CC BY
10УДК 330.1
doi:10.18720/SPBPU/2/id21-80
Калиниченко Алексей Игоревич,
аспирант ЮФУ
ПРИМЕНЕНИЕ ПРОГРАММНОЙ СИСТЕМЫ КОГНИТИВНОГО МОДЕЛИРОВАНИЯ СЛОЖНЫХ СИСТЕМ В МОНИТОРИНГЕ ЭКОСИСТЕМЫ ПОНТО-КАСПИЙСКОГО РЕГИОНА1
Россия, Таганрог, ЮФУ, alecsy.k@gmail.com
Аннотация. В данной статье представлены результаты применения / использования методологии когнитивного моделирования и модуля преобразования данных мониторинга природных явлений в прибрежных зонах в формат когнитивной имитационной модели экосистемы для программы CMSS в проекте разработки научных основ создания средств систем мониторинга и прогнозирования опасных процессов и обеспечения безопасности населения и береговой инфраструктуры на базе технологий цифровой экономики.
Ключевые слова: зообентос, имитационная модель, мониторинг, когнитивный анализ, когнитивная карта.
Alexey K. Igorevich,
postgraduate student of SFedU
APPLICATION OF THE SOFTWARE SYSTEM FOR COGNITIVE MODELING OF COMPLEX SYSTEMS IN MONITORING OF THE PONTO-CASPIAN REGION ECOSYSTEM
Russia, Taganrog, SFedU, alecsy.k@gmail.com
Abstract. This article presents the results of applying / using the methodology of cognitive modeling and the module for converting monitoring data of natural phenomena in coastal zones into the format of a cognitive simulation model of the ecosystem for the CMSS program in the project for the development of scientific foundations for creating tools for monitoring and forecasting hazardous processes and ensuring the safety of the population and coastal infrastructure based on digital economy technologies.
Keywords: zoobenthos, simulation model, monitoring, cognitive analysis, cognitive
map
Введение
В настоящее время во многих природных экосистемах происходят серьезные изменения, как под влиянием изменений климатических условий, так и из-за действий человека. В исследовании [1, 8-11] рассматри-
1 Исследование выполнено при финансовой поддержке РФФИ №18-05-80092
ваются процессы изменений, происходящих водных системах (гидроэкосистемах) при прогнозировании опасных природных явлений в Пон-то-Каспийском регионе, вызываемых, в том числе, антропогенными воздействиями. Антропогенное загрязнение и эвтрофирование водных объектов на территориях населенных пунктов перерастает с течением времени в весьма острую проблему. Воздействие загрязняющих веществ сказывается на всех компонентах водной экосистемы, в результате чего изменяются их основные характеристики [8]. В данном исследовании особое внимание было уделено изучению донных сообществ (зообенто-са) в различных водоемах.
Анализ многолетней динамики качественных и количественных характеристик донных сообществ позволяет установить основные закономерности их развития в условиях изменения экологических процессов в водоеме, а также спрогнозировать состояние кормовой базы промысловых рыб при воздействии комплекса антропогенных факторов. В рамках исследований [1, 8-11] была разработана имитационная модель системы мониторинга и прогнозирования опасных процессов и обеспечения безопасности населения и береговой инфраструктуры за счет применения технологий цифровой экономики, в том числе, технологий когнитивного моделирования сложных систем [2-5, 6, 7, 9-11, 3, 14].
Имитационная модель была ориентирована на мониторинг и прогнозирование структурных перестроек в сообществах зообентоса - беспозвоночных животных (например, пиявки, моллюски, ракообразные, черви, личинки насекомых и др.), обитающих в водоемах на поверхности грунта и в его толще, под действием различных факторов. При этом была выявлена четкая связь между показателями зообентоса и содержанием загрязняющих веществ в придонных слоях воды и донных отложениях. Под влиянием загрязнения происходят структурные перестройки донных сообществ и снижение видового разнообразия.
1. Модуль когнитивного анализа
При разработке модуля когнитивного анализа были решены вопросы, связанные как со сбором, объединением различных типов данных, так и с организацией подсистемы поддержки принятия решений. В состав системы поддержки принятия решений входит модуль когнитивного моделирования сложных систем [3, 5, 14], который включает в себя программы по моделированию когнитивной карты, анализу ее свойств, сценарному моделированию, а также модуль преобразования данных.
Программный модуль преобразования данных мониторинга [6, 7] природных явлений в прибрежных зонах в формат когнитивной имитационной модели [13, 14] 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.
Программный модуль позволяет осуществлять экспорт и импорт данных для построения карты и проведения моделирования в\из текстового файла в формате CSV (от англ. Comma-Separated Values — значения, разделённые запятыми или точка с запятой — текстовый формат, предназначенный для представления табличных данных.) определенной структуры в формат программы когнитивного анализа для ЭВМ, регистрационный номер № 2018661506 от 07.09.2018.
На рисунке 1 изображен скриншот работы программного модуля преобразования данных - данные когнитивной карты показанной на рисунке 1 в формате CSV.
Uertices data ID;X;V;Short; 1631S9O099115 1631630102614 16316Э0141765 1631690196404 1631690227188 1631690244228 1631691982234 1631691994155 1631692023298 1631692O34074 Edges data
In/Out;U1 U1;;;1.0; U2;1.0; ; ; U3;;1.0 ; ; U2.1 U2.2 U2.3 U3.1 U3.2 U1.1 U1.2;
U2;
Full name;Ual;Growth;Color
424;94;U1;Глубинные структурные изменения в гидроэкосистеме;1.0;0.0;Qx8O808Qff
564; 250;U2;Внешние Факторы;1.0;0.0;0x8O8O8Off
290;270;U3;ЙНТрОПОГеННЫе Факторы;1.0;0.О;Ox80808Off
402;369;U2.1;Метеорологические (атмосфера);0.ЗООООО01192092896;0.О;0x8O8O8Off
573;450;U2.2;Гидропогические (вода);0.30000001192092896;0.0;0x8O8O80ff
730;359;U2.3;Гидробиологические;0.30000001192092896;0.0;0x808080ff
93;426;из.1¡Действия экспертов;О.5;0.0;0x8O8080ff
281;460;из.2;Антропогенная активность;0.5;0.0;Ox8O8080ff
207;145;U1.1;В гидроэкосистеме наступает опасное явление;0.5;Э.0;0x808080ff
119;51;U1.2;Гидроэкосистена сохраняет равновесие;0.5;0.0;Ox808O8Off
U3 ;U2.1;U2.2;U2.3;из.1;U3.2;U1.1;U1.2 ;0.5;0.5
.0;;;
0.3; 0.3; 0.3; ;0.5; 0.5:
Э. 8; 0.8; ; ; :
;0.8; ; ; ;
; ;0
.0;
0; ;
7;;
Рис. 1. Скриншот работы программного модуля преобразования данных -данные когнитивной карты в формате CSV
2. Пример когнитивного анализа
В результате проведенного исследования с учетом анализа данных биологического мониторинга, а также метеорологических и гидрологических параметров, измеряемых на базах ЮНЦ РАН, была построена иерархическая когнитивная карта, позволившая отразить неочевидные взаимосвязи между глубинными структурными изменения в гидроэкоси-
стеме Понто-Каспийского региона и различными комбинациями основных параметров гидроэкосистемы.
Метеорологические данные собираются с использованием обширного набора сенсорных устройств соответствующими метеорологическими организациями. Среди отечественных организаций можно выделить такие как Интернет Гисметео, Яндекс.Погода, ООО "Расписание Погоды" (rp5.ru), freemeteo.ru, gridforecast.com, aisori.meteo.ru, hmn.ru, а среди зарубежных - OpenWeather, Weatherbit, AccuWeather, worldweatheronline. Доступ к данным эти сервисы предоставляют по сети интернет с помощью собственных программных интерфейсов (API -application programming interface). Либо через сайт напрямую, указав необходимые параметры выборки.
На рисунке 2 изображена когнитивная карта, являющаяся блоком иерархической когнитивной карты водной экосистемы с выделением одного из положительных циклов модели - взаимовлияние действий экспертов и структурных изменений в гидроэкосистеме.
Циклы. Всего: 7. Отрицательных: 2. Положительных: 5.
+ (3.0) VI -> V3 V2 -> VI
• (2.0) VI -> VI.1 V3.1 V3 •> V2 •> VI
- (2.7) VI -> V1.1 V3.1 -> V3-2 V3 V2 > VI
+ (4.0) VI •> VI .2 V3.1 >V3 >V2 s-VI
+ (4.7) VI > V1J->V3.1 •> VÎ.2 Vî -> V2 VI
+ (2.5) V2 V3.1 -> V3-> V2
* (3.2) V2 -> V3.1 -> V3.2 -> V3 -> V2
Рис.2. Анализ циклов когнитивной модели с выделением одного из положительных циклов модели - взаимовлияние действий экспертов и структурных изменений
в гидроэкосистеме.
Гидрологические (вода)
активность
На рис. 3 показан пример импульсного сценария №1 влияния антропогенных факторов на изменения видового состава и биоразнообразия бентоса. На рис.4 изображены импульсные процессы, соответствующие сценарию №2, в котором предусмотрена компенсация влияния условий сценария №1 действиями лиц, принимающих решения._
0.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 в.0 9.0 10.0 11.0 12.0 13.0 14.0 15.0 36.0 17.0 13.0 19.0 20.0
Шаги
. Глубинные структурные изменения в гидроэкосистеме В гидр о экосистеме наступает опасное явление
Гидроэкосистема сохраняет равновесие О Антропогенная активность
О Действия экспертов О Гидробиологические
О Гидрологические Свода) О Метеорологические (атмосфера)
Антропогенные факторы О Внешние факторы
Рис. 3. Сценарий импульсного влияния антропогенных факторов на изменения видового состава и биоразнообразия бентоса, Сценарий №1
0.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 13В 14.0 15.0 16.0 17.0 1Н.0 19.0 20.0
Шаги
. Глубинные структурные изменения в гидроэкосистеме В гидроэкосистеме наступает опасное явление О Гидроэкосистема сохраняет равновесие О Внешние факторы
О Антропогенные факторы О Метеорологические (атмосфера)
О Гидрологические (вода) О Гидробиологические
Действия экспертов О Антропогенная активность
Рис. 4. Влияние антропогенных факторов, компенсируемое действием экспертов, Сценарий №2
При сравнении результатов сценарного моделирования №1 и №2 видим, что нарастающее влияние антропогенный факторов можно в определенной степени компенсировать, характер импульсных процессов изменяется.
Заключение
Водные экосистемы в современных условиях в наибольшей степени испытывают антропогенное воздействие. Особенно острая ситуация наблюдается на урбанизированных территориях, где сообщества многих организмов, в том числе водных и амфибиотических насекомых, могут подвергаться сильному антропогенному прессу, приводящему к изменению условий обитания видового состава, численности, структуры сообществ.
Совокупность данных об особенностях мониторинга биологической системы Понто-Каспийского региона позволяет конкретизировать и адаптировать универсальные методы построения системы мониторинга и прогнозирования опасных процессов на основе цифровых технологий.
Основными преимуществами разработанной когнитивной цифровой технологии является возможность объединения в рамках одной имитационной когнитивной модели различных объектов без их иерархической подчиненности и автоматизированная оценка возможности наступления опасных природных процессов на базе когнитивных карт для описания гидроэкосистем, в том числе Понто-Каспийского региона.
Список литературы
1. (ГРАНТ) Рег. № АААА-А18-118060190106-3.
2. Violetta Volkova, Galina Gorelova, Nataliya Pankratova. 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. Когнитивный подход к имитационному моделированию сложных систем // Известия ЮФУ. Технические науки.№3 - Таганрог: изд-во ТИ ЮФУ, 2013. - С.239-250.
4. Горелова Г.В., Калиниченко А.И. Инструментарий когнитивного моделирования сложных систем // Сб. научн. трудов XXII Междун. научно-практ. конф. SAEC-2018; 2018, ч. 1. СПб., 2018. С. 399-413.
5. Инновационное развитие социально-экономических систем на основе методологий предвидения и когнитивного моделирования / под ред. Г.В. Гореловой, Н.Д. Панкратовой. - Кшв: Наукова думка, 2015. - 464 с.
6. Калиниченко А.И. Преобразование данных мониторинга сложной системы в формат когнитивной имитационной модели. В сборнике: Системный анализ в про-
ектировании и управлении. сборник научных трудов XXIV Международной научной и учебно-практической конференции. В 3 ч. Под общ. ред. Г. В. Гореловой, А. В. Логиновой. Санкт-Петербург, 2020. - С. 46-52.
7. Калиниченко А. И., О программной системе когнитивного моделирования сложных систем как элементе искусственного интеллекта // Сб. научн. трудов XXIII Междун. научно-практ. конф. "Системный анализ в проектировании и управлении" (SAEC-2019), ч.3. - СПбГТУ: Санкт-Петербург, 2019. - С. 471-478.
8. 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.
9. 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.
10. 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. 072016.
11. 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.
12. Моделирование систем и процессов: учебник для академического бакалавриата / В. Н .Волкова, Г. В. Горелова, В. Н. Козлов и др. Под ред. В. Н. Волковой,
B. Н. Козлова. - М.: Изд-во Юрайт, 2014. - 592 с. - Серия: Бакалавр. Академический курс.
13. Свидетельство о государственной регистрации программы для ЭВМ №2018661506. Программный модуль преобразования данных мониторинга природных явлений в прибрежных зонах в формат когнитивной имитационной модели экосистемы. Авторы: Горелова Г.В., Калиниченко А.И., Мельник Э.В. - 17.06.2020.
14. Свидетельство о государственной регистрации программы для ЭВМ №2018661506. Программа для когнитивного моделирования и анализа социально-экономических систем регионального уровня. Авторы: Горелова Г.В., Калиниченко А.И., Кузьминов А.Н. - 07.09.2018
