Студопедия  
Главная страница | Контакты | Случайная страница

АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатика
ИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханика
ОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторика
СоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансы
ХимияЧерчениеЭкологияЭкономикаЭлектроника

экологических систем

Читайте также:
  1. A) Закрытую систему
  2. A) Схватив окно за заголовок левой кнопкой мыши или через системное меню
  3. Amp;C) популяционные и экосистемы.
  4. B. Симпато-адреналової системи
  5. CAD/CAM-системы в ТПП
  6. CALS-технологий и единая интегрированной системы управления вуза
  7. DSM — система классификации Американской психиатрической ассоциации
  8. E) экономические законы и развитие экономических систем
  9. ERP — информационная система масштаба предприятия
  10. GPS-системи

Интегральные индексы - это обобщенные характеристики и показатели
главных динамических процессов в экологических системах. В качестве индексов могут использоваться априори выбранные показатели, такие как численность популяции, надземная фитомасса, биомасса верхних горизонтов почвы и пр. В ряде случаев полезно использовать при моделировании в качестве интегральных индексов комплексные многоатрибутные комбинации измеряемых параметров экосистемы.

Как правило, интегральные индексы представляют собой сжатые большие объемы информации в виде отдельных характеристик и показателей. В теории принятия решений, многоатрибутных оценок и многоцелевого планирования используются методы квантования и интегрирования, которые базируются на сжатии информации в интегральные индексы (ИИ). В задачах кластеризации и распознавания изображений ИИ применяются для сегментации изображений. Понятие индекса впервые введено в экономической статистике. Индекс давно
применяется для экономического анализа, "...как показатель сравнения двух мисостояний одного и того же явления, состоящего из соизмеримых или несоизмеримых элементов". Следует отметить, что в экономической статистике индекы используются, как правило, для сопоставления несоизмеримых элементов, которые объединяются в индексы на основе их нормализации. Большинство индексов, разработанных для экологических и лесоведческих оценок, были составлены эвристически.

Интегральные индексы рассматриваются, как многоатрибутные оценки,
весовые коэффициенты которых были получены из теоретических рассуждений. Использованный в этих работах метод представляет собой адаптацию для расчета оценок состояния экосистем метода собственных векторов, предложенного для определения весов многоцелевой оценки и известного, как аналитический иерархический метод принятия решений. Полученные ИИ были применены для оценок изменений, происходящих в лесной экосистеме, как в ходе ее деградации под воздействием выбросов промышленных предприятий, так и в ходе ее восстановления при уменьшении техногенной нагрузки.

Интегральные индексы лесной экосистемы имеют следующий вид:

(3.1)

 

(3.2)

(3.3)

(3.4)

 

где - играют роль нормализованных весовых коэффициентов для каждого j-oгo параметра, - результат измерения j-oгo измеряемого параметра на i-ой пробной площади, М - число измеряемых параметров, F - обозначает максимальное или фоновое значение соответствующего параметра, a m - в идентификаторах индексов обозначает число параметров.

Результаты расчета оценок воздействия на лесные экосистемы с использованием введенных интегральных индексов лесов, расположенных в районе Карабашского медеплавильного комбината, показаны на рис.3.3 и рис.3.4.

Как следует из рисунков, различные индексы, или многоатрибутные оценки, отражают различные особенности динамики лесов под воздействием техногенной нагрузки со стороны комбината.

В ряде случаев использованию интегральных индексов должна предшествовал, предварительная классификация показателей доза-эффект. Для классификации можно использовать нечеткие бинарные отношения между показателями дозы и показателями эффекта. Задача состояла в том, чтобы определить группы показателей, эквивалентных с точки зрения воздействия загрязнений на конкретную лесную экосистему, т.е. показателей наиболее адекватных для построения модели доза-эффект динамики лесных экосистем.

а

б

Рис.3.3. Интегральные индексы вдоль трансекты, проходящей через
источник атмосферного загрязнения - Карабашский медеплавильный

комбинат

Рассмотрим методику управления качеством ОС с использованием процедур многоатрибутного и многокритериального принятия решений. По своей природе решения могут быть одноцелевыми или многоцелевыми, а также одно или многоатрибутными. Как правило, основную массу проблем, решаемых системами поддержки принятия решений (СППР), составляют многоцелевые и
многоатрибутные проблемы. Например, в состав комплексной оценки эрозии почвы могут входить такие показатели как: угол наклона земельного участка, процент хозяйственного использования, тип почвы и пр. При этом основная задача принятия решений сводится к проблеме объединения перечисленных показателей в комплексные оценки эрозии почвы. Задачи такого класса получили название многоатрибутных оценок.

а

Суммарное загрязнение

б

Рнс.3.4. Интегральные индексы вдоль трансекты, проходящей через
источник атмосферного загрязнения - Карабашский медеплавильный

комбинат

 

Многие задачи принятия решений по управлению качеством экосистем являются не только многоатрибутными, но и многоцелевыми. При этом большинство процедур решения многоцелевых задач защиты окружающей среды сводятся к задачам математического программирования. Для правильной оценки принятых решений требуется, чтобы для каждого альтернативного решения проводилась оценка риска его принятия. Правильное решение, как правило, основано на надежной входной информации, имеющейся в базах данных. Однако эта информация редко бывает абсолютно достоверной. Это приводит к неопределенности, источником которой являются две причины: недостоверность данных и неточность решающих алгоритмов и правил.

Основной причиной неопределенности данных являются ошибки измерения. Однако в некоторых случаях неопределенности имеют принципиальный характер и связаны с неопределенностью положения границ между качественно различными областями. Например, неопределенность разграничения двух классов земельных участков на пологие и крутые в зависимости от величины угла
наклона. Другим примером является неопределенность разграничения территории вокруг промышленных предприятий на экологические зоны.

Рассмотрим в качестве следующего примера лесные массивы, располо-
женные в зоне воздействия промышленного химического загрязнения. В случае сильной техногенной нагрузки воздействие проявляется в виде физиономических симптомов заболевания лесной растительности: дефолиация и дехромация листьев, изреживание кроны и пр. При небольших нагрузках явные симптомы экологического неблагополучия отсутствуют, и изменение экологического состояния выражается в уменьшении видового разнообразия компонент экосистемы, в снижении общей продуктивности, в изменении трофических циклов и
пр. Такие параметры лесной экосистемы, как степень дефолиации или дехромации листьев, изреживание кроны, суховершинность, класс бонитета и изменение трофических циклов описываются нечеткими лингвистическими переменными, например: «большой», «средний», «малый», «хороший» и пр. Неопределенности такого класса хорошо описываются с помощью формализма теории нечетких множеств (ТНМ). Неопределенность решения может быть также обу-
словлена неопределенностью решающих правил, т.е. правил принятия решений, которые в свою очередь возникают, как вследствие ошибок в численных параметрах моделей, так и по причине не правильной структуры самих решающих правил и алгоритмов.

Для решения задач в условиях неопределенности разработаны различные теоретические модели, включая байесовские решающие правила и нечеткие алгоритмы.

Как отмечалось выше, основной задачей многоатрибутного оценивания
является построение комбинации качественно различных показателей в единые ИИ. В случае булевских переменных удобным инструментом для получения комплексной оценки являются логические операции. Для непрерывных величин, как правило, используются взвешенные линейные или полиномиальные комбинации базовых показателей, которые в некоторых случаях умножаются на функции-ограничения. Таким образом, задача многоатрнбугного оценивания сводится к задаче определения весовых коэффициентов ИИ. Проблема нечеткого многоатрибутного принятия решений по управлению экологическими системами относится к числу наиболее важных и актуальных. Это связано в первую очередь с большими объемами информации различного
качественного характера, на основании которой требуется осуществлять принятие решений.

Следует отметить также важность и актуальность задачи получения эколого-экономических оценок стоимости земельных участков в районе промышленных, в особенности химических и металлургических предприятий, как крупных источников существенного химического загрязнения. Эта задача связана с задачей экологического зонирования территории вокруг промышленных источников химического загрязнения, которая по своему существу имеет нечеткий
характер вследствие неопределенности мозаичной границы между экологическими зонами.

Как отмечено выше, основной задачей многоатрнбутного и многокритериального анализа является разработка методов и алгоритмов объединения нескольких различных критериев в единый ИИ или индекс, используемый для выработки научно обоснованных рекомендаций лицом, принимающим решения (ЛПР), в режиме диалога с СППР. Сущность интегрального показателя сводится к тому, что для каждого набора критериев или атрибутов существует некая целевая функция, зависящая от критериев, которая наилучшим образом описывает решение многокритериальной проблемы. Для оценки качества ОС эта
функция должна представлять собой идеальный эколого-экономический критерий качества, который должен быть предложен ЛПР для выработки СППР решений по управлению ОС. В самом общем случае целевая функция принимает следующий вид:

(3.5)

где { } - множество критериев.

В большинстве случаев при построении ИИ используется аддитивная гипотеза, что приводит к следующему виду для целевой функции:

(3.6)

где Uj - целевая функция для j-го критерия. Целевые функции представляют собой возрастающие безразмерные нормирующие функции, приводящие разнообразные критерии к единой шкале.

Иногда при построении ИИ вместо аддитивной используется мультипликативная гипотеза, что приводит к следующему виду целевой функции:

(3.7)

 

В линейном приближении аддитивная целевая функция (3.6) записывается в следующем виде:

(3.8)

где Wj - весовые коэффициенты.

Распределенный характер экологических процессов и явлений требует
применения функции (3.8) для каждой точки поверхности, что приводит к наглядной двухмерной или трехмерной визуализации критерия качества ОС по территории конкретного региона.

В случае неприменимости выражений (3.6М3.8) для некоторых фрагментов территории может быть предложена следующая модификация формулы (3.8):

где gk - булевские функции-ограничители, принимающие нулевое значение внутри фрагментов, для которых неприменим интегральный показатель (3.8), и равные единице во всех остальных точках территории.

В настоящее время известно много методов расчета весовых коэффициентов целевых функции или ИИ, однако наиболее простым и в то же время достаточно мощным является метод аналитического иерархического процесса (АИП).

В методе АИП требуется, чтобы сумма весовых коэффициентов была равна единице:

(3.10)

Метод АИП основан на ранжировании всех возможных пар критериев по степени важности для данной целевой функции одного из критериев по сравнению с другим. Результатом ранжирования является квадратная матрица А размером (nхn), где n - количество критериев. При этом для элементов матрицы А выполняется следующее соотношение:

(3.11)

При этом всс диагональные элементы матрицы А должны быть равны еди- нице, так как представляют собой парные сравнения каждого критерия с самим собой. Матрицы парных критериев могут быть построены как отдельно для каждой группы показателей, так и для самих групповых показателей между собой.

При оценке качества ОС для населения в районе металлургических предприятий можно выделить следующие группы показателей: показатели качества различных природных сред (атмосферного воздуха, воды, почвы и биоты), социальные показатели (здоровье населения, мероприятия по охране ОС (рекультивация, рекреация, озеленение, высокие трубы и пр.)), показатели технической и социальной инфраструктуры (транспорт, детские учреждения, пункты торговли и пр.).

Каждая из перечисленных групп показателей включает в свой состав ряд внутренних дополнительных показателей. Известно, что металлургические предприятия являются мощными источниками загрязнения атмосферного воздуха. При этом основными промышленными загрязнителями являются следующие: диоксид серы, оксиды азота, мелкодисперсная пыль и аэрозоли, свинец, озон, бензол, оксид углерода, кадмий, мышьяк, никель, ртуть.

Для оценки качества атмосферного воздуха по формуле (3.8) необходимо провести ранжирование перечисленных выше химических загрязняющих веществ по степени их воздействия на окружающую среду и население. В качестве основы ранжирования может быть использовано представление о классах химической опасности. Известно, что для каждого химического загрязняющего вещества определен класс опасности в зависимости от его токсикометрических характеристик. Введено четыре класса опасности: 1 - чрезвычайно опасные, 2 - высоко опасные, 3 - умеренно опасные, 4 - малоопасные. В случае если количество токсикантов больше четырех, требуются дополнительные критерии для
ранжирования и нахождения весовых коэффициентов.

В настоящее время для оценки суммарного химического загрязнения применяются различные комплексные показатели. Санитарными нормами суммарное загрязнение атмосферного воздуха оценивается по следующему показателю:

(3.12)

где Сi и ПДКi - концентрации ингредиентов газовых выбросов и их ПДК. В гидрометеорологии используется следующий комплексный показатель:

(3.13)

где и - среднегодовая концентрация и среднесуточная ПДК i-ого загрязнителя, n - число ингредиентов.

Для учета относительной токсичности загрязнителей используются сле-
дующие два индекса:

и (3.14)

где Аi - коэффициенты, учитывающие класс опасности отдельных ингредиентов газовых выбросов. В показателях (3.7) учитывается относительная токсичность ингредиентов, однако не учитывается комбинированное действие различных физико-химических факторов в течение различных временных интервалов.

В санитарно-гигиенической практике для оценки суммарного загрязнения применяется суммарный индекс опасности для учета комбинированного действия различных сочетаний ингредиентов. При этом отдельные ингредиенты классифицируются по степени токсичности, а суммарный индекс опасности определяется по следующей формуле:

(3.15)

 

где Сn2 - число всех возможных пар сочетаний ингредиентов с комбинированным действием, m- номер пары, kj - кратность превышения ПДК для приведенной к 3-ему классу опасности концентрации i-oгo ингредиента, nm – число пар с одинаковым характером комбинированного действия, аm - весовые коэффициенты, характеризующие эффект комбинированного действия. Можно принять, что а = 0 при отсутствии комбинированного действия, а > 1 для случая потенцирования и а < 1 для случая антагонизма.

Парные сравнения, использованные в формуле (3.15), могут быть предложены при формировании матриц парных критериев Саати. Матрицы парных критериев являются во многом субъективными. Их относительная достоверность может быть обусловлена только достаточно большой статистикой экспертных оценок.

Основное достоинство матриц парных сравнений состоит в возможности ранжирования всего множества критериев с помощью частных парных сравнений, которые представляются экспертам более ясными, чем полное ранжирование всех критериев.

При построении матриц парных сравнений необходимо учитывать принцип согласованности, сущность которого состоит в том, что между элементами матрицы должно выполняться следующее соотношение транзитивности:

(3.16)

Формула (3.16) показывает, что если i-й критерий в n раз важнее j-го, a j-й в свою очередь в m раз важнее k-го, то в результате i-й критерий будет в nm раз важнее k-го. Таким образом, из n(n-1)/2 элементов имеется только n независимых. Поэтому после выбора наиболее понятных для экспертов n пар критериев остальные могут быть получены по формуле (3.16).

Географическая информационная система (ГИС) обрабатывает огромное количество данных. Совместно с моделями экологических систем ГИС позволяет преобразовать обширные экологические данные в значения отдельных оценочных критериев и показателей, например, комплексных оценок загрязнения или факторов риска, неравномерно распределенных по территории различных районов промышленного региона. Алгоритмы и пакеты прикладных программ ГИС преобразовывают необработанные географические данные в значения комплексных показателей и критериев.

Существует большое количество пакетов прикладных программ, использование которых помогает ЛПР решать многоатрнбутные и многокритериальные задачи. Среди наиболее известных пакетов отметим следующие:

MAUT (Multi attribute utility theory): реализует методику построения дендрограммы решений и анализа риска;

ELECTRE использует аппарат теории нечетких множеств (ТНМ), а также процедуры определения порогов безразличия и предпочтения;

Compromise Programming (CP) - используется для выработки рациональных решений, наиболее близких к идеальному решению в соответствии с некоторой мерой расстояния. Эти решения получили название решений компромисса и образуют множество компромиссов. Идеальное решение - это решение, которое обеспечивает экстремальное значение для каждого из отдельных показателей.

Данные, используемые СППР для принятия решений, получены в результате измерений различных параметров и показателей экологического состояния. Как правило, ЛПР использует для принятия решений достаточно большое количество различных критериев. При этом критерии могут быть сгруппированы в различные группы, например экономические, экологические, социальные, географические и др. факторы.

Различные комплексные групповые показатели, полученные с использованием многих разнообразных групповых критериев, могут быть объединены, вместе в суммарный глобальный ИИ. При этом методы, использующие аналитический иерархический процесс (АИП) и пакет прикладных программ ELECTRE, широко применяются в задачах многокритериального принятия решений (МКГТР) /MCDM - multiple criteria decision-making/ по управлению качеством ОС.

Для решения задач оценки качества ОС как многоатрибутных и многоцелевых задач в условиях неопределенности исходных экоданных может применяться математический аппарат теории нечетких множеств.

Теория нечетких множеств (ТНМ), разработанная Л.А.Заде, в настоящее
время стремительно развивается. ТНМ расширила классическое понятие канторовского множества, введя для характеристической функции промежуточные значения на интервале (0,1), в отличие от классической теории множеств. В теории системного анализа широко используются нечеткие базы данных, нечеткое структурное моделирование, нечеткое регрессионное моделирование, нечеткий групповой метод обработки данных, методы нечеткого интегрирования и квантования, алгоритмы нечеткого математического планирования, нечеткого многоцелевого планирования, нечеткого статистического и многоатрибутного принятия решений, а также других методов нечеткого управления.

Для решения задач многоатрибутного и многокритериального комплексного анализа экосистем важное значение имеют нечеткие бинарные отношения. Так некоторые многоатрнбутные оценки могут быть получены с помощью операции композиции двух нечетких отношений и, в частности, (max-min)-композиции. Для анализа, классификации и ранжирования экологических параметров, характеризующих эффект можно применять нечеткие бинарные отношения вида RxR. Их использование в задачах инженерной экологии возможно при условии, что выполняется свойство транзитивности. Для построения
транзитивного бинарного отношения используется транзитивное замыкание.

В настоящее время при описании ареалов, экологических ниш, сред и условий обитания все чаще используются методы ТИМ. Так, например, ТНМ использована для построения нечеткой теории экологических амплитуд растительных сообществ.

При математическом моделировании экологических ниш с помощью ТНМ предложен критерий порогового уровня обилия вида, ниже которой существование данного вида прекращается.

ТНМ была применена также для оценки экологического состояния девяти микрорайонов Пекина. Была использована группировка показателей состояния экологических систем по природным средам: атмосферы, воды, почвы и биоты, а также параметрам, характеризующим состояние экономики, социума и здоровья населения. Полученные результаты позволили разделить микрорайоны Пекина по группам, характеризующим экологическое состояние данных районов
как: удовлетворительное, напряженное, критическое и кризисное.

В задачах экологического моделирования широко применяются методы
нечеткой интервальной регрессии и нечеткого метода обработки данных
(ГМОД). Четкий ГМОД, или метод группового учета аргументов (МГУА),
предназначен для построения прогнозных моделей при моделировании пространственных и временных рядов. Так с помощью этого метода были построены прогнозные ряды атмосферного загрязнения в городах и температуры воды в водохранилищах. С использованием ГМОД прогнозные модели строятся в виде полиномов или других нелинейных функций различных пар входных переменных. Полученные таким образом модели далее тестируются на контрольной выборке экспериментальных данных. Аппроксимация нелинейной зависимости выходной переменной от входных переменных х1, x2...... хn осуществляется за счет введения промежуточных переменных, представляющих собой билинейные комбинации различных пар входных переменных, например:

у = а0 + а1хk + а2хm + а3 + а4х2m+ а5хkхm (3.17)

где у - выходная переменная состояния, хk и хm - выбранные входные переменные.

Коэффициенты находятся с помощью методов наименьших квадратов

(МНК) в случае четкого ГМОД или интервальной регрессии в случае нечеткого ГМОД. На следующем этапе исследований отбираются наиболее значимые пары входных переменных. Эти новые пары входных переменных используются в новых комбинациях для аппроксимации следующего уровня. Процесс продолжается до тех пор, пока среди входных переменных последнего уровня не обнаружится пара, наиболее тесно связанная с выходной переменной.

В ряде работ для определения коэффициентов а, используется минимизация специального информационного критерия Акаике - AIC

AIC = Nln(sn)+2(n + 1) + b (3 18)

где - средний квадрат отклонения аппроксимаций от выходной переменной, n —общий объем выборки,yj- входные переменные, b- численный параметр модели.

С помощью (3.18) выбираются пары входных переменных, дающие наименьшее значение AIC. Процедура ГМОД прекращается, когда AIC перестает убывать. В Японии ГМОД применялся для прогнозирования концентрации SO2 по ежечасным измерениям уровней загрязнения атмосферного воздуха на четырех метеорологических постах. При этом вместо квадратичного было использовано среднее линейное отклонение:

(3.19)

В настоящее время ГМОД широко применяется для аппроксимации нечетких данных в задачах инженерной экологии. Нечеткий ГМОД был использован для прогнозирования температуры воды в водохранилищах Японии. С помощью нечеткого ГМОД была построена прогнозная математическая модель температуры воды в водохранилище, которая прогнозирует температуру воды на глубине 5м по ее предыдущим измерениям. Оценка точности прогнозирования менее 0,3°С.

Использованная аппроксимационная формула для выходной переменной имеет следующий вид:

Y= A0+ А1Х1Х3 + А2Х2Х5 + А3 + А4Х1Х3 + А5Х1Х2Х3Х5 + A6 (3.20)

где Y - прогнозное значение, x1,x2,x3,x5 - температура воды на глубине

5м по ее значениям за одни, два, три и пять дней до прогнозируемого дня, Ai - нечеткие коэффициенты модели.

Имеется много других примеров успешного применения нечеткого ГМОД для решения задач моделирования в экологических СППР и в системах экологического мониторинга.

 

 




Дата добавления: 2015-01-30; просмотров: 30 | Поможем написать вашу работу | Нарушение авторских прав




lektsii.net - Лекции.Нет - 2014-2024 год. (0.016 сек.) Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав