CC BY
16УДК 330.1
doi:10.18720/SPBPU/2/id21-72
Горелова Галина Викторовна1,
научный руководитель ИУЭС ЮФУ, д-р техн. наук, профессор;
Мельник Эдуард Всеволодович , заведующий лабораторией ИТ и ПУ, ЮНЦ РАН, г.н.с., д-р техн. наук;
Орда-Жигулина Марина Владимировна , сотрудник лаборатории ИТ и ПУ, ЮНЦ РАН; канд. техн..наук, с.н.с.;
Орда-Жигулина Дина Владимировна4, сотрудник лаборатории ИТ и ПУ, ЮНЦ РАН; канд. техн..наук, с.н.с.
МОДУЛЬ КОГНИТИВНОГО АНАЛИЗА В СИСТЕМЕ МОНИТОРИНГА И ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ ВОДНОЙ ЭКОСИСТЕМЫ 1
1 Россия, Таганрог, Институт управления в экономических, социальных и экологических системах Южного федерального университета, e-mail: gorelova-37@mail.ru.
2 3 4
Россия, Таганрог, ИТ и ПУ, Южный научный центр РАН,
2 e-mail: evm17@mail.ru,
3
e-mail: jigulina@mail.ru,
4 e-mail: dinazhigulina@mail.ru
Аннотация. В работе представлен модуль когнитивного анализа системы поддержки принятия решений при мониторинге опасных явлений и процессов в водных экосистемах. Приведены некоторые результаты когнитивного имитационного моделирования водной экосистемы, проведенного по данным исследований природных явлений в Понто-Каспийском регионе. Аппарат когнитивного моделирования сложных систем был впервые применен в таких исследованиях. Исследования проиллюстрированы рядом примеров: иерархической когнитивной картой состояния водной экосистемы территории, анализом свойств этой модели, моделированием сценариев развития ситуаций.
Ключевые слова: водная экосистема, опасные явления, система мониторинга, когнитивное моделирование, когнитивный модуль, система поддержки принятия решений.
Galina V.Gorelova1,
Scientific Director of the Institute of Management in Economic, Social and
Ecological Systems of the Southern Federal University, Professor, Doctor of Technical Sciences;
1 Исследование выполнено при финансовой поддержке РФФИ №18-05-80092.
300
2
Melnik Eduard Vsevolodovich ,
Head of the IT and PU Laboratory, Southern Scientific Center of the Russian Academy of Sciences, Chief Researcher, Doctor of Technical Sciences; Orda-Zhigulina Marina Vladimirovna3, Senior researcher, Candidate of Technical Sciences, Southern Scientific Center of the Russian Academy of Sciences;
Candidate of Technical Sciences, Researcher; Orda-Zhigulina Dina Vladimirovna4, Researcher, IT and PU Laboratory, Southern Scientific Center of the Russian Academy of Sciences,
MODULE OF COGNITIVE ANALYSIS IN THE MONITORING RING AND FORECASTING THE STATE WATER ECOSYSTEM
1 Russia, Taganrog, Institute of Management in Economic, Social and Ecological Systems of the Southern Federal University, e-mail: gorelova-37@mail.ru,
2,3,4 Russia, Taganrog, Southern Scientific Center of the Russian Academy of Sciences,
2 e-mail: evm17@mail.ru,
3 e-mail: jigulina@mail.ru,
4 dinazhigulina@mail.ru
Abstract. The paper presents a module for the cognitive analysis of the decision support system for monitoring hazardous phenomena and processes in aquatic ecosystems. Some results of cognitive imitation modeling of an aquatic ecosystem, carried out on the basis of research data on natural phenomena in the Ponto-Caspian region, are presented. The apparatus for cognitive modeling of complex systems was first used in such studies. The studies are illustrated by a number of examples: a hierarchical cognitive map of the state of the aquatic ecosystem of the territory, analysis of the properties of this model, modeling of scenarios for the development of situations.
Keywords: aquatic ecosystem, hazardous phenomena, monitoring system, cognitive modeling, cognitive module, decision support system.
Введение
В настоящее время гидросфера земли, так же, как и остальные природные сферы, подвержена климатическим изменениям и испытывает всё возрастающее антропогенное воздействие, ставя перед государствами и их правительствами проблемы противодействия этим изменениям, либо адаптации к новым условиям. Это вынуждает проводить многочисленные и непрерывные наблюдения за процессами изменений, обрабатывать огромное количество разнородных и разновременных данных,
301
готовить и принимать решения по противостоянию опасным явлениям и снижению ущерба от негативных последствий. Важным моментом в этих условиях является прогнозирование, научное предвидение возможного развития событий в природных системах, влияющих на жизнедеятельность населения.
Целью данного исследования, выполненного при финансовой поддержке РФФИ №18-05-80092, была разработка научных основ применения технологий цифровой экономики при построении новых методов и средств систем мониторинга и прогнозирования опасных процессов и обеспечения безопасности населения и береговой инфраструктуры [12-15].
В ходе проведенных исследований были разработаны методы, методики, программная система, алгоритмы работы компонентов для реализации системы мониторинга и прогнозирования. Была учтена необходимость сбора и обработки большого объема данных от разных источников и исследована возможность применения этих данных при прогнозировании опасных природных явлений в Понто-Каспийском регионе [12]. Было показано, что для прогнозирования развития ситуации в случае возникновения различных явлений и изменения характеристик объектов, а также с целью снижения стоимости проведения экспедиций и натурных наблюдений целесообразно использовать когнитивное моделирование сложных систем [1-11,16-18] для одновременного анализа данных гидрологического, метеорологического и биологического мониторинга (в части анализа состояния сообществ зообентоса под действием антропогенных и климатических факторов, в том числе экстремальных условий окружающей среды) и анализа социальной активности населения.
С информационной точки зрения суть данного подхода заключается в интеграции неоднородных данных от различных устройств (датчиков, коммуникационных устройств, компьютеров, серверов) и систем в рамках единой системы за счет применения технологии распределенного реестра, туманных вычислений и Интернета вещей [13-15]. При этом за счет применения технологий распределенного реестра достигается возможность реализации системы без административной иерархической подчиненности. Наличие синхронизированных локальных копий данных позволяет существенно уменьшить временные затраты на доступ к ним; реализация туманных вычислений позволяет эффективно распределить вычислительную и коммуникационную нагрузку между устройствами и каналами связи различных слоев (краевого — датчики; туманного — коммуникационные устройства, ноутбуки, контроллеры, гаджеты; облачного - серверы); применение технологий Интернета вещей позволяет реализовать непосредственное взаимодействие между отдельными устройствами.
302
1. Подсистема поддержки принятия решений, модуль когнитивного анализа состояния водной экосистемы
В основу разработанной имитационной модели системы мониторинга и прогнозирования опасных процессов и обеспечения безопасности населения и береговой инфраструктуры была положена методология когнитивного моделирования сложных систем и соответствующая информационная когнитивная технология [3-11]. Когнитивное моделирование сложных систем является многоэтапным процессом, включающим: 1) действия по разработке когнитивной модели сложной системы любой природы (на основании теоретических, экспериментальных, экспертных данных, результатах натурных наблюдений, если существует такая возможность); 2) анализ свойств разработанной модели, отражающих возможные свойства реальной системы; 3) моделирование сценариев возможного развития сложной системы (научное предвидение); 4) подготовку и обоснование принимаемых управленческих решений.
На рис.1 изображена структура распределенного хранилища системы мониторинга опасных явлений и процессов с учетом разработанной онтологии.
Рис.1. Структура распределенного хранилища данных системы мониторинга
опасных явлений и процессов
На рис.2 изображен модуль когнитивного анализа в системе поддержки принятия решений.
303
Рис.2. Компоненты подсистемы поддержки принятия решений
Модуль когнитивного анализа включает в себя программное обеспечение для построения когнитивных моделей, их анализа, имитационного сценарного моделирования развития процессов, реализует конкретизацию системы для определенного географического региона (в нашем случае - Понто-Каспийского), блок анализа информационной активности пользователей, связанных с наступлением и протеканием опасных природных процессов. С помощью аппарата когнитивного анализа отражены закономерности экосистемных процессов Таганрогского залива, дельты Дона и Азовского моря в виде ориентированных графов с вершинами различного веса. Это позволяет в математической форме отразить взаимосвязи между различными параметрами гидроэкосистемы, которые в настоящее время изучаются традиционными методами мониторинга, а также определить их взаимное влияние друг на дру-га.Программный модуль преобразования данных мониторинга природных явлений в прибрежных зонах в формат когнитивной имитационной модели экосистемы служит для автоматизированного сбора данных от различных источников, в том числе данных метеорологических измерений, данных о состоянии макрозообентоса, данных гидрологических исследований, и является составной частью модуля когнитивного анализа.
304
Модуль «Новая подключаемая подсистема из любой области» показывает пример того, что разрабатываемая система является универсальной, поэтому каждый новый участник системы вне зависимости от области своей профессиональной деятельности может быть интегрирован в систему. Он сможет проводить свои научные исследования в своей области научных знаний, отслеживать различные параметры экосистемы и выявлять неочевидные закономерности за счет интеллектуального анализа данных. Таким образом, имеется очень широкий спектр научных исследований в различных сферах, которые позволяют видеть пути разрешения критических ситуаций.
2. Пример когнитивного анализа состояния водной экосистемы территории
В процессе исследования экосистемных процессов Таганрогского залива, дельты Дона и Азовского моря была разработана когнитивная модель системы в виде иерархической когнитивной карты (рис.3 и рис.5) проведен ее анализ (анализ структурных свойств, свойств устойчивости и др.) и осуществлено сценарное моделирование. Разработка когнитивных моделей и их последующий анализ выполнялись с помощью программной системы когнитивного моделирования сложных систем [16].
На рис. 3 изображена когнитивная карта G = <V,E> верхнего уровня, в которой в обобщающем виде объединены экосистемные компоненты с отражающими цель обеспечения безопасности населения и береговой инфраструктуры (V - множество вершин, E - множество отношений G).
Рис.3. Когнитивная карта G «Состояние водной экосистемы территории»,
верхний уровень
305
В процессе когнитивного исследования был проведен анализ структурных свойств модели G, ее устойчивость и ряд других свойств [].
После этого 2-го этапа когнитивного моделирования было произведено имитационное моделирование процессов развития ситуаций на модели (сценарное моделирование) в целях предвидения возможных тенденций развития процессов в системе под влиянием различных возмущающих (природных и антропогенных) и управляющих воздействий (органы управления). На рис.4 изображен один из сценарных процессов (проводится путем импульсного моделирования), возможных в системе под воздействием «положительных» действий органов управления (положительный импульс «+1» вносился в вершину
V8.
Рис.4. Графики импульсных процессов на модели G при условии рациональных действий органов управления (Сценарий №1)
Как видно из рис.4, рассмотренный сценарий, предусматривающий обоснованные положительные действия органов управления, можно
306
рекомендовать для реализации, поскольку в этом случае могут наблюдаться положительные тенденции в развитии процессов.
На рис.5 изображена когнитивная карта G1 нижнего уровня, в которой раскрыты и детализированы факторы (вершины), характеризующие гидроэкосистему.
В табл. 1 представлены вершины (концепты) когнитивной карты G1, выявленные и согласованные на первом тапе когнитивного моделирования с экспертами в области водных экосистем (гидроэкосистем).
Таблица 1
Вершины когнитивной карты G1
Код Концепты, 1-й уровень Концепты, 2-й уровень Концепты, 3-й уровень
Vi Структурные изменения в гидроэкосистеме V11 Опасные явления в гидроэкосистеме
V12 Равновесие в гидроэкосистеме
V2 Внешние факторы V21 Метериологические (атмосферные) V211 Атмосферное давление
V212 Среднегодовая ветровая активность
V213 Среднегодовая норма атмосферных осадков
V214 Среднегодовая температура воздуха
V22 Г идрологические (водные) V221 Ледовитость
V222 Объем стока
V223 Уровень воды
V224 Среднегодовая температура воды
V225 Среднегодовая соленость
V226 Минерализация
V227 Биогенная нагрузка
V23 Г идробиологические V231 Видовой состав и биоразнообразие бентосообщетв
V232 Среднегодовая численность бентоса
V233 Площадь цветения
V234 Биомасса рыбы
V235 Первичная продукция
V3 Антропогенные факторы V31 Действия экспертов V311 Информационная активность пользователей массме-диа
V32 Антропогенная активность
307
Отношения между вершинами когнитивной карты (дуги орграфа G1) были определены по результатам обсуждений с исследователями, работающими на территории Понто-Каспийского региона.
Рис.4. Когнитивная карта G1 «Состояние водной экосистемы территории»,
нижние уровни
На втором этапе когнитивного моделирования был проведен анализ свойств модели G1: анализ степени вершин орграфа, анализ путей и циклов, анализ устойчивости (к возмущениям и структурной), связности и сложности и др.
На рис.5 приведен пример анализа циклов когнитивной модели G1. Всего обнаружено 28 циклов, среди которых - 13 циклов отрицательной (стабилизирующей) обратной связи и 15 циклов положительной (усиливающей) обратной связи.
Наличие нечетного числа отрицательных циклов свидетельствует о структурной устойчивости системы.
308
Рис.5. Анализ циклов модели G1
(фрагмент изображения, выделен один из отрицательных циклов)
На третьем этапе когнитивного моделирования был проведен сценарный анализ. На рис.6,7 и 8 приведены результаты моделирования в виде системы импульсных процессов, соответствующих трем из возможных сценариев развития ситуаций на системе G1 «Состояние водной экосистемы территории».
Сценарий №1. Предположим, в системе возрастает биогенная нагрузка, что моделируется внесением возмущающего воздействия «+1» в вершину V2.2.7.
Результаты моделирования изображены на рис.ба. Как видно из рисунка, рост биогенной нагрузки, если ему ничто не противостоит, может привести к нарастанию колебательных процессов в системе. Такие тенденции развития ситуаций в системе нельзя назвать благоприятными.
Сценарий №2. Предположим, в системе возрастает биогенная нагрузка, но антропогенная активность снижается, что моделируется внесением возмущающих воздействий «+1» в вершину V2.2.7 и «-1» в вершину V3.2.
Результаты моделирования изображены на рис.6в. Как видно из рисунка, рост биогенной нагрузки только при снижении антропогенной активности тоже не улучшает тенденций развития ситуаций в системе без принятия специальных управленческих решений.
309
— Биогенная нагрузка
— * Структурные изменения в гидроэкосистеме
— Опасные явления в гидроэкосистеме Антропогенная активность Равновесие в гидроэкосистеме
■* Действия экспертов
• Информационная активность пользователей массмедиа
Шаги
— Структурные изменения з гидроэкосистеме Опасные явления в гидроэкосшеме
— Равновесие в гидроэкосистеме ““Действия экспертов
™ Антропогенная активность ■■ Информационная активность пользователей массмедиа ■ Биогенная нагрузка > > I Антропогенные факторы
* 1
а) Сценарий №1
в) Сценарий №2
Рис.6. Развитие ситуаций в системе G1
Сценарий №3. Предположим, что по данным мониторинга увеличивается текущая соленость, видовой состав и биоразнообразие бентосообществ уменьшается, площадь цветения водоемов увеличивается. Соответствующие возмущающие импульсы подаются в вершины V2.2.3,
V 2.2.5.1 и V2.3.1.
Результаты моделирования представлены рис.7а.
Сценарий №4. Предположим, что по данным мониторинга увеличивается текущая соленость, видовой состав и биоразнообразие бентосообществ уменьшается, площадь цветения водоемов увеличивается; соответствующие возмущающие импульсы подаются в вершины V2.2.3,
V 2.2.5.1 и V2.3.1, но с модели верхнего уровня G от положительных действий государственных органов, направленных на снижение действий антропогенных факторов, начинают возникать положительные структурные изменения в гидроэкосистеме, что моделируется внесением управляющего импульса в вершину V1 «Структурные изменения в гидроэкосистеме» модели G1.
310
Результаты моделирования представлены рис.7в.
Как видно из рис. 7, Сценарий №4 можно считать благоприятным, но после 6-го шага моделирования желательно было бы внести дополнительные управляющие воздействия для поддержания равновесия в гидроэкосистеме.
Заключение
В работе приведен ряд результатов когнитивного исследования экосистемных процессов Таганрогского залива, дельты Дона и Азовского моря, проведенного с помощью имитационного когнитивного моделирования на модели иерархической когнитивной карты в виде ориентированного знакового графа. Приведенные результаты являются частью исследований, проводимых ряд лет в рамках работ ЮНЦ РАН. В процессе исследований была осознана необходимость разработки системы поддержки принятия решений, в которую входит модуль когнитивного анализа. Данная работа показала эффективность использования возможностей имитационного когнитивного моделирования в ситуациях разнородной природы данных и невозможности проводить эксперимент над
311
реальной гидроэкосистемой для выработки и оценки управленческих решений.
Список литературы
1. Абрамова Н.А., Авдеева З.К. Когнитивный анализ и управление развитием ситуаций: проблемы методологии, теории и практики // Проблемы управления. - М.: ИПУ РАН, 2008. № 3. - С. 85-87.
2. Violetta Volkova, GalinaGorelova, NataliyaPankratova The development of the cyberphysical system concept on base of the interdisciplinary theories // Proceedings of IEEE Second International Conference on System Analysis & Intelligent Computing conference (SAIC) 05-09 October, 2020. - Kyiv, Ukraine. - P. 20-25.
3. Горелова Г.В., Захарова Е.Н., Радченко С.А. Исследование слабоструктурированных проблем социально-экономических систем: когнитивный подход. - Ростов н/Д: Изд-во РГУ, 2006. - 332 c.
4. Горелова Г.В., Васьков И.М. О возможности применения когнитивного моделирования к исследованию опасных экзогенных процессов // Труды ХХ Междунар. конф. «Проблемы управления безопасностью сложных систем». / Под ред. Н.И.Архиповой, В.В.Кульбы. - М.: Изд-во РГГУ, 2012. - 471 с. - С. 240-244.
5. Горелова Г.В. О когнитивном моделировании сложных систем, инструментарий исследования // Известия ТТИ ЮФУ, вып.6. 2012. - Таганрог: Изд-во ТТИ ЮФУ, 2012. - С.236- 240.
6. Горелова Г.В., Калиниченко А.И. Моделирование конкуренции с помощью программной системы когнитивного моделирования // Вестник АГУ. 2018. Вып. 2(220). - С. 113-126.
7. Г орелова Г.В. Модели принятия решений при проектировании и управления объектами в условиях вероятностной неопределенности / Известия ЮФУ, Технические науки. №1, 2019. - С.177-188.
8. G.V.Gorelova, N.D. Pankratova. Scientific Foresight and Cognitive Modeling of Socio-Economic Systems /18 th IFAC Conference on Technology, Culture and International Stability, TECIS 2018, IFAC, 12-16.09.2018, Баку.
9. Galina V. Gorelova, Alexey I. Kalinichenko. Toolkit of cognitive research of large systems and the risk of a human factor/ |Fourth International Forum on Cognitive Modeling. 30 September - 7 October, 2018, Tel Aviv.
10. Горелова Г.В., О разработке инструментария когнитивного моделирования социально-экономических систем/20-th International conference on System Analysis and Information Technology SAIT 2018, May 21-23, 2018 Institute for Applied System Analysis of National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Kyiv.
11. Инновационное развитие социально-экономических систем на основе методологий предвидения и когнитивного моделирования / под ред. Г.В. Гореловой, Н.Д. Панкратовой. К.: Наукова думка, 2015. 464 с.
12. Матишов Г.Г., Матишов Д.Г., Бердников С.В., Яицкая Н.А. Природные катастрофы в Азово-Черноморском бассейне в начале XXI века. Ростов н/Д: Изд-во ЮНЦ РАН. - 2017. - 160 с.
13. Мельник Э.В., Орда-Жигулина М.В., Орда-Жигулина Д.В., Иванов Д.Я., Родина А.А. Применение технологий цифровой экономики при разработке средств мониторинга и прогнозирования опасных процессов и обеспечения безопасности населения и береговой инфраструктуры // Закономерности формирования и воздействия морских, атмосферных опасных явлений и катастроф на прибрежную зону РФ в условиях глобальных климатических и индустриальных вызовов ("Опасные явления"). - 2019. - С. 289-291.
312
14. Melnik E.V., Orda-Zhigulina M.V., Orda-Zhigulina D.V., Ivanov D.Y., Rodina A.A. Fog computing in new approach for monitoring of hazardous phenomena //Journal of Physics: Conference Series. - iOp Publishing, 2019. - Т. 1333. - №. 7. - С. 072-016.
15. Мельник Э. В., Клименко А. Б. Архитектура системы мониторинга опасных явлений на основе анализа информационного пространства сети Интернет. // Закономерности формирования и воздействия морских, атмосферных опасных явлений и катастроф на прибрежную зону РФ в условиях глобальных климатических и индустриальных вызовов ("Опасные явления”). - 2019. - С. 287-289.
16. Программа для когнитивного моделирования и анализа социальноэкономических систем регионального уровня (Горелова Г.В.,Калиниченко А.И., Кузьминов А.). Свидетельство о государственной регистрации программ для ЭВМ № 2018661506 от 07.09.2018.
17. N.D. Pankratova, G.V.Gorelova, V.A.Pankratov Strategy for Simulation Complex Hierarchical Systems Based on the Methodologies of Foresight and Cognitive Modelling // Advanced Control Systems: Theory and Applications. River Publishers Series in Automation, Control and Robotics. Chapter 9. 2021. P. 257-288.
18. Экосистемы в пространстве новой экономики : монография / науч. ред.: М.А. Боровская, Г.Б. Клейнер, Н.Н. Лябах, М.А. Масыч, Л.Г. Матвеева, И.К. Шевченко ; Южный федеральный университет. - Ростов-на-Дону; Таганрог: Издательство Южного федерального университета, 2020. - 788 с. раздел 2, с. 235 -391.
УДК 332.1
doi:10.18720/SPBPU/2/id21-73
Масленникова Анна Викторовна,
зав. кафедрой государственного и муниципального управления,
доцент, канд. экон. наук.
ИССЛЕДОВАНИЕ ВЛИЯНИЯ АГЛОМЕРАЦИОННЫХ ПРОЦЕССОВ НА УСТОЙЧИВОЕ РАЗВИТИЕ ТЕРРИТОРИЙ НА ОСНОВЕ КОМПОЗИЦИИ КОГНИТИВНОГО И ДИНАМИЧЕСКОГО МОДЕЛИРОВАНИЯ
Россия, г. Москва, АНО ВО «Российский новый университет»,
annuchka 15@ gmail .com
Аннотация. Динамичное развитие урбанизации как в нашей стране, так и за рубежом обосновывает необходимость исследования развития сложных социально-эколого-экономическими систем, к которым относятся и городские агломерации, а также влияния агломерационных процессов на устойчивое развитие регионов и страны в целом. В первую очередь подобные исследования должны быть направлены на разработку оптимальной модели управления агломерационными системами с целью повышения безопасности населения и минимизации рисков для окружающей среды. Одно из направлений научного обоснования принимаемых решений - имитационное моделирование, реализуемое на основе системной динамики и когнитивной методологии.
Ключевые слова: управление сложными системами, динамическое моделирование, агломерация, когнитивное моделирование, устойчивое развитие
313
