнозирование концентрации твердых веществ в атмосферном воздухе.

3.3. Прогнозирование концентрации диоксида азота в атмосферном воздухе.

ГЛАВА 4. ПРОГНОЗИРОВАНИЕ ДИНАМИКИ РАДИОАКТИВНОГО ЗАГРЯЗНЕНИЯ РЕКИ ТЕЧА.

4.1. Анализ радиоактивного загрязнения реки Теча.

4.2.Результаты прогнозов концентрации стронция-90 в реке Теча.

ГЛАВА 5. ПРОГНОЗИРОВАНИЕ УРОВНЯ ВОДЫ В ВОДОЕМЕ

ХРАНИЛИЩЕ РАДИОАКТИВНЫХ ОТХОДОВ.

5.1 Анализ динамики изменения уровня воды в водохранилище В-11 84 5.2. Прогнозирование среднемесячных значений изменения уровня воды в водохранилище В-11.

Введение Диссертация по биологии, на тему "Нейросетевое моделирование процессов загрязнения окружающей среды"

Актуальность темы исследований. В настоящее время проблема безопасного состояния окружающей среды по своей значимости и актуальности относится к числу наиболее значимых для общества. Одним из решающих условий оптимизации стратегий по планированию природоохранных мероприятий является возможность получения точного прогноза поступления и миграции загрязняющих окружающую среду веществ.

Проблема получения прогноза динамики загрязнения окружающей среды является чрезвычайно актуальной как с научной, так и с практической точки зрения. Понятно, насколько важно иметь инструмент, позволяющий в сжатые сроки прогнозировать процессы распространения загрязняющих окружающую среду веществ.

Наличие подобных прогнозов позволит предсказать дальнейшее изменение качества окружающей среды, а затем, на их основе, найти оптимальные варианты планируемых хозяйственно-экономических мероприятий по обеспечению рационального природопользования и охраны окружающей среды.

В настоящее время для исследований стратегий перехода регионов к устойчивому развитию широко используются методы математического моделирования. Это обусловлено тем, что, используя такие модели, можно описать количественными характеристиками сложные взаимоотношения человека с окружающей средой.

Математическое моделирование в период своего становления обычно применялось для конкретной области науки, как, например экология или экономика. Например, одну из первых математических моделей для системы «паразит-хищник» в динамике численности насекомых разработал еще в 1925 г. А. Лоткин. Данная модель учитывает только биотические и абиотические факторы природной среды без учета антропогенных факторов.

В 70-е гг. прошлого века Форрестер с учениками, разрабатывая математические модели стратегий экономического роста, исходили из предположения отсутствия каких-либо структурных изменений в будущем. Естественно, что они пришли к концепции «нулевого роста», что инициировало движение за ограничение роста экономики.

Для успешного же решения оптимизационной эколого-экономической стратегии в масштабах крупного промышленного региона необходим территориально - дифференцированный подход к планированию природоохранных мероприятий, который базируется на комплексной оценке состояния окружающей среды и экономики. В связи с этим в 90-е гг. появляются математические модели, способные исследовать влияние качественных особенностей отдаленных последствий экономических решений на состояние природной среды.

К сожалению, применяемые в настоящее время методики по прогнозированию динамики изменения качества окружающей среды имеют существенные недостатки. Одни из них требуют значительных материальных и временных затрат, что вызвано необходимостью сбора большого объема входных данных, калибровкой и верификацией моделей (например, К-модель турбулентности диффузии). Применение же более простых в практическом использовании методов часто дает лишь приближенную консервативную оценку, как при расчете кратности разбавления сточных вод.

Необходимость поиска инструментов прогнозирования состояния окружающей среды, свободных от перечисленных выше недостатков, определяют актуальность данной работы.

Для достижения поставленной цели были решены следующие задачи:

• выбор базовых принципов построения и применения ИНС для прогнозирования динамики состояния окружающей среды и динамики процессов, определяющих ее загрязнение;

• создание нейросетевой модели и прогнозирование динамики ежемесячной концентрации стронция-90 в воде реки Теча в створе села Муслюмово (Челябинская область) и села Першинское (Курганская область);

• создание нейросетевой модели и прогнозирование динамики изменения уровня воды в водоеме-хранилище жидких радиоактивных отходов - водоеме В-11 Теченского каскада водоемов.

Объектом исследования является динамика загрязнения химическими веществами атмосферного воздуха в городе Каменск-Уральский, динамика загрязнения стронцием-90 воды реки Теча в пределах Челябинской и Курганской областей, динамика уровня воды в водоеме В-11 Теченского каскада водоемов.

Предмет исследования - искусственные нейронные сети как инструмент прогнозирования динамики состояния окружающей среды.

Методологической основой послужили теоретические труды в области нейросетевого моделирования (Розенблат Ф. [1]; Горбань А.Н. [2]; Хехт-Нильсен Р., [3]; Царегородцев В.Г. [4]; Лек С. [5] и др.), а также современные исследования в области применения искусственных нейронных сетей: (Короткий С. [9]; Блинов С. [10]; Ежов А.А.[11] Доусон [12]; Виотти П. [14]; Скарди М. [19,20]; Димопоулос И. [17] и др.).

1. Показана возможность проведения такого прогнозирования на основании исключительно традиционных данных экологического мониторинга, не прибегая к каким-либо специальным дополнительным исследованиям на местности или на промышленных объектах.

2. С использованием ИНС выполнено моделирование динамики загрязнения атмосферного воздуха в городе Каменск-Уральский. Показано, что использование ИНС позволяет давать прогноз приемлемого качества для динамики концентрации взвешенных веществ и диоксида азота в атмосферном воздухе на срок до нескольких суток, основываясь только на метеорологических данных и концентрациях загрязняющих веществ за предшествующий период.

3. С использованием ИНС выполнено моделирование динамики концентрации стронция-90 в воде реке Теча в створе населенных пунктов села Муслюмово (Челябинская обл.) и села Першинское (Курганская обл.). Показано, что использование ИНС дает возможность прогнозирования и ретроспективного восстановления динамики концентрации стронция-90 в воде на период до 10 месяцев с ошибкой, не превышающей погрешность экспериментального определения стронция-90 в речной воде.

4. С использованием ИНС выполнено моделирование динамики изменения уровня воды в водоеме В-11 Теченского каскада водоемов. Показано, что использование ИНС позволяет с высокой точностью давать прогноз уровня воды в водоеме на период до 12 месяцев. На основании анализа значимости входных сигналов ИНС выявлено существование «скрытого» фактора, вызывающего существенное понижение уровня воды в водоеме В-11, который ранее не учитывался при рассмотрении водного баланса водоема.

Практическая значимость работы:

Результаты проведенных исследований могут найти практическое применение в качестве одного из инструментов для подготовки краткосрочных прогнозов загрязнения атмосферного воздуха и поверхностных вод, а также для прогнозирования уровня воды в водоеме-хранилище радиоактивных отходов при различных метеорологических условиях. Результаты моделирования миграции стронция-90 в реке Теча могут быть использованы для ретроспективного восстановления уровней радиоактивного загрязнения речной воды в створе населенных пунктов при наличии пробелов в ряду данных мониторинга.

Научные положения, выносимые на защиту:

1. Использование единого подхода, основанного на применении ИНС, эффективно для прогнозирования нелинейных динамических процессов загрязнения окружающей среды и изменения состояния окружающей среды, имеющих различную природу и механизмы функционирования, применительно к актуальным проблемам Уральского региона, для которых в настоящее время отсутствуют другие альтернативные методы решения.

2. Подобное прогнозирование может выполняться на основании исключительно традиционных данных экологического мониторинга, осуществляемого подразделениями Росгидромета, иными уполномоченными организациями и силами промышленных предприятий, т.е. не прибегая к каким-либо специальным дополнительным исследованиям на местности или на промышленных объектах.

3. Использование ИНС позволяет давать прогноз приемлемого качества для динамики концентрации взвешенных веществ и диоксида азота в атмосферном воздухе города Каменск-Уральский на срок до нескольких суток, основываясь только на метеорологических данных и концентрациях загрязняющих веществ за предшествующий период.

4. Использование ИНС дает возможность прогнозирования и ретроспективного восстановления динамики концентрации стронция-90 в воде р. Теча в створе населенных пунктов с. Муслюмово (Челябинская обл.) и с. Першинское (Курганская обл.) на период до 10 месяцев с ошибкой, не превышающей погрешность экспериментального определения стронция-90 в речной воде.

5. Использование ИНС позволяет с высокой точностью давать прогноз уровня воды в водоеме В-11 Теченского каскада водоемов на период до 12 месяцев. На основании анализа значимости входных сигналов ИНС выявлено существование «скрытого» фактора, вызывающего существенное понижение уровня воды в водоеме В-11, который ранее не учитывался при рассмотрении водного баланса водоема.

Апробация работы. Основные положения и результаты диссертационного исследования докладывались на:

- Международном экологическом симпозиуме «Урал атомный, Урал промышленный» г. Екатеринбург, 2005 г.;

Седьмой всероссийской научно-практической конференции «Экологические проблемы промышленных регионов», г. Екатеринбург, 2006г;

- Международной конференции «Биологические эффекты малых доз ионизирующей радиации и радиоактивное загрязнение окружающей среды» (г. Сыктывкар, 2006 г.);

- Всероссийской конференции «Риск - 2006» (г. Москва, 2006);

- 6-ой Международной научной конференции «Сахаровские чтения 2006 года: экологические проблемы XXI века» (г. Минск, 2006 г.).

Публикации. По теме диссертации опубликовано 8 печатных работ, в т.ч. 1 статья - в издании, рекомендованном ВАК РФ. Общий объем 23 п.с.

Объем и структура работы. Диссертационная работа состоит из введения, пяти глав основного текста, заключения, списка использованной литературы, приложений. Работа содержит 148 страниц текста, включая 10 таблиц, 37 рисунков, список использованной литературы из 69 наименования, 6 приложений.

Заключение Диссертация по теме "Экология", Якшина, Наталья Владимировна

ЗАКЛЮЧЕНИЕ

1. Показана эффективность единого подхода, основанного на использовании ИНС, для прогнозирования нелинейных динамических процессов загрязнения окружающей среды и изменения состояния окружающей среды, имеющих различную природу и механизмы функционирования, применительно к актуальным экологическим проблемам Уральского региона, для которых в настоящее время отсутствуют очевидные альтернативные методы решения.

2. Показана возможность проведения такого прогнозирования на основании исключительно традиционных данных экологического мониторинга, осуществляемого подразделениями Росгидромета, иными уполномоченными организациями и силами промышленных предприятий, т.е. не прибегая к каким-либо специальным дополнительным исследованиям на местности или на промышленных объектах.

3. Выполнено моделирование динамики загрязнения атмосферного воздуха в городе Каменск-Уральский. Показано, что использование ИНС позволяет давать прогноз приемлемого качества для динамики концентрации взвешенных веществ и диоксида азота в атмосферном воздухе на срок до пяти суток, основываясь только на метеорологических данных и концентрациях загрязняющих веществ за предшествующий период.

4. Выполнено моделирование динамики концентрации стронция-90 в воде р. Теча в створе населенных пунктов с. Муслюмово (Челябинская обл.) и с. Першинское (Курганская обл.). Показано, что использование ИНС дает возможность прогнозирования и ретроспективного восстановления динамики концентрации стронция-90 в воде на период до 10 месяцев с ошибкой, не превышающей погрешность экспериментального определения стронция-90 в речной воде.

5. Выполнено моделирование динамики уровня воды в водоеме-хранилище жидких радиоактивных отходов - водоеме В-11 Теченского каскада водоемов. Показано, что использование ИНС позволяет с высокой точностью давать прогноз уровня воды в водоеме на период до 12 месяцев. Проведенный анализ значимости входных сигналов ИНС позволил выявить существование «скрытого» фактора, вызывающего существенное понижение уровня воды в водоеме В-11, который ранее не учитывался при рассмотрении водного баланса водоема.

Библиография Диссертация по биологии, кандидата физико-математических наук, Якшина, Наталья Владимировна, Екатеринбург

1. Розенблатт Ф. Принципы нейродинамики: Персептроны и теория механизмов мозга,- М.: Мир, 1965.

2. Горбань А.Н. Обучение нейронных сетей.- М.: СП ПараГраф, 1991.

3. Хехт-Нильсен Р. Нейрокомпьютинг: история, состояние, перспективы/ Открытые системы. 1998. № 4.

4. Круглов В.В., Борисов В.В. Искусственные нейронные сети.- М: Горячая линия телеком, 2001.

5. Sovan Lec, J.F. Guegan, Artificial neural networks as a tool in ecological modeling, an introduction./ Ecological Modelling 120,1999. pp. 65-73.

6. Guoqiang Zhang, B. Eddy Patuwo, Michael Y. Hu, Forecasting with artificial neural networks: the state of the art./ International Journal of Forecasting 14, 1998. pp. 35-62.

7. Царегородцев В.Г., Взгляд на архитектуру и требования к нейроимитатору для решения современных индустриальных задач./ Материалы XI Всероссийского семинара 'Нейроинформатика и ее приложения', Красноярск, 2003. с. 171-175.

8. Царегородцев В.Г., К определению информативности независимых переменных для нейронной сети./ Материалы XI Всероссийского семинара 'Нейроинформатика и ее приложения', Красноярск, 2003. с. 176-177.

9. Борисов В.В., Круглов В.В., Харитонов Е.В. Основы построения нейронных сетей./ Смоленск: Изд-во Военного ун-та войсковой ПВО ВС РФ, 1999.

10. Блинов С. BrainMaker прогнозирование на финансовых рынках / Открытые системы. 1998. № 4.

11. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его приложения в экономике и бизнесе. М.: МИФИ, 1998. 276 с.

12. Dawson С. W., Wilby R.L., Hydrological modeling using artificial neural networks./ Progress in Physical Geography 25,1 (2001). pp. 80-108.

13. Царегородцев В.Г., Взгляд на архитектуру и требования к нейроимитатору для решения современных индустриальных задач/ Материалы XI Всероссийского семинара 'Нейроинформатика и ее приложения'. Красноярск, 2003. с. 171-175.

14. Viotti P., Liuti G., P. Di Genova, Atmospheric urban pollution: applications of an artificial neural network (ANN) to the city of Perugia./ Ecological Modelling 148,2002, pp. 27-46.

15. Seginer I., Boulard Т., Bailey, B.J., Neural network models of the greenhouse climate./ Journal Agriculture Engineering Recourses 59. pp. 203-216.

16. Lae R., Lek S., Moreau J., 1999. Predicting fish yield of African Lakes./ Ecological Modelling 120, 1994. pp. 325-335.

17. Chen D.G., Ware D.M., A neural network model for forecasting fish stock recruitment/ Canada Journal Fish Aquatic Science 56, 1999. pp. 2385-2396.

18. Brosse S., Guegan J.F., Toureng J.N., Lek S., The use of using neural networks, to assess fish abundance and spatial occupancy in the littoral zone of a mesotrophic lake./ Ecological Modelling 120, 1999. pp. 299-311.

19. Scardi M., Advances in neural network modeling of phytoplankton primary production./ Ecological Modelling 146, 2001. pp. 33-46.

20. Scardy M., Artificial neural networks as empirical models for estimating phytoplankton production./ Marine Ecological Program Series 139, 1996. pp. 289299.

21. Nunnari, A.F.M. Nucifora and C. Randieri, The application of neural techniques to the modeling of time-series of atmospheric pollution data./ Ecological Modelling 111, 1998. pp. 187-205.

22. Comrie A.C., Comparing neural networks and regression model for ozone forecasting./ Journal Air Waste Management Associated 47, 1997. pp. 653-663.

23. Gardner M.W., Dorling S.R., Neural networks modelling of the influence of local meteorology on surface ozone concentrations./ Proceedings of International Conference on GeoComputation University of Leeds, UK, 1996, pp. 359-370.

24. Boznar M., Lesjak M., Malker P., A neural network based method for shot-term predictions of ambient S02 concentrations in highly polluted industrial areas of complex terrain./ Atmosphere Environment 27B (2), 1993. pp. 221-230.

25. Gardner M.W., Dorling S.R., Neural networks modelling and prediction of hourly NOx and N02 concentrations in urban air in London./ Atmosphere Environment 33 (5), 1999, pp. 709-719.

26. Perez P., Trier A., Prediction of NO and N02 concentrations near a street with heavy traffic in Santiago./ Chile Atmosphere Environment 35 (10), 2001, pp. 1783-1789.

27. Ryan M., Muller C., H.J. Di, Cameron K.C., The use of artificial neural networks (ANNs) to simulate emissions from temperate grassland ecosystem./ Ecological Modelling 175 (2), 2004. pp. 189-194.

28. Dorzdowicz B., Benz S.J., Sonta A.S.M., Scenna N.J. A neural networks based model for the analysis of carbon monoxide concentration in the urban area of Rosario./ Air Pollution vol. V, Computational Mechanics Inc. Southampton, Boston, 1997, 677-685.

29. Lu W.Z., Fan H.Y., Lo S.M., Application of evolutionary neural network method in predicting pollutant levels in downtown area of Hong Kong./ Neurocomputing 51,2003. pp. 387-400.

30. Boznar M., Lesjak M., Mlakar P., A neural network-based method for the short-time predictions of ambient SO2 concentrations in highly polluted industrial areas of complex terrain. / Atmosphere EnvironmentB 27(2), 221-230.

31. S.M. Shiva Nagendra, Mukesh Khare, Artificial neural network approach for modelling nitrogen dioxide dispersion from vehicular exhaust emissions./ Ecological Modelling 190, 2006. pp. 99-115.

32. Yi J., Prybutok R., A neural network model forecasting for prediction of daily maximum ozone concentration in an industrialized urban area./ Environmental Pollution 92 (3), 349-357.

33. Comrie F.C. Comparing neural networks and regression models for ozone forecasting./ Journal of Air and Waste Management 47, pp. 653-663.

34. Hsu K.L., Gupta H.V., Sorooshian S., Artificial neural network modeling of the rainfall-runoff process./ Water Resources Research 31,1995. pp. 2517-2530.

35. J.C.I. Dooge, Problems and methods of rainfall-runoff modeling, Mathematical Models for Surface Water Hydrology: the Workshop Held at The IBM Scientific Center, Risa, Wiley, London, 1977. pp. 71-108.

36. Gautam M.R., Watanabe K., Saegusa H., Runoff analysis in humid forest catchment with artificial neural network./ Journal of Hydrology 235, 2000. pp. 117-136.

37. Nayak P.C., Sudheer K.P., Rangan D.M., Ramasastri K.S., A neuro-fuzzy computing technique for modeling hydrological time series./ Journal of Hydrology, 291,2004. pp. 52-66.

38. Moradkhani H., Kuo-lin Hsu, Hoshin V. Gupta, Sorooshian S., Improved streamflow forecasting using self-organizing radial basis function artificial neural networks./ Journal of Hydrology, 295, 2004. pp. 246-262.

39. Yen-Ming Chiang, Li-Chiu Chang, Fi-John Chang, Comparison of static-feedforward and dynamic-feedback neural networks for rainfall-runoff modeling./ Journal of Hydrology, 290, 2004. pp. 297-311.

40. Yagci O., Mercan D.E., Cigizoglu H.K., Kabdasli M.S., Artificial intelligence methods in breakwater damage ratio estimation./ Ocean Engineering, 32, 2005. pp. 2088-2106.

41. J.R. Ni, A. Xue, Applications of artificial intelligence for Management and control of pollution minimization and mitigation processes./ Engineering applications of artificial intelligence, 16,2003. pp. 105-119.

42. Scardi M., L.W. Harding Jr., Developing of empirical model of phytoplankton primary production: neural network case study./ Ecological Modelling, 120, 1999. pp. 213-223.

43. Dimopoulos I., Chronopoulos J., Sereli A.C., Lek S., Neural network models to study relationships between lead concentration in grasses and permanent urban descriptors in Athens city (Greece)./ Ecological Modelling 120, 1999. pp. 157-165.

44. Heymans J.J., Baird D., A carbon flow model and network analysis of the northern Benguela upwelling system. / Namibia Ecological Modelling, 126, 2000. pp. 9-32.

45. Antonic 0., Hatic D., Krian J., Bukocev D., Modelling groundwater regime acceptable for the forest survival after the building of the hydro-electric power plant./ Ecological Modelling, 138, 2001. pp. 277-288.

46. Царегородцев В.Г., Нейросетевые анализ и моделирование современных связей климата и растительности, Труды V Всероссийского семинара 'Информационные технологии в энергетике', Иркутск: ИСЭМ СО РАН, 2001,- с. 157-165.

47. Ronaldo С., Gismondi, Renan Moritz Vamier R. Almeida, Antonio Fernando C. Infantosi, Artificial neural networks for infant mortality modeling./ Computer methods and programs in biomedicine, 69,2002. pp. 237-247.

48. Gardner M.W., Dorling S.R., Artificial neural networks (the multilayer perceptron) a review of applications in the atmospheric sciences./ Atmosphere Environment, 32 (14/15), 1998. pp. 2627-2636.

49. Paruelo J.M., Tomasel F., Prediction of functional characteristics of ecosystems: a comparison of artificial neural networks and regression model./ Ecological Modelling, 98, 1997. pp. 173-186.

50. Lek S., Beland A., Dimopoulos I., Lauga J., Moreau J., Improved estimation, using neural networks, of the food consumption of fish populations./ Mar. Freshwater Resource, 46, 1995. pp. 1229-1236.

51. Lek S., Delacoste M., Baran P., Dimopoulos I., Lauga J., Aulagnier S., Application of neural networks to modeling nonlinear relationships in ecology./ Ecological Modelling 90, 1996 b. pp. 39-52.

52. Короткий С., Нейронные сети: алгоритм обратного распространения/ http:// www.neuropower.de/rus/books/index.html.

53. Julian D. Olden, Donald A. Jackson, Illumination the 'black box': a randomization approach for understanding variable contributions in artificial neural networks./ Ecological Modelling 154, 2002. pp. 135-150.

54. Colasanti R.L., Discussions of the possible use of neural network algorithms in ecological modeling./Binary 3,1991. pp. 13-15.

55. Горбань A.H., Россиев Д.А. Нейронные сети на персональном компьютере,- Новосибирск: Наука, 1996.

56. Садовников В.И., Глаголенко Ю.В., Дрожко Е.Г., Мокров Ю.Г., Стукалов П.М. Современное состояние и пути решения проблем Теченского каскада водоёмов / Вопросы радиационной безопасности. 2002. - № 1. - с. 3-14.

57. Радиоэкологические и радиационно-медицинские характеристики района размещения производственного объединения "Маяк". Отчет Инв. № Н-2130/1, Научный руководитель Дрожко Е.Г. ПО "Маяк", 1990.

Информация о работе

Якшина, Наталья Владимировна
кандидата физико-математических наук
Екатеринбург, 2007
ВАК 03.00.16

Диссертация

Нейросетевое моделирование процессов загрязнения окружающей среды - тема диссертации по биологии, скачайте бесплатно

Автореферат

Похожие работы