Бесплатный автореферат и диссертация по наукам о земле на тему

Районирование территорий на основе искусственного интеллекта и распознавания образов в задачах природопользования

ВАК РФ 25.00.35, Геоинформатика

Автореферат диссертации по теме "Районирование территорий на основе искусственного интеллекта и распознавания образов в задачах природопользования"

На правах рукописи

□03062128

ВОРОНИН Александр Юрьевич

РАЙОНИРОВАНИЕ ТЕРРИТОРИЙ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И РАСПОЗНАВАНИЯ ОБРАЗОВ В ЗАДАЧАХ ПРИРОДОПОЛЬЗОВАНИЯ

Специальность 25 00 35 - Геоинформатика

Автореферат диссертации на соискание ученой степени доктора техничес ких наук

Москва, 2007

003062128

Работа выполнена в Новосибирском государственном университете

Научный консультант, доктор технических наук, профессор Черемисина E.H.

Официальные оппоненты:

доктор физико-математических наук, профессор Никитин А А

Ведущая организации - Тюменский государственный нефтегазовый университет

Защита состоится «29» марта 2007 г в 14-00 на заседании Диссертационного совета Д216 011 01 при Федеральном государственном унитарном предприятии Государственном научном центре Российской Федерации - Всероссийском научно-исследовательском институте геологических, геофизических и геохимических систем (ФГУП ГНЦ РФ ВНИИгеосистем), г Москва 117105, Варшавское шоссе, д 8, конференц-зал

С диссертацией можно ознакомиться в библиотеке ФГУП ГНЦ РФ ВНИИгеосистем

Автореферат разослан ¥ » Ох' 2007г

Ученый секретарь Диссертационного совета,

доктор технических наук Калинин Д Ф

доктор технических наук, профессор Веселовский А В

доктор геолого-минералогических наук

В В Муравьев

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность

Проблемы эффективного комплексного использования и устойчивого развития территорий приобретают особую актуальность в связи с многообразием задач, возникающих в разных отраслях народного хозяйства, в частности, в науках о Земле При этом обычно говорят о разных постановках одной и той же задачи Если постановка задачи реализуется на языке исходной проблемы, которая породила задачу, то следует говорить о содержательной постановке задачи Если же это реализуется на языке теории множеств и анализа данных, то говорят о формальной постановке задачи В том же случае, когда такое задание реализуется на диалекте того или иного математического метода, следует говорить о математической постановке задачи

Следует отметить, что в науках о Земле районирование играет важную, но двойственную роль С одной стороны, оно традиционно является заключительным этапом, завершающим (обобщающим) очередную стадию комплексного исследования территории С другой -результаты районирования представляют собой исходную базу для выбора направления последующих работ, а зачастую, и методов их реализации Такой подход к районированию развивался в геологии, где акцент делался на выделение и ранжировании внутри определенной территории отдельных районов, перспективных для поиска тех или иных полезных ископаемых Опираясь на метод последовательной детализации, геологи сформулировали чрезвычайно плодотворную концепцию иерархического районирования Изучение этих работ, как и работ гидрогеологов, связанных с общим и региональным районированием, в особенности тех из них, которые связаны с использованием математики и ЭВМ, имеет важное значение для понимания современных подходов к районированию

В тоже время анализ опыта районирования, показывает, что при районировании огромную роль играет творческая интерпретация (реконструкция) автора

Разработка решении этой проблемы, начиная со второй половши прошлого века, сопровождалось бурным внедрением компьютерного моделирования на основе геоинформационных систем (ГИС) и технологий, баз данных и баз знаний

Сейчас ГИС-технологии уже широко используются для районирования территорий по особенностям природных условий, угодий в сельском хозяйстве, наличия минеральных ресурсов, а также при строительстве, управлении городским и региональным развитием и т д Накопленный опыт позволил выделить в отдельное научное направление такую отрасль знания, как геоинформатика

В настоящие время рассматривается несколько направлений развития геоинформатики, одним из которых является направление, базирующееся на использовании современных представлений об искусственном интеллекте

Искусственный интеллект мы понимаем, как научную дисциплину, целью которой является создание методолого-теоретических основ постановки и решения задач Представления о задачах в различных науках не совпадают, однако имеются «общие и вечные» задачи всех наук выделение объектов исследования, их описание и сравнение, классификация, оценивание, периодизация и прогнозирование Эти задачи, при условии использования для их постановки и решения математики и ЭВМ на основе методолого-теоретических схем, мы будем называть базовыми задачами искусственного интеллекта

Теоретическая разработка базовых задач искусственного интеллекта и их применение в мультидисциплинарных исследованиях открывают новые широкие возможности для геоинформатики, которая по своей природе также мультидисциплинарна

Степень изученности проблемы Следует подчеркнуть, что геоинформатика как наука сформировалась под влиянием идей, развитых в области информатики и системного анализа академиками А Н Тихоновым, А А Самарским, Н Н Моисеевым, А С Алексеевым, а в области применения ЭВМ в геологоразведке гакими учеными, как ЮА Воронин, А Б Каждан, О Л Кузнецов, В В Ломтадзе, В В Марченко, В И Пахомов, Е Н Черемисина и многими другими

Геоинформатика интенсивно развивается в смежных отраслях, как география и геодезия, прежде всего в области разработки геоинформационных систем по картографии, кадастрам земельных ресурсов и городов При этом следует назвать таких видных ученых, как Берлянт А М, Тикунов В С , Иванников А Д, Цветков В Я внесших существенный вклад в их развитие Цель работы.

На основе базовых задач искусственного интеллекта разработать теоретические основы и методики формирования требований к постановке и решению задач районирования территорий, а также программно-алгоритмическое обеспечение для их реализации Основные задачи исследований.

1 Разработать основы общей теории районирования путем формализованного описания объектов

2 Разработать методологические принципы и предложить теоретическое описание базовых задач искусственного интеллекта для решения вопросов районирования территорий

3 Формализовать процедуру проведения границ районов через алгоритм определения граничной точки

4 Разработать формальный метод сравнения двух районировании одной территории для помощи эксперту в выборе предпочтительного

5 Разработать семейство алгоритмов «Кассандра» для обработки данных с целью районирования и на их основе создать программный комплекс

6 Осуществить апробацию предложенной методики и алгоритмов районирования на конкретных примерах агроклиматического районирования территории Казахстана на основе данных космического мониторинга, районирование гравимагнитных данных для построения геофизической основы при изучении структурно-тектоничекого строения стыка Сибирской платформы и Верхоянской складчатой зоны, прогноз нефтегазаностности локальных структур юга Западной Сибири

Методолого-теоретическая база. Используются современные представления по философии и методологии науки (в основном, Моисеев Н Н), по эффективности недропользования и геологоразведки (Козловский Е А, Воронин Ю А), по искусственному интеллекту (Воронин Ю А , Черемисина Е Н) Научная новизна.

• С единых системных позиций разработана теория районирования многоцелевого применения для слабо формализованных задач

• Разработаны принципы и подходы решения этих задач на основе методов и приемов искусственного интеллекта и распознавания образов

• Разработан комплекс алгоритмов распознавания и районирования значительно расширяющий методологические возможности конструирования аналоговых и критериально-аналоговых моделей районирования

Основные положения, выносимые на защиту

1 Построенная общая теория районирования, включающая создание с единых системных позиций аналоговых и критериально-аналоговых моделей, позволяет значительно расширить возможности многоцелевого применения ГИС для постановки и решения широкого класса слабо формализованных задач

2 Предложенные формальные подходы к описанию базовых задач искусственного интеллекта позволяют при описании объектов районирования использовать как прямые, так и косвенные свойства, на их основе проводить сравнение объектов, при этом опираясь на статические и динамические меры сходства, задавать необходимое классифицирование

3 Формализованное определение границ структурных элементов через выявление граничных точек позволяет, используя математический аппарат, проводить сравнение двух районировании одной территории, экспертно вводя веса определенных операций

4 Разработанное семейство алгоритмов «Кассандра» обеспечивает создание на основе фактических данных теоретических объектов, экспертное разнесение которых по образам расширяет методологические возможности конструирования аналоговых и критериально-

аналоговых моделей Опираясь на цены ошибок первого и второго родов, семейство алгоритмов «Кассандра» позволяет устанавливать предпочтение между двумя алюритмами из этого семейства, в зависимости от постановки конкретной задачи

5 Применение методолого-теоретических основ изложенной теории районирования, опирающееся на аппарат искусственного интеллекта и семейство алгоритмов «Кассандра», позволило на основе разбуренных эталонных объектов нефтегазовых локальных структур Западной Сибири создать аналоговые модели и осуществить успешное прогнозирование не-разбуренных структур, построить геофизическую основу структурно-тектонического строения стыка Сибирской платформы и Верхоянской складчатой зоны, провести агроклиматическое районирование территории Казахстана, используя наземные данные и данные космического мониторинга

Практическая значимость. В работе предложены новые подходы к построению теории районирования на основе базовых задач искусственного интеллекта и применения ГИС Как представляется, они имеют многие преимущества перед традиционными подходами Возможности этих подходов конкретизированы на примерах прогнозного районирования нефтегазоностности локальных структур юга Западной Сибири, районирование гравимаг-нитных данных для построения геофизической основы при изучении структурно-тектоничекого строения стыка Сибирской платформы и Верхоянской складчатой зоны, агроклиматического районирования территории Казахстан с использованием данных дистанционного зондирования из космоса

Апробация работы

Все положения диссертации обсуждались в 1990-2006 годах на различных международных, федеральных и региональных конференциях, и семинарах, в том числе на всесоюзной конференции «Проблемы создания систем обработки, анализа и понимания изображений» (Ташкент, 1991), на III Межреспубликанском совещание по математическому моделированию природных и антропогенных катастрофических явлений (Новосибирск, 1995), на Международной конференции «Самоорганизация природных и социальных систем» (Алматы, 1995), на V-ом Международном симпозиуме по применению математических методов и компьютеров в геологии, горном деле и металлургии (Дубна, 1996 ), на Втором Международном симпозиуме «Интеллектуальные системы» (Санкт-Петербург, 1996), на 3-ей Международной конференции «Математические проблемы экологии» (Новосибирск, 1997), на Международном симпозиуме «Мониторинг окружающей среды и проблемы солнечно-земной физики» (Томск, 1996), на Международная конференция «Закономерности эволюции земной коры» (Санкт-Петербург, 1996), на Всероссийской конференции «Современные проблемы географии России и родного края» (Курган, 1997), на Международной научно-технической конференция «Нефть и газ западной Сибири» (Тюмень, 1998), на Всероссийской научно-практической конференции «Геоинформатика в нефтегазаностной отрасли» (Ханты-Мансийск, 2001), на Международной конференции «Математическое моделирование природных экосистем» (Алматы, 2003), на Всероссийской научно-практической конференции «Опытно-экспериментальная работа в образовательных учреждениях контекст модернизации образования» (Краснодар, 2004), на Межрегиональном научно-практическом семинаре «Интеграция интеллектуальных и материальных ресурсов научных, образовательных и производственных структур» (Барнаул, 2001, 2005), на постоянно действующем семинаре по вычислительной геологоразведке (Новосибирск, 19902005), на семинарах и рабочих совещаниях по применению ГИС в системе космического мониторинга Казахстана (Алматы, 1998,2000, 2003,2006)

Всего по теме диссертации опубликовано 25 работ, в том числе 3 монографии и 5 статей в ведущих рецензируемых научных журналах и изданиях, рекомендованных ВАК Министерства образования и науки РФ

Личный вклад

Диссертация основана на исследованиях, выполненных автором в период 1989-2006 в Новосибирском государственном университете С 1989 года автор участвовал в разработке темы «Совершенствование распознавания в геологии за счет моделирования экстремальных

объектов» В этой работе предложены основные идеи т н неоклассического подхода к распознаванию и районированию в науках о Земле В 1992 автор возглавил научную группу по разработке алгоритмов формирования материала обучения и экзамена для геологопрогнозных задач, в результате чего была построена автоматизированная система «Кассандра», которая в 2002 году была модернизирована с целью совмещения с современными геоинформационными системами С 1995 по настоящее время автор возглавлял различные научно-исследовательские темы, проводимые совместно с институтом вычислительной математики и математической геофизики СО РАН, связанные с применением искусственного интеллекта в природопользовании Основываясь на этих работах, им были описаны базовые задачи искусственного интеллекта, с системных позиций разработана теория районирования многоцелевого применения

С 1998 года совместно с институтом космических исследований Казахстана автором проводились многочисленные работы, связанные с решением задач агроклиматического районирования территории Казахстана по данным наземных и космических исследований Основные результаты диссертации получены лично автором По теме диссертации опубликовано 26 печатных работ, в том числе три монографии

Автор считает своим долгом почтить светлую память профессора Воронина ЮЛ, выразить искреннюю благодарность научному консультанту, д т н, профессору Е Н Черемисиной за помощь в процессе написания диссертации, а также коллегам из ИВМиМГ СО РАН и НГУ

Объем и структура работы Диссертация состоит из введения, пяти глав, заключения и списка литературы из 130 наименований и содержит 211 страниц машинописного текста

СОДЕРЖАНИЕ РАБОТЫ Глава 1. Основные проблемы теории районирования 1.1. Анализ опыта районирования в науках о Земле

Районирование — один из основных методов исследования территорий Огромный вклад в развитие его теоретических основ и практического применения внесли ученые географы и аграрии Арманд Д Л, Броунов П И, Грибкова Н Д, Жуков В А , Колосков П И, Сапожникова С А, Родоман Б Б, Шашко Д И и многие другие Представители широкого спектра геологических наук Архангельский А Д, Белоусов В В , Богданов А А , Боголепов К В , Вассоевич Н Б, Вотах О А , Забродин В Ю , Косыгин Ю А , Кулындышев В А , Налив-кин Д В , Спижарский Т Н, Чиков Б М , Шатский Н С , Шейнмани Ю М и многие другие

Обобщая многие работы, можно сделать следующие выводы - большинством специалистов «район» трактуется как территория любого размера, отвечающая двум условиям

однородности, т е вся площадь района является однородной по тем показателям, на основании которых он выделен,

системной целостности, те район представляет собой некое единство, являющееся следствием гармоничности связей между признаками, по которым он выделен

Само районирование можно представлять как совокупность методов расчленения пространства в соответствии с характером изучаемой неоднородности, выбранной систематикой тел и с соблюдением правил полного (без остатка) деления этого пространства, непересечения границ и характерности свойств выделяемых элементов

Исходные принципы районирования формулируются следующим образом Латеральная неоднородность обусловлена последовательной сменой по площади объектов, различающихся составом, структурой или физическими свойствами и находящихся в соотношениях соседства, пересечения или постепенного замещения

Вертикальная неоднородность обусловлена последовательной сменой по вертикали объектов, различающихся составом, структурой или физическими свойствами

Принципы вертикальной и горизонтальной неоднородности служат главными предпосылками объемного расчленения пространства

В основе районирования как общего способа исследования Земли или ее частей лежит принцип классификаций, только он позволяет представить необозримое множество тел и явлений в упорядочной и удобной для практического использования форме

Систематика — это иерархически упорядоченная классификация перечисления типовых элементов изучаемого множества

Учитывая принципы вертикальной и латеральной неоднородности, а также необходимую упорядочность систематики элементов, основные операционные правила районирования представляются так

Полнота деления все районируемое пространство должно быть расчленено на районы (элементы) без остатка и в соответствии с принятой систематикой

Целостность (характерность свойств) при районировании выделяются элементы, совокупность свойств которых должна обеспечивать их обособленность

Непересечение границ при районировании не должно быть «промежуточных» элементов, т е участков, относящихся более чем к одному классу элементов принятой систематики Ранговость при районировании должна соблюдаться иерархия выделенных элементов Однородность описания в соответствии с иерархическим уровнем систематики каждый выделенный элемент должен быть охарактеризован одинаковым списком свойств с равной точностью и степенью детальности

Однородность границ границы выделенных элементов одного ранга должны определяться по фиксируемому списку свойств

Специализация при районировании необходимо выбирать такие делящие признаки, которые в наибольшей степени отвечают задаче исследования

Данные принципы положены в основу постановки и решения базовых задач искусственного интеллекта и построения на их основе общей теории районирования 1.2. Теория районирования и системный анализ

Системный анализ - зто совокупность методов, ориентированных на проблемы принятия решений в условиях, когда выбор альтернативы требует изучения сложной информации разной природы

Системный анализ всегда начинается с построения модели, отвечающей постановке конкретной задачи, т е формализации изучаемого объекта (процесса)

Формализация модели состоит в определении соответствия содержательной модели исходным данным, описании критериев и признаков для решения задачи и получения их цифровой модели (матрицы), а также выборе способов их расчета При этом можно выделить несколько типов формальных моделей

Критериальная модель задается группой критериев, наличие каждого из которых благоприятствует (реже препятствует) достижению на данном объекте максимума целевой функции Наличие такой модели знаменует либо достаточную теоретическую проработанность вопроса об объекте исследований, либо большую статистику, позволяющую сделать такие выводы

Аналоговая модечь, в которой постулируется принцип аналогий и представлено достаточное количество объектов, отвечающих различным значениям целевой функции Здесь особенно важно иметь эталонных представителей не только для оптимальных, а для всех значений целевой функции Например, должны быть известны не только месторождения, но и пустые участки территории

Промежуточное положение занимает критериально-аналоговая модель, соединяющая в себе наличие критериев и использование принципа аналогий В принципе от критериальной модели всегда можно перейти к критериально-аналоговой, организовав образы на основе создания идеальных по значениям критериев объектов разных классов При этом, необходимо помнить, что искусственно порожденные объекты могут не только не иметь аналогов в действительности, но и быть теоретически запрещенными, так как не любые наборы критериев оказываются совместными Поскольку построение модели определяется конкретной задачей, то необходим анализ модели в соответствии с постановкой задачи исследований При описании модели нужно провести анализ априорных сведений и ограничений и сформулиро-

вать некоторую оптимизационную задачу Следующий этап системного анализа - решение оптимизационной задачи (или просто оптимизация) по выбору стратегии, обеспечивающей достижение цели управления Критерий оптимальности при этом обычно является и критерием отбора наиболее экономной стратегии

Таким образом, системный анализ включает построение модели, анализ этой модели и оптимизацию решения поставленной задачи

Отметим, что районирование в науках о Земле играет такую же базисную роль, как и классифицирование В методолого-теоретическом смысле первое разработано значительно хуже второго, хотя они тесно связаны друг с другом одно предшествует и/или следует за другим

Соответственно, с каждой задачей районирования, с позиции системного анализа, можно связать ее «вход», «выход» и «процесс», т е анализ О математическом подходе к такой задаче можно говорить только тогда, когда можно формально описать варианты «входов», «выходов» и «процессов», задать меры сходства между ними, указать условия предпочтения для каждого элемента системы При таком описании можно использовать искуссгвенный интеллект и современные средства геоинформационных систем

Будем считать, что в простейшем случае районирование территорий некоторого класса реализуется в три этапа

На первом этапе отбирается несколько территорий этого класса (полигонов), внутри которых в узлах прямоугольной сети с ячейкой размером Д проводятся наблюдения, так называемых «прямых» свойств Ф и экспертами осуществляется их районирование В идеальном случае, затраты, связанные с таким районированием С (Д, Ф) во внимание не принимаются

На втором этапе внутри тех же территорий - полигонов в узлах вспомогательной сети наблюдений с ячейкой размером Д', Д' < А/р, проводятся наблюдения так называемых «косвенных» свойств Б и разрабатывается их «косвенное» районирование, связанное с меньшими затратами, строится аналоговая или критериально-аналоговая модели, в рамках которых создаются алгоритмы районирования

На третьем этапе внутри всех остальных территорий этого класса в узлах сети с ячейкой размером Д' проводится наблюдение «косвенных» свойств Б и реализуется их «косвенное» районирование, разработанное на втором этапе

На первом и втором этапах осуществляется построение модели, на третьем - ее использование Другими словами, на первых двух этапах происходит, так называемое районирование-обучение, на третьем этапе районирование - распознавание (рис 12 1)

Рис 1 2 1 Блок схема общей теории районирования 1 3 О постановке и решении задач районирования

Для постановки и решения задач районирования автором предложена следующая схема

• Уяснение методолого-теоретических принципов, которые принимались для задания «предшествующе! о» и построения «последующего» разбиения, а также для создания инструкций перехода от первого разбиения ко второму Обычно это связано с формальным уточнением тех исходных понятий, которые использовались авторами

• Рассмотрение возможностей модификации упомянутых методолого-теоретических требований с учетом теории районирования

• Уточнение тех целей и обстоятельств их достижения, которые имелись в виду

• Выявление возможностей объективной оценки эффективности «последующего» разбиения

• Оценка возможности модификации «предшествующего» разбиения и алгоритма перехода с целью повышения эффективности «последующего» разбиения и уточнения рекомендаций по ее использованию

Любая задача районирования - подзадача некоторой задачи, в решении которой используется результаты районирования О ней необходимо заранее иметь четкие представления

Задачи районирования имеют научный смысл, когда существуют объективные возможности (сейчас или в будущем), пусть связанные с огромными затратами, позволяющие установить отношение предпочтения между двумя «разными» вариантами районирования, которые ориентированы на одни и те же цели При этом надо учитывать, что в процедуре районирования участвуют различные специалисты и требуется обозначить их роли

Содержательная постановка задачи районирования - первый этап, предопределяющий успешность всего последующего, этот этап должен быть четко выделен и реализован приемлемым образом для всех участников районирования

Формальная постановка задачи районирования - второй этап районирования Под формальной постановкой задачи районирования следует понимать интерпретацию ее содержательной постановки на языке анализа пространственных данных (с привлечением некоторых представлений теории классифицирования и районирования, в частности, представлений о принадлежности двух соседних точек к одному или разным районам) Эта постановка должна обеспечивать возможность получения различных конкурирующих математических постановок задачи районирования с учетом требований теории районирования

Математическая постановка задачи районирования есть следствие анализа ее содержательной и формальной постановок Она результат компромисса между желаниями и возможностями участников районирования Необходимо иметь, как минимум, две конкурирующие математические постановки задач районирования

Под решением задачи районирования будем понимать

• конструирование нескольких семейств алгоритмов для получения последующего районирования территории из ее предыдущего районирования,

• выбор из нескольких семейства таких алгоритмов одного «предпочтительного»,

• отыскание в выбранном семействе «предпочтительного» алгоритма,

• задание полученного последующего районирования и получение алгоритмов его использования,

• оценивание эффективности полученного последующего районирования Предлагаемая в работе общая теория районирования, базируется на следующих методологических принципах

I принцип - представления объектов в виде системы подобъектов и формальное описание объектов, подобъектов и их размещения

II принцип - описания различных видов районирования с учетом специфики его целей, исходных баз данных и знаний, критериев оценки эффективности и др

III принцип — сочетания творческих и формальных компонентов (в частности, математики и компьютеров), а также разъясните сочетания в нем специфического и общего для разных наук

IV принцип — определенности и полноты

V принцип - разбраковки уже известных способом районирования и пх результатов, а также рекомендаций по практическому использованию этих результатов;

VI принцип - построения схем постановки задач районирования и их решения па основе искусственного интеллекта (в частности, распознавания образов).

Язык общей теории районирования базируется на языках системного анализа, теории классификаций и анализа пространственных данных.

1.4. Основные задачи теории районирования

Нервам основная задача теории районирования свя'запа с выделением типов и видов районирования.

Можно выделить два тина районирования. Если критерий опенки эффективности районирования учитывает только качество районирования, то будем говорить о «прямом» районировании, если же он учитывает и затраты на получение районирования, то о «косвенном» районировании.

Для каждого из типов в работе выделяются 2 вида районирования.

Если отношение предпочтения между двумя конкурирующими райоппровапиями может быть в принципе установлено независимо от мнений экспертов, будем говорить об «объективном» районировании, иначе — о «субъективном».

Если при установлении этого отношения оказывается необходимым рассматривать территорию «в настоящем», «в будущем» или «в прошлом», то будем говорить о «диагностическом», «прогнозном» и «ретрогпочном» районировании. Например, по космическим данным, нам необходимо построить карту нормализованного дифференциальною вегетационного индекса NDVI (normalized difference vegetation index) территории Казахстана в апреле, то такое районирование будем называть диагностическим (рис, ! .4,1),

Днагкостмчекое районирование

апрель

linn. \|»п

I g с; (t;

Рис. 1.4. ]. Диагностическое районирование NI )VI апрель (Казахстан)

Опираясь на диагностическое районирование, а также па имеющиеся базы данных и знаний, нам требуется предсказать NilVI в августе, то такое районирование называется прогнозным (рис, 1.4.2).

Аналогичные примеры можно привести и дня ретрогнозного районирования!

Вторая основная задача теории районирования связана е выработкой представлений о формальном районировании.

Если районирование территории представлено пе только графически, по и аналитически, причем переход от карты к тексту се описания однозначен, га такое районирование следует считать формальный. Эта задача подробно рассматривается но 2-ой и 4-ой главах.

Третья основная задача теории районирования связана е фиксацией представлений о сопоставимости различных районирования. Подробно это проблема рассмотрена и 3 главе.

"'"Гг;;' август

нммгЗДЮ

НГ 6*

Рис. 1,4.2. Прогнозное районирование N [Э\,г1 август (Казахстан)

Выводы:

Обобщение работ по районированию в природопользовании позволяет сформулировать принципы содержательных постановок задач районирования.

Системный подход, положенный в основу общей теории районировании, обеспечивает выделение содержательных, формальных и математических постановок шдач районирования,

Предложенные методологические принципы обеспечивают сведение проблем районирования к баювым задачам искусственного интеллекта.

Глава 2. Экспертные системы и Г>азовые задачи искусственного

интеллекта в мультндисЦ«пленарных исследованиях наук о Земле

2.1. Экспертные СНСТёмы и fía t» знаний

Бурный рост использования ЭВМ в практической деятельности человека остро поставил вопрос формализации знаний. Этот вопрос решался и рамках создания экспертных систем. Экспертные системы появились благодаря исследованиям в области искусственного интеллекта, к которым, прежде всего, относится разработка систем. Обеспечивающих реализацию процесса общения с ЭВМ на естественном языке.

1 Го определению, данному в словаре основных терминов но геоинформатике, экспертная система это система искусственного интеллекта, включающая базу знаний с набором правил н механизмов) вывода, позволяющим на основании правил и представленных пользователю фактов распознать ситуацию, дать прогноз, поставить диагноз, сформулировать решение или рекомендацию.

Экспертные системы предназначены для решения неформализованных задач, но они не отвергают и не заменяют традиционных подходов к разработке программного обеспечения, ориентированного на решение формализованных задач, В экспертных системах, в отличие от используемой) при обработке п анализе данных па ЭВМ традиционного соотношения данные + алгоритм программа, обеспечивается новая архитектура, основу которой составляют база знаний и «машина логического вывода», или иначе, знания i- вывод ■ ■ система.

При разработке экспертной системы основные усилия направлены па две компоненты: базу знаний и механизм логического вывода.

База танин (И) это совокупность имеющихся сведений о проблемной области, для которой предназначена экспертная система, представленная н виде формальной структуры, обеспечивающей использование предварительно установленных правил.

Построение баз знаний подразумевает диалог с экспертами, в процессе которого происходит переход от содержательных постановок задачи к формальным В работе рассматривается подход, обеспечивающий представление содержательных задач районирования в виде последовательностей следующих задач искусственного интеллекта описания, сравнения, классифицирования и распознавания, оценивания и прогнозирования формальных объектов

2.2. Задачи описания объектов

Науки о Земле имеют дело с материальной средой и «погруженными» в нее, частично или полностью, объектами, определенным образом выделенными и описанными Размер этих объектов на много порядков превышают «лабораторные» Среда воспринимается через некую сеть наблюдений В узлах этой сети отбираются, реально или виртуально, некие «частицы» среды или образцы (пробы) На этих образцах измеряются свойства и определяются теоретические характеристики совокупностей проб Формально, среда воспринимается через расстояния по конкретным географическим координатам и через некие меры сходства по свойствам между образцами, а также через правила выделения и разделения совокупностей образцов, иначе через «дискретное пространство»

В диссертации рассматривается формализованный подход к задаче описания объектов исследования Первоначально объекты представляются протоколами наблюдений, формально — матрицы ОКС (объекты, координаты, свойства) При этом проверяется их соответствие системным требованиям, в частности

• описываемые объекты уже формально выделены и наименованы,

• описания объектов предопределяется целями, ради которых оно проводится,

• при отсутствии прямых (точных) описаний не может быть косвенных (приближенных), Особо отмечается, что свойства объектов, которые используются для достижения фиксированной цели, следует разделять на

• прямые, их значение обеспечивает простое и точное достижение фиксированной цели, однако определение их требует больших затрат

• косвенные, знание значений этих свойств обеспечивает лишь приближенное, сложное достижение цели, однако определение их требует значительно меньших затрат, чем прямых При этом рассматривается три типа свойств объекта

• эмпирические, значение которых могут фиксироваться только за счет измерений,

• эмпирико-теоретические, значения которых могут фиксироваться и за счет измерений и за счет вывода на основе измерений значений других свойств,

• теоретические, значения которых могут фиксироваться только за счет вывода на основе измерений значения других свойств

Принципиальным является тот факт, что постановка задачи описания осуществляется на основе экспертных знаний специалистов, в частности утверждается, что эмпирические свойства бывают трех подтипов

• интегро-дифференциальными, значения которых можно измерить как на объектах, так и на их частях,

• интегральные, значения которых можно измерить только на объектах,

• дифференциальные, значение которых можно измерить только на частях

2.3. Задачи сравнения объектов по мерам сходства

При наличии формального описания объектов в теории искусственного интеллекта ставится задача их сравнения Утверждается, что представления о сходстве объектов и об измерении меры сходства являются базисом всех теоретических построений

Пусть fp - р-ос свойство, которое может быть определено на объектах а, из А в момент th Обозначим через f'p(th) значение свойства fp на объекте а, в момент fo Положим, что f'p(th) может интерпретироваться как имя, номер или число Будем полагать, что заданы все пр возможных значений fp, которые считаются различными, то есть fp «градуировано»

Положим, что мы имеем дело с т свойствами fp Тогда в «статике» тексты s, задаются, как вектора значений свойств F,

р.=(/;>./; е (/„„)> »=1-»,. Р=1-т,

а в «динамике» — как вектор-функции значений свойств У7, (/)

и = 1-и , к = У\-Ър, р = 1-т Перечислим меры сходства, которые предлагается применять и условимся об их обозначении

Статические меры

1) Меры сходства объектов а, и из А по отдельному свойству /р. как функции от его значений на а, и ар то есть /р и /'р,с учетом его шкалы измерения

2) Меры сходства объектов а, и а, из А по совокупности свойств ^ = р = 1-да, как функции от векторов их значений на а, и ар то есть Ц = (/;') и ^ = () > с учетом шкал измерений fp

3) Меры сходства объекта а, га А и подмножества объектов А' из А по совокупности свойств Г = {[р), р = 1 -т, как функции от векторов их значений на а, и а* из А', то есть Р, - (/,) и = (/*), Л = 1 - к', с учетом шкал измерений

Динамические меры

4) Меры сходства объекта о, из А и подмножества объектов А' из А по совокупности

свойств /' = р = 1 как функции от векторов их значений на а, и аь из А', то есть = (/р) и = к = \-к', с учетом шкал измерений

5) Меры сходства объектов а, и из А по совокупности свойств /■(/) = (/р(/)), р = 1-т , как функции от вектор-функций их значений на а, и а, в моменты ,

то есть от = (/Д^)) и = (/¿(ОХ Л = А, -кр с учетом шкал измерений fp

Существенно, что меры 2) определяются через меры 1), также как меры 5) через меры 4), меры 3) определяются через меры 2) Отсюда следует, что для перехода от «статических» мер 1), 2) и 3) к «динамическим» мерам 4), 5) достаточно перейти от мер 1) к мерам 4) Условимся, меры 1), 4), 2) и 3) называть «опорными», считая, что они представляют основной интерес

К настоящему времени разработаны такие вопросы

• Уточнение представлений о мерах сходства объектов и формулировки аксиом, которым они должны удовлетворять

• Определения расстояния между мерами сходства 1) — 4) и установлением отношений между ними

• Задания семейств мер сходства 1) - 4), отвечающих необходимым требованиям искусственного интеллекта

2.4. Задачи классификации объектов

Теоретически изучать и использовать можно только классы объектов, а не отдельные объекты При этом многое зависит от того, как именно также классы организованы Выделяется два типа классификаций

• «перечислительные», для которых главной целью является точная фиксация содержания и разнообразия объектов без учета затрат,

• «диагностические», для которых главной целью является приближенная фиксация содержания и разнообразия объектов с учетом затрат

В диссертации введены формальные требования к классификациям, в частности

• При классификации объектов предварительно необходимо сформулировать цели, для которых оно проводится

• Первоначально для классификаций можно использовать только такие свойства объектов, значения которых определяются непосредственно за счет «воспроизводимых» наблюдений

• Главное при классификации фиксировать четкие представления о «допустимых» и «конкурирующих» классификациях и их предпочтениях

Выводы.

Широкое применение компьютерных технологий и экспертных систем при решении проблем районирования требует теоретической разработки базовых задач искусственного интеллекта, таких как описание объектов, их сравнение и классифицирование.

Предложенные подходы к формальному описанию объектов районирования позволяют использовать при их сравнении широкие классы статических и динамических мер сходства и на их основе проводить необходимое классифицирование.

Глава 3. Географические информационные системы и формализованное определение границ структурных элементов

3.1. Понятие о географической информационной системе.

Существуют различные определения географической информационной системы (ГИС), мы будем придерживаться следующего определения

«ГИС - информационная система, обеспечивающая сбор, хранение, обработку, отображение и распространение координатно-привязанной информации о точечных, линейных, площадных и пространственных объектах в форме их цифровых представлений (векторных, растровых, матричных) По территориальному признаку выделяют глобальные ГИС и локальные или местные ГИС (городские, муниципальные)

ГИС различаются также предметной областью информационного моделирования природоохранные ГИС, земельные (включая составление земельных кадастров), лесные, минеральных и водных ресурсов и т д

Данные в ГИС рассматриваются с учетом их пространственного, временного и тематического аспектов Для определения местоположения данных в ГИС используют один класс данных — координаты, а для определения параметров времени и тематической направленности - другой класс данных — атрибуты (или признаки) Что четко соответствует, изложенной во 2 главе базовой задаче искусственного интеллекта — описание объекта

Класс координатных моделей в ГИС содержит основные типы координатных данных точки (узлы, вершины), линии незамкнутые (реки, границы), области или контуры, например, водоёмы, интрузивные массивы, а также полигоны (ареалы) — группы примыкающих друг к другу замкнутых участков

При решении задач районирования территорий мы имеем входные данные в виде пространственных объектов, как правило, четырех типов точки, линии, области (контура) и поверхности

Линии в виде границ предполагают при их пересечении существенные изменения одного или многих атрибутов В формальном плане понятие границы в диссертации рассматривается как набор граничных точек

3.2. Формальное определение границ структурных элементов

Рассмотрим пару соседних точек наблюдения (хаЛи-О и отвечающие ей пары векторов значения «прямых» и «косвенных» свойств (Ф„,Ф„,;) и {Р„, Рп+[) Среди пар точек (х«Да+1) есть пары «однородные», в которых точки ха, и хЛ-ц принадлежат одному району (ДХ,)ф, и «разнородные», в которых точки ха, и ха+] принадлежат разным районам (ДХ,)Ф Если задано «прямое» районирование X, то X = и(ДА'1) , то можно явно перечислить все т\ пар «однородных точек» у и все т2 пар «разнородных» точек ((^г'*,^)) ,

т\»тг Сопоставим пары векторов

Пусть Л.(Фа,Фр,£1) и Л(Га,Г//,Х) некоторые семейства мер сходства между векторами значений «прямых» и «косвенных» свойств Ф и Б, определяемых в точках ха и Выберем Фо и Ро и припишем каждой паре (хаа„*|), «= а\,а.г, например, такие «прямые» характеристики И,(1) = Л(Ф„,Ф0,П),я, (2) нЛ(Ф„,,Ф0,П),

<»а(3) = (Ф„,Ф„+1,П) а = а„аг,

и такие «косвенные» характеристики

/Д1) - р0,ъ),/а (2) = Л(^ЛД).

Используя

можно построить алгоритм Кф, позволяющий относительно любой пары точек наблюдения (ха, д-а+О определить является ли она «однородной» или «разнородной» Если пара точек наблюдения (х„, х„+1) «разнородна», то можно считать, что она определяет граничную точку

наблюдет™ х'а (Ф) = ^

Используя

((мД, и ((Д0)!Д(2),Л,(3))), ((«,..))„, и ((Д(0.Д(2),Д(3))),

можно построить алгоритм К/г, позволяющий относительно любой пары точек наблюдения (ха, Ха+1) распознать (с учетом или без учета их порядка следования) является ли она «однородной» или «разнородной»

Если пара точек наблюдения «разнородна», то можно считать, что она распознает или

(X + X I

обнаруживает граничную точку наблюдения =

При построении такого алгоритма обнаружения используем гипотезу, что «соседние» точки наблюдения внутри одного района должны быть «сходны» между собой по косвенным свойствам, а «соседние» точки разных районов - «различны»

На первом этапе оказывается необходимым дополнительно фиксировать множество пар соседних точек «однородных» и «разнородных», описывать эти пары на основе «прямых» свойств, задавать меры сходства по этим свойствам и использовать их для построения алгоритма определения граничных точек, описывать эти пары на основе «косвенных» свойств, задавать меры сходства по этим свойствам и использовать их для построения алгоритма обнаружения граничных точек

На втором этапе оказывается необходимым дополнительно описывать «косвенные» районы От того, как выполнены эти дополнительные действия, тоже существенно зависит успех районирования X Важно, что

• границы районов выделяются только по изменениям значений одних свойств в соседних точках, для их выделения нужны «плотные» сети наблюдений в X с «малым» числом изменчивых свойств,

• районы различаются по значениям других свойств и по их изменениям во всех их внутренних точках, для их различения нужны «менее плотные» сети наблюдении в А5/ с «большим» числом мало изменчивых свойств

С учетом ранее сформулированной гипотезы семейство алгоритмов обнаружения граничных точек х'„ можно задать и так

Граничная точка между точками ха и хац, в которых заданы вектора косвенных свойств Га и .Ра+1, существует, если мера сходства 1,2) <Л, иначе - не существует

Визуально, это представлено на рис 3 2 1 Пусть у нас 11 точек описанных вектором косвенных свойств Ра, задаем значение Л менее 0 4, соответственно, граничная точка будет располагаться между 5 и 6 точками

0 64 0 83 0 72 0 70 0 38 0 42 0 83 0 46 ® ® ® ® ® ^ ® ® ® ®

1 2 3 4 5 6 1 8 9

Условные обозначения

(о) -точки ха (1-11), описанные вектором косвенных свойств , О 64 — мера сходства между парами точек, граничная точка х^

Рис 3 2 1 Определение граничной точки на профиле точек, описанных вектором косвенных свойств

При этом выбор конкретного алгоритма обнаружения сведется к выбору меры сходства из заданного семейства и выбору константы различия

Относительно «прямого последующего» районирования X, то есть X = и(ЛА,:)ф.], и «косвенного предшествующего» районирования X, то есть X = и(ЛА'();.й заметим, что они, помимо прочего, должны быть «объективными» и обеспечивать «объективные» возможности выделения аналогов X

Намеченные выше алгоритмы обнаружения граничных точек районов опираются на элементарное предположение если сравнить две соседние точки на профиле наблюдения и они окажутся «несходными», то между ними лежит «граничная» точка

Если Х9 - граничные точки по <р(х), а X/ - граничные точки по ]{х) с учетом Л(А',й"),й = ф,/, то можно говорить о связи <р(х) иДл) по граничным точкам

Разумно различать классы алгоритмов обнаружения «граничных» точек по тем представлениям о «несходстве» соседних точек, на которые они опираются Эти представления могут задаваться через

1) «расстояния» соседних точек до неких заданных совокупностей точек,

2) «принадлежности» соседних точек к разным «классам», организованным по наблюдаемым свойствам,

3) «меры сходства» соседних точек по наблюдаемым свойствам

3.3. Методологические проблемы сравнения и оценки качества районирований Один из самых тонких вопросов — оценка качества построенных районирований На наш взгляд, основная сложность заключается в двойственном характере этой проблемы Оценка качества решения задач районирования связана, с одной стороны, с построением (возможно виртуальным) «идеального» районирования территории (эталона), а с другой стороны, с описанием, сравнением и количественным выражением (ранжированием) расхождений между двумя различными районированиями одной территории Например, на рис 3 3 1 представлено три границы опустынивания, первая, проведенная наземными наблюдениями -прямое районирование Две других построены на основе космических данных с использованием различных семейств алгоритмов - косвенное районирование

Мы можем провести их сравнение, опираясь на вычисление площадей опустынивания, попавших в нормальную зону и наоборот Оценивая эти показатели, эксперт может выбрать семейство алгоритмов в соответствии с поставленной задачей

В математическом плане решение задачи сравнения двух косвенных районирований одной территории можно представить так

0 83 0 72 ® ®

10 11

Рис 3.3.1. Локализации очагов опустынивания ([0-3 часть Акпобинского полигона)

Д.чя описания районирования G„{I ) можно использовать следующую характеристику:

■-(»<-'>. «о

{}

где п"Р - число районов, у которым р соседних, т„ - число всех районов. 11азовем ["а структурной характеристикой районирование Ga. Исходя ич ( I ) получим вектор:

= ' (2)

где

О ,п\1та<е.

Назовем Х„ грубой характеристикой риннипронапнн Gn(T).

Заметим, что Г„ и Хи можно было бы получить, приписав ¿-тому району Ga число опосредовано соседних с ним районов (через соседних,/= 1,2,...). Аналогично районированию Щ припишем векторы:

—t L р=\-{тц-г% (3)

Щ = (/,,), я*,, =1,0, р = 1- (%- 4 <4>

Если Va'",, р■ то будем относить районирование G„ и С/ к одному классу по

«соседству», иначе к разным.

Если х"/, = ! о jfp= t, то будем относить районирование Ga и 6';; к одному виду, иначе — к разным видам по «соседству».

Алгоритм А з ;ч'\и:и; ; «Кассандра» Алгоритм В ;< . семейства «Кассандра»

Если районирование Оа и Ор относятся к разным видам по «соседству», то их будем считать «структурно» различными, иначе сходными Это сходство можно определить, положим, так

МЗДН^-^^А, «5,

па п" „ , шт(—£,—р-)

т: 7 (6)

т» тах(^-£-,—£-) Г"а тр

В (1) и (3) суммирование проводится по всем р, для которых хар* з?'р=\ Если районизаиди Оа и Ор «изоморфны», то они принадлежат к одному виду и для них Аг(Оа,С/1) = 1 Если районирования Оа и Ор принадлежат к одному виду и для них А{Оа,Ср) = 1, то они «практически изоморфны»

Пусть относительная площадь ¿-ого района районирования Оа есть

Найдем — У] л» =х° и зададим некую классификацию районов по 5?, с учетом , с классами ^(А) («разумно грубую») Припишем районированию Са вектор

где — число районов в районировании б«, у которых .5« принадлежит классу т„ -число всех районов Исходя из (7), получим вектор

?1= 1,0, А = 1-5, (8)

где

У1

{\п"к1та \

Аналогично районированию Ор припишем

|> А = 1-5, (9)

= УИ= 1,0,А = (1-5) (Ю)

Если , то районирования йа и Соотнесем к одному классу по «площадям»,

/| н

иначе - к разным

Если у1 = 1 « уЦ = 1, то будем относить их к одному виду по «площадям», иначе — к разным видам

Если районирования Оа и Ор относятся к разным видам по «площадям», то их будем считать различными, иначе — сходными по «площадям» Это сходство можно определить, положим так

. * , ), (П)

ЪУ ь+ЪУ ь т" "Ь

я> (12)

т„ т„ ,п „ л „ч

" " тах(—-,—-) т„ т„

Рассмотрим к-ый район Са и припишем ему показатели его «формы», положим так Ч>1 С) = ~>ак - К («вытянутости»),

К

еа

(р°Л1) = -—-к — («изрезанное™»),

Фг)Ч*;)2

где ак и Ьк — полуоси эллшеа, в который вписан ¿-район, ек - длина контура ¿-ого района На основе <рк(У) и <рк(2) построим некую классификацию «форм» районов с классами Ф(</), <7 = 1 (разумно грубую) Тогда районирование С}„ можно будет приписать вектор

т„

где п° - число районов Са, которые относятся к классу Ф(<г/) Исходя из (9) получим вектор

-«),?=1-е, (Н)

[1 Х/т^е,

F.>

• Я*-

т„

= \,q = \~Q, (13)

Аналогично районированию G® припишем векторы

V

F„ =

,9 = 1 ~Q, (15)

2f'=i,o,i=i-e об)

Если £ 2° = £ г^, то будем относить районирование Ga и Gp к одному классу по

ч я

«формам», иначе — к разным классам

Если z"q = 1 <=> Zq = 1, то будем относить их к одному виду, иначе - к разным видам по «формам»

Если районирования Ga и Gp относятся к разным видам, то их будем считать различными по «формам», иначе — сходными Это сходство можно определить, например так

AF(Ga,Gfi)= . 2 (I7)

Lz 1 m° mf>

na Tl^ a Я min(—2-,—A)

7 (18)

ma mfl

Дополнительные сложности возникают, если необходимо учитывать тип или «окраску» районов В этом случае важную роль играет конфигурация районов, определяющая «текстурные» характеристики районирования Рассмотрим некоторые особенности классификации и сравнения «раскрашенных» карт регионов, которые, в частности, могут являться результатами тематического дешифрирования космических снимков Пусть к-ыя регион на карте районирования Ga окрашен краской стк (принадлежит по «веществу» к грубому классу), причем (j"k = 1 - £ Обозначим через — число районов в районировании G„, окрашенных краской а Припишем региону Ga вектор

eaJ< 1<т = 1-£ ,££=1, (19)

где та — число всех районов в Оа Исходя из (13) получим вектор

1,0, > (2°)

Аналогично районизации Ор припишем векторы

^ = 1-1 ,2^ = 1, (21) «,-(*£)» ^=1,0, <т = 1-Х , (22)

(О^/т^сгг

Если ^^ = , то районирования и вр отнесем к одному классу по «окраске»,

а ч

иначе - к разным

Если = 1 <5> и^, то районирования Са и Ор отнесем к одному виду по «окраске», иначе - к разным

Если районирования Са и Соотносятся к разным видам по «окраске», то будем считать их различными, иначе - сходными по «окраске» Это сходство можно определить, например, так

К<Ра,Ор) = о * (23)

а ^

=-(24)

та тр

Припишем районированию Та последовательность номеров красок Та=(сг°),

(1-Х ), г = \-та и назовем ее «¿-словом» районирование Са (или «текстурой»), а краски сг° назовем «¿-буквами» Аналогично припишем районированию Ор «¿-слово»

Если районирования Са и Ор относятся к одному виду по «окраске», то их «¿-слова» Та и Тр содержат одинаковые «¿-буквы» Они различаются между собой размещением «¿-букв» и числом их встречаемости

Пусть (<тг), г = \—тар, различаемые «¿-буквы», составляющие «¿-слова» Та и Тр. Фиксируем пару «¿-буквы» (<т„ о;) Положим, что «¿-буквы» могут в «¿-слове» располагаться относительно друг друга следующим образом

= ХА(а„сг^^сг^сг,, (25)

Х5{сг1,ст1) = (7„(т1>(т1,а1 Х6(с71,а1) = <У1,и,устрст1

Введем меру сходства между парами «¿-букв» (ст(,сгу) , .у = я', я", с учетом их расположения так

[1,«' = *"

ЧХ, (<■>,, 81), х, (д, ,^)] = ]0,1, - четно, - нет (26)

(1/2,1,5'* 5"

Тогда меру сходства между районированиями Са и Ор по «окраске» (т е по «текстуре») можно будет задать так

Ат(Оа,а,)-- (27)

Важно отметить, что предложенный выше способ аналитического описания и сравнения двух плоских фигур (регионов), сшитых из лоскутков (районов) разных размеров, форм и окраски зависит от ориентации исходной сети наблюдений лоскутков (районов) Поэтому более конструктивным представляется определение «сходства-различия» через количество (элементарных) операций, необходимых для преобразований одного районирования (структуры) в другое В частности, для к-мерных 0-1 векторов, можно задать операцию инверсии (преобразование 1 в 0 или 0 в 1) В этом случае вектор <0,1,0,1,1,0> можно преобразовать в вектор <0,0,0,1,0,0> с помощью двух операций, а в вектор <1,1,0,0,1,1> - с помощью трех Отметим, что аналогичный результат дает и известная мера Хэмминга

В случае, когда районирования отличаются только площадями итоговых районов, можно использовать операции

А1 Исключить элементарный объект х из района У) А2 Включить элементарный объект х в район У)

Если районирования отличаются количеством районов, необходимо дополнительно использовать операции

АЗ Разделить район X на две части Хь Хг А4 Слить два района Х[, Х2 в один X Для покрашенных районов требуется еще одна операция А5 Перекрасить район X в цвет %

В случае, когда цвета образуют упорядоченную последовательность (шкалу порядка), можно использовать операцию изменения цвета на следующий (предыдущий)

Можно доказать, что два любых районирования могут быть преобразованы друг в друга с помощью конечной последовательности операций А1-А5 Другими словами, все районирования одной и той же территории образуют группу относительно базовых операций А1-А5

Таким образом, если ввести веса каждой операции а„ то можно построить количественную оценку различия двух районировании

/» = 5>, 4

Такая количественная оценка должна помочь эксперту в процедуре принятия решения по выбору предпочтительного районирования Отметим, что этот подход особенно эффективен в случаях, когда исходная сеть является регулярной, как это имеет место для космических снимков, состоящих из пикселей одинакового размера Выводы•

Центральным понятием, с формальной позиции, в процессе районирования территорий с использованием ГИСявляется понятие граничной точки

Предложенный подход сравнения двух различных районировании одной территории может помочь эксперту в выборе предпочтительного

Глава 4. Решение задач районирования и распознавания образов в автоматизированных системах обработки данных на основе семейства алгоритмов «Кассандра»

4.1. Автоматизированные системы обработки и интерпретации геоданных

Любая высокоорганизованная автоматизированная система обработки данных (АСОД) состоит из базы данных, системы управления базой данных и библиотеки обрабатывающих программ или пакета прикладных программ

В основе прикладного математического аппарата АСОД комплексного анализа используют методы распознавания образов с обучением на эталонных объектах и методы классификации объектов на принципах самообучения

При построении АСОД комплексного анализа при наличии эталонных объектов следует выделить методы математической логики, регрессионного анализа, потенциальных функций, проверки статистических гипотез Синтез АСОД и географических информационных систем обеспечил создание геоинформационных систем

Геоинформационная система ИНТЕГРО, созданная во ВНИИгеосистем в лаборатории геоинформатики под руководством Е Н Черемисиной, решает широкий спектр задач, связанных с науками о недрах

В основу построения ГИС ИНТЕГРО положены следующие принципиальные требования

1) Использование в качестве входной информации растровых и векторных изображений карт, материалов дистанционного зондирования Земли (космо- и аэросъемки), результатов наблюдений геофизических полей и фактографических данных различного типа, привязанных к пространственным объектам

2) Совместную обработку различных (пространственных, атрибутивных и прочих) исходных материалов вне зависимости от применяемой технологии ввода и совместимости по форматам данных с ведущими географическими системами и САПР

3) Эффективное интегрирование пространственных и фактографических данных в одной геоинформационной оболочке, прямые и обратные связи между системами управления пространственными и непространственными данными

4) Совмещение и интеграция данных, полученных различными способами, их преобразование в распространенные картографические проекции, как отечественные, так и международные, при условии открытости системы и пополнения её новыми проекциями

5) Интерфейс между геоинформацией, хранящейся в разных формах, обеспечивающей широкий набор преобразований и трансформаций данных в соответствии с решаемой задачей

Многообразие прикладных задач, решаемых на основе ГИС ИНТЕГРО, а также многообразие геолого-геофизических данных приводят к построению легко расширяемой системы, разные блоки которой могут существовать и компоноваться друг без друга, могут создаваться различными коллективами, но опираясь на единую информационную базу, а также широко использоваться при постановке и решении аналогичных задач других наук о Земле, особенно в связи с проблемами районирования территорий Это позволило достаточно легко адаптировать созданные нами алгоритмы «Кассандра» в ГИС ИНТЕГРО

4.2. Современные подходы к распознаванию

Применение распознавания образов в задачах природопользования позволило решить широкий круг практических задач, поставить ряд новых проблем, изменило методолого-теоретические взгляды на описание объектов исследования Однако это не привело к получению каких-либо принципиально новых практических следствий, получивших массовую проверку и общее признание С одной стороны, это связано с тем, что основные усилия были направлены на детальную разработку различных частных алгоритмов в ущерб развития методолого-теоретических вопросов, с другой стороны, — во многом связано со спецификой применения распознавания в науках о Земле Почти всегда первоначально приходится иметь дело с «образами внутри сознания конкретных специалистов» Переход от таких образов к формализованным называется организацией образов Этот процесс всегда должен предшествовать процессу распознавания Предлагаемый новый подход к распознаванию нацелен, прежде всего, на повышение строгости получения результатов распознавания, на оценку их эффективности и, следовательно, на повышение требований к исходной базе данных и знаний

При таком подходе распознавание связывается с двумя задачами «организации образов» и «распознавания образов»

Среди многих факторов повышения эффективности распознавания главным является совершенствование материала для распознавания и соответствующих априорных представ-

лений Необходимо уметь формально описывать, сравнивать и устанавливать отношения предпочтения на множестве эталонных объектов

Следовательно, распознавание - это одновременно организация образов в пространстве прямых свойств и их распознавание в общепринятом смысле в пространстве косвенных свойств При этом предлагается следующая схема

На первом этапе выясняется как именно выделены исходные объекты, какие свойства у них являются прямыми, а какие косвенными, имеются ли у эксперта представления о важности тех или иных косвенных свойств

На втором этапе выясняются особенности распознаваемых образов, в частности, может ли принадлежность объектов к ним быть установлена без привлечения экспертов (на основе прямых свойств и алгоритма организации образов)

На третьем этапе фиксируются исходные установки распознавания было ли при формировании эталонного материала заранее известно, каким алгоритмом предполагалось воспользоваться, имеется ли возможность дополнить эталонный материал новыми объектами или новыми свойствами

На четвертом этапе проверяется соответствие эталонного материала следующим формальным требованиям

• количество косвенных свойств должно быть больше числа образов,

• объектов в каждом образе должно быть не меньше числа свойств,

• любое значение косвенного свойства должно встречаться хотя бы один раз,

• не должно быть объектов, описанных одинаковыми векторами свойств и принадлежащих разным образам

В случаях несоответствия реальной задачной ситуации перечисленным требованиям выполняется преобразование исходного эталонного материала, в частности, определяются информационные веса косвенных свойств, минимизируется количество свойств, меняются шкалы измерений свойств, удаляются дублирующие объекты

Только после того, как установлено, что предложенный эталонный материал не противоречит представлениям эксперта и намечены пути формализации этих представлений, можно переходить к постановке задачи распознавания

Процесс постановки задачи включает фиксацию способа обнаружения возможных ошибок распознавания, задание цен ошибок распознавания первого и второго родов, а также цены отказов от распознавания, задание критерия эффективности распознавания и способов его вычисления в конкретных ситуациях Здесь же выполняется упорядоточение всех факторов повышения качества распознавания выбор класса алгоритмов распознавания, переописание материала для распознавания, переход к новым образам 4 3 Распознавание и районирование

Необходимо особо рассмотреть связь задач районирования с распознаванием С этой целью введем представления об элементарной задаче районирования

Рассмотрим в качестве большого пространственного объекта X— конечный отрезок оси х («территория»), в качестве элементарных пространственных объектов будем рассматривать х„ точки наблюдения или «пробы», находящиеся на расстоянии 5х друг от друга, а в качестве средних пространственных объектов рассмотрим АХ„ - подотрезки X («районы»)

Положим, что точкам ха за счет дорогих наблюдений (например, наземных геологических) приписаны векторы значений прямых свойств Фа Это означает, что задано их прямое «предшествующие» районирование X, то естьХ = и(лго)ф Кроме того, положим, что с помощью алгоритма Г(ф, задано и прямое «последующие» районирование X, X = о (АХ,)ф,{, Будем считать, что АХ,, I = 1—(и—1), «включены» в ДХ„, и имеют примерно одинаковую длину, причем расстояние между ними оказывается больше, чем суммарная длина двух соседних АХ,, те районирование X = и(АХ1)фр, имеет простую структуру Пусть каждой точкеха за счет других наблюдений (например, наземных геофизических) приписаны векторы значений

«косвенных» свойств /■'„, Это означает, что задано их косвенное «предшествующие» районирование .V, то есть X = . I [оложим, что F„, которые встречаются внутри áX¡, могут встречаться и вне них, го СС1Ъ в ДА*„, (Л имеет «сложный» состав i/o /■").

Мы условимся говорить об «'элементарной» задаче районирования, сели речь идет о получении из А' = ^(.т,). , с помощью алгоритма такого косвенного «последующего»

районирования А', то есть X = и (/IV ), которое является близким, по количеству ошибок

экзамена, к X = и^ДЯГ, ) . Вообще говоря, следовало 6i.i считать, что мы имеем дело не с

ОДНИМ X, а со многими, I Гри этом X $ заданы для всех А', а X - iV'r ) ■. заданы

только для некоторых Х<Х. Наша цель получить такие А* = и(А\"( L для всех X. которые

близки к X = .

Ясно, Ч'ш постановка и решение такой задачи, в предположении, что /-'уже обосновано и минимизировано, Требует предварительного разрешения, прежде всего, трех подзадач.

!) Конструирования хотя бы одного Семейства критериев близости между районирова-ниями*=ЦЛ*,Ц и A"=u(iVr)f[,.

2) Конструирования хотя бы одного семейства алгоритмов /i;..

3) Формулировки необходимых требований к районированию А' = U(AA',),w и X = t_j(.v„)/., при которых, с учетом 1) и 2), можно говорить о получении районирования X = Ь|(дА"()га Х= и (ДА', )/.-<$ где А" аналоги X.

4.4. Семейство алгоритмов «Кассандра»

В рамках совершенствования I ИС ИНТЕГРО кратко опишем разработанное нами семейство алгоритмов «Кассандра».

Наша цель - задать семейство правил распознавания S{h\ Ли1а,), позволяющих отнести объекты а, из А, (А0)\ /(,, которому поставлен в соответствие вектор h], либо к образу щ, либо к образу Л2 и указать семейство правил для определения надежности их распознавания. Например, имеется эталонный материал, состоящий из 10 объектов первого образа (месторождения нефти) и 33 объектив второго образа (пустые локальные структуры). Все эти объекты описаны 11 косвенными свойствами (рис. 4.4.1 ),

ВШ

iSîi»^:-" #1*

• « Ж

■МИ»*

■К W*

Щ^гв..... • : ■#!:

^......Wffi —w

.а ¿Ж "¡í^feíí

Ш Щ9Я

. : w ■ - -. : Шр : : i Ш. ! i -, щ ; i Ш; i i I i i ; ; i î : i

- " " 'i

шшштшшшшшшшшт ¡ш:

" lliSlÉ»

Рис. 4.4.1. Расположение фактических объектон н 11-ти мерном пространстве

Рассмотрим свойство fL^p -1 -i-M. Обозначим через fp ем> «левое» значение /К которое наиболее характерно для объектов а из Ад, (при достигает максимума, положим, щ,(//}—*hï(fp ) » а через /"обозначим его «правое» значение f^t, которое наиболее харагсгер-но для объектов а, из Д,, (при f*' достигает максимум, положим, %{/,,,,) -я,,,). Предположим, что эти значения fp и /" наиболее характерны и для объектов и о, из А, и .

Каждому объекту о, из Л мы сопоставляем вектор F, = (/f' ) и каждому вектору FI = (f't, ) — объекты й (они MOiyT и не принадлежать А).

Рассмотрим два вектора

.xi

Отвечающие им объекты назовем «О-характеристическими» для образов Ал и ,4,. обозначая их через а (0) и о (0) (рис. 4.4.2).

Рис 4.4 2 Расположение фактических и теоретических (яО-характеристических») объектов п 11-ти мерном пространстве

Рассмотрим два вектора.

...../г-.,/:,),

которые получаются из векторов Ш заменой j] f". Отвечающие им объекты назовем ^/-характеристическими» для-образов 4, и А,. обозначая их через а (I) и а" (Г). Подмножества объектов:

\ „ , (3)

А' = ((ГЩ

будем считать подмножествами «характеристических» объектов для образов Д и Л,, полагая, что объекты и*!/) заведомо принадлежат образуй,, а объекты а"(1) - образу 4% .(рис. 4.4.3).

Рис, 4,4.3. Расположение фактических и теоретических объектов («Охаракгертттичсских» - одна пара и « I -характеристических» объектов - 11 пар) в 1! -ти мерном пространстве

Фиксируем представления 6 «простых» объектах ак из Л. Рассмотрим объект акиз Л, которому соответствует вектора = Положим, ч го среди (/*.) оказывается т'к и т'к таких, ко торые равны / и / . н т'к -иных, т = т, + тк + т'к ■ Припишем объекту ак показатель «характерности»;

х{ак) =

и показатель «определенности»:

[ т" + т" j

{ т у

rin \ - 1 )

• > - 1 ~~; -

maxi«^«*)

Для й(/)иЗ (3) будем иметь:

г

Объекты Щ из А, для которых

2 2 Mat)>- + c(m). т(ак)>-+д{т)

будем считать «простыми», принадлежащими, мри больших ш, к образу А,, если mt > т\ - и образу А,, если тк < тк .

т

Следует заметить, что чем больше т и чем меньше , тем больше относительное

f 1

число «простых» объектов at в А. Видимо, именно поэтому в «описательные науках часто используют много бинарных свойств.

Можно считать, что задание семейства алгоритмов распознавания «Кассандра» сводится к заданию его базиса, то есть следующего:

(1) Набора правил градуировки и нормировки отдельных распознающих свойств .

(2) 11абора правил определения допустимости исходного материала для распознавания.

(3) 11абора правил выделения характеристических и простых объектов распознавания.

2(i

(4) Семейств мер сходства объектов по отдельным распознающим свойствам

(5) Семейств мер сходства объектов по многим распознающим свойствам

(6) Набора правил формирования специфического материала для распознавания

(7) Набора правил для выбора из специфического материала для распознавания подмножеств объектов, задающих образы

(8) Семейств мер сходства распознаваемого объекта с подмножествами объектов задающих образы по многим распознающим свойствам

(9) Семейств правил распознавания

(10) Семейств правил определения надежности распознавания

Под заданием конкретного алгоритма распознавания «Кассандра» можно понимать последовательный выбор конкретных мер и правил (1)-(10)

В связи со сказанным под постановкой задачи распознавания следует понимать задание

- во-первых, базиса семейства алгоритмов распознавания,

- во-вторых, его методолого-теоретического обеспечения, прежде всего, условий предпочтения для конкретных алгоритмов распознавания из этого семейства

Под решением задачи распознавания следует понимать выбор конкретного алгоритма распознавания, который «лучше» уже заданного

Для задания алгоритмов распознавания семейства «Кассандра», в первую очередь, необходимо указать условия предпочтения между двумя алгоритмами из этого семейства

Пусть 5' и Я" два алгоритма распознавания «Кассандра-1», которые построены на одном и том же материале для распознавании Аа (1), и различны по своим «компонентам» (например, по мере сходства по одному из распознающих свойств) Очевидно, что о сопоставлении алгоритмов 5" и 5" следует вести речь тогда, когда они дают различные результаты распознавания Ясно, что из различия алгоритмов 5" и 5™ по «компонентам» не обязательно следует их различие по результатам

Определим £>(£',У, Д.(Д,)) - расстояние между алгоритмами распознавания Б' и на

А(А0) так

где Л^ДДД^З"^"] - число объектов в Лг{Ао), которые распознаются алгоритмами У и 5", различно, а Л^ЛДД,)] — число всех объектов в Д,(Ад) Если Д.( Л0)) > г,, то алго-

ритмы распознавания 8' и можно считать с — различными на Ау(Ао)

Пусть Уи 5", г - различны по результатам и, следовательно, имеет смысл ставить вопрос о предпочтении одного из них Сейчас принято устанавливать предпочтение между 8' и 5" на основании частоты ошибок распознавания на выбранном материале экзамена Ад Чаще всего поступают так Пусть ц2(Д,,5')и Л~ относительное число ошибок распознавания 1-ого рода для алгоритмов 5' и 5" на Д, (т е когда объекты из первого образа распознаются как объекты второго образа), а у2|(Д,,5") и у21(Д,5") — относительное число ошибок распознавания 2-го рода Тогда предпочтения между 5'и 5" устанавливается с помощью показателя с, V, Д Д,, 5') + с, у2, (Д, 5), где с, ис2 -цены ошибок 1 и 2 -родов Если, мы имеем с, > с2 то условия предпочтения формулируют так Если и12(Д,,5') + и2|(Д,5")<у12(Д,,5") +1/2|(Д,,У), то алгоритм предпочтительнее алгоритма 5" Если же ^12(Д>5') + ^21(Д,5"') = г12(Д,5') + ^21(Д,5"'), то при и12(Д,,5')<алгоритм 5' предпочтительнее алгоритма 5"

Из изложенного видно, что семейство алгоритмов «Кассандра», в действительности является обобщением широко применяемого семейства «Голотип», при этом достаточно значи-

тельно его превосходит по богатству задания пар алгоритмов, расстояние между которыми больше заданного

Выводы:

Теория районирования, в своей сущности, опирается на распознавание классов объектов по «прямым» и «косвенным» свойствам.

Предложенное семейство алгоритмов «Кассандра» отвечает всем методологическим требованиям, сформулированным в главе 1, а также требованиям к постановке и решению базовых задач искусственного интеллекта (гл 2).

Фактические данные, обработанные семейством алгоритмов «Кассандра», позволяют виртуально создавать новые теоретические объекты, тем самым расширяя возможности построения критериально-аналоговых моделей.

Разработанное семейство алгоритмов «Кассандра» позволяет устанавливать предпочтение между двумя алгоритмами из этого семейства, в зависимости от постановки конкретной задачи.

Предложенное семейство алгоритмов «Кассандра» в действительности является обобщением широко применяемого семейства «Голотип» и является закономерным развитием Геоинформационной системы ИНТЕГРО.

Глава 5. Приложение теории районирования и семейства алгоритмов «Кассандра» для решения практических задач

5 1. Прогноз нефтегазоносности локальных структур юга Западной Сибири

Цель Определить информационную систему признаков и на ее основе провести районирование неразбуренных структур юга Западной Сибири на перспективные и неперспективные Оценивать ожидаемые запасы, структуру уровня концентрации и качества углеводородов не требуется

Исходные данные Д г -м н Каштанов В А и д г -м н Запивалов П А сформулировали признаковое пространство, которым явились характеристики снятые в пределах контура локального поднятия по основным опорным сейсмическим горизонтами На юге Западной Сибири основными горизонтами являются поверхности отложений

1 Доюрского фундамента

2 Нижней-средней ТОры (кровля отложений Заводоуковской серии и ее аналогов)

3 Нижнего апта (кровля отложений Алымской свиты серии и ее аналогов)

4 Сеномана ((кровля отложений Покурской свиты и ее аналогов)

5 Верхнего мела (кровля отложений Ганьской свиты и ее аналогов)

Объект исследования - локальное поднятие, является объемным телом, прослеживаемое по всем сейсмическим горизонтам начиная с доюрского фундамента Признаки, характеризующие локальное поднятие по этим горизонтам были объединены в 9 групп

1 группа — ширина локального поднятия (км) — 5

2 группа - длина локального поднятия (км) - 5

3 группа - изометричность локального поднятия - 5

4 группа - площадь локального поднятия (км) - 5

5 группа - абсолютная отметка локального поднятия — 5

6 группа — абсолютная отметка подошвы локального поднятия — 5

7 группа - амплитуда локального поднятия (км) - 5

8 группа — контрастность локального поднятия — 5

9 группа - положение поверхности доюрского фундамента на конец формирования отложений

А

— Заводоуковской серии

— Алымской свиты

- Покурской свиты

- Ганькинской свиты

Б Положение поверхности Заводоуковской серии на конец формирования

- Алымскои свиты

- Покурской свиты

- Ганькинской свиты

В Положение поверхности Алымской свиты на конец формирования осадков

- Покурской свиты

- Ганькинской свиты

- Положение поверхности отложений Покурской свиты на конец формирования осадков Ганькинской свиты

Формализация задачи. Все данные были переведены на машинные носители в матричном виде Используя классы алгоритмов «Кассандра» рассмотренные в четвертой главе, а также статические меры сходства между объектами, которые подробно были рассмотрены во второй главе, было проанализировано признаковое пространство, что позволило сформулировать модель Для построения модели были взяты все открытые месторождения и разбуренные пустые структуры, расположенные на исследуемой территории (10 объектов первого образа и 33 объекта второго образа)

Модель. Первоначально нами строилась аналоговая модель, при этом решалась первая часть поставленной цели - формально определить информационную систему признаков

Все свойства были просчитаны на характерность и взаимосвязанность с первым и вторым образом В результате были оставлены 11 признаков (свойств), которые в той или иной степени характеризуют все пять нефтегазоносных горизонтов

В частности

1 Доюрского фундамента (признак 16) - для нефтегазоносных структур характерна меньшая площадь локального поднятия, она обычно не превышает 30 кв км

2 Кровля отложений - площадь месторождений как правило меньше чем у пустых структур и не превышает 27 кв км (признак 17), но в тоже время отличается более удлиненной формой

3 Наиболее информативной для класса месторождений являются характеристики связанные с кровлей отложений Алымской свиты и ее аналогов (признаки 3, 8, 18, 28), так ширина и длина поднятия значительно меньше по размерам, чем у пустых структур и обычно не превышает соответственно 3 и 4 км Площадь локального поднятия порядка 14 км Абсолютная отметка подошвы колеблется в пределах 1 26 до 1 42, а контрастность локального поднятия 0 14-0 29 (признак 25)

4 Кровля Покурской свиты и ее аналогов Абсолютная отметка подошвы для нефтегазоносных структур колеблется в пределах 0 31-0 6 (признак 30)

5 Кровля отложений Ганькинской свиты и ее аналогов - для месторождений характерны более низкие абсолютные отметки подошвы локального поднятия, эги значения должны быть в приделах 0 14-0 35 км (признак 38)

Геологическая интерпретация модели.

1 Удлиненность структур по поверхности отложений Заводоуковской серии и характерное для класса месторождений свидетельствует о надразломном их генезисе и активной жизни вплоть до средне Юрского времени В подтверждении последнего служат также большие площади структур по поверхности отложений Заводоуковской серии

2 Низкие геометрические положения структур, относящихся к классу месторождений по кровле месторождений по Покурской и Ганькинской свит, свидетельствуют о преимущественном размещении месторождений вблизи зон нефтегазообразования в наиболее погруженной части региона и о достаточно мощной покрышке способной удержать углеводороды в ловушке

3 Контрастность продуктивных локальных поднятий по кровле отложений Покурской свиты и меньшие площади по кровле отложений Алымской свиты и ее аналогов свидетель-

ствуют об усилении тектонической активности и о формировании залежей углеводородов в постАлымское время

Резюмируя выше изложенное, можно отметить, что для месторождений Ю-В Западной Сибири характерно

А Надразломный генезис структур В Их сравнительно низкое гипсометрическое положение

С Усиление тектонической активности в посталымское время и формирование залежей углеводородов в этот этап

Создание пар экстремальных объектов.

Согласно выше изложенному, на основе информационной системы признаков, которых у нас получилось 11 , были созданы два вектора

^"(о)=ог,уг. X)

Отвечающие им экстремальные объемы были названы «О-характеристическими», для образов Д (нефтегазоносные структуры) и Аг (пустые структуры) Мы их обозначили через а*(0)и а"(0) Заменой /' нами были созданы 11 пар других экстремальных объек-

тов, так называемых /-характеристических

=(/;,/;, х хъ

17'(!)=(/:,/;, ,/; X)

Тем самым нам удалось построить 12 пар теоретических объектов Как уже отмечалось в первой главе, искусственно порожденные объекты могут не только не иметь аналогов в действительности, но и быть теоретически запрещенными, так как не любые наборы критериев оказываются совместными Поскольку построение модели определяется конкретной задачей, то необходим анализ модели в соответствии с постановкой задачи исследований В данном случае эксперт оставил все 12 пар искусственно порожденных объектов «Косвенное» районирование

Используя алгоритмы «Кассандра», был осуществлен прогноз 71 локальной структуры юга Западной Сибири, в результате которого было выделено 14 перспективных структур, 46 неперспективных и 11 структур попали в зону отказа 7 из 14 перспективных структур были разбурены В результате в 4 были обнаружены углеводороды, в двух - их признаки и в одной структуре вода Из разбуренных неперспективных 17 структур в двух были обнаружены признаки углеводородов, 15 оказались пустыми Полученные результаты говорят о широких возможностях алгоритмов «Кассандра» при постановке и решении задач, связанных с прогнозным районированием

5.2. Районирование гравимагнитных данных для построения геофизической основы при изучении структурно-текгоничекого строения стыка Сибирской платформы и Верхоянской складчатой зоны Формулирование задачи

Цель. Построение и интерпретации геофизической основы для изучения структурно -тектонического строения стыка Сибирской платформы и Верхоянской складчатой зоны (лист 1*51,52 (Тикси)) При этом было необходимо выделить тектонические блоки, складчатые и разрывные структуры разного ранга, оконтурить комплексы горных пород и отдельных геологических тел (интрузий), изучить рельеф погребенных поверхностей, выявить и проследить глубинные разломы и т д

Исходные данные На эту территорию имеются данные гравитационной и магнитной съемок 1 1000000 масштаба, составленные по данным съемок масштаба 1 200000, результаты дешифрирования аэро- и космоснимков, петрофизические данные, результаты бурения по 5 скважинам и глубинные разрезы по 4 профилям ГСЗ

Модель: источники аномалий гравитационного поля находятся как в чехле - это низкоплотные терригенно-осадочные породы мела, участки преимущественного развития плотных

карбонатных отложений чехла, достигающих мощности до нескольких километров, интрузивные тела кислого и основного состава, так и в более глубоких горизонтах земной коры -это участки разного состава или разной глубины залегания фундамента, а также рельеф глубинных поверхностей Конрада, Мохо и основность блоков земной коры в целом

Основными магнитоактивными объектами на исследуемой территории являются дайки разного состава и эффузивные образования в чехле платформы, блоки разного состава в фундаменте, интрузивные тела кислого и основного состава В пределах Предверхоянского прогиба все магнитоактивные источники перекрыты немагнитными меловыми отложениями различной мощности В пределах Верхоянской складчатой области источниками магнитных аномалий могут являться маломощные эффузивные образования в терригенно-осадочных отложениях, интрузивные тела, а также блоки фундамента разного состава и глубины залегания Формализация задачи.

На первом этапе обработки были выделены локальные и региональные составляющие гравитационного и магнитного полей Разделение проводилось с использованием программ адаптивной энергетической фильтрации

Для решения задачи районирования был рассчитан типовой комплекс характеристик К ним относятся средние значения интенсивности (уровень) гравитационного и магнитного полей, определяющие состав блоков и глубины залегания фундамента и глубинных границ, а также характеристики интенсивности, простирания, особенностей морфологии локальных аномалий, которые характеризуют состав, глубину залегания, простирание, размер, форму аномалообразующих тел, особенности проявления тектонических процессов

Для оценки уровня гравитационного и магнитного полей использовались выделенные региональные составляющие Неоднородность (изменчивость) среды оценивалась как плотность аномалий на единиц площади Расчет изменчивости проводился по программе, учитывающей при выделении экстремумов порог по заданному сечению изолиний Параметры локальных аномалий (оценка амплитуды, градиента, размера, формы и простирания) рассчитывались по картам локальных составляющих полей Для магнитного поля параметры были рассчитаны и отнесены к экстремумам полей, а затем с использованием процедур интерполяции, построения огибающей, осреднения были построены характеристики, описывающие площадные аномалии

При районировании на этапе анализа данных распределения всех характеристик были преобразованы с помощью различных функций, включенных в технологию и приведены к нормальному распределению Также была построена корреляционная матрица, по которой оценены корреляционные связи выбранных характеристик Формальное районирование.

Формальное районирование проводилось с использованием алгоритмов «Кассандра», описанных в 4 главе, через выделение граничных точек Требования на результат районирования были выбраны исходя из серийной легенды и экспертных предположений о числе различных блоков, определяющих структурно-тектоническую позицию региона

Проведенное формализованное районирование позволило выделить площади, отличающиеся характером поля по комплексу признаков

Линейные элементы для гравитационного и магнитного поля получены трассированием максимумов модуля горизонтального градиента, линейных локальных отрицательных и положительных аномалий, выделением средствами графического редактора нарушений корреляции на картах отдельных характеристик Затем по карте выделенных линейных элементов была проведена генерализация, при которой исключались дублирующие линейные элементы При генерализации среди линейных элементов особо выделены те, которые трассируются по комплексу признаков Таким образом, была получена схема линейных элементов для магнитного и гравитационного полей площади

Затем были проведены увязка и ранжирование площадных и линейных тектонических элементов площади Критерием оценки результата определена соизмеримость по размерам блоков одного иерархического уровня, слагающих территорию Ранжирование выделенных площадных объектов поля проводилось экспертом средствами ГИС В основу его был поло-

жен совместный анализ результатов формализованного районирования и карт отдельных характеристик Такой подход позволяет учитывать специфику исследуемой территории и выбирать объединяющий признак, отражающий модельные представления

Для магнитного поля листов 1151, 52 такими объединяющими признаками являлись изменчивость, размер аномалий и их градиент Выделенные блоки в этом случае наиболее соответствуют картируемым на поверхности геологическим образованиям Региональное поле использовалось для глубинной характеристики блоков

Для гравитационного поля объединяющим признаком было простирание и градиент локальных аномалий Региональная составляющая также использовалась как глубинная характеристика выделенных блоков

Глубинное строение выделенных блоков оценивалось решением обратных задач различными методами Для магнитного поля использовались метод касательных, метод Петри-щевского А М и подбор неформализованными методами Результаты решения обратных задач позволили оценить глубину залегания верхних кромок источников, геометрию среды в целом и их физические характеристики Результаты, полученные методом касательных, позволили выделить два уровня источников поверхностные (залегающие в чехле и фундаменте) и глубинные (внутрикоровые) Расчет автокорреляционной функции позволил охарактеризовать различие в глубинном строении выделенных блоков

Комплексный анализ полученных схем по гравитационному и магнитному полям проводился с целью анализа глубинных и поверхностных источников, а также изучения геологической природы источников Анализ и сопоставление этих схем показал, что в целом, основные границы блоков разного порядка прослеживаются как в магнитном, так и в гравитационном полях Причем ранг этих выделенных объектов в магнитном и гравитационном полях, чаще всего, не совпадает В целом, унаследованность выше для Верхоянской складчатой области и отсутствует для Оленекского поднятия, что можно для этой территории трактовать с точки зрения более сложного его строения и несовпадения аномалообразующих источников для гравитационного и магнитного полей

Геологическая интерпретация выделенных блоков, опирающаяся на интерпретационный смысл отдельных характеристик и данные, полученные при изучении глубинного строения, позволила получить дополнительную информацию о геологическом строении территории При содержательной интерпретации использовались все доступные данные геологического, петрофизического и дистанционного изучения территории

Результатом интерпретации явилось уточнение границ блоков разных порядков, получена иерархия тектонических нарушений, выделены новые тектонические элементы и уточнено строение блоков фундамента

Отметим некоторые новые полученные результаты

- На территории Верхоянской складчатой системы выделены три крупных субмеридиональных блока, отличающихся составом и гипсометрией фундамента Для Восточного блока его глубина оценивается от 5 км (на юге) до 7 км (на севере), Западный блок характеризуется глубинами 3-5 км, а наиболее погруженным является Центральный, который характеризуется пониженным уровнем гравитационного и магнитного полей и низкими градиентами локальных аномалий этих полей

При этом верхние кромки источников магнитных аномалий в Западном блоке могут характеризовать не подъем фундамента, а внедрение кислого интрузива в ядре Орулганского антиклинория, на что указывает отрицательная аномалия гравитационного поля и повышенная изменчивость магнитного поля

- При сопоставлении схемы структурно-тектонического строения с результатами ГСЗ по профилю Воркута-Тикси было сделано предположение об отличии состава консолидированной коры в Западном и Центральном блоке Верхоянской складчатой системы, которые характеризуются низким уровнем регионального гравитационного поля

- По параметрам локальных аномалий магнитного поля закартирована наиболее погруженная часть Предверхоянского прогиба

В западной части Олспекскога поднятия выявляется блок, который на основе анализа градиентов локальных гравитационных аномалий можно связывать с областью погружения фундамента до 4-6 км, что подтверждается данными по профилю 1 СЗ Воркута-Тик си.

В южной части листа R-5 I по комплексу признаков Гравитационного и магнитного Нолей выделен блок. в котором Можно предполагать более кислый состав пород фундамента, что находит подтверждение при анализе данных ГСЗ по профилю Шалотонцы-Джарджан, где наблюдается уменьшение скоростей сейсмических волн на этом участке.

5.3. Агроклиматическое районирование территории Казахстана на основе данных космического мониторинга

Качественно новые возможности и решении сдач районирования появились в связи с развитием средств н методов исследования Земли из космоса и распространением геоинформационных систем (ГИС). В настоящее время системы космического мониторинга широко используются при изучении природно-территориальных комплексов различного масштаба (от миллионов квадратных километров до нескольких квадратных метров). При 'этом, как правило, методы дистанционные зондирования значительно экономичней традиционных способов сбора данных. Но системы космического мониторинга имеют и свои недостатки. Один из наиболее серьезных недостатков заключается в том, что данные дистанционного зондирования по своей природе являются косвенными наблюдениями (мы регистрируем не значения свойств объектов, а интенсивность собственного или отраженного электромагнитного Излучения участков поверхности Земли). Для получения «объективной» картины мира космический снимок необходимо правильно дешифрировать (интерпретировать), т.е. перейти от косвенных признаков поверхности к прямым свойствам объектов. Это можно сделать, лишь зная соответствие (зависимость) между прямыми и косвенными атрибутами. Дня построения такой зависимости наблюдения из космосе необходимо сопоставлять с наземными наблюдениями. О сложности перехода ог «прямого» районирования к «косвенному» и наоборот, а также о теоретически возможных путях преодоления этой сложности говорилось в первых трех главах, что также иллюстрируется рис, 5,3.1.

Системы мониторинга создаются для контроля состояния некоторой пространственно-ограниченной части реального мира, которую в дальнейшем назовем «наблюдаемым миром» (ИМ),

Оценка степени водной эрозии нолей но епутниковой информации

к IUS-PAS (jímptuin

4; 9* *ps

ÍJbifcwe au rtJKt»Hw «t йоЛЦО* >flMSMi: ;:.

tauaá- с.мЬы; ягящЛ' cpf.TjM»!

Рис 5,3.1. Оценка степени водной эрозии

В НМ различаются статические компоненты или состояния {Б} и динамические компоненты или процессы {Р} Описание НМ также можно представить двумя способами

1) В декларативной форме, т е в виде последовательности состояний (фотографии), отвечающих определенным (дискретным) моментам времени

Эта форма представления обычно используется в системах мониторинга для выявления различий между состояниями

2) В процедурной форме, т е в виде композиции состояний и процессов

ад->№>-> ад

Эта форма характерна для математического моделирования при прогнозе возможных путей развития или ретрогнозе истории При этом процессы имитируются соответствующими программами

В общем случае при описании состояний НМ принято различать объекты {А}, их свойства {С}, значения свойств {£)} и отношения между объектами {Я} Таким образом, полное описание некоторого состояния НМ, соответствующего моменту времени 1, представляет собой множество фактов и утверждений следующих видов

1) НМ состоит из объектов заданных классов - {А} ={Ак к=\, К)

2) Индивидуальный объект ац принадлежит классу Ак (аш € А к)

3) Объекты класса Дь обладают множеством свойств {С, г=1, Л^}

4) Свойство С, может принимать значения (2,7=1, М} В общем случае области определения свойств, те домены {£?,}> представляют собой шкалы измерения с заданными на них отношениями и операциями ,

5) значение свойства С, индивидуального объекта ац равно ф, те С,(а») Для пространственных объектов значения свойств могут определяться в отдельных точках,

6) классы объектов Ак\ и Аа связаны отношением {Л(Л*1 Акг)) В частности, бинарные отношение представляет собой множество пар индивидуальных объектов, связанных соответствующим отношением В общем случае отношения могут связывать объекты более чем двух классов

При формировании описаний НМ полезно различать данные и знания В частности, можно использовать следующую классификацию данных

1 Данные первого уровня (ДО - это синтетические факты вида 5), т е непосредственно измеренные данные, или априорные утверждения типа 1) - 4), 6)

2 Данные второго уровня (Дг) — дискурсивные данные, выведенные из данных 1 уровня

3 Данные третьего уровня или метаданные (Дз) - это «факты о фактах», т е сведения, отражающие способ получения соответствующих данных (в частности, кто измерял, какую аппаратуру использовал, по какой методике и т д)

Таким образом, полный протокол наблюдений должен состоять из трех частей < Д] г, Дз, ОД >, где Д[д — предметные данные первого или второго уровня, Дз - соответствующие им метаданные, а ОД - оценка достоверности предметных данных Важно, чтобы процедура оценки достоверности организационно была отделена от процедуры сбора данных и осуществлялась независимо

В свою очередь знания можно подразделять на

• знания 1 уровня (3]) - знания, позволяющие измерять или оценивать значения данных

Д1, в частности, различные способы измерения,

• знания 2 уровня (32), т е знания, позволяющие на основе одних данных получать значения других

• знания 3 уровня (Зз) или метазнания, т е знания, позволяющие на основе знаний 1-го и/или 2 го уровня получать новые знания

Схематично это можно представить следующим образом_

(30 (32) (Зз)

1) НМ -> {Дт, Дз} 2)Д1-ЧД2,Дз} 3) {3], Зг} —> {Зь Зг, Зз}

Множество объектов НМ чрезвычайно разнообразно Это могут быть природные системы и их отдельные компоненты, живые сущесгва и их сообщества, искусственные сооружения и продукты их деятельности Объекты могут быть уникальными, т е представляться в единственном экземпляре, и типовыми, т е относится к некоторому классу

База данных и база знаний позволяют применять различные пакеты прикладных программ, порождать новые экспертные системы Архивные данные наблюдений предоставляют возможность моделировать постановку и решение «прогнозных» задач, используя различные семейства алгоритмов

Можно утверждать, что типовая последовательность реализации основных функций мониторинга включает (рис 5 3 2)

• сбор протоколов наблюдений и формирование описания текущего состояния НМ,

• выявление и анализ различий, предусматривающий, в частности, сравнение текущего и предшествующих состояний НМ, локализацию, классификацию и количественную оценку обнаруженных изменений с целью определения их важности (значимости)

• диагноз, т е определение предполагаемых причин, вызвавших обнаруженные отклонения

• прогноз, т е предсказание возможных путей дальнейшего развития ситуации и их последствий

• выработка рекомендаций, т е разработка и ранжирование альтернативных стратегий, направленных на ликвидацию вредных последствий, стабилизацию ситуации или улучшение характеристик НМ

Описания индивидуальных объектов а!к Лк определяют их пространственные и атрибутивные характеристики Пространственные характеристики нужны для выделения объекта из окружающей среды Различают две формы пространственного описания объекта векторную и растровую При векторной форме указывается конечное множество точек, аппроксимирующих границы объекта в заданной системе координат Х={Х\ к= 1, ,К) Хотя границы большинства реальных объектов мониторинга представляют собой достаточно сложные фигуры, на практике их успешно можно аппроксимировать конечным набором элементарных базисных форм точки, линии, замкнутые контуры и объемные фигуры

При решении многих прикладных задач более эффективна растровая форма представления объекта, в частности, аппроксимация его ячейками равномерной сети

В добавлении к теории изложенной в главе 3 необходимо указать, что в зависимости от динамики пространственных характеристик различают четыре типа объектов

• статические, форма и положение в пространстве которых не изменяется в течение всего периода мониторинга,

• стационарные, т е неподвижные, но способные изменять форму,

• подвижные, меняющие положение, но сохраняющие форму,

• динамические, изменяющие как форму, так и положение в пространстве Изменение пространственных характеристик может приводить к изменению пространственных отношений между объектами Для задач районирования наиболее важными являются отношения «соседства», когда два объекта имеют общую границу, и «вложенности» (один объект расположен внутри другого)

Атрибутивные характеристики определяют инвариантные относительно пространственного расположения свойства объектов (цвет, фактуру, текстуру и пр ) Принято делить атрибутивные свойства на постоянные, значения которых не изменяются во времени, и переменные Кроме того, различают интегральные свойства, значения которых относятся к объекту в целом, и дифференциальные свойства, определяемые в каждой точке объекта

Но для сравнения двух снимков недостаточно привести их к единой проекции и пространственно совместить Необходимо также унифицировать внешние условия съемки Для этих целей используются специальные процедуры нормализации изображений, включающие, в частности, атмосферную коррекцию Но и этого еще не достаточно Сравнивать нужно не снимки, а соответствующие им описания НМ Процедуру построения описания состоя-

ния НМ по космическому снимку называют тематическим дешифрированием Традиционно задача дешифрирования относится к задачам распознавания образов, теория, которой подробно рассмотрена в главе 4, где приведено описание семейства алгоритмов распознавания «Кассандра»

Районирование в рамках системы мониторинга играет важную вспомогательную роль и осуществляется как с целью повышения эффективности решения основных задач мониторинга (анализа, диагноза, прогноза и т д), так и для выбора мест размещения подспутниковых полигонов Обычно, районирование осуществляется по результатам дешифрирования

Решение задачи районирования предусматривает переход от представления территории Т, заданной в виде системы «элементарных» пространственных объектов (ЭПО) (у = 1, ,£)}, известных классов, обладающих размерами 8, свойствами F{STj) и отношениями R(STj), к ее представлению в виде системы {Д7^(г = 1, ,к,к«К)} средних пространственных объектов (СПО) различных классов, с размерами в, описанных свойствами ф{АТ,)и отношениями R(ATf)

Описание схемы (процесса) перехода от {<57а) к {Д7]} будем называть сценарием (алгоритмом) районирования Один из ключевых вопросов теории районирования связан с построением, классификацией и выбором типовых сценариев (семейств алгоритмов) решения задач районирования Учитывая чрезвычайное разнообразие задач районирования, область их определения, в свою очередь, целесообразно разбить на подобласти (районы), т е структурировать таким образом, чтобы обеспечить, с одной стороны, возможность конструировать сценарии решения более сложных задач, используя сценарии решения более простых, а с другой, осуществлять направленный выбор наиболее эффективных сценариев решения Один из вариантов такой структуризации описан ниже В зависимости от типа схемы районирования будем различать задачи прямого (D) и косвенного (S) районирования В первом случае можно говорить о «районировании-обучении», а во втором - о «районировании-распознавании» В зависимости от размерности пространства свойств S будем различать районирование по одному свойству, т е однопараметрическую задачу районирования (1р) и районирование по комплексу свойств, т е мупътипараметрическую задачу районирования (Мр) Важно, что получить решение мультипараметрической задачи можно только зная, как решать однопараметрические

Задачи агроклиматического районирования особенно актуальны в условиях меняющегося климата

Практически все методы дистанционного исследования природных объектов базируются на анализе их специфических особенностей отражать, поглощать и излучать электромагнитные волны в различных спектральных диапазонах Растительность - наиболее чувствительная компонента природных экосистем На состав, развитие и физиологическое состояние растительности, а, следовательно, и на ее спектральные характеристики, сильное влияние оказывают как долговременные природные (климатическая зона, ландшафт, тип почвы и др ), так и краткосрочные погодные факторы (осадки, колебания температуры, солнечная радиация и т п ) Обилие осадков и тепло способствуют быстрому росту зеленой биомассы, недостаток осадков угнетает ее Для характеристики состояния растительности по данным дистанционного зондирования из космоса используются специальные комплексные параметры, так называемые индексы вегетации Методы их расчета базируются на различии отражательной способности зеленной биомассы в видимом (VIS) и ближнем инфракрасном (NIR) диапазонах спектра

Среди индексов вегетации наибольшей популярностью пользуется нормализованный дифференциальный вегетационный индекс ndvi (normalized difference vegetation index), который вычисляется по формуле

ndv1=nir-vis

nir + vis

Он обладает высокой чувствительностью к изменению объема биомассы и к тому же имеют стабильную чувствительность в диапазоне изменения биомассы, представляющем основной практический интерес В результате многочисленных экспериментов было показано, что значения ndvi хорошо коррелируют с такими характеристиками растительного покрова как индекс площади листьев (LAI), коэффициент вегетационного покрытия (fv) и чистая первичная продуктивность (npp - net primary production) Сегодня ndvi, рассчитанный по результатам космических съемок, широко применяется во многих странах мира для картирования растительного покрова, моттгоринга засухи оценки продуктивности экосистем и сельскохозяйственных культур, расчета влагосодержания почв, контроля фаз вегетации и т д

Видимый Ближний ИК-диапазон Дальний Т1К-диапазон

диапазон

0.4 0,7

ПОвЧ/JXHOCtH ..„.,. , ,, „ ,,, ...

- А'01/=( di 2-с Ii 1)/(с h 2+eh I)

Горные породы и почвы

Що V

u u Л, МКМ

поглощения Воды боды

1ЛЗ 195

Растительный по

П О Л О С Ы

хлорофилла 0,66

Канал?

Снежные

Рис. 5.3.2. Нормализованный дифференциальный вегетационный индекс NDVI (normal i/cd liiñfcrence Vegetation index)

Подавляющее большинство приложений базируется на данных NOAA AVHRR, при этом для вычисления NDVI используются значения первого (chl: 0.58-0.68 мкм) и второго (ch2: 0.725-1.1 мкм) каналом радиометра

ch2 + chl

Значения NDVÍ отражают суммарное воздействие природных (долговременных) и погодных (краткосрочных) факторов па растительность.

Для оценки влияния метеоусловий на продуктивность растительных сообществ необходимо выделить погодную компоненту из общего сигнала. Это можно сделать, в частности, путем сравнения текущих значений NDVI с аналогичными значениями н годы с различными метеорологическими условиями. В работах предложена методика выделения погодной компоненты путем нормировки NDVI на линейную Шкалу, где многолетний минимум (Л7> !'7mjlt), соответствующий продуктивной способности данной Экосистемы при самых неблагоприятных погодных условиях, принят за £). а многолетний максимум (Л7)(7лш). сооТВетствуЩлий проективности при наилучших погодных условиях - за 1. В результате вклад природной компоненты сглаживается, а погодной усиливается. Нормированный параметр называется индексом условий вегетации (Vegetation conti itum index VC!)

УСЫ- mV,~NDVI™

NDVf^~NDn

va дает чйсленную аппроксимацию влияния погодных условий на продуктивность раст ительных сообществ. Малые значения VC1 (близкие к нулю) соответствуют' неблагоприятным погодным воздействиям, высокие значения (близкие к единице) противоположной ситуации.

VC.I особенно эффективен для мониторинга засухи и оценки воздействия погодных условии на продуктивность пастбищ и посевов. Для его вычислении в практических Приложениях рекомендуют использовать недельные значения nd vi, ndvlnm и ndvinibt обработанные специальным составным медианным фильтром, а величину УС/ для наглядности представлять в процентах.

Среди множества задач космического мониторинга сельскохозяйственный угодий особое место занимают задачи агроклиматического районирования территории Казахстана. В отличие от регулярных сезонных задач (контроль схода снежного покрова, оценки площадей посевов, прогноз урожайное™, мониторинг засух и т.д.) эш задачи решаются, как прави ло, раз в несколько лет. Основная цель районирования - сравнительная оценка сельскохозяйственного потенциала различных регионов.

В первую очередь, необходимо резко сократить посевные площади, вывес ти из оборота малопродуктивные земли, непригодные для сельскохозяйственного использования. Оставшуюся пашню нужно последовательно ранжировать с учетом природных (почва, ландшафт, климат), погодных (метеорологических) и социально-экономических критериев. Это позволит, н конечном счете, выделить зоны наиболее стабильного и эффективного земледелия.

Многолетние тенденции изменения лочвенно-растительных ресурсов экосистем можно определить, сравнив значения ndv Imlrl и ndí-7nK за два следующих друг за другом периода i и i+1. 11ри этом NDVJ^ (í + 1) < A7JC/mB, (í ) будет соответствовать снижению продуктивности (деградации) растительного покрова, a ®SWlnls(í +1) > iVDÍ7ninl: (/'} - ее росту или со-хранетпо па прежнем уровне (рис. 5.3.4).

Распределение транзитных зон по территории Казахстана, выделенных но карте среднемиоголет него вегетационного индекса за период 2000 - 2005 гг.

&т hk.c , T:¡ ^Ч*L czzi гмя w um

Рис. 5.3.4.

При анализе возможных 'сценариев межсезонной динамики растительных сообществ в качестве критериев селекции целесообразно использовать три показателя, характеризующих соответствен но тенденции изменения общей продуктивности экосистемы, ее «природной» и «мстео» компонент (табл. 5.3.2).

Таблица 5.3 2 Возможные сценарии многолетней динамики _продуктивности растительных сообществ_

№ п/п Критерии Характер изменений

1 А'£»К/!тх(г+1)>ЛЩК/тах(0 ЛЩР/тп(/+1)>М)К/т111(0 КС/'+1)> КС/" Рост общей продуктивности Рост «природной» компоненты Рост «метео» компоненты

2 ЛЮК/тах(|+1) > Л® КЛшхО) №Г1шп(1+\)>№Г1тп(1) КС/'+1)< КС/" Рост общей продуктивности Рост «природной» компоненты Снижение «метео» компоненты

3 МЖ/таЛг+1) > Ж>К/тах(/) ЛШ7тш(/+1) <Л'Ш7ППП(0 КС/'+1) > КС/" Рост общей продуктивности, Снижение «природной» компоненты Рост «метео» компоненты

4 NDVIПШX(l+l)<NDVIm¡к(l) ЛЮК/т1П0+1)>ЛЮК/т,„(/) КС/'+1>< КС/" Снижение общей продуктивности Рост «природной» компоненты Снижение «метео» компоненты

5 Л®К/тах((+1)<Л®К/тах(/) мж/тт(/+1) < шя'Ш1) КС/'+1)> КС/" Снижение общей продуктивности Снижение «природной» компоненты Рост «метео» компоненты

6 Л®К/тах(г+1) < ЛХ>К/тах0) ШК/га1П(/+1)<М)К/Ш1П(0 кс/,+1)<кс/" Снижение общей продуктивности Снижение «природной» компоненты Снижение «метео» компоненты

Три последних, наоборот, говорят об устойчивой деградации растительного покрова Это может быть обусловлено ухудшением метеорологических условий, например, из-за аридизации климата (сценарий 4), истощением природных ресурсов экосистемы, в частности, из-за дефляции или засоления почв (сценарий 5), совместным действием обоих факторов (сценарий 6) В последнем случае мы имеем дело с процессом опустынивания в строгом смысле этого слова

Локализация очагов опустынивания.

Экологические системы Казахстана характеризуются малой устойчивостью к антропогенным воздействиям Около 75% территории подвержены повышенному риску экологической дестабилизации Особенно актуальна для Казахстана проблема опустынивания Это обусловлено как спецификой его географического положения, так и особенностями экологической обстановки Имеются основания предполагать, что опустынивание сельскохозяйственных угодий в основном вызывается антропогенными факторами перегрузка пастбищ при выпасе скота, низкое качество агротехнических и ирригационных работ, зарегучирование стока рек, неплановая рубка леса и т п Наиболее активно процесс опустынивания проявляется в засушливых (аридных и полуаридных) районах Один из его основных признаков -устойчивая деградация почвенного и растительного покрова

Изменения растительного покрова на больших территориях четко фиксируются со спутников и могут быть использованы для индикации процесса опустынивания Но для создания эффективной методики идентификации очагов опустынивания необходимо в первую очередь отличать сезонные изменения в состоянии растительности, которые бывают вызваны вариациями погодных условий, от продолжительных стрессовых воздействий, связанных, например, с изменением уровня грунтовых вод, засолением или загрязнением почвы, повышенными техногенными нагрузками и т п Последние ведут к устойчивой деградации растительного покрова, проявляющейся на протяжении нескольких лет и даже десятилетий Это обстоятельство и положено в основу методики распознавания зон опустынивания по данным дистанционного зондирования

1 Цель решения

Выделение очагов опустынивания

2 Объекты мониторинга

Элементарные участки (16x16 км)

3 Территория мониторинга

Вся территория Казахстана

4 Исходные данные

База еженедельных многолетних значений N0 VI и VCI территории Казахстана

5 Алгоритм и результаты решения

Анализируются многолетние тенденции изменения значений N0 VIтп, Л'Х) VI^ и КС/за два следующих друг за другом периода г и I +1 Применяя различные семейства алгоритмов «Кассандра», осуществляется постановка и решения задач прямого и косвенного районирования очагов опустынивания На результатах решения этих задач моделируется динамика развития очагов опустынивания и их последующее сравнение с действительной зоной опустынивания Полученные результаты, позволили нам осуществить «прогнозное» районирование очагов опустынивания территории Казахстана

Отчетливо видна тенденция улучшения состояния растительности в середине 90-х годов по сравнению со второй половиной 80-х годов Исключение составляют лишь несколько районов, расположенных, главным образом, в центральной части

Самая обширная зона деградации растительного покрова расположена на юге Карагандинской области, к ней примыкают мощные очаги на востоке Актюбинской области и юге Павлодарской Отдельные локальные очаги выделяются в Кзыл-Ординской области, на юго-востоке республики и других местах Тем не менее, на большей части территории Казахстана наблюдается и, по нашему мнению, будет наблюдаться, увеличение среднего объема зеленой биомассы Любопытно отметить, что среди участков стабильного роста продуктивности растительности особо выделяется район Шуйской долины

Наши прогнозы не подтверждают предположите об устойчивой аридизации климата в Казахстане Вероятно, более точно говорить о смене циклов колебания погоды, которыми, скорее всего, и обусловлено временное ухудшение метеоусловий в засушливые 80-е годы и их смягчение в 90-х годах Следует отметить, что общий рост продуктивное ги растительности может быть вызван также резким снижением антропогенных нагрузок в последнее время Для анализа и оценки степе™ влияния соответствующих факторов необходимы дополнительные исследования

Выводы•

Сформулированные в главах 1-3 теоретические требования могут быть с успехом использованы в ГИС для постановки различных народно-хозяйственных задач природопользования

Разработанное на основе алгоритмов «Кассандра» программное обеспечение значительно расширяет возможности эксперта в процедуре решения поставленных задач.

ЗАКЛЮЧЕНИЕ

Разработаны теоретических основы и методики формирования требований к постановке и решению задач районирования территорий на основе базовых задач искусственного интеллекта При этом осуществлено программно-алгоритмическое обеспечение для их реализации

> На основе изучения опыта содержательных постановок задач районирования в науках о Земле с единых системных позиций разработана общая теории районирования, базирующаяся на создании критериальных, аналоговых и критериально-аналоювых моделей изучаемых объектов Обоснована возможность сведения задачи районирования к базовым задачам искусственного интеллекта

> Предложены формальные подходы к описанию базовых задач искусственного интеллекта, при этом для описания объектов районирования используется прямые свойства (их значение обеспечивает простое и точное достижение поставленной цели, однако определение их требует больших затрат), косвенные свойства (знание значений этих свойств обеспечивает лишь приближенное, сложное достижение цели, однако определение их требует зна-

чительно меньших затрат, чем прямых) Данный подход позволил использовать для сравнения объектов как статические, так и динамические меры сходства, осуществлять распознавание образов и задавать необходимые процедуры классифицирования

> Введенное понятие граничной точки формализовало процедуру определение границ структурных элементов Разработан математический аппарат, позволяющий проводить сравнение двух районировании одной территории, путем экспертного ввода весов определенных операций

> Любая высокоорганизованная автоматизированная система обработки данных (АСОД) в основе прикладного математического аппарата используют методы распознавания образов с обучением на эталонных объектах и методы классификации объектов на принципах самообучения С этих позиций разработано семейство алгоритмов «Кассандра» отвечающие всем методологическим требованиям, сформулированным в главе 1, а также требованиям к постановке и решению базовых задач искусственного интеллекта (гл 2) Семейство алгоритмов «Кассандра» на основе описания эталонных объектов, обеспечивает создание теоретических объектов, которые расширяют методологические возможности конструирования аналоговых и критериально-аналоговых моделей исследуемых объектов

> Программный комплекс «Кассандра» позволяет расширять материал обучения для распознавания за счет не отбракованных экспертом теоретических объектов, устанавливать предпочтение между разными алгоритмами в зависимости от постановки конкретной задачи районирования

> На основе разработанных подходов поставлены и решены практические задачи природопользования осуществлен успешный прогноз, подтвержденный бурением, нефтега-заностности локальных структур юга Западной Сибири, Создана геофизическая основа структурно-тектонического строения стыка Сибирской платформы и Верхоянской складчатой зоны, при этом получены дополнительные геологические результаты, проведено агроклиматическое районирования территории Казахстана, по данным космического мониторинга, локализованы очаги опустынивания

Дальнейшим направлением исследований является развитие практической реализации предложенных методических и технологических подходов для постановки и решения широкого спектра задач районирования в природопользовании

Основные публикации по теме диссертационного исследования

Монографии

1 Геологоразведка и рынок будет ли смена стиля мышления ВЦ СО РАН, г Новосибирск 1993, соавтор Воронин Ю А

2 О реформировании и информатизации геологоразведки в России Из-во ВЦ СО РАН, Новосибирск, 1995, соавтор Воронин Ю А

3 Задачи искусственного интеллекта и управления персоналом геологоразведочных организаций — Новосибирск Изд ИВМиМГ СО РАН, 2005, соавтор Воронин Ю А

Статьи и доклады

4 К вопросу о построении АРМ для геологов Теоретическое и алгоритмическое обеспечение задач вычислительной геологоразведки ВЦ СО АН СССР, Новосибирск, 1987 34-41 с

5 О задачах анализа геологоразведочных данных Методологическое и алгоритмическое обеспечение геологоразведочных вычислительных центров ВЦ СО АН СССР, Новосибирск, 1990 83-91 с

6 О распознавании в геологии моделированием экстремальных объектов Геология и геофизика, 1991, N 3 27-38 с

7 О структурном представлении материала для распознавания Вычислительные методы при комплексной интерпретации геофизических и геохимических данных ВЦ СО РАН, Новосибирск, 1991 55-64 с

8 Алгоритмы распознавания — моделирование экстремальных объектов В сб Проблемы создания систем обработки, анализа и понимания изображений» НПО «Кибернетика» АН РУз, Ташкент, 1991, 18-19 с, соавторы Воронин Ю А, Марасулов А Ф

9 Об интерполяции функций от координат, измеряемых в слабой шкале В сб «Задачи вычислительной геологоразведки», ВЦ СО РАН СССР, Новосибирск, 1993 63-70 с

10 О реформировании геологоразведки в РФ В сб Самоорганизация природных и социальных систем Алматы, МНиНТ PK и РФФИ 1995 87-96 с , соавтор Воронин Ю А

11 К вопросу о математической подготовке геологов сб Опыт, проблемы и перспективы геологического образования N 1 Новосибирск НГУ 1995г 38-46 с, соавтор Воронин Ю А

12 Общая схема и анализ задачной ситуации как необходимое условие успеха применения распознавания в геологии V-й Международный симпозиум по применению математических методов и компьютеров в геологии, горном деле и металлургии Дубна 4-7 июня 1996 г Доклад 181-193 с, соавтор Черемисина Е Н

13 О совершенствовании математической подготовки геологов в Новосибирском Университете итоги и выводы V-й Международный симпозиум по применению математических методов и компьютеров в геологии, горном деле и металлургии Дубна 4-7 июня 1996 г Доклад 363-370, соавтор Воронин Ю А

14 Новый подход к распознаванию и оценке качества объектов Второй Международный симпозиум «Интеллектуальные системы» Санкт-Петербург 1-4 июля 1996 г Доклад 4 с , соавтор Воронин Ю А

15 Приложение теории сходства к оценке качества объектов (на примере воды), 3-я Международная конференция «Математические проблемы экологии» Новосибирск 2-5 июля 1996 г, тез докл 2 с , соавтор Воронин Ю А

16 Использование автоматизированных исследовательских систем для экомониторин-га воды Международный симпозиум «Мониторинг окружающей среды и проблемы солнечно-земной физики» Томск 18-21 июня 1996 г тезисы доклада 1 с

17 Системы экомониторинга возможности и перспективы Международная конференция «Закономерности эволюции земной коры» Санкт-Петербург 15-18 октября 1996 г Тезисы доклада 1с, соавторы Воронин Ю А, Арсенин А В

18 К постановке и решению задач сейсморайонирования Вычислительные технологии Г 1, №3, Новосибирск, 1996 40-47 с, соавтор Воронин Ю А , Черемисина Е Н

19 Экомониторинг воды — возможности и перспективы Международная научно-техническая конференция «Нефть и газ западной Сибири» Тюмень 1996 тез доклада 2 с , соавтор Воронин Ю А

20 К оценке качества населения для взаимоувязанной оценке эффективности социально-экономических систем в РФ \\ Современные проблемы географии России и родного края —Курган КГУ, 1997 8 с, соавтор Воронин Ю А

21 Об управлении персоналом в геологоразведочных организациях - Вестник НГУ том 3 вып 2 2004 30-36 с

22 Задачный подход в подготовке специалистов (на примере геологоразведчиков) -Сб Опытно-эксперементальная работа в образовательных учреждениях контекст модернизации образования Материалы Всероссийской научно-практической конференции — Краснодар «Далекс», 2004 4 с

23 Применение теории распознавания и оценивания при отборе кандидатов на руководящие должности (на примере геологоразведки) Вестник НГУ том 5, вып 2,2005 40-46 с

24 Воронин А Ю Развитие теории районирования для задач недропользования Геоинформатика №3, 2006 7 с

25 Воронин А Ю Методологические проблемы сравнения и оценки качества районирования Геоинформатика №4, 2006 8 с

Подписано в печать 19 02 2007 г Заказ 1 Тираж 100 экз 117105, Москва, Варшавское шоссе, 8, ВНИИгеосистем

Содержание диссертации, доктора технических наук, Воронин, Александр Юрьевич

Введение

Глава 1 Основные проблемы теории районирования.

1.1 Анализ опыта районирования в науках о Земле.

1.2 Теория районирования и системный анализ.

1.3 Постановка и решения задач районирования.

1.4 Основные задачи теории районирования.

Глава 2 Экспертные системы и базовые задачи искусственного интеллекта в мультидисциплинарных исследованиях наук о Земле.

2.1. Понятие о базе данных используемых в ГИС при районировании территорий.

2.2 Экспертные системы и их база знаний.

2.3 Задачи описания объектов.

2.4 Задачи сравнения объектов по мерам сходства.

2.5 Задачи классификации объектов.

Глава 3. Географические информационные системы и формализованное определение границ структурных элементов.

3.1. Понятие о географической информационной системе.

3.2 Формальное определение границ структурных элементов.

3.3. Методологические проблемы сравнения и оценки качества районирований.

Глава 4. Решение задач районирования и распознавания образов в автоматизированных системах обработки данных на основе семейства алгоритмов «Кассандра».

4.1 Автоматизированные системы обработки и интерпретации геоданных.

4.2 Современные подходы к распознаванию

4.3 Распознавание и районирование.

4.4 Семейство алгоритмов «Кассандра».

Глава 5.

Введение Диссертация по наукам о земле, на тему "Районирование территорий на основе искусственного интеллекта и распознавания образов в задачах природопользования"

Актуальность.

Проблемы эффективного комплексного использования и устойчивого развития территорий приобретают особую актуальность в связи с многообразием задач, возникающих в разных отраслях народного хозяйства, в частности в науках о Земле. При этом обычно говорят о разных постановках одной и той же задачи. Если постановка задачи реализуется на языке исходной проблемы, которая породила задачу, то следует говорить о содержательной постановке задачи. Если же это реализуется на языке теории множеств и анализа данных, то говорят о формальной постановке задачи. В том же случае, когда такое задание реализуется на диалекте того или иного математического метода, следует говорить о математической постановке задачи.

Следует отметить, что в науках о Земле районирование играет важную, но двойственную роль. С одной стороны, оно традиционно является заключительным этапом, завершающим (обобщающим) очередную стадию комплексного исследования территории. С другой - результаты районирования представляют собой исходную базу для выбора направления последующих работ, а зачастую, и методов их реализации. Такой подход к районированию развивался в геологии, где акцент делался на выделение и ранжировании внутри определенной территории отдельных районов, перспективных для поиска тех или иных полезных ископаемых. Опираясь на метод последовательной детализации, геологи сформулировали чрезвычайно плодотворную концепцию иерархического районирования. Изучение этих работ, как и работ гидрогеологов, связанных с общим и региональным районированием, в особенности тех из них, которые связаны с использованием математики и ЭВМ, имеет важное значение для понимания современных подходов к районированию.

В тоже время анализ опыта районирования, показывает, что при районировании огромную роль играет творческая интерпретация (реконструкция) автора.

Разработка решений этой проблемы, начиная со второй половины прошлого века, сопровождалось бурным внедрением компьютерного моделирования на основе геоинформационных систем (ГИС) и технологий, баз данных и баз знаний.

Сейчас ГИС-технологии уже широко используются для районирования территорий по особенностям природных условий, угодий в сельском хозяйстве, наличия минеральных ресурсов, а также при строительстве, управлении городским и региональным развитием и т.д. Накопленный опыт позволил выделить в отдельное научное направление такую отрасль знания, как геоинформатика.

В настоящие время рассматривается несколько направлений развития геоинформатики, одним из которых является направление, базирующееся на использовании современных представлений об искусственном интеллекте.

Искусственный интеллект мы понимаем, как научную дисциплину, целью которой является создание методолого-теоретических основ постановки и решения задач. Представления о задачах в различных науках не совпадают, однако имеются «общие и вечные» задачи всех наук: выделение объектов исследования, их описание и сравнение, классификация, оценивание, периодизация и прогнозирование. Эти задачи, при условии использования для их постановки и решения математики и ЭВМ на основе методолого-теоретических схем, мы будем называть базовыми задачами искусственного интеллекта.

Теоретическая разработка базовых задач искусственного интеллекта и их применение в мультидисциплинарных исследованиях, открывает новые широкие возможности для геоинформатики, которая по своей природе также мультидисциплинарна.

Степень изученности проблемы. Следует подчеркнуть, что. геоинформатика, как наука, сформировалась под влиянием идей, развитых в области информатики и системного анализа академиками А.Н. Тихоновым, A.A. Самарским, H.H. Моисеевым, A.C. Алексеевым, а в области применения ЭВМ в геологоразведке такими учеными, как: Ю.А. Воронин, А.Б. Каждан, O.JI. Кузнецов, В.В. Ломтадзе, В.В. Марченко, В.И. Пахомов, E.H. Черемисина и многими другими. Геоинформатика интенсивно развивается в смежных к геологии отраслях: географии и геодезии, прежде всего в области разработки геоинформационных систем по картографии, кадастрам земельных ресурсов и городов, при этом следует назвать таких видных ученых, внесших существенный вклад в их развитие, как Берлянт A.M., Тикунов B.C., Иванников А.Д., Цветков В.Я. Цель:

На основе базовых задач искусственного интеллекта разработать теоретические основы и методики формирования требований к постановке и решению задач районирования • территорий, а также программно-алгоритмическое обеспечение для их реализации. Задачи:

1. Разработать основные вопросы построения общей теории районирования на ' основе формализованного описания объектов.

2. Разработать методологические принципы и предложить теоретическое описание базовых задач искусственного интеллекта для решения вопросов районирования территорий.

3. Формализовать процедуру проведения границ районов через алгоритм определения граничной точки.

4. Разработать формальный метод сравнения двух районировании одной территории для помощи эксперту в выборе предпочтительного.

5. Разработать семейство алгоритмов «Кассандра» для обработки данных с целью районирования и на их основе создать программный комплекс.

6. Осуществить апробацию предложенной методики и алгоритмов районирования на конкретных примерах: агроклиматического районирования территории Казахстана на основе данных космического мониторинга, районирование гравимагнитных данных для построения геофизической основы при изучении структурно-тектоничекого строения стыка Сибирской платформы и Верхоянской складчатой зоны, прогноз нефтегазаностности локальных структур юга Западной Сибири.

Методолого-теоретическая база. Используются современные представления: по философии и методологии науки (в основном, Моисеев H.H.), , по эффективности недропользования и геологоразведки (Козловский Е.А., Воронин Ю.А.), по искусственному интеллекту (Воронин Ю.А., Черемисина E.H.). Научная новизна

• С единых системных позиций разработана теория районирования многоцелевого применения для слабо формализованных задач.

• Разработаны принципы и подходы решения этих задач на основе методов и приемов искусственного интеллекта и распознавания образов.

• Разработан комплекс алгоритмов распознавания и районирования, значительно расширяющий методологические возможности конструирования аналоговых и критериальных моделей районирования.

Основные положения, выносимые на защиту

1. Построенная общая теория районирования, включающая создание с единых системных позиций аналоговых и критериально-аналоговых моделей, значительно расширяет возможности многоцелевого применения ГИС для постановки и решения широкого класса слабо формализованных задач.

2. Предложенные формальные подходы к описанию базовых задач искусственного интеллекта, позволяют при описании объектов районирования использовать как прямые, так и косвенные свойства, на их основе проводить сравнение объектов, при этом опираясь на статические и динамические меры сходства, задавать необходимое классифицирование.

3. Формализованное определение границ структурных элементов через выявление граничных точек, позволяет, используя математический аппарат, проводить сравнение двух районировании одной территории, экспертно вводя веса определенных операции.

4. Разработанное семейство алгоритмов «Кассандра» обеспечивает создание на основе фактических данных теоретических объектов, экспертное разнесение которых по образам расширяет методологические возможности конструирования аналоговых и критериально-аналоговых моделей. Опираясь на цены ошибок первого и второго родов, семейство алгоритмов «Кассандра» позволяет устанавливать предпочтение между двумя алгоритмами из этого семейства в зависимости от постановки конкретной задачи.

5. Применение методолого-теоретических основ изложенной теории районирования, опирающееся на аппарат искусственного интеллекта и семейство алгоритмов «Кассандра», позволило на основе разбуренных эталонных объектов нефтегазовых локальных структур Западной Сибири создать аналоговые модели и осуществить успешное прогнозирование неразбуренных структур, построить геофизическую основу структурно-тектонического строения стыка Сибирской платформы и Верхоянской складчатой зоны, провести агроклиматическое районирование территории Казахстана, используя наземные данные и данные космического мониторинга.

Практическая значимость. В работе предложены новые подходы к построению теории районирования на основе базовых задач искусственного интеллекта и применения ГИС. Как представляется, они имеют многие преимущества перед традиционными подходами. Возможности этих подходов конкретизированы на примерах прогнозного районирования нефтегазоностности локальных структур юга Западной Сибири, районирования гравимагнитных данных для построения геофизической основы при изучении структурно-тектоничекого строения стыка Сибирской платформы и Верхоянской складчатой зоны, агроклиматического районирования территории Казахстан с использованием данных дистанционного зондирования из космоса. .Апробация работы

Все положения диссертации обсуждались в 1990-2006 годах на различных международных, федеральных и региональных конференциях, и семинарах, в том числе на всесоюзной конференции «Проблемы создания систем обработки, анализа и понимания изображений» (Ташкент, 1991), на III Межреспубликанском совещание по математическому моделированию природных и антропогенных катастрофических явлений (Новосибирск 1995), на Международной конференции «Самоорганизация природных и социальных систем» (Алматы 1995), на У-ом Международном симпозиуме по применению математических методов и компьютеров в геологии, горном деле и металлургии (Дубна 1996.), на Втором Международном симпозиуме "Интеллектуальные системы" (Санкт-Петербург 1996), на 3-ей Международной конференции "Математические проблемы экологии" (Новосибирск 1997), на Международном симпозиуме "Мониторинг окружающей среды и проблемы солнечно-земной физики" (Томск 1996), на Международная конференция "Закономерности эволюции земной коры". (Санкт-Петербург 1996), на Всероссийской конференции «Современные проблемы географии России и родного края» (Курган 1997), на Международной научно-технической конференция «Нефть и газ западной Сибири» (Тюмень 1998), на Всероссийской научно-практической конференции «Геоинформатика в нефтегазаностной отрасли» (Ханты-Мансийск,. 2001), на Международной конференции «Математическое моделирование природных экосистем» (Алматы 2003), на Всероссийской научно-практической конференции. «Опытно-экспериментальная работа в образовательных учреждениях: контекст модернизации образования» (Краснодар 2004), на Межрегиональном научно-практическом семинаре «Интеграция интеллектуальных и материальных ресурсов научных, образовательных и производственных структур» (Барнаул 2001, 2005), на постоянно действующем семинаре по вычислительной геологоразведке (Новосибирск 1990-2005), на семинарах и рабочих совещаниях по применению ГИС в системе космического мониторинга Казахстана (Алматы1998, 2000, 2003, 2006).

Личный вклад.

Диссертация основана на исследованиях, выполненных автором в период 1989-2006 в Новосибирском государственном университете. С 1989 года автор участвовал в разработке темы «Совершенствование распознавания в геологии за счет моделирования экстремальных объектов». В этой работе предложены основные идеи т.н. неоклассического подхода к распознаванию и районированию в науках о Земле. В 1992 автор возглавил научную группу по разработке алгоритмов формирования материала обучения и экзамена для геологопрогнозных задач, в результате чего была построена автоматизированная система' «Кассандра», которая в 2002 году была модернизирована с целью совмещения с современными геоинформационными системами. С 1995 по настоящее время автор возглавлял различные научно-исследовательские темы, проводимые совместно с институтом вычислительной математики и математической геофизики СО РАН, связанные с применением искусственного интеллекта в природопользовании. Основываясь на этих работах, им были описаны базовые задачи искусственного интеллекта, с системных позиций разработана теория районирования многоцелевого применения.

С 1998 года, совместно с институтом космических исследований Казахстана автором проводились многочисленные работы, связанные с решением задач агроклиматического районирования территории Казахстана по данным наземных и космических исследований.

Основные результаты диссертации получены лично автором. По теме диссертации опубликовано 26 печатных работ, в том числе три монографии.

В первой главе рассматриваются основные проблемы теории районирования. Районирование один из основных методов исследования территорий. Огромный вклад в развитие его теоретических основ и практического применения внесли ученые географы и аграрии: Арманд Д.Л., Броунов П.И., Грибкова Н.Д., Жуков В.А., Колосков П.И., Сапожникова С.А., Родоман Б.Б., Шашко Д.И. и многие другие. Представители широкого спектра геологических наук: Архангельский А.Д., Белоусов В.В., Богданов A.A., Боголепов К.В., Вассоевич Н.Б., Вотах O.A., Забродин В.Ю., Косыгин Ю.А., Кулындышев В.А., Наливкин Д.В., Спижарский Т.Н., Чиков Б.М., Шатский Н.С., Шейнмани Ю.М. и многие другие.

Обобщая многие работы, можно сделать следующие выводы - большинством специалистов «район» трактуется как территория любого размера, отвечающая двум условиям: однородности, т.е. вся площадь района является однородной по тем показателям, на основании которых он выделен; системной целостности, т.е. район представляет собой некое единство, являющееся следствием гармоничности связей между признаками, по которым он выделен.

Само районирование можно представлять как совокупность методов расчленения пространства в соответствии с характером изучаемой неоднородности, выбранной систематикой тел и с соблюдением правил полного (без остатка) деления этого пространства, непересечения границ и характерности свойств выделяемых элементов.

При этом можно сформулировать исходные принципы районирования.

Латеральная неоднородность обусловлена последовательной сменой по площади объектов, различающихся составом, структурой или физическими свойствами и находящихся в соотношениях соседства, пересечения или постепенного замещения.

Вертикальная неоднородность обусловлена последовательной сменой по вертикали объектов, различающихся составом, структурой или физическими свойствами.

Принципы вертикальной и горизонтальной неоднородности служат главными предпосылками объемного расчленения пространства.

С другой стороны, в основе районирования как общего способа исследования Земли или ее частей лежит принцип классификаций, только он позволяет представить необозримое множество тел и явлений в упорядочной и удобной для практического использования форме.

Систематика - это иерархически упорядоченная классификация перечисления типовых элементов изучаемого множества.

Учитывая принципы вертикальной и латеральной неоднородности, а также необходимой упорядочности систематики элементов, основные операционные принципы районирования можно представить в виде следующих правил:

Полноты деления: все районируемое пространство должно быть расчленено на районы (элементы) без остатка и в соответствии с принятой систематикой.

Целостности (характерности свойств): при районировании выделяются элементы, совокупность свойств которых должна обеспечивать их обособленность.

Непересечения границ: при районировании не должно быть «промежуточных» элементов, т.е. участков, относящихся более, чем к одному классу элементов принятой систематики.

Ранговости: при районировании должна соблюдаться иерархия выделенных элементов.

Однородности описания: в соответствии с иерархическим уровнем систематики каждый выделенный элемент должен быть охарактеризован одинаковым списком свойств с равной точностью и степенью детальности.

Однородности границ: границы выделенных элементов одного ранга должны определяться по фиксируемому списку свойств.

Специализации: при районировании необходимо выбирать такие делящие признаки, которые в наибольшей степени отвечают задаче исследования.

Данные принципы можно свести к постановке и решению базовых задач искусственного интеллекта и на их основе построить общую теорию районирования.

Устанавливается взаимоотношение теория районирования и системного анализа.

Системный анализ всегда начинается с построения модели, отвечающей в нашем случае постановке конкретной задачи, т.е. формализации изучаемого объекта (процесса).

Формализация модели состоит в определении соответствия содержательной модели исходным данным, описании критериев и признаков для решения задачи и получения их цифровой модели (матрицы), а также- выборе способов их расчета. При этом можно выделить несколько типов формальных моделей.

Критериальная модель задается группой критериев, наличие каждого из которых благоприятствует (реже препятствует) достижению на данном объекте максимума целевой функции. Наличие такой модели знаменует либо достаточную теоретическую проработанность вопроса об объекте исследований, либо большую статистику, позволяющую сделать такие выводы.

Аналоговая модель, для которой постулируется принцип аналогий и которая представлена достаточным количеством объектов, отвечающих различным значениям целевой функции. Здесь особенно важно иметь эталонные представители не только для оптимальных, но и для всех значений целевой функции. Например, должны быть известны не только месторождения, но и пустые участки территории.

Промежуточное положение занимает критериально-аналоговая модель, соединяющая в себе наличие критериев и использование принципа аналогий. В принципе, от критериальной модели всегда можно перейти к критериально-аналоговой, организовав образы на основе создания идеальных по значениям критериев объектов разных классов. При этом необходимо помнить, что искусственно порожденные объекты могут не только не иметь аналогов в действительности, но и быть теоретически запрещенными, так как не любые наборы критериев оказываются совместными. Поскольку построение модели определяется конкретной задачей, то необходим анализ модели в соответствии с постановкой задачи исследований. При описании модели нужно провести анализ априорных сведений и ограничений и сформулировать некоторую оптимизационную задачу. Следующий этап системного анализа - решение оптимизационной задачи (или просто оптимизация) по выбору стратегии, обеспечивающей достижение цели управления. Критерий оптимальности при этом обычно является и критерием отбора наиболее экономной стратегии.

Таким образом, системный анализ включает построение модели, анализ этой модели и оптимизацию решения поставленной задачи.

Будем считать, что в простейшем случае районирование территорий некоторого класса реализуется в три этапа:

На первом этапе отбирается несколько территорий этого класса (полигонов), внутри которых в узлах прямоугольной сети с ячейкой размером А проводятся наблюдения так ■ называемых "прямых" свойств Ф, и экспертами осуществляется их районирование. В идеальном случае, затраты, связанные с таким районированием С (Д,Ф), во внимание не принимаются.

На втором этапе внутри тех же территорий - полигонов в узлах вспомогательной сети наблюдений с ячейкой размером А', А' < А/р, проводятся наблюдения так называемых "косвенных" свойств Б и разрабатывается их "косвенное" районирование, связанное с меньшими затратами.

На третьем этапе внутри всех остальных территорий этого класса в узлах сети с ячейкой размером А' проводится наблюдение "косвенных" свойств Б и реализуется их "косвенное" районирование, разработанное на втором этапе.

На первом и втором этапах осуществляется' построение модели, на третьем - ее использование. Другими словами, на первых двух этапах происходит, так называемое районирование-обучение, на третьем этапе районирование- распознавание. Рассматривается схема постановки и решения задач районирования. При этом напомним, что любая задача районирования - подзадача некоторой задачи, в решении которой используется результаты районирования. О ней необходимо заранее иметь четкие представления.

Раскрываются принципы, на которых должна базироваться общая теория районирования. Разбираются основные вопросы теории районирования. Первый основной вопрос теории районирования связан с выделением типов и видов районирования. Второй, "основной" вопрос теории районирования связан с выработкой представлений о формальном районировании, которое может быть предметом формального анализа. Третий основной вопрос теории районирования связан с фиксацией представлений о сопоставимости различных районирований территорий.

Во второй главе рассматриваются экспертные системы и базовые задачи искусственного интеллекта в мультидисциплинарных исследованиях наук о Земле. Экспертная система - это система искусственного интеллекта, включающая базу знаний с набором правил и механизмом вывода, позволяющим на основании правил и представленных пользователю фактов распознать ситуацию, дать прогноз, поставить диагноз, сформулировать решение или рекомендацию.

Основное различие между базой данных и базой знаний состоит в том, что база знаний должна обладать определенными творческими возможностями, в то время как факты в базе данных пассивны. Утверждается, что первоначально надо ставить задачу описания объектов. Науки о Земле имеют дело с материальной средой и «погруженными» в нее, частично или полностью, объектами, определенным образом выделенными и описанными. Размер этих объектов на много порядков превышают «лабораторные» образцы. Среда воспринимается через некую сеть наблюдений. В узлах этой сети отбираются, реально или виртуально, некие «частицы» среды или образцы (пробы). На этих образцах измеряются свойства и определяются теоретические характеристики совокупностей проб. Формально, среда воспринимается через расстояния по конкретным географическим координатам и через некие меры сходства по свойствам между образцами, а также через правила выделения и разделения совокупностей образцов, иначе через «дискретное пространство».

Особо необходимо отметить, что свойства объектов, которые используются для достижения фиксированной цели, следует разделять на:

- прямые, их значение обеспечивает простое и точное достижение, фиксированной цели, однако их определение требует больших затрат, в широком смысле слова.

- косвенные, знание значений этих свойств обеспечивает лишь приближенное, сложное достижение цели, однако определение их требует значительно меньших затрат, чем прямых.

Подробно рассматриваются задачи сравнения объектов по мерам сходства, при этом анализируются как статические, так и динамические меры сходства. Утверждается, что представления о сходстве объектов и об измерении меры сходства являются базисом всех теоретических построений.

Разбирается еще одна базовая задача искусственного интеллекта - классификации объектов. Теоретически изучать и использовать можно только классы объектов, а не отдельные объекты. При этом многое зависит от того, как именно эти классы организованы, т.е. в теории искусственного интеллекта возникают задачи классификации формально описанных объектов.

В третьей главе описываются географические информационные системы и формализованное определение границ структурных элементов.

ГИС - информационная система, обеспечивающая сбор, хранение, обработку, отображение и распространение координатно-привязанной информации о точечных, линейных, площадных и пространственных объектах в форме их цифровых представлений (векторных, растровых, матричных). По территориальному признаку выделяют глобальные ГИС и локальные или местные ГИС (городские, муниципальные).

При решении задач районирования территорий мы имеем входные данные в виде пространственных объектов, как правило, четырех типов: точки, линии, области (контура) и поверхности.

Если пара точек наблюдения "разнородна", то можно считать, что она распознает или обнаруживает граничную точку наблюдения. При построении такого алгоритма обнаружения можно использовать гипотезу, что "соседние" точки наблюдения внутри одного района должны быть "сходны" между собой по косвенным свойствам, а "соседние" точки разных районов - "различны".

На первом этапе оказывается необходимым дополнительно фиксировать множество пар соседних точек "однородных" и "разнородных"; описывать эти пары на основе "прямых" свойств, задавать меры сходства по этим свойствам и использовать их для построения алгоритма определения граничных точек; описывать эти пары на основе "косвенных" свойств, задавать меры сходства по этим свойствам и использовать их для построения алгоритма обнаружения граничных точек.

На втором этапе оказывается необходимым дополнительно описывать "косвенные" районы. От того, как выполнены эти дополнительные действия, тоже существенно зависит успех районирования.

Особо рассмотрена методологическая проблемы сравнения и оценки качества районирований. Один из самых тонких вопросов - оценка качества построенных районирований. На наш взгляд, основная сложность заключается в двойственном характере этой проблемы. Оценка качества решения задач районирования связана, с одной стороны, с построением (возможно виртуальным) «идеального» районирования территории (эталона), а, с другой стороны, с описанием, сравнением и количественным выражением (ранжированием) расхождений между двумя различными районированиями одной территории. Для ее разрешения сформулирован математический аппарат.

В четвертой главе приводится решение задач районирования и распознавания образов в автоматизированных системах обработки данных на основе семейства алгоритмов «Кассандра». Любая высокоорганизованная автоматизированная система обработки данных (АСОД) состоит из базы данных, системы управления базой данных и библиотеки обрабатывающих программ или пакета прикладных программ.

В основе прикладного математического аппарата АСОД комплексного анализа используют методы распознавания образов с обучением на эталонных объектах и методы классификации объектов на принципах самообучения.

Применение распознавания образов в задачах природопользования позволило решить широкий круг практических задач, поставить ряд новых проблем, изменило методолого-теоретические взгляды на описание объектов исследования. Однако это не привело к получению каких-либо принципиально новых практических следствий, получивших массовую проверку и общее признание. С одной стороны, это связано с тем, что основные усилия были направлены на детальную разработку различных частных алгоритмов в ущерб развития методолого-теоретических вопросов, с другой стороны, во многом связано со спецификой применения распознавания в науках о Земле. Почти всегда первоначально приходится иметь дело с «образами внутри сознания конкретных специалистов». Переход от таких образов к формализованным" называется организацией образов. Этот процесс всегда должен предшествовать процессу распознавания. Предлагаемый новый подход к распознаванию, нацелен, прежде всего, на повышение строгости получения результатов распознавания, на оценку их эффективности и, следовательно, на повышение требований к исходной базе данных и знаний.

При таком подходе распознавание связывается с двумя задачами: "организации образов" и "распознавания образов".

15

Среди многих факторов повышения эффективности распознавания главным является совершенствование материала для распознавания и соответствующих априорных представлений. Необходимо уметь формально описывать, сравнивать и устанавливать отношения предпочтения на множестве эталонных объектов.

Только после того как установлено, что предложенный эталонный материал не противоречит представлениям эксперта и намечены пути формализации этих представлений, можно переходить к постановке задачи распознавания. Подробно рассмотрено семейство алгоритмов распознавания «Кассандра», предложен подход, позволяющий устанавливать предпочтение между алгоритмами в зависимости от конкретной постановки задачи.

В пятой главе осуществлено приложение теории районирования и семейства алгоритмов «Кассандра» для решения практических задач: прогноз нефтегазоностности локальных структур юга Западной Сибири, районирование гравимагнитных данных для построения геофизической основы при изучении структурно-тектоничекого строения стыка Сибирской платформы и Верхоянской складчатой зоны, агроклиматическое районирование территории Казахстана на основе данных космического мониторинга. При этом построены различные модели, дана содержательная интерпретация полученным районированиям.

В заключении сформулированы основные результаты проведенных исследований.

Заключение Диссертация по теме "Геоинформатика", Воронин, Александр Юрьевич

Выводы:

Сформулированные в главах 1-3 теоретические требования, могут быть с успехом использованы в ГИС для постановки различных народно-хозяйственных задач связанных с использованием земли и недр.

Разработанное на основе алгоритмов «Кассандра» программное обеспечение значительно расширяет возможности эксперта в процедуре решения поставленных задач.

ЗАКЛЮЧЕНИЕ

Разработаны теоретических основы и методики формирования требований к постановке и решению задач районирования территорий на основе базовых задач искусственного интеллекта. При этом осуществлено программно-алгоритмическое обеспечение для их реализации.

На основе изучения опыта содержательных постановок задач районирования в науках о Земле с единых системных позиций разработана общая теории районирования, базирующаяся на создании критериальных, аналоговых и критериально-аналоговых моделей изучаемых объектов. Обоснована возможность сведения задачи районирования к базовым задачам искусственного интеллекта.

Предложены формальные подходы к описанию базовых задач искусственного интеллекта, при этом для описания объектов районирования используется прямые свойства (их значение обеспечивает простое и точное достижение поставленной цели, однако определение их требует больших затрат), косвенные свойства (знание значений этих свойств обеспечивает лишь приближенное, сложное достижение цели, однако определение их требует значительно меньших затрат, чем прямых). Данный подход позволил использовать для сравнения объектов как статические, так и динамические меры сходства, осуществлять распознавание образов и задавать необходимые процедуры классифицирования.

Введенное понятие граничной точки формализовало процедуру определение границ структурных элементов. Разработан математический аппарат, позволяющий проводить сравнение двух районирований одной территории, путем экспертного ввода весов определенных операций.

Любая высокоорганизованная автоматизированная система обработки данных (АСОД) в основе прикладного математического аппарата используют методы распознавания образов с обучением на эталонных объектах и методы классификации объектов на принципах самообучения. С этих позиций разработано семейство алгоритмов «Кассандра» отвечающие всем методологическим требованиям, сформулированным в главе 1, а также требованиям к постановке и решению базовых задач искусственного интеллекта (гл.2). Семейство алгоритмов «Кассандра» на основе описания эталонных объектов, обеспечивает создание теоретических объектов, которые расширяют методологические возможности конструирования аналоговых и критериально-аналоговых моделей исследуемых объектов.

206

Программный комплекс «Кассандра» позволяет расширять материал обучения для распознавания за счет не отбракованных экспертом теоретических объектов, устанавливать предпочтение между разными алгоритмами в зависимости от постановки конкретной задачи районирования.

На основе разработанных подходов поставлены и решены практические задачи природопользования: осуществлен успешный прогноз, подтвержденный бурением, нефтегазаностности локальных структур юга Западной Сибири; Создана геофизическая основа структурно-тектонического строения стыка Сибирской платформы и Верхоянской складчатой зоны, при этом получены дополнительные геологические результаты; проведено агроклиматическое районирования территории Казахстана, по данным космического мониторинга, локализованы очаги опустынивания. Дальнейшим направлением исследований является развитие практической реализации предложенных методических и технологических подходов для постановки и решения широкого спектра задач районирования в природопользовании.

Библиография Диссертация по наукам о земле, доктора технических наук, Воронин, Александр Юрьевич, Москва

1. Аверкин А.Н., Поспелов Д.А. Толковый словарь по искусственному интеллекту. -М.: Радио и связь, 1992. - 286 с.

2. Американская география, современное состояние и перспективы. М., ИЛ, 1957.

3. Аракчеев Д.А. Программно-инструментальные средства для разработки информационно-аналитических систем. Геоинформатика, N2, 2004, с. 37 45.

4. Арманд Д.Л. Принципы физико-географического районирования.// Известия АН СССР, серия географ., 1952, №1,стр.68-82

5. Арманд Д.Л. Объективное и субъективное в природном районировании// "Известия АН СССР, серия географическая, №1, 1970, стр.115 -129.

6. Архангельский Л. Д. О некоторых спорных вопросах тектонической терминологии и тектоники СССР. Изв.АН СССР. Сер.геол., 1939, №1, с. 25-40.

7. Белоусов В. В. Основы геотектоники.— М.: Недра, 1975.— 264 с.

8. Берлянт A.M. Востокова A.B., Кравцова В.И. Картоведение. -М.: Аспект Пресс, 2003,- 407с.

9. Блехман H.H., Мышкис Л.Д. Прикладная математика: предмет, логика, особенности подхода. Киев: Наукова думка, 1976. - 410 с.

10. Библиография по районированию и размещению сельского хозяйства СССР (1918- 1960). -Из-во АНСССР,М.: 1961 .-200с

11. Богданов А. А. О термине «структурный этаж». Ст. 3. Бюл. М0ИП. Отд. геол., 1963, т. XXXVH'(l)', с. 3 — 16.

12. Богданов А. А., Зоненшайн Л. П., Муратов М. В. и др. Тектоническая номенклатура и классификация основных структурных элементов земной коры .материков.— Геотектоника, 1972, № 5, с. 3—21.

13. Боголепов К. В. К вопросу о тектонической номенклатуре и классификации основных структурных элементов земной коры.-- Геотектоника, 1974а, № 4, с. 102-108.

14. Броунов П.И. Сельскохозяйственная метеорология. Избранные сочинения. Том 12, Ленинград, Гидрометиздат, 1957.

15. Броунов П.И. Климатические и сельскохозяйственные районы России. Л., -М., «Новая деревня», 1924.32с.

16. Бусыгин Б.С. Конструирование признаков для анализа пространственной структуры физических полей при распознавании геологических объектов. Математические методы и автоматизированные системы в геологии. Обзор ВИЭМС. М.1987, 54с.

17. Бусыгин Б.С. Мирошниченко Л.В. Распознавание образов при геолого-геофизическом прогнозировании. Днепропетровск, Изд-во ДГУ, 1991,168с.

18. Ватлин Б.П. Районирование земной коры по комплексу геофизических данных.-«Геология и геофизика» 1974, №9,с133-137.

19. Ватлин Б.П. Об эффективности разделения полей методами совместного анализа гравитационных и магнитных аномалий в задаче тектонического районирования на примере Горной Шории,- Геология и геофизика. Новосибирск, 1971, №11, с.122-125

20. Веселов В.В. Гидрогеологическое районирование и региональная оценка ресурсов подземных вод Казахстана. -Алматы: «Гылым»,2002.-438с.

21. Воронин А.Ю. К вопросу о построении АРМ для геологов. Теоретическое и алгоритмическое обеспечение задач вычислительной геологоразведки. ВЦ СО АН СССР, Новосибирск, 1987. 34-41с.

22. Воронин А.Ю. О задачах анализа геологоразведочных данных. Методологическое и алгоритмическое обеспечение геологоразведочных вычислительных центров ВЦ СО АН СССР, Новосибирск, 1990. 83-91с.

23. Воронин А.Ю. О распознавании в геологии моделированием экстремальных объектов. Геология и геофизика, 1991, N 3. 27-38с.

24. Воронин А.Ю. О структурном представлении материала для распознавания. Вычислительные методы при комплексной интерпретации геофизческих и геохимических данных. ВЦ СО РАН, Новосибирск, 1991. 55-64с.

25. Воронин А.Ю. Классификация геоданных на основе моделирования "Экстремальных объектов" при решении геологопрогнозных задач. Автореферат диссертации на соискание ученой степени кандидата технических наук. Москва, 1992г.

26. Воронин А.Ю. и др. Об интерполяции функций от координат, измеряемых в слабой шкале. В сб. "Задачи вычислительной геологоразведки", ВЦ СО РАН СССР, Новосибирск, 1993 63-70с.

27. Воронин А.Ю. Развитие теории районирования для задач недропользования. Геоинформатика №3 2006 7с.

28. Воронин А.Ю. Методологические проблемы сравнения и оценки качества районирования. Геоинформатика №4 2006 8с.

29. Воронин А.Ю., Воронин Ю.А., Марасулов А.Ф. Алгоритмы распознавания -моделирование экстремальных объектов. В сб. Проблемы создания систем обработки, анализа и понимания изображений" НПО "Кибернетика" АН РУз, Ташкент, 1991, 18-19с.

30. Воронин А.Ю., Воронин Ю.А. Задачи искусственного интеллекта и управления персоналом геологоразведочных организаций. Новосибирск: Изд. ИВМиМГ СО РАН, 2005.-260с.

31. Воронин Ю.А. , Воронин А.Ю. Геологоразведка и рынок: будет ли смена стиля мышления. ВЦ СО РАН, г.Новосибирск 1993.

32. Воронин Ю.А., Воронин А.Ю. О реформировании и информатизации геологоразведки в России. Из-во ВЦ СО РАН, Новосибирск, 1995,

33. Воронин Ю.А., Воронин А.Ю. О реформировании геологоразведки в РФ. В сб. Самоорганизация природных и социальных систем. Алматы, МНиНТ PK и РФФИ 1995. 87-96с.

34. Воронин Ю.А., Воронин А.Ю. К оценке качества населения для взаимоувязанной оценке эффективности социально-экономических систем в РФ . Сб. Современные проблемы географии России и родного края. Курган. КГУ, 1997. 42-49с!

35. Воронин Ю.А. Компьютеризация описательных наук. Анализ применения ЭВМ в геологоразведке. // Взаимодействия наук как фактор их развития. Новосибирск: Наука, 1988.-С. 120- 129.

36. Воронин Ю.А. Теория классифицирования и ее приложения. Новосибирск: Наука, 1985. -282 с.

37. Воронин Ю.А. Об уточнении геологических понятий в законодательстве о недрах РФ, Минеральные ресурсы России, 1999, №2 с.80-85.

38. Воронин Ю.А. Начало теории сходства. Новосибирск: Наука, 1991. - 182 с.

39. Воронин Ю.А. Исследование операций при поисках и разведке месторождений полезных ископаемых. Новосибирск: Наука, 1988. -296

40. Воронин Ю.А. Завтра геологоразведки: экспертные или теоретические системы.-Новосибирск, 1987. 37 с. - (Препринт / АН СССР. Сиб. отд-ние. ВЦ; 748).

41. Воронин Ю.А., Черемисина E.H. О базовых задачах искусственного интелекта в мультидисциплинарных исследованиях. 4.1 (234 е.), 2001, ч. 2 (176 е.), 2002, Изд. ИВМиМГ СО РАН, Новосибирск.

42. Воронин Ю.А., Черемисина E.H., Воронин А.Ю., К постановке и решению задач сейсморайонирования. Вычислительные технологии. Т.1, №3, Новосибирск, 1996. 40-47с.

43. Вотах O.A. Структурные элементы Земли Новосибирск: Наука, Сибирское отделение, 1979., - 216с.

44. Галуев В.И., Каплан С.А., Малинина С.С., Никитин A.A. Определение физико-геометрических свойств земной коры по данным геофизического комплекса. Геоинформатика, N2, 2003, с. 29 38.

45. Географические границы,- М.:, Изд. Моск. Ун-та. 1982

46. Геоинформатика, Толковый словарь основных терминов, 1999, М.ГИС-Ассоциация 204 с.

47. Геоинформационная система ПАРК (версия 6.01). Введение в систему и технологию, 2000, ЛАНЭКО, 98 с.

48. Геологическое картографирование и формационный анализ: состояние, проблемы, перспективы интеграции/. Шокальский С.П., Ручейкова Л.Д., Стрельников С.И. Тихомиров И.И. Геология и геофизйка,-2003, т.44. № 12. С.1391- 1407.

49. Гитис В.Г., Ермаков Б.В., Основы пространственно-временного прогнозирования в геоинформатике, М., Физматлит., 2004, 256 с.

50. Глаголев В.А. Спутниковое навигационно-геофизическое обеспечение геолого-геофизических исследований. 2000, СП-б. ВИРГ-Рудгеофизика, 116 с.

51. Гольцман Ф.М., Калинин Д.Ф., Калинина Т.Б. Компьютерная технология Mult Alt альтернативной классификации и прогноза по комплексу геоданных. 2000, Российский геофизический журнал N17 18 с. 64 - 70.

52. Голоудин Р.Н. Состояние логической организации знания в науке о Земле // Отечественная геология. 2000. - № 2. - С. 112-119.

53. Грибкова Н.Д., Ерохин В.Д. Методические основы агроклиматического обоснования размещения сельскохозяйственных культур. Бюл. ВНИИ растениеводства, 1978, вып.76, с.3-11.

54. Губерман Ш.А., Извекова М.Л Использование алгоритма распознавания образов для решения задач промысловой геофизики. «ДАН СССР», т.154,1964,№5, с.1082-1083.

55. Губерман Ш.А. Неформальный анализ данных в геологии и геофизике. М.: Недра, 1987.-412 с.

56. Де Мерс М.Н. Географические информационные системы. Основы. 1999, Изд. Data +, М. 490 с.

57. Девякович А.Э., Митракова О.В., Финкельштейн М.Я., Черемисина E.H. Создание человеко-машинного- интерфейса для постановки и решения прогнозных и диагностических задач на примере геологии и экологии. "Геоинформатика" 1994. №3

58. Джексон П. Введение в экспертные системы. М.: Вильяме, 2001. - 622с.

59. Жуков В.А., Даниелов С.А. Сравнительная оценка агроклиматических ресурсов территории СССР и Северной Америки методами распознавания образов. -Вопросы агроклиматологии. //Труды ВНИИ сельскохозяйственной метеорологии, 1989, вып.24, с.104-113.

60. Забродин В.Ю. Определение геологической картографии. Геол. И геофиз., 1978. №7 с.115-117.

61. Заварзин A.B., Орешкина Д.Д., Тикунов B.C. Электоральная культура России: классификации и картографирование в геоинформационной среде. Информационный бюллетень ГИС-ассоциации № 1(38)-2(39). 2003г, с.67-72.

62. Закарин Э.А., Спивак Л.Ф. Системный анализ проблемы организации экологического мониторинга территории Казахстана // Доклады Национальной академии наук Республики Казахстан, №2, 1994. Алматы, «Гылым».

63. Зенкин C.B., Неретин В.Д. Современное состояние программных комплексов геолого-гидродинамического моделирования месторождений нефти и газа. 2002, Каротажник, вып. 92. Изд. АИС г. Тверь с. 35 61.

64. Иванников А.Д., Кулагин В.П., Тихонов А.Н., Цветков В.Я. Геоинформатика. 2001, М. Изд. Макс Пресс, 349 с.

65. Кашик A.C., Кириллов С.А., Ческис В.А. Решение геологических задач в четырехмерном многопараметровом пространстве. Геофизика. Специальный выпуск «Технологии сейсморазведки-Ii» 2003, Изд. ГЕРС, г. Тверь, с. 3 16.

66. Книжников Ю.Ф. Аэрокосмическое зондирование. М.: МГУ, 1997,-129с.

67. Количественные методы районирования и классификации. / Трофимов A.M. и др.- Казань: Изд. Казанского университета. 1985.-120с.

68. Колосков П.И. Агроклиматическое районирование Казахстана, Академия наук СССР, М.-Л.:,1947.

69. Колосков П.И. Климатический фактор сельского хозяйства и агроклиматическое районирование.-Л.: Гидрометеоиздат,1971. -381 с.

70. Котов В.Н. Применение теории измерений в биологических исследованиях. Киев: Наукова Думка, 1985. - 182 с.

71. Кошкарев A.B., Тикунов B.C. Геоинформатика, 1993, Изд. Картгеоцентр-Геоиздат. 213 с.

72. Косыгин Ю. А. Основы тектоники. М.: Недра, 1974. - 215с.

73. Крапухина Н.В., Пастухова K.M., Свиридов П.А. Методы искусственного интеллекта в задачах оперативного управления и оптимизации сложных технологических комплексов. // Проблемы управления. 2003. № 3 - с. 21-25.

74. Кузнецов О.Л., Никитин A.A. Геоинформатика, 1992, М.Недра, 302 с.

75. Кузнецов О.Л., Черемисина E.H. Геоинформатика, геоинформация, геоинформационные технологии в природопользовании. Геоинформатика 2003, N2 с. 3-10.

76. Кулындышев В. А., Малышев 10. Ф. Опыт формализации понятия «карта» (на примере геологических и геофизических карт). Геол. И Геофиз., 1973, №6, с. 5259.

77. Куприянова Т.П. Принципы и методы физико-географического районирования с применением ЭВМ. М., "Наука", 1977.

78. Классификация и кластер. М.:, «Мир», 1980 390с.

79. Липилин A.B., Система обработки и интерпретации геофизических данных при создании Государственной сети опорных геофизических профилей. Геофизика, №3,2002, с. 27-31.

80. Ломтадзе В.В. Программное и информационное обеспечение геофизических исследований. 1993, М.Недра 268 с.

81. Ломтадзе В.В. Программа «Образ-3» классификация объектов по комплексупризнаков,- В кн.: Второе Сибирское совещание по применению математических методов и ЭВМ в геологии и геофизике. Новосибирск, 1967, с. 118-119.

82. Лорьер Ж-Л. Системы искусственного интеллекта. М.: Мир, 1991. -415 с.

83. Лурье И.К. Основы геоинформационного картографирования. М.: Изд. МГУ, 2000.-143с.

84. Любимова A.B. Компьютерная технология комплексной оценки геоэкологического состояния территории. Геоинформатика №2, 2003, с. 44 47.

85. Лютый A.A. Язык карт, сущность, система функций. М.: Наука, 1988. -242 с.

86. Макаров Н. Искусственный интеллект близка реальность. // Вестн. РАН. -1996 №2. -С. 1006- 1009.

87. Марченко В.В. Человеко-машинные методы геологического прогнозирования. 1988, М. Недра. 232 с.

88. Методы дистанционного зондирования в сельском хозяйстве Казахстана / Закарин Э.А., Спивак Л.Ф., и др.- Алматы: Гылым, 1999. 176 с.

89. Митракова О.В. Создание информационно-аналитических систем для обеспечения рационального природопользования и устойчивого развития регионов. Геоинформатика. N2, 2003, с. 15-18.

90. Моисеев H.H. Математические задачи системного анализа, 1986, М. Наука, 487 с.

91. Моисеенко А.Е. Современное состояние и-перспективы использования средств дистанционного зондирования из космоса,- М.: Недра, 1994. 102 с.

92. Никитин A.A. Теоретические основы обработки геофизической информации. М.: Недра, 1986, с.342.

93. Никитин A.A., Земцова Д.П., Долинин А.Н. Технология выделения малоразмерных залежей углеводородов в полях сейсмических параметров. Геофизика. N6, 2003, с. 3 9.

94. Никитин A.A., Хмелевской В.К. Комплексирование геофизических методов. 2004, Изд. ГЕРС, Тверь.

95. Петров A.B., Трусов A.A. Компьютерная технология статистического и спектрально-корреляционного анализа трехмерной геоинформации. Геофизика. N4, 2003, с. 29-33.

96. Персей М.Б. Географические информационные системы опыт применения в поисковой геологии // Отечест.геология. - 1999.-№5. - с.71-78.

97. Пиманова H.H. Методика и технология обработки и интерпретации потенциальных полей для изучения структурно-тектонического строения. Геоинформатика №3, 2002г. Москва.

98. Пиманова H.H. Описание гравимагнитных полей при ГДП-200, ГДП-1000, Геоинформатика, №3, 2001г. Москва, с.42-46 .

99. Попов Э.В. Экспертные системы, 1987, М., Наука, 288с.

100. Пороскун В.И., Аракелян В.А., Фарбирович В.П., Фурел Е.М. Применение экспертных систем при решении задач поисков и разведки месторождений нефти и газа. 1994, АО Геоинформмарк, М. 34с.

101. Родионов Д.А. Статистические методы разграничения геологических объектов по комплексу признаков. М.: «Недра», 1968.

102. Родоман Б.Б. Логические и картографические формы районирования и задачи их изучения. "Известия АН СССР, Серия географическая", 1965, №4.

103. Родоман Б.Б. Основные типы географических районов. Вест. Моск.Ун-та, серия географ. 1972, №1, стр.68-74.

104. Салищев К.А. Автоматическое картирование за рубежом: состояние и проблемы / Вест. Моск.Ун-та, серия географ. 1972, №1, стр. 12-21.

105. Сапожникова С.А Опыт агроклиматического районирования СССР. В кн.: Вопросы агроклиматического районирования СССР. М. Изд. МСХ СССР, 1958, с.14-37.

106. Сеймон А.Р. Стратегические технологии баз данных. 1999, М.Финансы и статистика, 487с.

107. Спивак Л.Ф. К проблеме интеграции экспертных и теоретических систем. / В сб.Экспертные системы и анализ данных. Новосибирск: 1988. с.5-11.

108. Спивак Л., Архипкин О., Терехов А., Нургалиев С. Развитие методов дистанционной оценки площадей яровых зерновых в Казахстане. // Известия HAH PK. Серия физ.-мат. 2001. №6, часть II. С. 83-88.

109. Спивак Л., Архипкин 0„Шагарова Л.,Нургалиев С. Дистанционная оценка площадей зерновых в Казахстане по данным гиперспектрального радиометра MODIS. Исследование Земли из космоса. 2003, №2

110. Создание государственных геологических карт на базе ГИС ИНТЕГРО, 2001, М. ВНИИГеосистем, 208с.

111. Соловьев В. А. Разработка систем понятий и упорядочение тектонической терминологии.— В кн.: Тектоника и геофизика. Хабаровск, 1974, с. 18— 47.

112. Соловьев П. А. Тектоника континентов (систематизация понятий и упорядочение, терминологии).- Хабаровск: изд. ДВНЦ АН СССР. 1975.--300 с.

113. Султангазин У, Спивак Л., Архипкин О. Развитие дистанционных методов природно-ресурсного мониторинга в рамках казахстанских космических программ./ В сб.: Космические исследования в Казахстане. Алматы: КазГосИНТИ, 2002. С.140-154.

114. Тикунов B.C. Разработка алгоритмов распознавания, классификации и картографировния географических комплексов с помощью ЭВМ. В кн.:Новые методы в тематической картографии. М., Изд-во МГУ, 1978.

115. Трофимов A.M., Рубцов В.А. Районирование, математика, ЭВМ. Казань: Изд. Казанского университета. 1992.-135с.

116. Черемисина E.H., Митракова О.В., Финкелыптейн М.Я. ГИС-ИНТЕГРО-инструмент постановки и решения природопользовательских задач. Информационный бюллетень N3, 1988, ГИС-Ассоциация.

117. Черемисина E.H., Митракова О.В., Чесалов Л.Е. Компьютерная технология создания геологической карты России. 1999, ж. ГИС-обозрение, N1.

118. Черемисина E.H., Митракова O.B., Финкельштейн М.Я. Методика постановки и решения прогнозно-диагностических задач в природопользовании. "Геоинформатика" 1999. №3.213

119. Чесалов J1.E. Единая информационная среда для интеграции информационных ресурсов при решении задач природопользования. Геоинформатика. N2, 2003, с 11-14.

120. Чиков Б. М. Научные принципы тектонического районировании и вопросы их систематизации. Геол. и геофиз., 1983, № 1, с. 25—31.

121. Чиков Б.М. Основы методологии тектонического районирования. Новосибирск: Наука, 1985.

122. Шатский И. С. Методы составления мелкомасштабных тектонических карт.— В кн.: Академик И. С. Шатский. Избранные труды. Т. I. М.: Изд-во АН СССР, 1963, с. 447-463.

123. Шашко Д.И. Агроклиматические ресурсы СССР. Л.: Гидрометеоиздат,1985. -247 с.

124. Шейнмани Ю. М. Заметки к классификации структур материков.— Изв. АН СССР. Сер. геол., 1955, № 3, с. 19 35.

125. Экспертные системы. Принципы работы и примеры. Перевод с англ. А. Брукинг, П. Джонс, Ф. Кокс и др. М. Радио и связь, 1987, 234с.