Все научные статьи

Кашкин В.Б., Ланкин Ю.П., Сакаш И.Ю. Преимущества использования нейросетевых технологий для атмосферного моделирования (на примере прогноза концентрации озона в стратосфере)

Научная статья

 

Электронный журнал ИССЛЕДОВАНО В РОССИИ 109 Преимущества использования нейросетевых технологий

для атмосферного моделирования (на примере прогноза концентрации озона в стратосфере)

Кашкин В.Б.(1), Ланкин Ю.П.Пап7@та11ги.сош )(2),

Сакаш И.Ю.(1)

(1)Красноярский государственный технический университет (2)Институт биофизики СО РАН, Красноярск

Аннотация

В работе проводится сравнение между традиционными и нейросетевыми методами построения прогнозов. Показаны преимущества нейросетевых моделей перед традиционными методами моделирования и способность нейронных сетей формировать долговременные прогнозы динамики концентрации озона в стратосфере. Описаны исследования по определению "предвестников" резкого возникновения областей с низким содержанием озона в стратосфере. Показано, что нейросетевые модели способны прогнозировать общее содержание озона (ОСО) на подавляющем большинстве "скачкообразных" участков временного ряда. Это позволяет говорить о квазистационарности свойств озонового слоя в рамках проведенных исследований.

Введение

Озон является веществом, поглощающим ультрафиолетовое излучение Солнца, которое отрицательно воздействует на живые клетки человека, животных и растений. Прогнозирование концентрации озона в стратосфере является одной из важных задач, которая стоит перед современными исследователями. Отметим, что специализированные прогнозные модели, предсказывающие состояние озонового слоя, на сегодняшний день практически отсутствуют.

Мы приносим извинения нашим читателям за отсутствие описания нейронных сетей, использованных для построения моделей динамики озонового слоя в нашей работе [1]. Это описание отсутствует из-за наличия ограничений на объем статьи. Впрочем, на сегодня эта область исследований широко представлена в сети Internet и соответствующая информация легко могут быть получены из этого источника. Мы также отсылаем читателя к списку литературы в конце статьи либо предлагаем посетить 1. НЕЙРОННЫЕ СЕТИ И ТРАДИЦИОННЫЕ МОДЕЛИ

1.1. Сопоставление полиномиальных, линейных и нейросетевых краткосрочных прогнозов ОСО

В проводимых исследованиях для изучаемых временных рядов ОСО использовались следующие шаги по времени в зависимости от длительности прогнозируемого периода: почасовой, среднесуточный, среднемесячный, и среднегодовой. Для каждого периода многократно строились линейный и полиномиальный прогнозы для сопоставления их с


Электронный журнал ИССЛЕДОВАНО В РОССИИ


110

результатом работы нейросетевой прогнозной модели на том же участке временного ряда ОСО.

Исходные и выходные данные линейных и полиномиальных моделей точно соответствовали аналогичным данным нейросетевых моделей, рассматриваемых ниже. Исходные длины временного ряда ОСО, используемые для генерации прогнозного значения, также совпадали. По трем последовательно взятым точкам прогнозировалась четвертая и пятая (рис. 1.1). Здесь и далее по оси ординат на графиках отложена величина ОСО в единицах Добсона.


инейный прогноз ОСО 1 (1999)


инейный прогноз ОСО 2 (1999)



600


600



^ 500

gаа 400

О

300


ОСО

-Лин.пр. 1


^500

300


------ ин. пр.2



(Nа (Nа (Nа (Nа (Nа г^>а г^>

г^г^г^г^г^г^г^г^г^г^г^


(Nаа СПаа >Г~,\0Оаа Оа >ЧI

(N (N (N (Nа СПаа СП

спспспспспспспспспа спел

Дни



ч: боо

Ч.аа 500

О

О 400 300

Полиномиальный прогноз ОСО 1 (1999)

700 1

------ ОСО

------- 1------------------------------- Пол. пр. 11

С*^!С*^!С*^!С*^!С*^!С*^!С*^!С*^!С*^!С*^!С*^!


Полиномиальный прогноз ОСО 2 (1999)

ттттттттттт

Дни



Нейоросетевой прогноз ОСО 1 (1999)


Нейоросетевой прогноз ОСО 2 (1999)



500

4450

^ 450

О 400 350 300 -I

500


ттттттттттт


J -- ОСОа I--------------------

--- Нейропр. 2

^аа ^аа ^аа (Nаа (Nаа (N

ттттттттттт


Рис. 1.1. Линейныйаа прогноз ОСО: а - по трем предыдущим точкам прогнозируется

четвертая; б - по трем предыдущим точкам прогнозируется пятая.

Полиномиальныйа прогноза ОСО:аа ва -а поа трема предыдущима точкама прогнозируется

четвертая; г - по трем предыдущим точкам прогнозируется пятая.

Нейросетевой прогноз ОСО: д - по трем предыдущим точкам прогнозируется четвертая; е

- по трем предыдущим точкам прогнозируется пятая.

Построениеа линейнойа регрессииа сводилосьа ка определениюа параметров а иа Ъа в уравнении вида у = а х + Ъ для исследуемого временного ряда концентрации озона. Затем,


Электронный журнал ИССЛЕДОВАНО В РОССИИ 111 после подстановки в полученную формулу значения х (в нашем случае - номер дня), получили искомое значение ОСО для четвертого и пятого дня.

Аналогично выполнялось полиномиальное прогнозирование. Находились коэффициенты а, Ъ и с для уравнения вида у = ах + Ъ + с. Затем определялись четвертое и пятое значения ОСО.

На рис. 1.1 а, б продемонстрированы результаты линейного прогнозирования ОСО для периода с 16 по 31 марта 1999 г. Коэффициент корреляции между реальной кривой ОСО и кривой, полученной прогнозированием четвертого значения ОСО по трем предыдущим значениям, равен R = 0.89. Между фактической кривой концентрации озона и кривой, полученной прогнозированием пятого значения, R = 0.83.

На рис. 1.1 в изображены кривые реального ОСО и полиномиального прогноза четвертого значения по трем предыдущим значениям. Коэффициент корреляции между этими кривыми - R = 0.69. На рис. 1.1 г показаны кривые реального ОСО и полиномиального прогноза пятого значения по тем же трем значениям, которые использовались для предсказания четвертого значения для выше указанного периода. Коэффициент корреляции между кривыми на рис. 1.1 г - R = 0.39.

На рис. 1.1 дне показан нейросетевой прогноз ОСО: д - кривая реального ОСО и кривая, полученная с помощью нейросети (по трем последовательным точкам прогнозируется четвертая); е - кривая реального ОСО и кривая, спрогнозированная нейросетью (по трем последовательным точкам прогнозируется пятая). Коэффициенты корреляции для четвертой точки R = 0.95 и для пятой точки R = 0.9.

Как видно из рис. 1.1 и сопоставления величин корреляций линейного и полиномиального прогнозов с реальной кривой ОСО, различие (ошибка прогноза) между предсказанным и реальным значением с каждой последующей прогнозируемой точкой увеличивается. Прогнозирование с помощью нейронных сетей дает лучшие результаты. И уже в этом смысле превосходит эти простые прогнозные модели.

В следующем параграфе демонстрируется, что использование нейросетевых предикторов на рассматриваемых временных рядах не сводится к генерации прогнозов "вчерашнего дня" (завтра будет примерно тоже, что вчера и сегодня), а позволяет строить прогнозы динамики озонового слоя в обозримое будущее.

1.2. Долгосрочные нейросетевые прогнозы ОСО

Для выполнения численных экспериментов по построению долгосрочных прогнозов использовались данные наземных измерений ОСО над г. Томск за 2001 г. Здесь рассматривается два типа нейросетевых прогнозных моделей. В первом типе прогнозируемая временная последовательность отображается на вектор выходных значений нейронной сети, каждый из выходов которой соответствует одной компоненте временного ряда ОСО. Такой прогноз именуется "векторным прогнозом". Значение, отображаемое выходом нейронной сети, зависит от величины шага временного ряда и в данном случае представляет среднесуточную величину ОСО. Во втором типе для прогноза используется ансамбль нейронных сетей, каждая из которых имеет один выход и обучается для прогнозирования одной компоненты временного ряда на заданное число шагов в будущее. Так, например, одна из таких нейросетей, в рассматриваемых экспериментах, строила прогнозы на 14 дней вперед. Соответственно, метод получил название "ансамблевого прогноза".

Векторный прогноз ОСО.

В описываемых исследованиях выполнялось предсказание 7 среднесуточных значений ОСО по 26 предыдущим. Число примеров для обучения нейросети составляло от ста до трехсот. На рис. 1.2 изображены кривые реального временного ряда ОСО и соответствующие


Электронный журнал ИССЛЕДОВАНО В РОССИИ


112

им значения, спрогнозированные неиросетью в одном из ряда численных экспериментов.

Коэффициент корреляции между кривыми реального временного ряда ОСО и ряда, спрогнозированного неиросетью, составил от 0.87.

Прогноз ОСО на 7 дней (1998)


500

-400

300

200


------- ОСО

------- Прогноз

Ч^.______________ . ^

1 1 1 1 1 1

Прогноз

1 1 1 1 1 1 1



9.8


11.


13.:


18.8 Дни


20.8


22.:


24.:


Рис. 1.2. Прогноз семи среднесуточных значений ОСО (с 18 по 24 августа 1999 г) по 26 предыдущим значениям над г. Томск.

Ансамблевый прогноз ОСО.

Основанием для такого метода построения прогнозной модели является представление о том, что для нейронной сети проще освоить одномерное функциональное преобразование, нежели многомерное. Как показала практика - эта гипотеза полностью оправдалась. В целом, проще обучать группу одномерных нейросетевых предикторов, чем формировать пространство решений для многомерного представления в рамках одной нейронной сети.

На рис. 1.3 изображена гистограмма реальных и предсказанных различными нейронными сетями прогнозного ансамбля значений ОСО. На гистограмме парные столбцы соответствуют номеру прогнозируемого дня для временного ряда ОСО, отсчитываемого в будущее от текущего дня. Реальное значение ОСО представлено более темным столбцом, а спрогнозированное неиросетью - более светлым. Корреляция между набором значений ОСО на графике и спрогнозированными точками составила R = 0.84.

Прогноз ОСО


т

355 350 345 ^ 340 W 335 330 325 320


? ОСО

Прогноз


1-я точка 4-я точка 7-я точк 11-я точкаа 14-я точка

Рис. 1.3. Прогноз 1-го, 4-го, 7-го, 11-го и 14-го значения ОСО (1997 г., г. Томск).

Необходимо отметить, что время обучения нейросети возрастало при удалении прогнозируемой точки в будущее. Вместе с тем, время генерации прогноза обученной неиросетью одинаково для всех точек прогноза.


Электронный журнал ИССЛЕДОВАНО В РОССИИ


113

Из проведенных экспериментов можно сделать два вывода. Во-первых, свойства озонового слоя не стохастичны (квазистационарны), поскольку позволяют строить прогнозы будущих состояний ОСО детерминистскими (нейросетевыми) методами. Во-вторых, попытки свести возможности нейронных сетей к роли простых, одношаговых предикторов -несостоятельны.

1.3. Сопоставление традиционных и нейросетевых моделей

К сожалению, из-за ограничений на объем публикации, мы не имеем возможности подробно обсудить особенности традиционных атмосферных моделей. По этой причине мы отсылаем заинтересованного читателя к нашей работе [2], где достаточно подробно рассмотрены как основные модели атмосферы, построенные на традиционными методами, так и принципиальные ограничения, накладываемые на их возможности. Там же рассмотрены и некоторые важные особенности нейросетевых моделей.

Описание концепции сетей и систем с самостоятельной адаптацией, созданной для построения моделей теоретически неограниченной сложности, содержится в работе [3]. Англоязычный читатель может найти эту информацию в сокращенном виде в работе [4]. Отметим, что нейронные сети вытекают как частный случай из этой концепции. Один из примеров алгоритма, построенного в соответствии с предлагаемыми принципами, приведен в статье [5].

Идеологически близки к рассматриваемому направлению и заслуживают отдельного обсуждения работы [6 и др.], публиковавшиеся в данном издании.

Далее обсудим некоторые общие соображения, имеющие значение для оценки исторических перспектив развития глобальных моделей.

Известно, что при большом количестве параметров и функций мы можем получить в традиционной модели практически любую желаемую динамику, вне зависимости от ее содержательного наполнения (что сближает ее по свойствам с нейронными сетями). Кроме того, модели такой сложности становятся необозримы для их глубокого понимания даже авторами самих моделей, что легко может приводить к ошибкам и неоднозначностям в толковании различных эффектов, проявляющихся в численном моделировании, при попытке связать эти эффекты с реальными физическими процессами. С другой стороны, программирование длинных логических цепочек неизбежно возникающих при построении моделей такой сложности ведет к огромному количеству ошибок. Никогда нет гарантий, что все эти ошибки будут устранены в процессе отладки программного обеспечения. В связи с этим стоит упомянуть известную шутку, что если в прошлом физики копировали друг у друга уравнения, то сейчас копируют ошибки в программах.

Таким образом, основной ценностью традиционных моделей становятся их учебно-методологические свойства, а не отображение реальных природных законов. Очевидно, нейронные сети в столь сложных ситуациях обладают огромным преимуществом. Они не требуют формализации задачи и позволяют адаптировать свойства нейросетевой модели к задачам теоретически неограниченной размерности и сложности. Единственным требованием является возможность описания моделируемого явления непрерывными функциями. Скорость создания нейросетевых моделей существенно выше, чем моделей, создаваемых традиционными методами, а трудоемкость разработки гораздо ниже.

Здесь нелишне упомянуть работу [7], в которой детально рассмотрены тенденции развития вычислительной техники и показано, что прогресс в развитии архитектуры компьютеров и методов вычислений связан с распараллеливанием вычислений и ростом однородности архитектуры, что, в пределе, приводит вычислительные системы к нейрокомпьютерам или им подобным системам.

Пониманиеаа вышеописанныхаа положенийаа всеаа чащеаа встречаетсяаа ваа публикациях


Электронный журнал ИССЛЕДОВАНО В РОССИИ


114аа

известных авторов. Просматривается явное тяготение к сложноорганизованным адаптивным моделям, отражающим современную тенденцию комплексного понимания процессов окружающего мира. И исследователи, игнорирующие эту тенденцию, рискуют оказаться на обочине мировой науки.

Конечно же, авторы далеки от того, чтобы отрицать ценность моделей, создаваемых традиционными методами. И приведенный выше текст написан лишь для того, чтобы уйти от бытующих в этой области стереотипов (в частности, по отношению к имитационному моделированию) и еще раз подчеркнуть необходимость выбора средств, адекватных решаемой задаче.

2. ДИАМИЧЕСКИЕ СВОЙСТВА ОЗОНОСФЕРЫ

2.1. О выявлении "предвестников" изменений закономерностей

временных рядов

Как показано в работе [2], нейросетевые модели предсказывают общее содержание озона (ОСО) с высокой точностью.

Вместе с тем, встречаются многочисленные случаи существенных изменений закономерностей временных рядов концентрации озона в различные периоды времени. Большой интерес для более глубокого понимания функционирования атмосферных процессов и улучшения их прогнозирования представляет изучение таких изменений и их предсказание.

Использование рассматриваемого подхода предполагает наличие способов обнаружения моментов "разладки" временного ряда. То есть определения моментов, когда возникает необходимость смены предиктора. Для нейросетевых моделей удобным способом является удаление отдельных точек временного ряда, используемых для прогноза последующей точки. В этом случае индикатором существенного изменения свойств временного ряда на последующем участке будет являться разница между обычным прогнозом и прогнозом, полученным с удалением отдельных точек. Очевидно, что нейронная сеть, используемая для оценки этой разницы, должна быть предварительно обучена.

2.2. Эксперименты по прогнозированию ОСО с удалением значений

Для проведения исследований по выявлению предвестников скачкообразных изменений концентрации озона в стратосфере с применением нейронных сетей использовались среднесуточные данные наземных измерений над городом Томск (56 сев. ш., 84 вост. д.) с 1997 по 1999 гг.

В соответствии с выдвинутой гипотезой были выполнены попытки определения начала "сложных" участков по величине разности между обычным прогнозом нейросетевого предиктора и прогнозом после отбрасывания одного из входных значений нейронной сети, дающего максимальную ошибку.

На кривой концентрации озона можно выделить "спокойные" и "сложные" периоды. Спокойны периоды - это участки, где перепад между минимальным и максимальным значениями ОСО не превышает 50 единиц Добсона (рис. 2.1 а). Здесь точность прогнозов всегда получаются высокой. Обучение нейросети на этих участках происходит быстрее, чем на сложных. Коэффициент корреляции между реальной и спрогнозированной нейронной сетью кривой составляет 0.95-0.98. Например, такая картина наблюдается летом. Если за короткий период времени длиной в 2-5 значений ОСО изменяется на 75 и более единиц Добсона, то эти участки можно назвать сложными (на рис. 2.1 б с 26 по 30 сентября 1996 г.). Можноаа предположить,аа чтоаа н этихаа участкахаа наблюдаютсяаа существенныеаа изменения


Электронный журнал ИССЛЕДОВАНО В РОССИИ


115

закономерностей временных рядов. Подобные участки желательно выявлять заранее и, в случае резкого ухудшения качества прогноза или его полного разрушения, "подбирать" для их прогнозирования соответствующие нейросетевые предикторы, как упоминалось выше. Моделирование сложных участков выполнялось для периодов: октябрь-декабрь 1996 г., февраль 1997 г., июль-август 1998 г., март-апрель 1999 г.


Прогноз ОСО с 24.07 по 31.07 1996 г.

500 т-


400


Прогноз ОСО с 26.09 по 30.09 1996 г.



2а 2а 2а 2а 2а 2


CQCQCQCQCQCQ(D<D(D(D(D(D



^ 'Фа (^

^н ^ч (N (N

Дни

^t- о> ^t- о>

^аа ^аа (Nаа (N


^t- о> ^t- о>

^аа ^аа (Nаа (N


спееа тсеа тсо

Дни

^аа ^аа (Nаа (N


Рис. 2.1. а Прогноз ОСО на период с 24 по 31 июля 1996 г. по обучающей выборке с 1 июня по 23 июля 1996 г.

б Прогноз ОСО на период с 26 по 30 сентября 1996 г. по обучающей выборке с 1 августа по 25 сентября 1996 г.

В данном случае, созданные прогностические модели по трем последовательным значениям временного ряда (отражавшим величины ОСО в течение трех дней, которые подавались на вход нейросети) предсказывали одно значение концентрации озона на четвертый день (на выходе нейросети). Затем, в соответствии с описанной выше методикой, из входного вектора нейронной сети, поочередно удалялись отдельные значения. Пример результатов, полученных описываемым способом, приведен на рис. 2.2. Столбики гистограммы отражают слева направо: реальное значение ОСО; значение, спрогнозированное предварительно обученной нейронной сетью (предиктором); результаты прогноза после последовательного удаления первого, второго и, соответственно, третьего значения из входного вектора нейросети.

Прогноз ОСО

на 26 сентября 1996 г.

1=?

ж осе

)

ж

О

О зоо -

200 -

Ч\Ч


О

о

о


о


О


по


CTN

о


Рис. 2.2.а Прогноз ОСО на 26 сентябряа 1996а г.а по обучающей выборке с 1 августа по 25 сентября 1996 г.

Из рисунка 2.2 видно, что полученные значения ОСО не совпали с реальным значением и со значением, полученным без удаления отдельных точек. Точка, полученная с удалением значения ОСО за 25 сентября 1996 г., отличается от фактического и прогнозного (второй


Электронный журнал ИССЛЕДОВАНО В РОССИИ


116

столбик) больше, чем значения с удалением точек за 24 и 23 сентября. Эта ситуация является типичной. Для всех исследуемых периодов есть значения концентрации озона, которые наиболее отличаются от реального и прогнозного. Для периода август-сентябрь 1996 г. - это 25 сентября; октябрь-декабрь 1996 г. - 27 ноября; февраль 1997 г. - 20 февраля; июль-август 1998 г. - 21 августа; март-апрель 1999 г. - 23 апреля. Таким же образом удалялись из участка "прогноз" значения ОСО для остальных исследуемых периодов времени.

2.3. Физическая интерпретация результатов

Как было показано выше, в рассмотренных моделях прослеживается определенное влияние отдельных значений входного вектора нейронной сети на получаемый прогноз. Причем, в разных реализациях наибольшее влияние на результат могут оказывать различные точки этого вектора. Напомним, что значениями входного вектора являются точки временного ряда ОСО, предшествующие прогнозируемой точке. Представляется важным определить механизмы этого влияния. Рассмотрим для этого результаты спутникового мониторинга изучаемой местности.

Обширные ежедневные данные о глобальном содержании озона получают с помощью спутников TOMS/ЕР, GOES и др. Они представлены в сети Интернет. По этим данным построены карты ОСО над Сибирью (рис. 2.3): а - 23 сентября, b - 24 сентября, с - 25 сентября, d - 26 сентября 1996 г.


65а 75а 85а 95 105аа 115

Градусы восточной долготы Я

65а 75а 85а 95 105аа 115

Градусы восточной долготы


7СИ

40I-------- '-------- '-------- '-------- '--- ^^^

65а 75а 85а 95 105 115

Градусы восточной долготы

65а 75а 85а 95 105 115 Градусы восточной долготы

(I


-380 360 -340

Е

- 320 300 280 260

ад. Д.


Рис. 2.3: ОСО над Сибирью; а - 23 сентября, b - 24 сентября, с - 25 сентября, d - 26 сентября 1996.

Если сравнивать карты общего содержания озона (в озоновом слое) за соседние дни, то можно определить условную скорость смещения воздушных масс (в градусах) и направление их перемещения на высотах максимального содержания озона в 18-25 км. Вычисление коэффициента корреляции между заданными узлами сетки поля ОСО за выбранный день и смещенным и "повернутым на некоторый угол" полем за предыдущий день выполнялось в пакете прикладных программ Dynamic. Наибольшее значение выборочного коэффициента корреляции, достигающее, в ряде случаев, 0,95-0,98, соответствует среднему за сутки смещению и повороту поля. Приведенный способ вычисления скорости движения воздушных масс описан в работе [8] в применении к определению скорости вращения озона в циркумполярном вихре.

В таблицах 1-3 представлены результаты вычислений смещения воздушных масс для


Электронный журнал ИССЛЕДОВАНО В РОССИИаа 117аа

выбранного региона, отображенного на рис. 2.3, в исследуемый период с 23 по 26 сентября 1996 г. Поле ОСО разбивается на широтные кольца по 3 северной широты с центром в Северном полюсе и находится скорость и направление перемещения масс озона в каждом из колец (поэтому долгота в таблицах отсутствует).

В таблице 2.1 приведены расчетные скорости движения воздушных масс за период с 23 по 24 сентября 1996 г. (рис. 2.4а-2.4Ь). В таблице 2.2 - за период с 24 по 25 сентября (рис. 2.4Ь-2.4с), а в таблице 2.3 - за период с 25 по 26 сентября (рис. 2.4c-2.4d) 1996 г. В таблицах (столбец "Сдвиг по широте") "+" означает сдвиг к экватору, а "-" указывает на сдвиг от экватора.

Выше было указано, что удаление значения ОСО за 25 сентября во входном векторе нейронной сети явилось причиной наибольшей ошибки прогноза по сравнению с удалением значений за 24 и 23 сентября. Сопоставление сдвигов по долготе в приведенных таблицах показывает, что этой ошибке соответствует наибольшая скорость движения воздушных масс (и соответственно концентрации озона) в таблицах 2.2-2.3. Соответствующие изменения можно проследить на рис. 2.4с.

Таким образом, можно говорить о наличии "предвестников" существенных изменений свойств временного ряда концентрации озона, "схватываемых" в используемых моделях. В то же время, в применении к рассматриваемому объекту, проявление этих "предвестников" в рамках моделей оказывается недостаточно устойчивым для однозначной идентификации упомянутых существенных изменений.

Мин.

широ

та

Макс.

Широ

та

Сдвиг

по долго

те

Сдвиг

по широ

те

45.5

48.5

4

0

48.5

51.5

4

0

51.5

54.5

4

0

54.5

57.5

4

-1

57.5

60.5

2

-2

60.5

63.5

2

+1

63.5

66.5

2

0

66.5

69.5

2

-3

69.5

72.5

4

0

Мин.

широ

та

Макс.

Широ

та

Сдви

г по

долго

те

Сдви

г по

широ

те

45.5

48.5

4

0

48.5

51.5

4

-2

51.5

54.5

6

-3

54.5

57.5

4

+1

57.5

60.5

4

-1

60.5

63.5

6

-2

63.5

66.5

6

-3

66.5

69.5

6

+1

69.5

72.5

4

+1

_____________ Таблица 2.1аа ______________ Таблица 2.2аа _______________ Таблица 2.3

Мин.

широ

та

Макс.

широ

та

Сдвиг

по долго

те

Сдвиг

по широ

те

45.5

48.5

5

-1

48.5

51.5

6

0

51.5

54.5

6

-1

54.5

57.5

6

0

57.5

60.5

4

+2

60.5

63.5

2

+2

63.5

66.5

4

0

66.5

69.5

6

-1

69.5

72.5

4

+2

Заключение

Выводы по части 1. Выполненные исследования показали, что в условиях, когда информация ограничена значениями временного ряда, возможности нейронных сетей не сводятся к построению простых прогнозов "вчерашнего дня" (завтра будет примерно так же как вчера и сегодня). Нейронные сети демонстрируют уникальные возможности построения долговременных высококачественных прогнозов сложной динамики озоносферы, достигавшие, в проведенных экспериментах, нескольких недель.

Выводы по части 2. Необходимо отметить, что полученные результаты отличаются от им подобных, получаемых на финансовых временных рядах. В отличие от "обвальных" скачкообразных изменений валютных курсов, выглядящих как случайные на фоне предыдущей временной последовательности, динамика ОСО имеет квазистационарный характер.аа Практическиаа неаа удаетсяаа обнаружитьа участковаа временногоаа ряд изменения


Электронный журнал ИССЛЕДОВАНО В РОССИИ


118

концентрации озона, которые бы полностью разрушали прогноз нейросетевого предиктора. Хотя качество прогноза в среднем и падает на "сложных" участках, но в целом остается достаточно высоким.

Вместе с тем прослеживаются взаимосвязь между поведением нейросетевых предикторов и физическими характеристиками атмосферы. Ускоренное перемещение воздушных масс в определенные дни влияет на изменение концентрации озона в озоносфере. Модификация значений соответствующих точек временного ряда ОСО, являющихся частью входного вектора нейросетевой модели, оказывают повышенное влияние на прогностические результаты. Это дает основания предполагать связь между интенсивными атмосферными возмущениями и последующими существенными изменениями закономерностей временного ряда ОСО. Однако в рамках проведенных экспериментов, однозначно спрогнозировать эти изменения не представляется возможным.

Замечание: Следует подчеркнуть, что с целью оценки прогностических возможностей нейронных сетей, проводимые эксперименты выполнялись без предварительной обработки временных рядов. В частности, не выполнялось удаление трендов. Таким образом, имеется определенный резерв, использование которого обещает расширить возможности исследованных методов.

итература

    • Okhonin V., Okhonin S., Ils A.. Ilegemres M. Neural network based approach to the Evaluation of Degradation Lifetime //Neural Network World. - 2001. -Vol. 11, -No 2. - P. 145-151.
    • Kashkin V.B., Lankin J.P., Sakash I.Yu., Smirnov, S.V. Predicting the Earth atmosphere's ozone layer conditions using neuronic networks for various time lags // SPIE (The International Society for Optical Engineering), 2003. - Vol. 5027. - P. 207-216.
    • Панкин Ю.П., Хлебопрос P.Г. Экологические основания концепции самоадаптирующихся сетей и систем с поисковым поведением // Инженерная экология, 2001. - №2.- С.2-26.
    • Lankin J.P. Adaptive simulation of atmospheric phenomena// SPIE (The International Society for Optical Engineering), 2002. - Vol. 4678. - P. 669-680.
    • Басканова Т.Ф., Панкин Ю.П. Алгоритм самостоятельной адаптации для нейронных сетей с поисковым поведением // Известия вузов. Физика, 2000. - Вып. 6, С. 47-51.
    • Гринченко СИ. Случайный поиск, адаптация и эволюция: от моделей биосистем к языку представления о мире//Электронный журнал "Исследовано в России", 1999. - Ч. 1, - С. 1-11. -
    • Барцев СИ., Гилев С.Е., Охонин В.А. Принцип двойственности в организации адаптивных сетей обработки информации / Динамика химических и биологических систем. - Новосибирск: Наука. Сиб. отд-ние, 1989. - С. 6-55.
    • Kashkin V.B., Lankin J.P., Sakash I.Yu. Adaptive Forecasting Dynamics of the Ozone Layer// SPIE (The International Society for Optical Engineering), 2001. - Vol. 4678. - P. 630-641.
         Все научные статьи