ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ХИМИЧЕСКИХ ПОКАЗАТЕЛЕЙ ОРОСИТЕЛЬНОЙ ВОДЫ (НА ПРИМЕРЕ ИНГУЛЕЦКОГО МАГИСТРАЛЬНОГО КАНАЛА) Текст научной статьи по специальности «Строительство и архитектура»

УДК 631.6.03:556.06

ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ХИМИЧЕСКИХ ПОКАЗАТЕЛЕЙ ОРОСИТЕЛЬНОЙ ВОДЫ (НА ПРИМЕРЕ ИНГУЛЕЦКОГО МАГИСТРАЛЬНОГО

КАНАЛА)*

© 2012 г. В.И. Пичура

Херсонский государственный аграрный университет, г. Херсон, Украина

Ключевые слова: орошение, качество воды, гидрохимический режим, нейронные сети, многослойный перцептрон, прогнозирование, временные ряды.

Произведена оценка и прогноз изменения качества воды Ингулецкой оросительной системы Херсонской области Украины при существующих условиях ее формирования. Впервые созданы и применены искусственные нейронные сети для прогнозирования нестационарных процессов гидрохимического режима оросительной воды на примере Ингулецкого магистрального канала (ИМК). Определены оптимальные значения параметров алгоритма обучения нейросетей и спрогнозированы дальнейшие условия формирования гидрохимического режима ИМК.

Введение

Орошение это один из наиболее интенсивных и действенных факторов антропогенной нагрузки на окружающую среду, в целом, и орошаемые почвы, в частности. Под влиянием орошения изменяются условия функционирования всех составляющих естественной среды, в т. ч. происходят изменения в направленности и скорости почвенных процессов, которые могут иметь как положительный (улучшение и нормирование водообеспечения, повышение плодородия и т. д.), так и отрицательный характер (поднятие уровней грунтовых вод, что приводит к развитию процессов подтапливания

*Работа выполнена при поддержке Российского фонда фундаментальных исследований, проект № 11-05-90902 - моб_снг_ст.

Водное хозяйство России № 2, 2012

Водное хозяйство России

и вторичного ирригационного гидроморфизма территорий, засоления и осо-лонцевания почв; изменение солевого состава почв в направлении уменьшения содержания кальция, повышения содержания, активности растворимого и поглощенного натрия; повышение общей, токсической щелочности и водородного показателя рН; потеря структуры, уплотнение, дегумифика-ция, развитие эрозийных процессов и т. д.) [1].

Главными факторами, определяющими необходимость проведения орошения, являются неблагоприятные климатические условия и сложный водно-солевой режим почв. Более 66 % территории Украины подлежат периодическим засухам.

Одной с первых построена на юге Украины Ингулецкая оросительная система (ИОС) площадью 122 тыс. га, охватывающая сельскохозяйственные территории Николаевской и Херсонской областей.

Ингулецкая оросительная система является уникальным водохозяйственным комплексом. Качество воды ИОС, в первую очередь, зависит от процентного соотношения расходов рек Днепр и Ингулец влияния гидрохимического режима и водного баланса р. Ингулец, гидрологического режима магистрального канала ИОС, климатических условий (атмосферных осадков, дефицита влажности воздуха, направления и мощности ветра), режима работы Каховской гидроэлектростанции, промышленных и коммунальных сбросов.

Основной проблемой орошения является низкое качество оросительной воды Ингулецкого магистрального канала (ИМК), что проявляется в повышении ее минерализации и неблагоприятном соотношении ионов. На протяжении 50-летней работы Ингулецкой системы наблюдается ухудшение условий формирования оросительной воды и, как результат, развитие деградационных процессов орошаемых почв.

Гидрохимический режим оросительной воды ИМК по своей сути является сложным, многофакторным и эволюционирующим объектом исследования. При моделировании таких больших, зашумленных, нелинейных массивов экспериментальных данных принципиально необходима аппроксимация сложных структур нелинейных функций для обеспечения качественного описания возможных сценариев временного развития реальных систем. В связи с этим актуальным является прогнозирование временного развития химических показателей оросительной воды Ингулецкого магистрального канала с использованием современных искусственных интеллектуальных систем, основанных на нейротехнологиях.

Нейронные сети, опираясь на неполную, зашумленную, искаженную информацию, позволяют решать задачи, с которыми не могут справиться традиционные методы [2], т. к. искусственные нейронные сети (ИНС) не предполагают никаких ограничений по характеру входной информации [3].

Водное хозяйство России № 2, 2012

Водное хозяйство России

Основные преимущества, недостатки, ограничения и особенности аппаратной реализации искусственных нейронных сетей рассмотрены в трудах Красновской Н.Н., Солдатова О.П., Копытова Л.Б., Манжулы В.Г., Федя-шова Д.С., Кислова К.В., Гаврилова В.В., Владимирского Б.М., Арзамасцева А.А., Хайкина С.И., Казадаева А.С., Бахметова Н.А., Кравченка Ю.А. и других ученых [4-17]. Явные преимущества нейронных сетей, делают их все более и более перспективным направлением в анализе и прогнозировании гидрохимического режима оросительной воды [2-20].

Цель исследований - оценка и прогноз изменения качества воды Ингу-лецкой оросительной системы при существующих условиях ее формирования. Впервые созданы искусственные нейронные сети для прогнозирования нестационарных гидрохимичеких процессов формирования качества воды на примере Ингулецкого магистрального канала, с целью повышения достоверности прогнозирования сложных природных систем.

Основная часть

Химические показатели качества оросительной воды Ингулецкого магистрального канала, как объект изучения в многолетнем разрезе, представляют собой нестационарные динамические ряды. То есть при их изучении наблюдаются вариационные последовательности разовых концентраций, характеризующие изменение уровней действия условий и факторов их формирования во времени и в пространстве. В таких временных рядах очень тяжело проанализировать роль факторов влияния на исследуемые показатели, которые являются нестабильными и часто неконтролируемыми. Поэтому использование линейных моделей не всегда является целесообразным.

В исследованиях использованы данные химического состава воды мониторинговых стационаров Херсонской области ИМК (1996-2010 гг.) -минерализация (S, г/дм3) и состав основных ионов: НСО~, Cl-, SO42, Ca2+, Mg2+; Na++K+. Учитывая сложные условия формирования химического состава оросительной воды ИМК, динамика его изменений характеризуется как неустойчивая, вариация колебаний ряда наблюдений достигает 55 %, отсутствуют явные закономерности изменений гидрохимического режима. Все это подтверждает нестационарность исследуемых рядов показателей качества воды ИМК [20].

Для прогнозирования химических показателей оросительной воды в качестве нейронной сети был выбран многослойный перцептрон (MLP) модуля Statistics Neural Networks (SNN) программного продукта STATISTICA 6.0, который, в отличие от других архитектур НС, имеет возможность определять природу развития исследуемых объектов и систем на небольших

Водное хозяйство России № 2, 2012

Водное хозяйство России

Рис. 1. Алгоритм создания нейронных сетей для прогнозирования химических показателей

оросительной воды.

обучающий выборках, что дает возможность с достаточно высокой достоверностью реализовать нейронные сети при отсутствии длинных рядов эмпирических данных.

Основные этапы создания и обучения искусственных нейронных сетей с «учителем» [12] для прогнозирования химических показателей оросительной воды, разработанный автором алгоритм с использованием Statistics Neural Networks of STATISTICA 6.0 представлены на рис. 1.

Для корректировки весовых коэффициентов ИНС использован алгоритм обучения:

wm (t +1) = nSix„ (t) + a(wm (t) - wm (t -1)),

Водное хозяйство России № 2, 2012

Водное хо зяйство России

где wni(t) - вес от нейрона n или от элемента входного сигнала n к нейрону i в момент времени t;

xn - выход нейрона n или n-й элемент входного сигнала; П - коэффициент скорости обучения; а - коэффициент инерции; 5i - значение ошибки для нейрона i.

Функция ошибки представляет собой разность между текущим выходом (аппроксимированные значения) сети и идеальным выходом (эмпирические значения).

Согласно методу наименьших квадратов, функция ошибки НС имеет вид:

E(w) = 21 (y]pn - dp )\ 2 j, p

где yjpn - выходное состояние j-го нейрона слоя n НС при подаче на ее входы p-го обучающего образа; dp - желаемое выходное состояние этого нейрона.

Для активации нейронов многослойных перцептронов были использованы функции сигмоидальная и синусоид-гиперболического тангенса (табл. 1).

При моделировании созданы ИНС архитектуры MLP для прогнозирования химических показателей оросительной воды:

- для минерализации: четырехслойный перцептрон с восьмью нейронами в первом скрытом слое и четырьмя нейронами во втором скрытом слое; метод обучения: обратное распределение (100 эпох) и связанных градиентов (15 эпох); матрица искусственной нейронной сети состоит из 80 весовых коэффициентов:

функция коррекции весовых коэффициентов:

E (w(t)) = 2 (f (t (t )f (tw? (t )f (t w(1 (t) x'()))) - d(t ) )2

^ m=1 j=1 n=1

Таблица 1. Функции активации нейронов

Название функции Формула Область значений

Сигмоидальная (логистическая) f (s) = 1 ^ -s 1 + e (0, 1)

Синусоид- гиперболического тангенса es - e-s f (s) = es + e-s (-1, 1)

Водное хозяйство России № 2, 2012

Водное хозяйств

о

функция отклика сети:

у с)=I (к (к)/(к ч1}(о х:ут

т=1 ] =1 п=1

где I = 1

параметры алгоритма обучения:

^ = 0,01; а= 0,5; коэффициент гауссового шума - 0,1;

- для основных ионов: четырехслойный перцептрон с десятью нейронами в первом скрытом слое и десятью нейронами во втором скрытом слое; метод обучения: обратное распределение (100 эпох) и связанных градиентов (108 эпох); матрица искусственной нейронной сети состоит из 460 весовых коэффициентов:

функция коррекции весовых коэффициентов:

1 6 10 10 30

е (»а))=(I (к ^)/(к I (к Ч1^) хп'))))—))2)

^ I =1 т=1 ]=1 п=1

функция отклика сети:

10 10 30

уг (о=I (к »тз)(01 (к <чо1 (к ) хП')))),

т=1 ] =1 п=1

где I = 1,6

параметры алгоритма обучения:

^ = 0,05; а = 0,6; коэффициент гауссового шума - 0,1.

В результате оценки достоверности НС с помощью обобщающего критерия оценки погрешности модели и многократных экспериментальных действий над типами архитектур и коэффициентами настройки созданы ИНС типа многослойный перцептрон для прогнозирования химических показателей оросительной воды, которые обладают достаточно высокими обобщающими способностями, что указывает на хорошие совпадения исходных и аппроксимированных значений (верно выделенных закономерностей из входных данных) на рабочем (тестируемом) участке (рис. 2).

Подтверждением результатов эффективного моделирования нейросе-тей для прогнозирования, является анализ итоговой статистики реализа-

Водное хозяйство России № 2, 2012

Водное хо зяйство России

Фактические значения Предсказанные значения

е

И I

н

с

0

0,9 1,0 1,1 1,2 1,3 1,4 Минерализация

2,6 2,7 2,8 2,9 3,0 3,1 3,2 3,3 НСО-

4,5 5,5 6,5 7,5 8,5 9,5 10,5 11,5 12,5 С1-

зо/-

5,0 5,4 5,8 6,2 6,6 6,8 Са2+

4,0 5,0 МЙ2+

6,0 7,0

8,0 9,0 10,0 11,0 12,0 Ыа+ +К+

Рис. 2. Сравнительные гистограммы (обобщение) распределения исходных и аппроксимированных нейронными сетями значений химического состава воды ИМК.

3

2

1

Водное хозяйство России № 2, 2012

Водное хозяйство России

Таблица 2. Итоговая статистика обучения нейронной сети для прогнозирования химических показателей воды Ингулецкого магистрального канала

Описательные статистики Обучающая выборка Контрольная выборка Тестовая выборка

Минерализация

Математическое ожидание ошибки 0,00071 0,00281 0,09066

Стандартное отклонение ошибки 0,02677 0,04269 0,08771

Математическое ожидание абсолютной ошибки 0,01863 0,03504 0,07775

Корреляция 0,98550 0,98449 0,79026

Основные ионы

Математическое ожидание ошибки 0,00676 0,05721 0,08982

Стандартное отклонение ошибки 0,11221 0,17243 0,19609

Математическое ожидание абсолютной ошибки 0,08635 0,13523 0,17872

Корреляция 0,99584 0,98548 0,88798

ции нейронных сетей на обучающей, контрольной и тестовой выборках (табл. 2).

Прогноз динамики показателей минерализации и состава ионов оросительной воды ИМК до 2015 г. представлены на рис. 3. Результаты прогнозирования показывают, что при современных условиях формирования качества оросительной воды гидрохимического режима оросительной воды («антирека» - смешивание днепровской и ингулецкой воды с помощью главной насосной станции ИМК) при всех режимах работы главной насосной станции, происходит стабильное ухудшение всех показателей химического состава воды. В первую очередь, минерализации за период 20102015 гг. до 7-10 %.

На основании прогнозных данных была проведена оценка качества оросительной воды источников орошения за показателем SAR* (критерий оценки качества оросительной воды) [21]:

SAR*=SAR [1 + (8,4 - pHc)]; SAR=

Na+

Ca2+ + Mg2+ pHc=(pK2 - pKcaco3) + p(Ca + Mg) + p(A1,)

при SAR*<6 - вода хорошего качества; SAR*>6 - вода плохого качества.

Водное хозяйство России № 2, 2012

Водное хо зяйство России

Водное хозяйство России № 2, 2012

Водное хозяйство России

Значения SAR* оросительной воды ИМК на период 2011-2015 гг. прогнозируется в границах (7,3-12,7)>6, что указывает на плохое качество воды и при ее дальнейшем использовании прогнозируется постоянный процесс ощелачивания и осолонцевания орошаемых почв.

В результате тестирования на контрольных независимых экспериментальных выборках созданные нейромодели показали достаточной высокую аппроксимационную способность. Достоверность ИНС архитектуры MLP была определена по формуле:

D =

n I f 1 - x. _ - x* . •+j •+J Л

x.^ . •+J

j=1 V /

х 100 % ,

где x.+. - фактическое значение;

x

*

•+J

спрогнозированное значение;

п - длина временного ряда.

Достоверность ИНС на независимой (тестируемой) выборке составила для прогнозирования химических показателей оросительной воды ИМК: минерализации - 85 %, основных ионов - 87 %.

Выводы

Проведенные исследования показывают, что ИНС могут быть успешно использованы для качественного прогнозирования гидрохимического режима оросительной воды. При создании многослойных нейронных сетей использован алгоритм обучения с «учителем», что обеспечило способность нейромоделей к обобщению данных и прогнозированию временных рядов.

В результате оценивания достоверности нейромоделей архитектуры многослойный перцептрон, оптимальными значениями параметров алгоритма обучения НС для прогнозирования гидрохимических показателей оросительной воды ИМК являются: коэффициент скорости обучения в пределах п=0,01-0,05; коэффициент момента обучения (коэффициент инерции) в пределах а=0,5-0,6; количество итераций (эпох) до запоминания в пределах N=30-50; количество итераций (эпох) для обучения НС, в зависимости от массива выборки и сложности развития прогнозируемой системы, в пределах N=100-500; коэффициент гауссового шума при обучении НС составил 0,1. Число скрытых слоев и нейронов сети определяется для каждого временного ряда индивидуально. Функции активации нейронов - синусо-ид-гиперболического тангенса и сигмоидальная.

Определенно, что достоверность созданных четырехслойных нейро-моделей для прогнозирования качества оросительной воды Ингулецкого

Водное хозяйство России № 2, 2012

одное хо

зяйство России

магистрального канала на независимой (тестируемой) выборке составила: минерализации - 85 %, основных ионов - 87 %.

Прогноз изменения качества воды Ингулецкой оросительной системы показал, что при существующих условиях формирования гидрохимического режима оросительной воды («антирека» - смешивание днепровской и ингулецкой воды с помощью главной насосной станции ИМК) при всех режимах работы главной насосной станции, происходит стабильное ухудшение всех показателей химического состава воды. В первую очередь минерализации, за период 2010-2015 гг. до 7-10 %, что также влечет ухудшение ирригационных показателей качества оросительной воды и производит к постепенному процессу ощелачивания и осолонцевания почв Ингулецкой орошаемой системы Херсонской области Украины.

СПИСОК ЛИТЕРАТУРЫ

1. Ромащенко МЛ. Зрошення земель в Укра1ш. Стан та шляхи полшшення / Ромащенко М.1.,

Балюк С.А. Кшв: Свгг, 2000. 114 с.

2. Кравченко М.Л., Грекова Т.И. Моделирование экономических систем с применением ней-

ронных сетей // Вестник Томского гос. ун-та. 2006. № 290. С. 169-172.

3. Крючин О.В. Использование технологии искусственных нейронных сетей для прогнози-

рования временных рядов на примере валютных пар // Вестник Тамбовского гос. ун-та. Серия: Естественные и технические науки. 2010. Т. 15. № 1. С. 312.

4. Красногорская Н.Н., Елизарьев А.Н., Фащевская Т.Б., Якупова Л.М., Нафикова Э.Р. Ис-

пользование искусственных нейронных сетей при прогнозировании качества речной воды // Безопасность жизнедеятельности. 2009. № 4. С. 15-21.

5. Красногорская Н.Н., Якупова Л.М., Нафикова Э.В., Феpапонтов Ю.И., Елизаpьев А.Н.,

Фащевская Т.Б. Интеграция генетических алгоритмов и искусственных нейронных сетей для прогнозирования качества речной воды // Безопасность жизнедеятельности. 2010. № 8. С. 24-30.

6. Солдатова О.П., Семенов В.В. Применение нейронных сетей для решения задач прогно-

зирования // Электронный журнал «Исследовано в России». 2006. С. 1270-1276. Режим доступа: http://zhurna1.ape.re1arn.ru/artic1es/2006/136.pdf.

7. Копыткова Л.Б. К вопросу построения нейросетевой модели цифровой обработки сигна-

лов // Вестник Ставроп. гос. ун-та. 2009. № 4. С. 10-16.

8. Манжула В.Г., Федяшов Д.С. Нейронные сети Кохонена и нечеткие нейронные сети в

интеллектуальном анализе данных // Фундаментальные исследования. 2011. № 4. С. 108-114.

9. Кислов К.В., Гравиров В.В. Нейросетевой метод детектирования землетрясения при по-

вышенном уровне шума // Электронный журнал «Исследовано в России». 2010. С. 824836. Режим доступа: http://zhurna1.ape.re1arn.ru/artic1es/2010/070.pdf.

10. Владимирский Б.М. Нейронные сети как источник идей и инструмент моделирования процессов самоорганизации и управления // Экономический вестник Ростов. гос. ун-та. 2006. Т. 4. № 4. С. 14.

11. Арзамасцев А.А. Алгоритм самоорганизации структуры искусственной нейронной сети в

процессе ее обучения // Вестник Тамбовского гос. ун-та. Серия: Естественные и технические науки. 2007. Т. 12. № 1. С. 105-106.

Водное хозяйство России № 2, 2012

Водное хозяйство России

12. Хайкин Саймон. Нейронные сети: полный курс. М.: Издательский дом «Вильямс», 2006.

1104 с.

13. Козадаев А. С. Техническая реализация искусственного нейрона и искусственной нейрон-

ной сети // Вестник Тамбовского гос. ун-та. Серия: Естественные и технические науки. 2010. Т. 15. № 1. С. 301-302.

14. Бахметова Н.А., Токарев С.В. Моделирование технологических процессов с помощью

нейронных сетей // Современные наукоемкие технологии. 2008. № 2. С. 87.

15. КравченкоЮ.А. Построение прогнозных моделей динамических систем на основе интег-

рации нейронных сетей и генетических алгоритмов / Известия Таганрог. гос. радиотех. ун-та. 2006. Т. 64. № 9. С. 103-104.

16. Терешков A.M. Однородная многослойная нейронная сеть прямого распространения с локальными связями с условно-рефлекторным механизмом обучения на основе двухпо-роговых равновесных нейроподобных элементов // Известия Томского политех. нн-та. 2007. Т. 310. № 1. С. 206-211.

17. Крючин О.В. Использование технологии искусственных нейронных сетей для прогнози-

рования временных рядов на примере валютных пар // Вестник Тамбовского гос. ун-та. Серия: Естественные и технические науки. 2010. Т. 15. № 1. С. 312.

18. ЗаенцевИ.В. Нейронные сети: основные модели: учеб. пос. Воронеж: Изд-во ВГУ. 1999.

76 с.

19. Денисов С.В. Автоматизация интерпретации результатов гидродинамических исследо-

ваний скважин путем применения искусственных нейронных сетей // Труды междун. симпозиума «Надежность и качество». 2008. Т. 2. С. 98-103.

20. Морозов В.В., Шчура В.1. Застосування нейромоделей для прогнозування нестацюнарних

хiмiчних показникв якосп зрошувальноï води (на прикладi р. Дтпро та 1нгулецького мапстрального каналу) // Пдромелюрацш та пдротехшчне будiвництво: мiжвiдомчий науково-техшчний збiрник. Рiвне. 2009. Вип. 34. С. 51-58.

21. Морозов В.В., Грановська Л.М., Поляков М.Г. Еколого-мелюративш умови природоко-

ристування на зрошуваних ландшафтах Украши: Навчальний поабник. Кшв; Херсон: Айлант, 2003. 208 с.

Сведение об авторе:

Пичура Виталий Иванович, к. с.-х. н., доцент, кафедра ГИС-технологий, Херсонский государственный аграрный университет, Украина, 73006, r. Херсон, ул. Розы Люксембург, 23; e-mail: pichura@yandex.ru

Водное хозяйство России № 2, 2012

Водное хозяйство России