.RU

4. Применение нейросетевых технологий для обработки таблицы климатических данных


^ 4. Применение нейросетевых технологий для обработки таблицы климатических данных

Для обработки была взята база данных по климату и растительности Института леса CO РАН в г.Красноярске, построенная по средним многолетним значениям характеристик климата, измеренных на 170 метеостанциях.

Каждая из 170 станций охарактеризована 20 полями, из которых от 5 до 9 полей занимают характеристики климата, остальные – характеристики растительного и почвенного покрова. По этим качественным характеристикам определена зональная принадлежность каждой станции к той или иной ландшафтной зоне и сделано предположение, что данные зоны имеют достаточно устойчивую корреляцию с некоторыми из климатических характеристик – теплом, относительным увлажнением, степенью континентальности климата и др. Зоны самого крупного порядка – тундра, лес и степь; между ними есть полосы перехода – лесотундра и редколесье на севере и лесостепь на юге. Этого перечня должно было хватить для того, чтобы прогнозировать (точнее идентифицировать) по климату зональный тип растительности, дающий название ландшафтной зоне.

База данных была сверена со справочниками по климату СССР и дополнена новыми данными. В настоящее время база данных имеет 250 записей (метеостанций) и 25 полей.

На основе описанной таблицы данных выполнялись работы по прогнозированию, классификации и глобальному моделированию с применением искусственных нейронных сетей.


4.1. Заполнение пропусков в таблице климатических данных

Решалась задача заполнения пропусков в значениях 6 интегральных климатических параметров:

Для 121 метеостанции имелись значения всех шести климатических параметров, у остальных в различных комбинациях отсутствовали значения одного-трех параметров. Целью работы являлось прогнозирование отсутствующих значений.

Первым этапом работы являлось оценивание точности прогнозирования известных данных при помощи нейросетевых методов обработки информации. Использовалась нейросетевая нелинейная регрессия и транспонированная линейная регрессия. Определение точности прогноза проводилось в режиме скользящего экзамена на основе данных по 121 метеостанции, где имелись значения всех шести параметров. Оценивалась точность прогнозирования одного из климатических параметров на основе информации о пяти других.

При использовании транспонированной линейной регрессии для каждой из метеостанций по пяти климатическим параметрам отбиралась наилучшая опорная группа из нескольких метеостанций и по построенному транспонированному регрессионному уравнению на основе значений искомого признака у метеостанций наилучшей опорной группы прогнозировалось значение искомого признака целевой метеостанции и прогнозное значение затем сравнивалось с известным значением этого признака у данной метеостанции. Затем для метеостанции прогнозировался другой климатический параметр после построения новой (возможно, включающей другие метеостанции) опорной группы по набору из оставшихся пяти параметров. Далее для каждого из параметров по всему набору из 121 метеостанции находились средние и максимальные ошибки прогноза известных значений. Такая работа по нахождению проводилась несколько раз для оценки влияния различных параметров метода транспонированной линейной регрессии (например, числа метеостанций в опорной группе) на достигаемую точность прогноза.

При использовании нейросетевой нелинейной регрессии процесс оценивания точности прогноза являлся модификацией скользящего экзамена, примененного для транспонированной линейной регрессии. По-прежнему прогнозировался один из параметров метеостанции по значениям пяти других параметров. При этом весь набор из 121 станции разбивался на 5 частей и 4 части (80% от числа метеостанций) использовались для обучения нейронной сети, а оставшаяся часть – для определения точности прогноза искомого климатического параметра. Для прогнозирования каждого из параметров обучались 5 нейронных сетей (каждая по своему набору из 80% метеостанций) и определялись средняя и максимальная ошибки прогноза этого параметра. Таким образом, было обучено 30 нейронных сетей.

В Табл. 1 представлены результаты по полученной точности прогноза. Для каждого климатического параметра представлены максимальная и средняя ошибки, выраженные в процентах от диапазона изменения соответствующего параметра. Для транспонированной линейной регрессии представлены точности прогноза при разном числе метеостанций в опорной группе (две, три и четыре станции). Чтобы сравнить полученную точность прогноза с точностью, достигаемой классическими методами построения зависимостей, в таблице приведена точность прогноза классической линейной регрессии.

Можно сделать следующие выводы. Нейросетевая нелинейная регрессия и транспонированная линейная регрессия (при четырех метеостанциях в опорной группе) показали лучшую точность прогноза по сравнению с классической линейной регрессией. Поскольку при решении задачи регрессии при переходе от линейных регрессионных зависимостей (классическая линейная регрессия) к нелинейным (нейросетевая регрессия) наблюдается повышение точности прогноза, то по аналогии можно предположить потенциальное повышение точности прогноза при переходе от транспонированных линейных регрессионных зависимостей к нелинейным транспонированным регрессионным зависимостям (даже к простейшим дробно-рациональным, представленным в гл.3).

Т
Таблица 1.

Достигнутая точность прогноза климатических параметров




Ошибка (максимальная (max), средняя (avg)) прогноза известных данных, в % от диапазона изменения параметра, по климатическим параметрам

Использованный метод построения регрессионной зависимости

Коэфф-т увлажне-ния

Годовая сумма темпера-тур

Дефицит влаги

Индекс конти-ненталь-ности

Индекс сухости

Годовая сумма осадков




max

avg

max

avg

Max

avg

max

avg

max

avg

max

avg

Линейная регрессия

20,3

2,0

53,4

7,7

29,9

9,9

33,1

9,3

38,3

9,0

22,3

2,9

Нейросетевая нелин. Регрессия

4,4

1,1

10,1

3,0

14,8

5,0

11,8

3,2

13,9

4,1

5,5

1,2

Трансп.

2 метео-станции

19,9

1,4

49,3

8,9

43,9

10,4

64,0

10,3

39,5

8,2

34,2

1,9

лин.

3 метео-станции

21,8

1,3

34,6

5,7

39,

11,2

35,5

8,7

42,3

7,9

27,4

1,3

регрес-сия

4 метео-станции

18,7

1,2

32,5

5,7

29,2

7,5

27,6

7,7

37,6

6,1

12,9

1,5




ем не менее, не надо на основании только этой работы делать вывод, что транспонированная линейная регрессия уступает регрессии нейросетевой. Имеются опыты по весьма эффективному применению транспонированной регрессии, даже простейшей линейной, как в данной работе, для обработки иных таблиц данных [18]. У транспонированной регрессии как у метода анализа эмпирических данных имеется одно преимущество, которое для некоторых задач может быть значимым. Поскольку для каждого объекта строится оптимальная опорная группа, то в результате получается некоторая группировка объектов – пары "искомый объект"–"малая группа объектов, наилучшим образом описывающая искомый". Теперь можно решать некоторые содержательные задачи на основе такой группировки объектов.

В приведенном примере каждой метеостанции соответствует точка на карте (если рассматривать географические координаты станции – ее широту и долготу). Если для каждой станции проанализировать территориальное размещение станций, входящих в ее оптимальную опорную группу, то оказывается, что станции опорной группы расположены достаточно компактно относительно исходной. Иными словами, не происходит интерполяции климатических параметров, например, восточносибирских метеостанций по значениям параметров станций Западной Сибири и Дальнего Востока, или станций района Красноярска по станциям Таймыра и Алтая. Такая глобальная интерполяция, конечно, возможна, но по точности проигрывает локальным моделям климатической ситуации. Можно сказать, что достаточно существенный вклад в климатическую ситуацию района вносят особенности самого района, как-то: удаленность от океана, рельеф местности и другие параметры, влияние которых можно учитывать при прогнозировании климатических параметров метеостанции по близлежащим метеостанциям.

Вернемся к исходной задаче заполнения пропусков в таблице данных. Тестирование точности прогноза проводилось в условиях, достаточно сильно отличающихся от реальных – у метеостанций в действительности могли отсутствовать значения более чем одного параметра. Реально из 111 метеостанций, для которых восстанавливались отсутствующие значения, 84 станции имели пропущенные значения одного параметра, 19 – двух и 8 метеостанций – трех параметров. Определение точности прогноза одновременно двух и более параметров в данной работе не рассматривалось, но, естественно, эта точность оказалась бы ниже точности, достигнутой при прогнозе одного параметра (из-за сокращения набора признаков, по которым делался бы прогноз).

Точность прогноза, достигнутая нейросетевыми методами, оказалась достаточной и позволила провести дальнейшую работу по прогнозированию неизвестных значений климатических параметров у отдельных метеостанций. При этом в большинстве случаев прогнозные значения, получаемые разными методами, были достаточно близки друг к другу и к экспертным заключениям, выполнявшимся с привлечением дополнительной информации.

Здесь может возникнуть справедливое замечание: можно ли доверять прогнозу, сделанному на основании обработки такой достаточно малой таблицы данных. Излагаемые далее результаты будут получены даже на еще меньших объемах данных. Однако повторим, что в случае отсутствия теоретически обоснованных моделей единственным способом проверки адекватности построенной модели является рассмотрение точности прогноза модели на тестовой выборке, а точность получилась достаточной. Также специфика данных проблемных областей такова, что прогноз модели непосредственно не "пойдет в дело" – исследователь будет сравнивать прогноз модели с собственными экспертными заключениями и использовать наиболее правдоподобное значение.

Результаты данного исследования позволяют предположить, что нейросетевые методы восстановления зависимостей с успехом могут быть использованы при решении различных задач прогнозирования при обработке климатической, метеорологической и экологической информации.

^ 4.2. Построение классификационной модели ландшафтных зон и секторов континентальности

В этом разделе описаны исследования, выполнявшиеся для решения различных задач классификации на основе описанных выше климатических данных. В разделах 4.2.1 и 4.2.2 описана постановка задач классификации (разделения) метеостанций, находящихся в различных ландшафтных зонах и секторах континентальности, и приведены результаты по достигнутой на тестовых выборках точности прогноза. В качестве независимых признаков бралось несколько интегральных климатических параметров. В разделе 4.3 описан опыт моделирования глобального изменения климата, когда для ряда метеостанций по оценкам экспертов на 2030г. были изменены значения рассматриваемых климатических параметров и прогнозировалась потенциально возможная смена климатических зон и секторов континентальности у этих станций, что привело бы к изменению ландшафтных зон и смене лесообразователей в соответствующих районах.


^ 4.2.1. Классификация ландшафтных зон Сибири

Для решения задачи классификации ландшафтных зон выбрано четыре крупных зональных класса :

  1. Тундра и северное редколесье (лесотундра);

  2. Лес;

  3. Лесостепь;

  4. Степь.

Для полученные этой обобщенной зональной классификации были переработаны данные по более точной зональной классификации, включающей 20 мелких климатических зон Сибири.

Ландшафтные зоны: тундра, лес, степь – это основные природные зоны Сибири. Лесотундра и лесостепь являются экотонами. Экотон – это промежуточная полоса между двумя соседними зонами. Экотон лесостепи представляет особый интерес с точки зрения классификации и прогноза: куда отнести лесостепь, к лесу или степи, или рассматривать ее как самостоятельную ландшафтную зону? Вопрос этот дискуссионен и решается разными специалистами по-разному [13,15].

Деление на зоны не является достаточным, так как в разных экорегионах зоны имеют свои самобытные черты состава, структуры, и функционирования. Поэтому широтно-зональное деление необходимо сочетать с секторным, проводимым с учетом континентальности. Континентальность характеризует суровость климата в регионах и имеет очень большое значение для классификации растительных зон Сибири [16].

Для решения задачи классификации секторов континентальности все лесные зоны (лес, лесостепь и лесотундра) на втором шаге построения иерархической системы разделены на три сектора континентальности:

  1. континентальный,

  2. резко континентальный,

  3. крайне континентальный.

Таким образом, система включает 4 зоны, 3 сектора и 12 производных единиц – секторно-зональных классов.

Задача классификации состоит в следующем: определить, к какому зональному классу и сектору континентальности относится тот или иной набор значений климатических параметров метеостанций.

Для решения задачи классификации были выбраны следующие климатические параметры:

  1. Дефицит влажности.

  2. Сумма температур за период с температурами выше 5°С.

  3. Сумма температур за период с температурами выше 10°С (Gdd10).

  4. Средняя температура января (Mjan).

  5. Средняя температура июля (Mjul).

  6. Сумма осадков за холодный период года (OsdCold).

Мнемонические имена некоторых климатических параметров здесь приводятся для последующего удобства записи формул. Дополнительно в данную выборку были включены три параметра:

Сумма осадков за год (^ Osd), вычисленная по формуле Osd=OsdCold+OsdWarm, где OsdWarm – сумма осадков теплого периода.

Коэффициент увлажнения (Kv), вычисленный по формуле Мезенцева

Индекс континентальности (IndK), вычисленный по формуле Конрада, , где , а shirota – географическая широта метеостанции.

Обучающая и тестирующая выборки для нейронных сетей содержат эти девять входных параметров (климатических признаков), и один выходной параметр – код ландшафтной зоны.

В работе строилось несколько классификационных моделей путем последовательного уточнения классификации.

На первом этапе исследований проводилось деление на 3 зональных класса – тундру-лесотундру, лес и степь. Лесостепь как зональный класс не была включена в выборку чтобы изучить поведение лесостепи как экотона, промежуточного между лесом и степью. В обучающую выборку включены данные для 99 метеостанций, а в тестирующую – для 64 станций. В обучающей и тестирующей выборках примеры делятся по классам следующим образом (здесь и далее первым числом является число примеров в обучающей, а вторым – в тестовой выборке):

На этой обучающей выборке было обучено 15 нейросетей с различными параметрами. Процент правильных ответов на тестовой выборке колебался в диапазоне от 81 до 86%. Для сети с наилучшей точностью прогноза ошибка распределяется так: к лесотундровой зоне ошибочно отнесены 2 из 54 метеостанций лесной зоны; к лесной зоне – 2 из 6 метеостанций лесотундровой зоны; к степной зоне – 4 метеостанции из 54 метеостанций лесной зоны.

Самыми информативными климатическими параметрами из девяти использовавшихся для этой сети оказались сумма осадков за год, средняя температура июля и осадки холодного периода. В работе только определялась информативность входных сигналов, а работа по сокращению их числа не проводилась.

При тестировании 32-х станций лесостепи этой нейросетью получились следующие результаты:

В общем случае лесостепная зона распределялась между лесом и степью следующим образом при тестировании всех 15-ти обученных нейронных сетей:

Отсюда следует, что лесостепные станции не только образуют пограничный класс (экотон), но и занимают определенное место в климатическом пространстве. Поэтому правомерно выделение лесостепи в качестве самостоятельной биоклиматической зоны. Применение обучаемых нейросетевых классификаторов позволило внести ясность в классификационное положение лесостепи, которое оставалось дискуссионным на протяжении долгого времени. Подтверждена точка зрения ландшафтоведов-географов, выделяющих лесостепь в качестве самостоятельной природной зоны наряду с лесом и степью.

На втором этапе исследования выполнено отделение лесостепи от леса и степи. В обучающую выборку включены данные для 108 метеостанций, а в тестирующую – для 60 станций. В обучающей и тестирующей выборках примеры делятся по классам следующим образом:

Обучено 15 нейросетей с различными параметрами и точностью прогноза на тестовой выборке от 73 до 82%. Для наилучшей нейросети получились следующие результаты: к лесной зоне ошибочно отнесены 2 из 8 метеостанций лесостепной зоны и 1 из 6 метеостанций степной зоны; к лесостепной зоне – 3 из 46 метеостанций лесной зоны и 2 из 6 метеостанций степной зоны; к степной зоне – 1 из 8 метеостанций лесостепной зоны и 2 из 46 станций лесной зоны.

Самыми информативными параметрами для лучшей нейросети оказались осадки холодного периода, индекс континентальности и температура января. Весьма знаменательно, что и в работах географов осадки холодного периода выделяются как главный, наиболее информативный признак для отделения леса от лесостепи [1].

Сравнивая результаты классификаций ландшафтных зон с лесостепью и без нее, можно сделать вывод, что лесостепь, как пограничный класс, выделяется несколько хуже других. Интервал колебания процента правильных ответов увеличился от 5 до 9%. В дополнение к тому, что экотоны трудно разграничить, лесостепь – это самая освоенная человеком ландшафтная зона. Вмешательства человека настолько велики, что изменились естественные границы и покров лесостепной зоны. Но это не означает, что лесостепь нельзя идентифицировать по климатическим параметрам. Класс "лесостепь", как и три других класса, дает вполне допустимые погрешности при тестировании: скачков через соседний класс нет, а ошибочные определения зоны связаны с тем, что в соседний класс попадают метеостанции, близкие к границе между соседними зонами.

Для более точного выделения зональных классов и наиболее информативных признаков целесообразно вводить бинарные классификации – разделения двух соседних зон.

На следующем этапе исследований сделаны 3 бинарные классификации:

  1. Лесотундра и лес.

  2. Лес и лесостепь.

  3. Лесостепь и степь.

Рассмотрим первую бинарную классификацию. В обучающую выборку включены данные для 83 метеостанций, а в тестирующую – для 53 станций. В обучающей и тестирующей выборках примеры делятся по классам следующим образом:

Обучено 10 нейросетей с различными параметрами. При тестировании процент правильных ответов колебался от 87 до 93%. Наилучшей нейросетью к лесотундровой зоне ошибочно отнесено 5 из 49 метеостанций лесной зоны. Самыми информативными параметрами для данной нейронной сети оказались годовая сумма осадков, осадки холодного периода и средняя температура января.

Данное ранжирование параметров по информативности не поддается пока объяснению. Согласно общепринятому взгляду, северная граница леса определяется температурой июля или другими показателями из группы "теплообеспеченность". Все же результат косвенно говорит о суровости зимы, и в этом есть своя логика.

Следующая бинарная классификация – разделение леса и лесостепи. В обучающую выборку включены данные для 89 метеостанций, а в тестирующую – для 55 станций. В обучающей и тестирующей выборках примеры делятся по классам следующим образом:

Обучено 15 нейросетей с различными параметрами. При тестировании процент правильных ответов колебался от 81 до 96%, наилучшая нейросеть ошибалась так: к лесной зоне отнесена 1 из 6 метеостанций лесостепной зоны; к лесостепной зоне отнесены 2 из 49 метеостанции лесной зоны. Самыми информативными параметрами для этой сети оказались средняя температура января, индекс континентальности и дефицит влаги.

Экологическое значение этого ранжирования параметров трудно интерпретировать, поскольку экспертная оценка не совпадает. Дефицит влаги должен быть на первом месте, а осадки зимнего периода – на следующем. Значимость температуры января и индекса континентальности оценить сложно. Этот результат мог возникнуть потому, что лесные районы расположены в Западной и Средней Сибири, а лесостепь – в Восточной. Иными словами, температурный класс зон один, а секторы континентальности – разные.

И последняя бинарная классификация – разделение лесостепи и степи. В обучающую выборку включены данные для 43 метеостанций, а в тестирующую – для 17 метеостанций. В обучающей и тестирующей выборках примеры делятся по классам следующим образом:

Обучено 20 нейросетей с различными параметрами. При тестировании наилучшей нейросети ошибочно отнесена к лесостепной зоне 1 из 6 метеостанций степной зоны. Самыми информативными параметрами для лучшей сети оказались коэффициент увлажнения, годовая сумма осадков и средняя температура июля. По оценкам экспертов, это отличное выделение наиболее значимых признаков. Показатели увлажнения и должны играть роль дифференцирующих признаков при разделении степи и лесостепи.

Обсуждая результаты, можно сделать вывод, что бинарная классификация ландшафтных зон оказалась более точной (увеличился процент правильных ответов). Для каждой из классификаций имеется собственное ранжирование климатических параметров по степени важности для принятия решения – отнесения метеостанции к тому или иному классу.


^ 4.2.2. Идентификация лесных зон по континентальности

В данной работе все лесные зоны (лесотундра, лес и лесостепь) разделены на три сектора континентальности:

  1. Континентальный.

  2. Резко континентальный.

  3. Крайне континентальный.

Первая классификация сделана отдельно для равнин. В обучающую выборку включены данные для 76 метеостанций, а в тестирующую – для 62 метеостанций. Взяты те же входные параметры, что и для рассмотренной ранее классификации ландшафтных зон, выходным параметром (классом) является сектор континентальности. В обучающей и тестирующей выборках примеры делятся по классам следующим образом:

Обучено 12 нейросетей. При тестировании процент правильных ответов колебался от 72 до 82%. Наилучшая сеть ошибается так: к континентальному сектору отнесены 3 из 20 метеостанций резко континентального сектора и 1 из 27 метеостанций крайне континентального сектора; к резко континентальному сектору отнесены 3 из 15 станций континентального сектора и 2 из 27 станций крайне континентального сектора; к крайне континентальному сектору отнесены 3 из 20 станций резко континентального сектора. Самыми информативными параметрами для данной нейронной сети оказались коэффициент увлажнения, средняя температура июля и годовая сумма осадков.

Для классификации секторов в горах в обучающую выборку включены данные для 44 метеостанций, а в тестирующую – для 18 метеостанций. В обучающей и тестирующей выборках примеры делятся по классам следующим образом:

Для разделения секторов в горах обучено 16 нейросетей. При тестировании процент правильных ответов колебался от 72 до 89%. При тестировании нейросети с лучшей точностью прогноза получились следующие результаты: к резко континентальному сектору отнесена 1 из 9 метеостанций крайне континентального сектора, к крайне континентальному сектору отнесена 1 из 4 метеостанций резко континентального сектора. Самыми информативными параметрами для данной нейронной сети оказались осадки холодного периода, индекс континентальности и дефицит влаги. Это хороший результат. Все три параметра действительно значимы и имеют экологический смысл применительно к ситуации.

Информативность климатических параметров для классификации секторов континентальности на равнине и в горах сильно отличается, поэтому эти секторы нежелательно объединять в одну классификацию. Нужно отметить, что для классификации равнинных секторов индекс континентальности не играет большой роли (по сравнению с его значимостью для классификации секторов в горах). Хотя этот параметр, по мнению ландшафтоведов, имеет важное значение для классификации секторов.

По итогам работы по разделению секторов можно сделать следующие выводы: данная классификационная модель, как и классификация ландшафтных зон, пригодна для дальнейших исследований, т.к. по небольшому количеству основных параметров климата она дает неплохие результаты.


^ 4.3. Прогнозирование возможного изменения ландшафтных зон и секторов континентальности

Для прогноза крупных зональных классов – ландшафтных зон или зонобиомов – разрабатываются модели глобального уровня [19,20,22]. Считается, что изменения температуры января и июля наиболее доступны для долгосрочного прогноза, а поскольку по ним можно вычислить индекс континентальности, то можно предложить последний как один из наиболее доступных производных параметров. Известно, что с континентальностью связана повторяемость воздушных масс океанического и континентального происхождения и режимы тепла и влаги. Эксперты предсказывают, что в наших широтах средняя температура января увеличится на 3-4°С, а июля – на 1-2°С, и эти данные согласуются у различных авторов. Это означает, что континентальность снизится, и режимы тепла будут менее суровы в году.

Труднее предсказать режим увлажнения. Поэтому в данной работе взято некоторое приближение сценариев. Так, предполагается, что количество осадков холодного периода может увеличиться на 10-30 мм, а количество годовых осадков – на 30-50 мм. И эти все значения меняются по долготе (см. Таблица 2).

Еще хуже дело обстоит с учетом взаимодействия систем в силу не только прямых, но и обратных связей климат–растительность, и множества косвенных взаимодействий (лес – почва, лес – насекомые, пожары и др. экстремальные события). Разработка общей концепции прогноза наземных экосистем еще далека от завершения.

Задача данного исследования – сделать первый шаг к прогнозу изменения ландшафтного покрова на основе базы данных по климату и растительности, опираясь на фундаментальную концепцию природной зональности Докучаева–Берга–Григорьева–Будыко. Учитывая характер базы данных, следует ограничиться точечным прогнозом, т.е. исследованием возможности смены секторно-зональной принадлежности конкретных точек (метеостанций) согласно одному из сценариев климата на 2030 год. Весьма актуальной представляется возможность выявления тех территорий, которые могут оказаться особенно подвергнутыми риску с

Таблица 2.

Прогноз изменения климатических параметров по секторам континентальности на 2030 год


Климатические

Параметры

Континентальный и резко континентальный секторы

Крайне

Континентальный сектор

Температура января

+ 3°

+ 4°

Температура июля

+ 1°

+ 2°

Cумма осадков за холодный период года

+ 30 мм

+ 10 мм

Cумма осадков за год

+ 50 мм

+ 30 мм




окращения лесных площадей.

Для решения задачи прогноза смены ландшафтных зон из обучающей и тестирующей выборок для нейронных сетей исключены четыре параметра, которые пока недоступны для прогноза:

  1. Коэффициент увлажнения.

  2. Дефицит влажности.

  3. Сумма температур за период выше 5°С.

  4. Сумма температур за период выше 10°С.

Итак, в обучающей и тестируемой выборках осталось пять параметров:

  1. Индекс континентальности.

  2. Средняя температура января.

  3. Средняя температура июля.

  4. Сумма осадков за холодный период года.

  5. Сумма осадков за год.

Для прогноза смены ландшафтных зон и секторов континентальности на 2030г. выбрана описанная ранее последовательно уточняемая классификационная модель ландшафтных зон (без бинарной классификации зон) и деление на три сектора континентальности. На выборке из оставшихся пяти параметров для каждой классификационной модели были обучены наборы нейросетей, и для каждой классификационной модели было выбрано по одной нейросети с наибольшим процентом правильных ответов:

Для классификации ландшафтных зон без лесостепи – 83% правильных ответов. При тестировании к лесотундровой зоне ошибочно отнесены 5 из 54 станций лесной зоны, к лесной зоне – 1 из 6 станций лесотундровой зоны и 1 из 4 станций степной зоны, к степной зоне – 3 из 54 станций лесной зоны.

Для классификации леса, лесостепи и степи – 80%. При тестировании к лесной зоне ошибочно отнесены 2 из 8 метеостанций лесостепной зоны и 1 из 6 станций степной зоны, к лесостепной зоне – 4 из 46 станций лесной зоны и 2 из 6 станций степной зоны, к степной зоне – 2 из 8 станций лесостепной зоны и 1 из 6 станций степной зоны.

Для классификации секторов континентальности на равнине – 82%. При тестировании к континентальному сектору ошибочно отнесены 3 из 20 станций резко континентального сектора, к резко континентальному сектору – 2 из 15 станций континентального сектора и 3 из 27 станций крайне континентального сектора, к крайне континентальному сектору – 2 из 20 станций резко континентального сектора.

Для классификации секторов в горах – 94%, к резко континентальному сектору ошибочно отнесена 1 из 4 метеостанций крайне континентального сектора.

Самыми информативными параметрами при прогнозе оказались следующие:

При обучении нейросетей для прогноза на основании пяти параметров распознаваемость классов, в общем, не ухудшилась: понижение процента правильных ответов произошло на 1-2%. Распознаваемость секторов континентальности в горах улучшилась с 89 до 94%. Стоит отметить, что обучение нейронных сетей на меньшем количестве входных параметров происходило значительно дольше. Интервал колебания процента правильных ответов стал больше. В целом данную систему классификации можно использовать для прогноза, предварительно убедившись в ее объективности.

При дальнейшем исследовании возможной смены ландшафтных зон нужно дополнительно включить в обучающую и тестирующую выборки новые климатические параметры, доступные для прогноза.

В качестве примера на полученных нейросетях по данным эксперта выполнен точечный прогноз ситуации на 2030г. для 40 метеостанций, расположенных в разных ландшафтных зонах и секторах континентальности. Определялась возможность изменения лесорастительного потенциала метеостанций, т.е. их зональной и секторной принадлежности при заданном сценарии климата.

По таблице Изменение климатических параметров по секторам на 2030 год (Таблица 2) для 40 метеостанций были изменены следующие параметры: средняя температура января, средняя температура июля, сумма осадков за холодный период года, сумма осадков за год. На основании измененных параметров был вычислен индекс континентальности по формуле Конрада. Далее использовались обученные нейронные сети для определения зон и секторов, которые должны соответствовать измененным климатическим параметрам метеостанций.

При прогнозе разные станции ведут себя по-разному. 26 метеостанций остались в тех же зонах и секторах (например, Богучаны, Енисейск, Игарка, Красноярск, Томск). А те, которые были ближе к климатическим границам, переходят в другой класс. У 8 метеостанций изменилась зона (например: Братск, Кежма, Якутск, Янск), эти зоны имеют потенциал, соответствующий соседней, более южной зоне. И для 7 станций изменился сектор континентальности (например: Канск, Минусинск, Абакан), эти секторы имеют потенциал, соответствующий соседнему, менее континентальному сектору. Соответственно прогнозу в данных зонах и секторах должна измениться и растительность.

Отсюда следует, что к 2030г. все современные ландшафтные зоны сохранятся на территории Сибири, хотя некоторые смещения границ, возможно, произойдут. Общий вывод данного точечного прогноза сводится к тому, что тенденции к сменам на более "южную" зону могут проявиться во всех звеньях ландшафтов: в растительности, почвах, гидрологическом режиме и т.д. Тенденция смены более северных зон более южными и менее континентальными, отмечаемая другими авторами [21], в целом подтверждается.

Оценивая первые опыты моделирования, не следует особенно доверять полученным результатам, поскольку авторы не учитывали обратное влияние лесных экосистем на климат и многие косвенные взаимодействия в ландшафтах. В данном случае важен не столько результат прогноза, сколько методика прогноза. Фактически мы прогнозируем, какое новое равновесное состояние будет устойчивым, если температура июля вырастет на 1-2 градуса, января – на 3-4 градуса, осадки за год вырастут на 30-50 мм., осадки холодного периода – на 10-30 мм. Если какая-либо точка переходит в другой, соседний класс, это означает для нее потенциальное состояние растительного покрова, тогда как реальный покров не сразу достигнет этого состояния. Нужно, чтобы прошло, по меньшей мере, несколько сотен лет (время релаксации лесной растительности) для достижения нового равновесного состояния в ландшафте при данном климатическом сценарии.

Определим теоретическое и прикладное значение прогноза. Очевидно, что лесное хозяйство должно принимать во внимание долгосрочные прогнозы климата для того, чтобы планировать лесовосстановление, поддержание лесистости и устойчивости лесного покрова с учетом региональных особенностей.

Моделирование с помощью нейронных сетей позволяет выделить те объекты (регионы), которые могут подвергнуться максимальному риску. Так, например, не следует проводить массовые посадки леса в тех районах, где наиболее высок риск засухи, пожара. Здесь важнее провести первоочередную противопожарную профилактику лесных массивов и ограничить посадки леса наиболее благоприятными условиями топографии и почв.


47-funkcionalnost-sistemi-proektnaya-dokumentaciya-vnutriploshadochnie-obekti-infrastrukturi-osoboj-ekonomicheskoj.html
47-gruppovaya-identichnost-metodika-issledovaniya-s-primeneniem-kachestvennoj-metodologii-14-metodika-kolichestvennogo.html
47-informaciya-o-razmerah-viplat-osnovnomu-upravlencheskomu-personalu-oao-kompozit-v-2011.html
47-kompleksnaya-ocenka-territorii-p-krasnij-klyuch-inzhenerno-tehnicheskie-meropriyatiya-grazhdanskoj-oboroni.html
47-kriterii-dlya-rascheta-stimuliruyushih-viplat-prikaz-20-ot-27-oktyabrya-2008-goda-po-mou-sosh-10-ovvedenii-novoj.html
47-nalogovaya-sistema-v-rinochnoj-ekonomike.html
  • uchit.bystrickaya.ru/tema-6-vnutennie-vodi-uchebno-metodicheskoe-posobie-dlya-studentov-geograficheskogo-fakulteta-brest.html
  • college.bystrickaya.ru/1797-1828-shainskij-v.html
  • obrazovanie.bystrickaya.ru/programma-dlya-studentov-vkursa-specialnosti-080502-ekonomika-i-upravlenie-na-predpriyatii-zheleznodorozhnij-transport-e.html
  • abstract.bystrickaya.ru/11-predprinimatelskaya-ideya-informacionno-spravochnoe-posobie-irkutskij-gosudarstvennij-tehnicheskij-universitet.html
  • nauka.bystrickaya.ru/v-saratove-poyavilis-ploshadki-dlya-zapuska-pirotehniki-internet-resurs-wwwsarinformru-29122011.html
  • desk.bystrickaya.ru/otchet-o-rabote-kafedri-informatiki-i-ikt.html
  • uchenik.bystrickaya.ru/lechit-narkomanov-po-signalu-informacionnij-dajdzhest-agtu.html
  • predmet.bystrickaya.ru/shemi-i-tablici-uchebno-metodicheskij-kompleks-dlya-studentov-specialnosti-yurisprudenciya.html
  • assessments.bystrickaya.ru/doklad-rabochej-gruppi.html
  • otsenki.bystrickaya.ru/seminarskoe-zanyatie-7-gumanisticheskie-tendencii-v-razvitii-zapadnoevropejskogo-katolicizma.html
  • crib.bystrickaya.ru/instrukciya-cbr-ot-15-06-2004-117-i-o-poryadke-predstavleniya-rezidentami-i-nerezidentami-upolnomochennim-bankam-dokumentov-i-informacii-pri-osushestvlenii-valyutnih-operacij-instrukciya-117-i.html
  • obrazovanie.bystrickaya.ru/prilozheniya-prilozhenie-1-f-d-psurcev-nekotorie-zakonomernosti-vosproizvedeniya-prostranstvennih-opisanij-pri.html
  • write.bystrickaya.ru/fotofragmenti-rabot-na-uchebno-opitnom-uchastke-programma-razvitiya.html
  • klass.bystrickaya.ru/8-psihogeneticheskij-podhod-ch-tojcha-uchebnoe-posobie-prednaznacheno-dlya-studentov-vuzov-uchashihsya-tehnikumov-dlya.html
  • predmet.bystrickaya.ru/servituti-zemelnih-uchastkov-zemelnoe-pravo-v-voprosah-i-otvetah-batichko-vik-t-2007-g.html
  • knowledge.bystrickaya.ru/o-reglamente-zhogorku-kenesha-kirgizskoj-respubliki.html
  • credit.bystrickaya.ru/pelevin-l-v-publichnij-doklad-direktora-kogoku-sosh-g-luzi-za-2011-2012-uchebnij-god.html
  • books.bystrickaya.ru/belyanin-a-vkus-vampira-armada-alfakniga-moskva-2003-stranica-17.html
  • turn.bystrickaya.ru/pesn-o-grotti702-eposi-legendi-i-skazaniya.html
  • reading.bystrickaya.ru/konspekt-zanyatiya-po-poznavatelnomu-razvitiyu-v-srednej-gruppe-na-temu-led.html
  • credit.bystrickaya.ru/po-okazaniyu-dopolnitelnih-obrazovatelnih-uslug.html
  • universitet.bystrickaya.ru/tekst-5-gegel-s-a-chernov-nachala-filosofii.html
  • control.bystrickaya.ru/emiliya-bronte-grozovoj-pereval-stranica-5.html
  • institute.bystrickaya.ru/evropejskij-sud-po-pravam-cheloveka-pyataya-sekciya-delo-polyakov-polyakov-protiv-rossijskoj-federacii.html
  • doklad.bystrickaya.ru/vina-kak-element-sostava-disciplinarnogo-pravonarusheniya-po-trudovomu-pravu-rossijskoj-federacii.html
  • school.bystrickaya.ru/glava-iii-moral-i-etika-civilizaciya-krizis-civilizacii-energeticheskij-krizis-nravstvennij-krizis-kollaps.html
  • lesson.bystrickaya.ru/politicheskaya-kultura-smisl-i-metodologicheskoe-znachenie-kategorii-chast-4.html
  • upbringing.bystrickaya.ru/mehatronika-i-robototehnika-stranica-9.html
  • knowledge.bystrickaya.ru/o-adamdar-brgemn-men-sendermen-o-adamdar-brgemn-men-sendermen.html
  • predmet.bystrickaya.ru/sobranie-sochinenij-tom-shestoj-nauchnoe-nasledstvo-pod-redakciej-m-g-yaroshevskogo-moskva-pedagogika-1984-stranica-3.html
  • predmet.bystrickaya.ru/rezhiseri-predmetnij-ukazatel-301.html
  • reading.bystrickaya.ru/l-v-zankov-ego-trudi-sluzhili-nauchnoj-osnovoj-postroeniya-specialnih-shkol-i-teoreticheskim-obosnovaniem-principov-i-metodov-izucheniya-diagnostiki-trudnih-anomalnih-detej-vigotskij-ostavil-nasledstvo-neprehodyashe.html
  • university.bystrickaya.ru/glava4-yabi-nenapisala-tebe-noksozhaleniyu-amozhet-kschastyu-stechenie-obstoyatelstv-imoya-privichka-podvodit.html
  • tetrad.bystrickaya.ru/uchebnoe-posobie-joshkar-ola-2008-bbk-p6-udk-631-145636-612-014-4-stranica-18.html
  • shpargalka.bystrickaya.ru/v-vologodskoj-oblasti-s-rels-soshel-gruzovoj-poezd-informacionnoe-agentstvo-rosbalt-26012012.html
  • © bystrickaya.ru
    Мобильный рефератник - для мобильных людей.