Нейросетевой анализ как основа будущей системы водно-экологического регулирования

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Рассмотрены относительно новые даже для многих ученых и специалистов нейросетевые методы и технологии применительно к их использованию для целей водно-экологического регулирования. Эффективность нейросетей в указанном направлении обусловлена их способностью к самообучению, и связанными с этим возможностями обнаруживать сложные нелинейные зависимости между контролируемыми показателями. В работе описаны методология и особенности функционирования искусственных нейронных сетей. Приведены учебно-методические примеры, иллюстрирующие возможности их использования. В качестве практической задачи применения методов ИНС исследована возможность повышения эффективности выявления крупных предприятий-загрязнителей природной воды из числа многих водопользователей промышленного региона. С этой целью использованы данные по концентрации ряда приоритетных загрязняющих воду металлов на гидрохимических створах р. Исети в зоне г. Екатеринбурга. Показано, что здесь нейросетевой анализ позволяет обнаружить взаимозависимости отдельных показателей качества воды на соседних створах. Благодаря этому удалось сделать вывод о существовании тесных логистических хозяйственных связей водопользователей, упрощающем обнаружение загрязнителей воды по “водному следу”, оставленному предприятиями-смежниками. Показано также, что с использованием методов ИНС появляются новые возможности установления вклада производственных сбросов в уровень загрязнения воды веществами двойного генезиса (естественного и техногенного). Достоверность выводов подтверждается возможностью по имеющимся на заданном гидрохимическом створе данным удовлетворительно предсказывать качество воды на створе, расположенном ниже по течению реки.

Об авторах

О. М. Розенталь

Институт водных проблем РАН

Email: omro3@yandex.ru
Россия, 119333, Москва

В. Х. Федотов

Чувашский государственный университет им. И.Н. Ульянова

Автор, ответственный за переписку.
Email: fvh@inbox.ru
Россия, 428015, Чебоксары

Список литературы

  1. Арнольд В.И. О функциях трех переменных // ДАН СССР. 1957. Т. 114. № 4. С. 679–681.
  2. Боровиков В.П. Нейронные сети Statistica Neural Networks: Методология и технология современного анализа данных. М.: StatSoft, 2015. 354 с.
  3. ГОСТ 27384-2002 Вода. Нормы погрешности измерений показателей состава и свойств.
  4. ГОСТ Р ИСО 14046-2017 Экологический менеджмент. Водный след. Принципы, требования и руководящие указания.
  5. Государственный доклад “О состоянии и использовании водных ресурсов Российской Федерации в 2020 году”. М.: Росводресурсы, НИА-Природа, 2022. 510 с.
  6. Данилов-Данильян В.И., Веницианов Е.В., Аджиенко Г.В., Козлова М.А. Оценка современных подходов к управлению качеством поверхностных вод и их охране // Вестн. РАН. 2019. Т. 89. № 12. С. 1248–1259.
  7. Диффузное загрязнение водных объектов: проблемы и решения / Под ред. В.И. Данилова-Данильяна. М.: РАН, 2020. 512 с.
  8. Зеленцов В.А., Потрясаев С.А., Пиманов И.Ю., Пономаренко М.Р. Автоматизация мониторинга и комплексного моделирования гидрологической обстановки в бассейнах рек // Уч. зап. Рос. гос. гидрометеорол. ун-та. 2019. № 55. С. 74–85.
  9. Каллан Р. Основные концепции нейронных сетей. М.: Изд. Дом “Вильямс”, 2001. 287 с.
  10. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного // ДАН СССР. 1957. Т. 114. №. 5. С. 953–956.
  11. Минский М., Пайперт С. Персептроны. М.: Мир, 1971. 264 с.
  12. Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга. М.: Мир, 1965. 480 с.
  13. Розенталь О.М., Александровская Л.Н., Кириллин А.В. Байесовский подход к повышению достоверности контроля качества вод // Аналитика и контроль. 2018. Т. 22. № 3. С. 334–340.
  14. Строганов С.Н. Связь питания жителей и состава сточной воды: Питание Москвы в 1903–1922 гг. // Тр. Совещания по очистке сточных вод, состоящего при Канализационном отделе М.К.Х. М.: М.К.Х., 1923. Вып. 2.
  15. Федотов В.Х. Нейронные сети в экономике. Чебоксары: Изд-во Чувашского гос. ун-та, 2006. 298 с.
  16. Яковлев С.В., Воронов Ю.В. Водоотведение и очистка сточных вод. М.: АСВ, 2002. 704 с.
  17. Agafonova S.A., Frolova N.L., Krylenko I.N. et al. Dangerous ice phenomena on the lowland rivers of European Russia // Natural Hazards. 2017. V. 88. № S1. P. 171–188.
  18. Alabyan A.M., Lebedeva S.V. Flow dynamics in large tidal delta of the Nothern Dvina river: 2D simulation // J. Hydroinformatics. 2018. V. 20. № 4. P. 798–813.
  19. Bandyopadhyay S., Maulik U., Wang J.T.L. Analysis of Biological Data: A Soft Computing Approach. Analysis of Biological Data: A Soft Computing Approach. World Scientific. Singapur, 2007.
  20. Belikov V.V., Krylenko I.N., Alabyan A.M. et al. Two-dimensional hydrodynamic flood modelling for populated valley areas of Russian rivers // Proc. IAHS. 2015. V. 370. P. 69–4.
  21. Bishop C. Neural Networks for Pattern Recognition. Oxford: Univ. Press, 1995.
  22. Chau K. A review on integration of artificial intelligence into water quality modelling // Mar. Pollut. Bull. 2006. V. 52. P. 726–733. https://doi.org/10.1016/j.marpolbul.2006.04.003
  23. Che Osmi S.F., Malek M.A., Yusof M., Azman N.H., Faizal W.M. Development of river water quality management using fuzzy techniques: a review // Int. J. River Basin Manag. 2016. V. 14. P. 243–254. https://doi.org/10.1080/15715124.2015.1105232.2016
  24. Haykin S. Neural Networks: A Comprehensive Foundation. New York: McMillan College Publ. Co., 1994. 696 p.
  25. Krylenko I., Motovilov Yu., Antokhina E. et al. Physically-based distributed modelling of river runoff under changing climate conditions // Proc. IAHS. 2015. V. 368. P. 156–161.
  26. Maier H.R., Dandy G.C. Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications // Environ. Model. Softw. 2000. V. 15. P. 101–124. https://doi.org/10.1016/S1364-8152(99)00007-9
  27. Nicklow J., Asce F., Reed P., Asce M., Savic D., Dessalegne T., Asce M., Harrell L., Asce M., Chan-hilton A., Asce M., Karamouz M., Asce F., Minsker B., Asce M., Ostfeld A., Asce M., Singh A., Asce M., Zechman E., Asce M. State of the Art for Genetic Algorithms and Beyond in Water Resources Planning and Management // J. Water Resour. Planning Management. 2010. V. 136 (4). P. 412–432.
  28. Raghavendra S., Deka P.C. Support vector machine applications in the field of hydrology: a review // Appl. Soft Comput. J. 2014. V. 19. P. 372–386. https://doi.org/10.1016/j.asoc. 2014.02.002.2014
  29. Rumelhart D.E., Hinton G.E., Williams R.J. Learning internal representations by error propagation // Parallel Distributed Processing: Exploration in the Microstructure of Cognition. Cambridge, MA: MIT Press, 1986. V. 1. P. 318–362.
  30. Solomatine D.P., Ostfeld A. Data-driven modelling: some past experiences and new approaches // J. Hydroinformatics. 2008. V. 10. P. 3–22. https://doi.org/10.2166/hydro]
  31. Tayasha, Tran Minh Thang, Zahar her Yasin. A survey on river water quality modeling using artificial intelligence models. // J. Hydrol. 2020. V. 585. № 6. P. 1–62.
  32. Virender K. Sharma, Eric Lichtfouse, Etienne Decroly. COVID-19 epidemiologic surveillance using wastewater // Environ. Chem. Lett. 2021. V. 19 (45). № 1. P. 1911–1915.

© О.М. Розенталь, В.Х. Федотов, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».