CC BY
62EARTH SCIENCES
НЕЙРОННЫЕ СЕТИ В АВТОМАТИЗИРОВАННОЙ СИСТЕМЕ МОНИТОРИНГА СОСТОЯНИЯ
ОКРУЖАЮЩЕЙ СРЕДЫ
Мешалкин В.П.
Российский химико-технологический университет им. Д.И.Менделеева, Москва
Панарин В.М.
Тульский государственный университет, Тула
Маслова А.А.
Тульский государственный университет, Тула
ARTIFICIAL NEURAL NETWORKS IN THE SYSTEM OF AUTOMATED ENVIRONMENTAL
MONITORING
Meshalkin V.
Russian University of Chemical Technology. D.I.Mendeleev, Moscow
Panarin V.
Tula State University, Tula Maslova A.
Tula State University, Tula
АННОТАЦИЯ
В статье описывается процесс создания простого и эффективного инструмента, который позволяет получить отсутствующие данные, полученные при проведении мониторинга окружающей среды, прогнозирования уровней загрязнения воздуха и воды, уровня звука, автоматического анализа изображения и интерпретации результатов биологического мониторинга, оценки воздействия на окружающую среду, и многих других проблем. Искусственные нейронные сети являются эффективным инструментом в прогнозировании концентраций взвешенных частиц тяжелых металлов. Правильный выбор входных и выходных данных с четкой зависимостью между ними необходим для получения достоверных результатов. Сделан акцент на прогнозах концентраций взвешенных частиц тяжелых металлов из-за допустимого уровня этого загрязняющего вещества, который часто превышался в Туле. Для заданных условий наилучшие результаты получены с помощью трехслойного перцептрона с алгоритмом обратного распространения.
ABSTRACT
The article describes the process of creating a simple and effective tool that allows you to obtain missing data obtained during environmental monitoring, predicting levels of air and water pollution, sound levels, automatic image analysis and interpretation of biological monitoring results, environmental impact assessment, and many other problems. Artificial neural networks are an effective tool in predicting the concentrations of suspended particles of heavy metals. The correct choice of input and output data with a clear relationship between them is necessary to obtain reliable results. Emphasis is placed on forecasts of concentrations of suspended particles of heavy metals due to the permissible level of this pollutant, which was often exceeded in Tula. For given conditions, the best results were obtained using a three-layer perceptron with a backpropagation algorithm.
Ключевые слова: экологический мониторинг, автоматизированная система, нейронные сети, загрязнение атмосферы, водные объекты, принятие решений.
Keywords: environmental monitoring, automated system, neural networks, air pollution, water bodies, decision making
Постановка проблемы. В результате деятельности промышленных предприятий в приземный слой атмосферы и водные объекты выбрасывается значительное количество вредных веществ, оказывающих негативное воздействие на здоровье человека и окружающую среду. В последнее время, несмотря на то, что количество промышленных предприятий в России снизилось, количество аварийных ситуаций, в том числе и с выбросом вредных веществ, значительно возросло. Жизнь и здоровье персонала и жителей окрестных территорий при возникновении аварийной ситуации на таких объектах находятся под угрозой. Анализ существующих в настоящее время работ в области экологического мониторинга загрязнения водных
объектов и атмосферы вредными веществами показал, что они сопровождаются не только материальными потерями, но и огромными человеческими жертвами и ухудшением здоровья населения прилегающих территорий, поэтому в условиях загрязнения водных объектов и атмосферного воздуха важное значение имеет скорость и достоверность получаемой информации. Развитие промышленности требует все большего внимания к контролю загрязнения водных объектов и атмосферного воздуха вредными веществами. Решение подобных задач невозможно без создания современных и эффективных инструментов при проведении авто-
матизированного мониторинга состояния окружающей среды. В проведенных исследованиях таким инструментом выступили нейронные сети.
Анализ последних исследований и публикаций. В настоящее время на государственном уровне в России разработаны и реализуются Федеральная и, входящие в нее, региональные целевые программы «Снижение рисков и смягчение последствий чрезвычайных ситуаций природного и техногенного характера в Российской Федерации». В перечне критических технологий развития науки и техники в РФ присутствует раздел «Технологии мониторинга и прогнозирования состояния атмосферы и гидросферы». Важное место в реализуемых проектах и программах отводится разработке и внедрению автоматизированных систем мониторинга загрязнения водных объектов и атмосферы для поддержки принятия управленческих решений, в том числе и с использованием нейронных сетей (ИНС) [1-3].
Высокий уровень загрязнения воздуха в настоящее время является проблемой многих районов, плотной городской застройки. Превышение допустимых концентраций многих загрязняющих веществ в сочетании с неблагоприятными погодными условиями приводят к формированию явлений смога. Что в свою очередь приводит к ухудшению качества жизни в городских районах и может вызвать множество заболеваний. Одной из целей мониторинга качества воздуха в этих районах, является обнаружение превышения допустимых концентраций загрязняющих веществ. В случае превышения, разработка меры по улучшению качества воздуха. Получение достоверных прогнозов возникновения высоких уровней загрязнения воздуха позволяют проводить профилактические мероприятия.
Выделение нерешенных ранее частей общей проблемы. В связи с вышесказанным, в последние годы было уделено внимание совершенствованию методов моделирования явлений, происходящих в окружающей среде, включая создание прогноза качества воздуха и водных объектов. Как известно, генерация прогнозов может основываться на статистических или детерминированных моделях.
Имеются анализы, основанные на моделировании метеорологических полей и дисперсий загрязнения в детерминированных моделях. Прогнозирование системы распространения загрязнения воздуха и водных объектов является одной из таких моделей. Обычно детерминированные модели являются более сложными, как в построении, так и в последующей с ними работой. Статистические модели являются более простыми, но также имеют ряд недостатков. Они создаются на основе множественной серии измерений и позволяют оперировать данными только определенных точек измерений [4-8].
Целью проводимых исследований стало проведение адаптации такого инструмента как нейронные сети для целей автоматизированного мониторинга загрязнения атмосферного воздуха и водных объектов, а также прогнозирования их состояния
при возникновении аварийных выбросов загрязняющих веществ.
Искусственная нейронная сеть относятся к группе статистических математических моделей. Стоит отметить, что возможности использования нейронных сетей различны. Они используются не только для обеспечения экологического мониторинга атмосферного воздуха и водных объектов, но и в других науках: экономике, медицине, промышленности и т. д. Возможность работать с переменными динамическими данными и их прогнозирование являются преимуществом такого метода.
Существуют работы, посвященные прогнозированию загрязнения окружающей среды на основе искусственных нейронных сетей. Мы можем предсказать концентрацию определенного загрязнителя или возникновение некоторого ряда (диапазона) таковых в исследуемой области.
Следует помнить, что мы не можем создать одну модель нейронной сети, которая будет одинаково хорошо работать для каждого загрязнителя и для каждого типа местности. Выбор его архитектуры включает число и тип нейронов, а выбор алгоритма обучения может существенно повлиять на его эффективность. Модели и архитектура нейронной сети должны изучаться индивидуально для каждого случая.
В этой статье мы фокусируемся на прогнозах концентрации взвешенных частиц тяжелых металлов. Допустимый уровень этого загрязнителя часто превышается в крупных промышленных городах России.
В последнее время наблюдается интенсивное развитие алгоритмов в искусственном интеллекте. Искусственные нейронные сети были одними из первых алгоритмов этого типа. Их характерная особенность заключается в том, что они могут быть использованы для решения проблемы в условиях неполной информации без знания аналитической зависимости между входными и выходными данными. Эта особенность приводит к тому, что ИНС являются очень важным инструментом для моделирования сложных неизвестных отношений между переменными. Они широко используются в различных сферах: в классификации, анализе и обработке изображений, прогнозировании временных рядов, анализ производственных проблем, анализ цен, прогноз погоды и т. д.[9-10]
В области охраны окружающей среды ИНС можно использовать для предоставления отсутствующих данных из мониторинга окружающей среды, прогнозирования уровней загрязнения воздуха и воды, уровня звука, автоматического анализа изображения и интерпретации результатов биологического мониторинга, оценки воздействия на окружающую среду, и многих других проблем.
Существует много работ, в которых обсуждаются нейронные сети. Также существует число работ, посвященных прогнозированию уровня загрязнения воздуха на основе искусственных нейронных сетей. Большинство исследований сосредоточено на краткосрочных и долгосрочных прогнозах уровней концентрации оксидов азота (NOx) и твердых
частиц РМ10 в качестве факторов, определяющих возникновение смога. Есть также статьи, посвященные прогнозам уровней концентрации других загрязнителей воздуха, например, оксид серы ^04). Эти прогнозы были сделаны на основе метеорологических данных, данных о выбросах загрязнителей воздуха и т. д. Другие исследования посвящены заполнение пробелов в данных мониторинга на основе существующих данных.
Существует множество типов искусственных нейронных сетей, которые различаются по структуре и принципу работы: полностью соединенные сети прямого распространения, известные как многослойный персептрон (МСП) или радиальные базовые функциональные сети (РБФ). Основная структура искусственной нейронной сети состоит из трех типов слоев - нейронов (взаимосвязанных узлов). Первый - это входной уровень, где вводятся данные. Второй - скрытый уровень, в котором обрабатываются данные для получения необходимых промежуточных данных и для определения окончательного решения. Скрытый слой может быть одним или несколькими. Третий слой - это выходной слой, где производится результаты. В процессе определения многослойной нейронной сети сначала нужно указать количество слоев и число нейронов каждого слоя. Число нейронов на входе равно числу компонентов признаков. Один скрытый слой достаточен для решения большинства проблем классификации. Число нейронов скрытого слоя зависит от сложности поставленной задачи.
При применении ИНС для более сложных проблем, требуется больше нейронов в скрытом слое. Количество нейронов в выходном слое равно числу предопределенных классов (в задаче классификации) или количество выходных данных (в задачах прогнозирования).
Данные, проходящие через нейроны, модифицированы весом и передаточными функциями, поэтому при определении нейронной сети, мы также должны указать тип функции активации нейронов (нелинейную связь между сигналом полной стимуляции нейронов и его ответом), обучение алгоритм (используемый для определения лучших весов) и размер поднабора данных обучения, валидации и тестирования. Во многих случаях функция активации принимает форму сигмоидной (логистической) функции или гиперболического тангенса (часто работает лучше, чем логистическая функция). Другие функции активации могут быть линейными, экспоненциальными, синусоидными или гауссовыми (используется в сетях RBF).
Так же следует отметить основные алгоритмы обучения для определения лучших значений веса нейрона. Самый популярный алгоритмом обучения МСП является алгоритм обратного распространения. Этот простой алгоритм довольно медленный, но очень эффективный. Он работает, настраивая значения веса нейрона, так чтобы минимизировать ошибку между фактическими и желаемые выходы (путем распространения ошибки обратно в сеть).
В некоторых случаях значения веса нейрона в МСП модифицируются в процессе обучения во время алгоритмов сопряженного градиента.
Переоснастка нейронной сети является отрицательным явлением, которое может возникнуть в процессе обучения. Процесс проверки должен способствовать избеганию подобных явлений. В целях повышения надежности конечная модель сети, тестируется с использованием конечных данных.
Каждый конкретный случай должен быть представлен в трех этапах: обучение, проверка и тестирование.
Огромная популярность искусственных нейронных сетей и их широкое применение привели к появлению программных пакетов для моделирования нейронных сетей.
Нейронные сети получили широкое применение в статистике. Программные пакеты позволяют использовать различные нейронные сети, методы обучения, функции активации и функции ошибок.
Искусственная нейронная сеть учится путем сравнения входных и выходных данных, поэтому правильный выбор набора данных очень важен для построения модели нейронной сети. Стоит отметить, что должны использоваться только те входные данные, которые влияют на выходные данные. Внедрение входных данных, не связанных с прогнозируемыми данными модели, ухудшает работу сети. Набор входных данных, содержащий концентрации выбранных загрязнителей воздуха и метеорологических данных, обычно используется для прогнозирования уровня концентрации другого загрязнителя воздуха. Кроме того, мы можем использовать данные о выбросах загрязняющих воздух веществ в данной области и в потоке движения. Для создания модели нейронной сети мы можем использовать временные данные, среднечасовые или среднесуточные данные [11-17].
В этой статье для создания искусственной нейронной сети, которая предсказывает концентрацию взвешенных частиц тяжелых металлов, которая является основной причиной возникновения явления смога, мы использовали метеорологические данные и данные о концентрациях тяжелых металлов. Среднесуточные концентрации в период с 1 января 2012 года по 31 декабря 2013 года, которые были зарегистрированы на трех измерительных станциях, действующих в Туле в рамках государственной программы мониторинга окружающей среды.
На станции возле ПАО «Тулачермет» оценивается уровень загрязнения. На второй станции ПАО «Косогорский металлургический завод» измеряется уровень промышленных загрязнений. Станция по пр. Ленина г.Тула является фоновой станцией. Измерение взвешенных частиц тяжелых металлов выполняется автоматически.
Существуют измеренные уровни концентрации других загрязняющих воздух веществ, кроме взвешенных частиц тяжелых металлов, на вышеупомянутых измерительных станциях. Эти загрязняющие воздух вещества: оксид азота (NO2), оксид азота (NO4), оксид серы (SO4), оксид углерода
(С02), бензол, озон (измеренный на воздухе) , свинец, кадмий, мышьяк, бензо(а)пирен (измеряемый в твердых частицах). Данные, собранные во время измерений, отображены на веб-сайте Росприрод-надзора.
В наших исследованиях набор входных данных состоит из метеорологических данных (максимальная, минимальная и средняя температура, средняя скорость ветра, средняя температура предыдущего дня) и средние суточные концентрации твердых частиц предыдущего дня. Используемые модели нейронных сетей имеют одну прогнозируемую величину - это концентрация твердых частиц тяжелых металлов. Результаты показывают,
Характеристики наилучших
что для всех экспериментов данные случайным образом разделяются на три отдельных подмножества: 75% для подмножества обучения, 15% для проверки 1 и 15% для тестирования. Различные типы нейронных сетевых архитектур были построены и испытаны, чтобы найти лучшую сеть для каждой измерительной станции. Во всех проверенных случаях, сети МСП с одним скрытым слоем достигли лучших результатов, чем РБФ сетей. Наилучшие результаты были достигнуты, когда сети МСП прошли обучение посредством алгоритма обратного распространения (ОР). Подробные результаты проведенных испытаний приведены в таблице 1.
Таблица 1
Станция мониторинга Тип ИНС (количество слоев/нейронов) Алгоритм обучения Коэффициент достоверности Наибольшее расхождение результатов измерений и прогнозирования (мкг)
ПАО «Тулачермет» МСП (6-13-1) ОР 0.908 12.64
ПАО «КМЗ» МСП (6-18-1) ОР 0.921 9.92
Пр-т Ленина МСП (6-15-1) ОР 0.933 9.89
Во второй колонке лучшие ИНС с числом нейронов в трех слоях (в входной, скрытый и выходной). Из таблицы 1 можно видеть, что использование алгоритма обратного распространения дает коэффициенты достоверности выше 0,9 для каждой станции. Наименьшая средняя абсолютная величина между настоящим (реальным) значением и спрогнозированным значением (для подмножества тестирования) составило 9,89 мкг для станции ПАО
«КМЗ». Самый большой был равен 12,64 мкг для станции ПАО «Тулачермет».
Рисунки 1-3 иллюстрируют способность сети с многослойным персептроном для прогнозирования концентрации взвешенных частиц тяжелых металлов. Синие линии показывают полученные значения концентраций, красные линии показывают спрогнозированные значения.
Рис.1 Измеренные и спрогнозированные посредством ИНС данные концентрации взвешенных частиц
тяжелых металлов на ПАО «Тулачермет»
Рис.2 Измеренные и спрогнозированные посредством ИНС данные концентрации взвешенных частиц
тяжелых металлов на ПАО «КМЗ»
Рис.3 Измеренные и спрогнозированные посредством ИНС данные концентрации взвешенных частиц
тяжелых металлов на пр-те Ленина.
Как мы видим, нейронные сети получили высокую достоверность во всех случаях. Можно заметить, что распределения разностей между ожидаемым значением и прогнозируемым значением схожи для каждой измерительной станции. Большинство различий находятся в диапазоне от -10 до 10 мкг. Эксперименты показывают, что 57,7% результатов, полученных для станции ПАО «Тула-чермет», находятся в этом диапазоне. Эти значения составляют 73,3% и 61,5% для станций пр. Ленина
и станции ПАО «КМЗ» соответственно. Иллюстративную гистограмму упомянутых различий мы можем видеть на рисунке 4. Важно также отметить, что для каждой измерительной станции различия между полученным значением и прогнозируемым значением меньше для концентраций нижних диапазонов взвешенных частиц тяжелых металлов. Одновременно в наборе данных, используемом в процессе обучения, преобладают случаи концентрации взвешенных частиц тяжелых металлов ниже 100 мкг [11-17].
Рис.4 Разница между измеренными и спрогнозированными посредством ИНС значениями концентрации взвешенных частиц тяжелыхметаллов(мкг) на ПАО «Тулачермет».
Выводы и предложения. Наиболее приоритетно стоит задача создать простой и эффективный инструмент для прогнозирования качества воздуха и водных объектов. Как показали наши исследования, искусственные нейронные сети являются эффективным инструментом в прогнозировании концентраций взвешенных частиц тяжелых металлов. Многие исследователи ставили вопрос о прогнозе концентраций тяжелых металлов и других загрязнителей воздуха и водных объектов с помощью ИНС. Они использовали различные параметры в качестве входных данных, адаптированных к выходным данным и локальным условиям. Правильный выбор входных и выходных данных с четкой зависимостью между ними необходим для получения достоверных результатов. Невозможно построить одну универсальную модель нейронной сети, которая позволит прогнозировать различные загрязняющие вещества в разных областях. Сеть должна быть разработана и подготовлена индивидуально для каждого случая.
Мы сосредоточились на прогнозах концентраций взвешенных частиц тяжелых металлов из-за допустимого уровня этого загрязняющего вещества, который часто превышался в Туле. Оказалось, что для наших условий наилучшие результаты были получены с помощью трехслойного перцептрона с алгоритмом обратного распространения. Во всех случаях нейронные сети хорошо себя проявили. Коэффициенты корреляции были выше 0,9 для каждой измерительной станции. Распределение различий между измеренным значением и прогнозируемым значением было одинаковым для каждой измерительной станции. Средние абсолютные значения указанных различий находились в диапазоне 9,89 мкг и 12,64 мкг. Ссылаясь на представленные
результаты, можно сделать вывод, что производительность сетей МСП является удовлетворительной.
Литература
1. Бурман В.М., Кропотов Ю.А. Автоматизированная распределенная система экологического мониторинга окружающей среды модульного типа// Известия ОрелГТУ. Серия «Информационные системы и технологии». - 2008. - № 1-2/269(544). - с. 53-57.
2. Кантюков Р.А., Панарин В.М., Горюнкова А.А., Гришаков К.В. Информационно-измерительная система построения полей загрязнения атмосферного воздуха при разрыве магистральных газопроводов// Успехи в химии и химической технологии. 2016. Т. 30. № 2 (171). С. 141-142.
3. Кононов Д.А. Экологический менеджмент: сценарии развития объектов и управление экологической обстановкой / Д.А. Кононов, В.В. Кульба // Инженерная экология, 1996, № 6. - C.78-99.
4. Концептуальные основы экологии в угольной промышленности на 2000-2002 годы / Ю.В. Каплунов, С.Л. Климов, А.П. Красавин, А.А. Ха-рионовский // Уголь. - 2000 (№1). - С. 68-72.
5. Кропотов Ю.А., Суворова Г.П. Марковские модели в автоматизированной системе мониторинга и прогнозирования экологического состояния промышленной зоны// Известия ОрелГТУ. Серия «Информационные системы и технологии». -2008. - № 1-3/269(544). С.-113-118.
6. Крупнов А.Е. Задачи построения сетей связи третьего поколения в России. / А.Е. Крупнов, А.И. Скородумов, В.Г. Павлов // Мобильные системы, Спецвыпуск, посвящённый 5-летию Ассоциации 3G. - 2004. С. 49-57.
7. Ларкин Е.В., Панарин М.В. Диспетчеризация транспортировки энергоносителей. / XXYIII
Научная сессия, посвященная Дню радио. Тула: НТОРЭС им. А.С. Попова. - 2010. С. 58 - 61.
8. Маслова А.А. Сточные воды и их очистка/ А.А. Маслова, Д.С. Фурсова// Современные проблемы экологии: доклады XX Междунар. науч.-технич. конференции - Тула: Инновационные технологии, 2018. - С.49-50.
9. Метод определения расположения станций экологического контроля качества среды горнопромышленных регионов/ А.А. Горюнкова [и др.]// Материалы 7-ой Межд. конф. «Социально-экономические и экологические проблемы горной промышленности, строительства и энергетики». - Тула, 2011, Т.2. - С. 293-297.
10. Мешалкин В.П., Панарин В.М., Рыбка Н.А., Горюнкова А.А. Оценка рассеивающей способности атмосферы химического комплекса и особенности его мониторинга (на примере города Новомосковска тульской области) // Химическая промышленность сегодня. 2017. № 4. С. 29-34.
11. Натхина Р.И. Моделирование процессов распространения многокомпонентных промышленных выбросов / Р.И. Натхина. - М.: Наука, 2001. -234 с.
12. Суворова Г.П. Автоматизированная система экологического контроля предприятия [Текст] / Г.П. Суворова // Методы и устройства передачи и обработки информации: межвуз. сб. научн.тр. - Вып. 4 / под ред. В.В. Ромашова, В.В. Булкина. - СПб: Гидрометеоиздат, 2004. - С. 347.
14. Якунина, И.В. Методы и приборы контроля окружающей среды. Экологический мониторинг: учебное пособие / И.В. Якунина, Н.С. Попов. - Тамбов: Изд-во Тамб. гос. техн. ун-та, 2009. - 188 с.
15. Организация мониторинга загрязнения атмосферы химически опасными объектами/ В.П. Мешалкин, В.В. Лесных, А.В. Путилов, А.А. Горюнкова// Ежемесячный научно-технический и производственный журнал «Цветные металлы». -2015. - №4. - С. 85-88.
16. Горюнкова А.А. Современное состояние и подходы к разработке систем мониторинга загрязнения атмосферы/ А.А. Горюнкова// "Известия ТулГУ. Технические науки". Изд-во ТулГУ. 2013, Вып.11. с. 251-260.
17. Kapias T. Accidental releases of titanium tetrachloride (TiCl4) in the context of major hazards - spill behavior using reactpool / T. Kapias, R.F. Griffiths // Hazardous Mater. - 2005. - Vol. 119. - № 3. - P. 41-52.
АКТУАЛИЗАЦИЯ ДИАМЕТРА СОСНОВЫХ ДРЕВОСТОЕВ КУРОРТНОГО ЛЕСОПАРКА САНКТ-ПЕТЕРБУРГА ПРИ ИНВЕНТАРИЗАЦИИ
Ковязин В.Ф.
д.б.н.,
Санкт-Петербургский горный университет,
Салтыкова У.А.
магистрант 2 курса, напр. «Землеустройство и кадастр», Санкт-Петербургский горный университет г. Санкт-Петербург
THE ACTUALIZATION OF PINE STANDS DIAMETERS OF SAINT PETERSBURG'S FOREST
PARK RESORT DURING THE INVENTORY
Kovyazin V.
Doctor of Biological Sciences, St. Petersburg Mining University Saltykova U.
2nd year undergraduate, e.g. "Land management and cadastre",
St. Petersburg Mining University, Saint Petersburg
АННОТАЦИЯ
Статья раскрывает методику актуализации лесоустроительных данных наземной инвентаризации лесных земель России. В ней раскрыта тенденция роста диаметра соснового древостоя объекта исследований через 10-летний промежуток времени от периода молодняка до возраста спелости согласно таблиц хода роста. Раскрываются причины и алгоритм формирования диаметра древостоя по прогнозной математической модели. Доказывается достоверность полученной модели актуализации диаметра с помощью статистических показателей. Предложенная методика актуализации лесоустроительных данных апробирована на древостоях Курортного лесопарка Санкт-Петербурга.
ABSTRACT
This article reveals the methodology of updating (actualization) forest management ground-based inventory data of Russian forest areas. It explores the object's growth-trend of stand's diameter during the 10 years period, since young till mature stands, in accordance with growth tables. It reveals the reasons and stand's diameter formation algorithms according to predictive mathematical model. Statistical measures prove accuracy of generated diameter updating model. Proposed methodology of updating forest management data was tested on the stands of the St. Petersburg Resort Forest Park.
