автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Моделирование и прогнозирование параметров озонового слоя

На правах рукописи

Са/^аш

Сакаш Ирина Юрьевна

МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ ПАРАМЕТРОВ ОЗОНОВОГО СЛОЯ

Специальность 05.13.01 - Системный анализ, управление и обработка информации (экология)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Красноярск - 2004

Работа выполнена на кафедре радиотехники Института радиоэлектроники в Красноярском государственном техническом университете.

Научный руководитель: Официальные оппоненты:

доктор технических наук, профессор Кашкин В. Б.

доктор технических наук, профессор Воробович Н. П.

доктор физико-математических наук, профессор Киселев В. М.

Ведущая организация: Институт вычислительного моделирования СО РАН

Защита диссертации состоится 21 апреля 2004 г. в 14 часов на заседании диссертационного совета К 212.253.01 при Сибирском государственном технологическом университете по адресу: 660049, г. Красноярск, ул. Марковского, 57, СибГТУ, корпус АБВ, ауд. А102.

С диссертацией можно ознакомиться в научной библиотеке Сибирского государственного технологического университета.

Отзывы на автореферат в двух экземплярах, заверенные печатью, просим направлять по адресу: 660049, г. Красноярск, пр. Мира, 82, ученому секретарю диссертационного совета К 212.253.01.

Автореферат разослан 20 марта 2004 г.

Ученый секретарь диссертационного совета кандидат технических наук, доцент

Ушанов С. В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Разработка и применение методов системного анализа к такому сложному объекту, каким является атмосфера, есть одно из приоритетных направлений науки и техники.

Значительную роль в изучении климата Земли и его математическом моделировании играют исследования динамической структуры метеорологических полей, в том числе и поля озона. Они имеют большое значение для решения многочисленных задач экологии, метеорологии, атмосферной оптики, дистанционного зондирования природной среды из космоса и других областей науки и техники.

Исследование озонового слоя Земли и прогноза его состояния относится к числу важнейших глобальных экологических проблем. Озоносфера является естественным экраном, не пропускающим к земной поверхности значительную часть ультрафиолетового излучения Солнца, которое оказывает вредное влияние на биологические объекты. Разрушение озонового слоя может привести к целому ряду негативных последствий для человека, животных и растений. В частности, большое внимание исследователей привлекла проблема так называемых "озоновых дыр".

В связи со сложной и труднопредсказуемой динамикой содержания озона в атмосфере, заметно влияющей на экологическую ситуацию на планете, исследование межгодовых и десятилетних вариаций параметров стратосферы и разработка методов предсказаний будущего состояния озонового слоя имеют большое научное и практическое значение.

Объект и задачи исследования. Воздействие озона на климат имеет очень сложный характер из-за процессов с обратными связями, определяющими теплообмен в атмосфере; из-за переноса радиации; циркуляции; перемешивания. Детальная оценка возможных механизмов влияния озона может быть получена в результате систематических наблюдений, разработки и реализации достаточно надежных физико-математических моделей.

Наши знания о закономерностях образования, переноса и разрушения атмосферного озона явно недостаточны. И обусловлено это не только сложностью самой проблемы, но и относительно небольшой продолжительностью наблюдений по содержанию и распределению озона в атмосфере. Изучение такого сложного природного феномена, каким является озоносфера Земли, требует длительных, точных измерений с привлечением как наземных, так и спутниковых средств.

В исследованиях использовались спутниковые данные с сайта НАСА ftp://toms.gsfc.nasa.gov/pub/eptoms/data/, получаемые со спутника EP/TOMS, прибор TOMS (Total Ozone Mapping Spectrometer) и наземные данные, полученные в г. Томске с помощью наземного озонометра.

Использованный метод. Атмосфера является сложной неравновесной системой, все компоненты которой взаимосвязаны и взаимообусловлены. Возможность получения аналитических описаний в применении к многомерным, нелинейным, динамичным атмосферным процессам

представляется весьма проблематичной В подобных случаях традиционно используются методы численного моделирования. Однако и они имеют серьезные ограничения в силу высокой сложности объекта исследования, требующего (для получения приемлемой точности) учета в модели десятков и сотен параметров. Тем не менее, даже такие модели, не обеспечивают (в ряде случаев) удовлетворительное качество отображения динамичных, иерархических атмосферных процессов.

Вместе с тем, современные системные методы нейроинформатики позволяют преодолеть этот барьер и вести разработку нелинейных адаптивных моделей теоретически неограниченной степени сложности с учетом множества взаимосвязанных параметров. Использование нейронных сетей дает возможность устранить, при необходимости, наиболее сложную часть -формализацию задачи и строить математическое представление путем "обучения" нейросети по экспериментальным данным.

Среди преимуществ таких моделей можно отметить возможность оценки значимости входных параметров для получения прогностических результатов. Это обстоятельство позволяет извлекать новое знание о соотношении важности различных факторов для формирования, протекания и динамики изучаемых явлений и процессов. Помимо более полных представлений о природе предмета исследования, появляется возможность эффективного упрощения модели с целью экономии вычислительных ресурсов и ускорения получения результатов моделирования и экспертных оценок.

Необходимо подчеркнуть чрезвычайно высокое быстродействие нейросетевых прогностических и экспертных систем при решении поставленных задач, демонстрируемое ими после обучения и составляющее от долей секунды до нескольких секунд (в наиболее сложных случаях, требующих до нескольких суток при использовании традиционных методов численного моделирования).

Основные цели работы

1. Создать методику построения локальных прогнозов общего содержания озона (ОСО) над определенными географическими точками для средних' широт на основе нейронных сетей в условиях жестко лимитированной реальной информации о функционировании атмосферных процессов.

2. Оценить возможность выделения предвестников изменения характерных свойств временного ряда концентрации озона в озоносфере над определенными географическими точками Земной поверхности.

3. Провести сравнительный анализ метода прогнозирования с помощью нейронных сетей с линейным и полиномиальным методами.

4. Исследовать зависимость концентрации озона от циркуляции атмосферы.

Основные положения, выносимые на защиту и научная новизна

В диссертационной работе впервые

1) предложены методы моделирования динамики концентрации озона в озоносфере Земли с использованием нейронных сетей;

2) показано, что точность нейросетевых прогностических моделей

инамики озонового слоя с заблаговременностью 20 дней может

достигать 98 %, которая значительно превышает характерную точность известных атмосферных моделей (80 %));

3) показана возможность выделения предвестников изменения характерных свойств временного ряда концентрации озона в озоносфере над определенными географическими точками Земной поверхности;

4) на основе ряда проведенных исследований подтверждена квазистационарность (консервативность) свойств озонового слоя, позволяющая строить детерминистские прогнозные модели;

5) показано преимущество нейронных сетей для построения сложных атмосферных моделей по сравнению с методами линейного и полиномиального прогноза;

6) показана зависимость концентрации озона в стратосфере от глобальных циркуляционных атмосферных процессов.

Практическая значимость диссертационной работы заключается в

1) разработке нового метода моделирования динамики озонового слоя Земли;

2) создании методики выделения предвестников изменения характерных свойств динамики концентрации озонового слоя;

3) установлении определенного влияния циркуляции атмосферы на озоновый слой Земли.

Полученные результаты внедрены в Институте оптики атмосферы СО РАН (г. Томск), в Красноярском государственном университете и Красноярском государственном техническом университете. На основе выполненных исследований готовится дальнейшее изучение озоносферы Земли с ориентацией на построение глобальных моделей динамики ОСО.

Достоверность результатов работы подтверждается корректным применением методов нейроинформатики; экспериментальными данными, полученными спутниковыми и наземными методами; результатами, опубликованными в литературе.

Личный вклад. Автором впервые предложены и использованы методы моделирования динамики озонового слоя на базе нейронных сетей Работа полностью проведена автором самостоятельно.

Апробация работы. Основные результаты диссертационной работы докладывались на следующих конференциях:

1) Международная конференция "Физика ионосферы и атмосферы Земли" (Иркутск, 1998 г.);

2) 7-й Международный симпозиум "Оптика атмосферы и океана" (Томск, 2000 г.);

3) VII Всероссийская конференция "Нейрокомпьютеры и их применение" с международным участием "НКП-2001" (Москва, 2001 г.);

4) VIII объединенный международный симпозиум "Оптика атмосферы и океана. Физика атмосферы" (Иркутск, 2001 г.);

5) Всероссийская научно-практическая конференция "Химико-лесной комплекс - проблемы и решения" (Красноярск, 2001 г.);

6) Международная научно-практическая конференция "Сибирский авиакосмический салон" (САКС-2001) (Красноярск, 2001 г.);

7) VIII Всероссийская конференция "Нейрокомпьютеры и их применение" с международным участием "НКП-2002" (Москва, 2002 г.);

8) II Всесибирский конгресс женщин-математиков (в день рождения Софьи Васильевны Ковалевской) (Красноярск, 2002 г.);

9) Международная конференция "Континуальные алгебраические логики, исчисления и нейроматематика в науке, технике и экономике - КЛИН-2002" (Ульяновск, 2002 г.);

10) IX объединенный международный симпозиум "Оптика атмосферы и океана. Физика атмосферы" (Томск, 2002 г.);

11) V Всероссийский семинар "Моделирование неравновесных систем" (Красноярск, 2002 г.).

12) V Всероссийская научно-техническая конференция "Нейроинформатика-2003" (Москва, 2003 г.);

13)Х объединенный международный симпозиум "Оптика атмосферы и океана. Физика атмосферы" (Томск, 2003 г.);

14) VI Всероссийская научно-техническая конференция "Нейроинформатика-2004" (Москва, 2004 г.).

Публикации. По теме диссертации опубликовано 22 печатные работы.

Работа поддержана грантом Красноярского краевого фонда науки №^181С

Структура и объем диссертации. Диссертация состоит из введения, трех глав, заключения, приложений и списка использованных источников. Основное содержание работы изложено на 125 страницах текста, содержит 36 рисунков, 3 таблицы. Список использованных источников включает 115 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы исследования, рассматривается состояние научной разработанности проблемы, формулируется объект, предмет, цель и задачи исследования, определяется его теоретико-методологическая основа, излагаются научная новизна и практическая значимость полученных результатов, апробация основных положений работы, а также кратко изложено ее содержание и структура.

ПЕРВАЯ ГЛАВА- "ОЗОН В АТМОСФЕРЕ"

Первый раздел - "Свойства озона"

Дано краткое описание озоносферы. Рассмотрены ее физические и химические характеристики.

Второй раздел - "Образование и разрушение стратосферного озона"

Показано образование и разрушение озона верхней стратосфере.

Третий раздел - "Динамика озоносферы"

Первый параграф - "Процессы переноса в атмосфере"

Показаны меридиональные, широтные процессы переноса в атмосфере и перемещения воздушных масс в столбе атмосферы. Описаны связь ОСО с сибирским и азорским антициклонами, вклад озона в парниковый эффект.

Второй параграф — "Озон и циркумполярный вихрь"

Показано, что одними из важнейших динамических факторов, от которых зависит пространственно-временное распределение и вариации озона являются атмосферные вихри: циклоны и антициклоны. Центры действия атмосферы (ЦДА), которые представляют собой области низкого или высокого давления определяют среднее распределение течений общей циркуляции атмосферы. Далее описано влияние ЦДА на вариации ОСО в различных регионах, влияние полярного вихря из высоких арктических широт, сезонное изменение полярного вихря и его влияние на перенос ОСО, изменение ОСО по высотам.

Третий параграф — "Озон и солнечная активность"

Дается понятие солнечной активности. Предполагаемая зависимость озона от солнечной активности (характеризуемой числом Вольфа (№)) может быть звеном связи между космосом и стратосферой или тропосферой. Однако, этой корреляционной связи обнаружить не удалось. Наилучшая связь обнаружилась между общим содержанием озона и интенсивностью ультрафиолетового излучения.

Четвертый параграф - "Антропогенное воздействие на озон"

Показано разрушающее влияние на озоновый слой различных химических веществ. Предполагается, что ограничение и запрещение использования подобных веществ приведет к постепенному восстановлению озонового слоя.

Пятый параграф — "Озоновые дыры"

Явление "озоновой дыры" состоит в устойчивом уменьшении общего содержания озона в околополюсной зоне в сентябре - октябре, а также в более позднем наступлении весеннего максимума. Существуют две гипотезы образования "озонной дыры": антропогенная фотохимическая и метеорологическая.

Четвертый раздел - "Модели атмосферы и озоносферы земли"

Здесь рассмотрены существующие модели атмосферы. Дана их краткая характеристика.

Пятый раздел - "Адаптивные модели"

Многомерные, нелинейные, динамичные (неравновесные) атмосферные процессы весьма сложны для применения к ним аналитических описаний. В подобных случаях часто бывают эффективны методы численного моделирования. Однако традиционные методы численного моделирования имеют принципиальные ограничения. Они выявлены в работе [Бытев В.О., 2000 г.]. Преодолеть эти ограничения позволяют адаптивные модели и, в частности, нейронные сети [Панкин Ю.П., Хлебопрос Р.Г., 2001 г.]. Эффективность нейронных сетей для решения сложных нелинейных задач теоретически обоснована в работе [Горбань А. Н, 1998 г.]. В ней показано, что нейросетевые структуры позволяют получить сколь угодно точное приближение любой непрерывной функции многих переменных.

Шестой раздел - "Методы и приборы для измерения озона"

Спектрометр Добсона. Измеряют поглощение солнечного излучения в двух спектральных интервалах. При этом длины волн для каждого из этих

интервалов подбирают таким образом, чтобы, с одной стороны, коэффициент поглощения излучения озоном различался для них как можно сильнее, а с другой - различие в самих величинах А.| и было как можно меньше. Для реализации используются пары линий в ближней ультрафиолетовой части спектра (например, 305,5 и 325,4 нм). Наиболее широко применяемый во всем мире для проведения наблюдений за количеством озона спектрометр Добсона представляет собой комбинацию спектральной (для выделения нужных длин волн) и измерительной (для регистрации наблюдаемой интенсивности) аппаратуры, разработанной с учетом специфики спектральных измерений в озонометрии, где требуется не как можно более точное представление всего спектра, а тщательный анализ лишь выбранной пары достаточно узких спектральных интервалов.

Спутниковые методы. Отмечается, что в настоящее время наиболее распространен спутниковый метод определения вертикального распределения озона по измерениям рассеянного "назад" ультрафиолетового излучения Солнца. Например, на спутнике ЕР/TOMS был разработан и установлен прибор TOMS (Total Ozone Mapping Spectrometer). Эти измерения возможны только на освещенной стороне Земли. Практически они реализуются на солнечно-синхронных полярных орбитах наклонением, близким к 90°. Описаны устройство прибора, технология проведения орбитальных измерений и метод расчета ОСО.

Лидарные станции. Приведен пример Сибирской лидарной станции, более десяти лет проводящей оптический мониторинг озоносферы с помощью УФ-лидара над г. Томск. Вследствие этих измерений можно оценивать состояние озонового слоя, влияние на него динамических и фотохимических факторов, фиксировать стратосферные изменения в целом. Сигналы принимаются ночью в режиме счета фотонов. Для их обработки применяется метод дифференциального поглощения и рассеяния.

Измерения с помощью авиации. Описан комплекс аппаратуры для дистанционных измерений и измерений "in situ" на борту высотного самолета М55 "Геофизика". С помощью этого комплекса в сентябре-октябре 1999 г. в научной экспедиции изучались физические и химические процессы на границе и внутри антарктического полярного циклона. На борту были установлен прибор -хемилюминесцентный озонометр FOZAN-II (Fast OZone ANalyzer) малоинерционный двухканальный автоматический прибор для измерения концентрации озона в атмосфере.

Измерения с помощью озонозондов. На примере метеорологической станции Якутск (62° N, 130° Е) описаны регулярные баллонные измерения вертикального распределения озона в зимне-весенний период, проводимые с 1995 г. Для этого используется озонозонд ЕСС. В него входит электрохимическая ячейка, сопряженная с радиозондом VALS-ALA.

Седьмой раздел - "Выбор и обоснование подхода"

В настоящее время главным инструментом климатических исследований, особенного глобального масштаба, там, где наблюдения и эксперименты или невозможны, или трудоемки и дороги, и не могут дать полной картины явления,

становятся методы математического моделирования (Смышляев СП., Панин Б.Д., Анискина О.Г., 1999 г.).

Существует ограниченное число численных моделей атмосферы, включающих динамику озонового слоя. Далее рассмотрены причины этой ограниченности и недостатки имеющихся математических моделей. Исходя из рассмотренных трудностей и перспективности нейросетевых технологий для их преодоления, показанной ранее, указывается на необходимость развития нейросетевых методов моделирования атмосферных процессов.

Наиболее перспективными для построения атмосферных моделей являются нейронные сети с самостоятельной адаптацией (Басканова Т.Ф.,Ланкин Ю.П., 2000 г.; Ланкин Ю.П., Хлебопрос Р.Г., 1999 г.). К сожалению, универсальные математические пакеты, реализующие эти алгоритмы, на сегодня отсутствуют.

Разработка подобного программного обеспечения, необходимого уровня, требует высокой квалификации в этой научной области. Так, разработка известных нейросетевых пакетов "NeuroPш" (Царегородцев В.Г, 2000 г.) и "Модель" (Щемель АЛ., 2002 г.) явилась результатом многолетних исследований и защиты кандидатских диссертаций. Подобные исследования не являются целью данной работы.

По этой причине для построения моделей динамики озоносферы в диссертации использована одна из лучших современных нейросетевых программ - упомянутая выше программа "Модель".

Необходимо отметить, что на сегодня отсутствуют математические модели, предназначенные непосредственно для прогноза состояние озонового слоя. В связи с важностью изучения озонового слоя и построения его моделей, обоснованной в разделе 1.1, и высокой эффективностью нейросетевых методов, рассмотренной в разделе 1.3, представляется необходимым решить в данной работе следующие задачи: создать методику построения локальных прогнозов ОСО над определенными географическими точками для средних широт на основе нейронных сетей в условиях жестко лимитированной реальной информации о функционировании атмосферных процессов; оценить возможность выделения предвестников изменения характерных свойств временного ряда концентрации озона в озоносфере над определенными географическими точками Земной поверхности; провести сравнительный анализ метода прогнозирования с помощью нейронных сетей с линейным и полиномиальным методами; исследовать зависимость концентрации озона от циркуляции атмосферы.

Восьмой раздел - "Выводы к главе 1"

Как для своевременной и оперативной подготовки научных исследований и экспериментов, так и для своевременного предотвращения нежелательных последствий экстремальных значений ОСО на биосферу и человека необходима разработка методов долгосрочного прогноза изменений ОСО в атмосфере отдельных географических районов. Выбор нейросетевых технологий для построения моделей динамики озонового слоя является актуальным и своевременным.

ВТОРАЯ ГЛАВА - "НЕЙРОСЕТЕВЫЕ МОДЕЛИ ДИНАМИКИ ОЗОНОВОГО СЛОЯ"

Созданию описанных ниже методов построения нейросетевых моделей предшествовал длительный этап исследований, направленных на поиск атмосферных данных и определение корреляций между доступными данными и временными рядами ОСО, а также на определение способа наилучшего представления данных в моделях (включая удаление трендов, масштабирование и др.).

Рассмотрение различных вариантов представления данных, в число которых входили температура, давление, солнечная активность, сезонные циклы и другие показало, что наиболее эффективным методом построения моделей на данном этапе исследований является прямая работа с временными рядами ОСО без привлечения дополнительной информации.

Первый раздел - "Самоадаптирующиеся нейронные сети"

Приведен один из вариантов алгоритма самостоятельной адаптации. Эти алгоритмы обладают уникальными возможностями по созданию пространственно-временных моделей теоретически неограниченной сложности. Они предназначены для нового поколения нейросетей и нейрокомпьютеров.

Алгоритм двойственного функционирования. Приведен один из вариантов алгоритма двойственного функционирования. Алгоритм входит в число лучших алгоритмов нынешнего поколения нейронных сетей. Он позволяет строить высокоэффективные локальные пространственно-временные модели (до 10 тактов во времени и/или 10 последовательных соединений) при неограниченном числе нейронов для полносвязных сетей, а также для слоистых сетей с несколькими слоями. Предложенные ниже методы долгосрочных прогнозов позволили обойти упомянутые ограничения.

Второй раздел — "Методика построения моделей"

Общие методы работы с данными. В процессе создания прогнозов ОСО в стратосфере использовалась нейросетевая программа "Модель", функционирующая на основе алгоритма двойственного функционирования, интегрированная в электронную таблицу Excel. Это обстоятельство позволило широко использовать возможности Excel для предварительной и последующей обработки данных, а также создать ряд программ на языке Visual Basic. Функционирование формального нейрона нейросети в использованной программе описывается уравнением:

Yi = y£Jajsm[j^bkjXk ,

где Y( - выход /-го нейрона, i=l,...,N", N- количество нейронов; М - число входов нейронной сети; Xi,...,X$ - значения ОСО; а, в - подстроечные коэффициенты нейронной сети.

Далее описаны общие особенности работы с нейросетевыми моделями и данные, использованные в диссертационной работе.

Метод прогнозирования одного значения вперед. Этот метод прогнозирования представляется наиболее простым и надежным, поскольку

наиболее легко позволяет оперативно отслеживать краткосрочные тенденции, ведущие к изменению свойств временного ряда за счет постоянного доучивания нейросетевой модели по вновь поступающим данным. Представляется, что он может иметь особенно большое значение в случае возможных атмосферных катаклизмов (способных нарушить сбалансированность атмосферных процессов), вызванных идущим на планете глобальным экологическим кризисом, сказывающимся на устойчивости климатической машины Земли. Обоснованность прогнозирования в условиях нестабильности атмосферных процессов рассматривается в главе 3, где продемонстрирована возможность построения краткосрочных прогнозов на участках скачкообразного изменения свойств временного ряда ОСО.

Скользящий прогноз делается по нескольким значениям ряда ОСО на один шаг вперед во времени относительно последнего значения. В разделе 2.3. продемонстрировано использование метода для периодов различной длительности и с различным шагом по времени: почасовой, среднесуточный, среднемесячный и среднегодовой прогнозы ОСО.

Метод прогнозирования нескольких значений вперед. В отличие от предыдущего метода, нейронная сеть прогнозирует множество будущих значений временного ряда ОСО. Как и в предыдущем случае, использованная в программе "Модель", "слоистая11, архитектура сети, не позволяет напрямую работать с пространственно-временными паттернами. Для преодоления этой проблемы было предложено преобразовывать прогнозируемый отрезок временного ряда ОСО в его пространственное представление, путем отображения его на вектор выходных значений нейронной сети по аналогии с решением, найденным для исходного отрезка временного ряда ОСО.

Для краткости назовем такие прогнозы "векторными прогнозами ОСО".

Благодаря структуре матрицы исходных данных в программе "Модель", содержащих, как входные, так и выходные (образцовые) значения ОСО, их подготовка принципиально не отличается от предыдущего метода. Различие заключается в длине выходного вектора, и, как следствие, в числе столбцов матрицы исходных данных.

Коллективы точечных предикторов для долгосрочных прогнозов. Данный метод объединяет достоинства двух предыдущих методов построения прогнозных моделей ОСО на нейронных сетях. Он позволяет упростить структуру отдельной нейронной сети и уменьшить время ее обучения, с одной стороны, и сохранить возможность построения долговременных прогнозов, с другой.

Отображение временного ряда на заданное число шагов вперед предложено выполнять коллективом нейронных сетей, прогнозирующих по одному значению на заданное для каждой сети число шагов временного ряда в будущее, то есть каждому шагу временного ряда (в будущее) соответствует свой нейросетевой предиктор. В результате, вектор значений временного ряда формируется ансамблем нейронных сетей.

Для краткости назовем такие прогнозы "ансамблевыми прогнозами ОСО".

Операции подготовки данных для описанных выше методов могут

выполняться как вручную, так и программно.

Выбор шага по шкале времени. Реальная динамика озоносферы не ограничена каким-то одним интервалом времени. Детальное ее рассмотрение показывает, что существует огромное количество процессов различной длительности, требующих изучения, моделирования и понимания. По этой причине в работе было принято решение не ограничиваться исследованием возможностей нейросетевых технологий на одном временном интервале, а рассмотреть все возможные диапазоны представления ОСО в моделях, ограниченные снизу и сверху доступными на сегодня науке данными.

Нейроинформатика обладает большим потенциалом для построения моделей динамики озонового слоя в широком диапазоне временных шкал. Для оценки этих возможностей были предложены методы, основанные на выделении следующих шагов моделирования на шкале времени: почасовые, среднесуточные, среднемесячные, среднегодовые изменения.

Можно предположить, что в озоносфере присутствуют и более короткопериодические колебательные процессы, чем рассмотренные, однако информации о проведении таких измерений обнаружить не удалось. Следует отметить, что существуют косвенные методы оценки ОСО на больших периодах времени, основанные на дендрохронологических и, возможно, палеонтологических, данных. Их наличие дало бы основания для построения соответствующих моделей.

В соответствии с перечисленными методами в разделе 2.3 описаны исследования по построению нейросетевых моделей ОСО для выделенных временных интервалов.

Оценка возможностей нейросетевых моделей ОСО. Для создания прогностической модели использована выборка данных по ОСО за период с 1 января 1996 г. по 31 октября 1998 г. Обучение нейросети велось на промежутке с 1.01.96 по 13.06.98, а прогноз выполнялся на тестовом участке с 14.06.98 по 31.10.98. Несмотря на высокую сложность динамики временного ряда ОСО, усиленную отсутствием предварительной обработки данных и наличием пропусков в данных, нейросетевая модель продемонстрировала хорошее качество прогноза на период с июня по октябрь 1998 г.

Третий раздел - "Построение краткосрочных прогнозов ОСО"

Первый параграф - "Почасовой прогноз ОСО"

Для прогнозирования значений ОСО в течение суток были взяты данные наземных измерений над городом Томск (56° сев. ш., 84° вост. д.; Россия) с 16 по 31 марта 1996, 1997, 1998 и 1999 гг. Исследуемый месяц является самым сложным, так как перепад между минимальным и максимальным значением ОСО достигает 150 ед. Д. Прогнозируемый период времени - 30-е и 31-е марта каждого из этих четырех лет. Обучение производилось на промежутке с 16 по 29 марта.

Нейросеть состояла из семи формальных нейронов (N=7) для 1996 г., N = 5 -для 1997 г.^ = 9-для 1998 г., ^ 10-для 1999 г.

Прогноз ОСО на 30 н 31 марта 1996 г.

450 "^400

г

¿350 О

О 300 250

V_

к*

——Озон — Прогноз Прогноз

»Л Г>

П М (Л О С1 м

Днн

Рис. 1

На рис. 1 показан график фактического количества ОСО на период с 16 по 31 марта 1996 г. и кривая прогноза на 30-е и 31-е марта этого же года. Видно, что 30-го марта, в прогнозируемый период, наблюдается резкое сокращение количества озона, примерно на 100 единиц Добсона (ед. Д.). Несмотря на резкое изменение свойств временного ряда, нейронная сеть оказалась способной спрогнозировать это падение. Коэффициент корреляции между прогнозируемой кривой и фактической на рис. 1 составляет R = 0,97.

Второй параграф - "Среднесуточный прогноз ОСО"

Для изучения среднесуточных колебаний ОСО были взяты данные наземных измерений над г. Томск (56° сев. ш., 84° вост. д.; Россия), с 1 января 1996 г. по 31 октября 1998 г. При обучении ставилась задача генерации нейросетью значения, одной последующей точки (на заданный год, месяц и день) по шести предыдущим. Нейросеть состояла из десяти формальных нейронов (Ы= 10). Обучение нейросети велось на промежутке с 1 января 1996 г. по 13 июня 1998 г., а прогноз выполнялся на тестовом участке с 14 июня 1998 г. по 31 октября 1998 г. Коэффициент корреляции между прогнозной кривой и фактической составил R = 0,95 (рис. 2).

Прогноз ОСО с 14.06 по 31.10 1998 г.

500

г «« о

О 300

о

-Озон ■ Прогноз .

Дит.

Рис. 2

Третий параграф — "Среднемесячный прогноз ОСО"

Для построения моделей были выбраны 4 временных ряда среднемесячных значений ОСО над удаленными друг от друга географическими точками -города Бельск (52° сев. ш., 20° вост. д.; Польша), Ленинград (60° сев. ш., 30° вост. д.; Россия), Эдмонтон (53° сев. ш., 113° зап. д.; Канада), временной ряд наземных измерений над городом Томск (56° сев. ш., 84° вост. д.; Россия), с января 1996 г. по май 1999 г. Нейронная сеть была обучена на выборке данных

за период с февраля 1963 г. по август 1975 г. Коэффициенты корреляции между прогнозной кривой и фактической составили Я = 0.96-0.99. На рис. 3 представлен график прогноза среднемесячных значений ОСО над городом Бельск за период с сентября 1975 г. по август 1977 г.

Четвертый параграф - "Среднегодовой прогноз ОСО"

Для построения прогноза была выбрана кривая среднегодовой концентрации ОСО над станцией Ароза (9°40' сев. ш., 46°45' вост. д., Швейцария). Обучающая выборка состояла из 45-и значений концентрации ОСО, а тест включал 8 значений. Для создания модели использовалась нейронная сеть, состоящая из 11-и нейронов. Коэффициент корреляции между кривыми, заданной и прогнозируемой, получился равным Я = 0,93.

Полученные результаты показали возможность построения локальных прогнозных моделей на основе нейронных сетей в условиях недостатка реальной информации о функционировании атмосферных процессов.

Такие обнадеживающие результаты прогноза временной динамики концентрации озона нейросетями, полученные на реальных данных, включающих одну лишь предысторию процесса (без учета влияющих факторов), подтверждают тезис об эффективности использованной методологии и позволяют перейти к построению многоточечных моделей динамики концентрации ОСО в озоносфере.

Пятый параграф - "Интегральный прогноз по нескольким удаленным точкам"

Проведенные эксперименты позволили перейти к прогнозированию озоновой динамики для различных географических точек планеты в рамках одной модели. С целью оценки возможности построения прогностических моделей с пространственно удаленными координатами точек на столь ограниченных данных были проведены численные эксперименты обучения и прогноза по всем трем точкам (рассмотренным в разделе 2.3.3) одновременно. Отличием от проведенных выше экспериментов являлась дополнительная подача на вход нейросети географических координат городов Бельск, Ленинград и Эдмонтон с целью указания нейросети на индивидуальные особенности прогноза над конкретной точкой земной поверхности. Средние ошибки полученных прогнозов незначительно отличаются от полученных в "локальных" моделях предыдущего параграфа и составляют, соответственно 1,02%, 0,38% и

Прогноз ОСО с 09.75 по 08.77 (Бсльск)

400

Рис. 3

0,34% процента от величины концентрации озона. Средняя ошибка прогноза нейросетевой модели по всем трем удаленным географическим точкам составляет 0,58%.

Четвертый раздел - "Полиномиальный и линейный прогноз ОСО"

Для всех исследуемых периодов данных ОСО (почасовые, среднесуточные, среднемесячные, и среднегодовые) были построены линейный и полиномиальный прогнозы. Для этого были написаны программы на языке "Visual Basic". Аналогичные прогнозы выполнялись для нейросетевой прогнозной модели на том же участке временного ряда ОСО. Входные и выходные данные линейных и полиномиальных моделей точно соответствовали аналогичным данным нейросетевых моделей. По трем последовательно взятым точкам прогнозировалась четвертая и пятая. Построение линейной регрессии сводилось к определению параметров а и b в уравнении вида у = а х + Ь для исследуемого временного ряда концентрации озона. Затем, 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 a, b и с для уравнения вида у = ах2 + b + с. Затем определялись четвертое и пятое значения ОСО. Полученные корреляции с реальной кривой ОСО прогнозов 4-ой точки для: линейного R = 0,89, полиномиального R = 0,69, нейросетевого R = 0,95. Для 5-ой точки, соответственно: R = 0,83, R = 0,39, R = 0,9. Таким образом, преимущество нейросетевых методов перед простыми моделями очевидно.

Пятый раздел - "Построение долгосрочных прогнозов ОСО"

Первый параграф - "Векторный прогноз ОСО"

Для прогнозирования использовались данные наземных измерений над г.Томск за 2001г. В используемом методе 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. В описываемых исследованиях выполнялось предсказание 7 среднесуточных значений ОСО по 26 предыдущим. Число примеров для обучения нейросети составляло от ста до трехсот. Коэффициент корреляции между кривыми реального временного ряда ОСО и ряда, спрогнозированного нейросетью, составил, в данном случае, 0,87.

Второй параграф - "Ансамблевый прогноз ОСО"

Для выполнения численных экспериментов по построению долгосрочных прогнозов использовались данные наземных измерений ОСО над г. Томск за 2001 г. В данном методе 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. Соответственно, метод получил название "ансамблевого прогноза". Здесь также прогнозировалась среднесуточная величина ОСО, но уже на период 14 дней. Корреляция между реальной и прогнозной кривой ОСО и составила R = 0,84.

Из описанных в данном разделе экспериментов можно сделать два вывода. Во-первых, свойства озонового слоя квазистационарны, поскольку позволяют строить прогнозы будущих состояний ОСО детерминистскими (нейросетевыми) методами. Во-вторых, возможности нейронных сетей не сводятся к построению прогнозов "вчерашнего дня" (завтра будет примерно так же, как сегодня), а позволяют предсказать состояния озонового слоя в долгосрочных прогнозах.

Шестой раздел - "Построение долгосрочных прогнозов среднемесячных значений ОСО для северного полушария"

Для выполнения численных экспериментов по построению долгосрочных прогнозов использовались среднемесячные данные спутниковых измерений ОСО, опубликованные в сети Интернет за период с августа 1996 г. по январь 2004 г.

Было посчитано одно усредненное значение ОСО за каждый месяц для трех областей северного полушария соответственно: западной (с 0° по 90° з. д. и с 0° по 90° в. д., с 0° по 90° с. ш.); восточной (с 90° по 180° з. д., с 90° по 180° в. д., с 0° по 90° с. ш.); для всего северного полушария (0° по 180° з. д. и с 0° по 180° в. д., с 0° по 90° с. ш.). На рис. 4 показан график среднемесячных значений ОСО для западной области северного полушария.

Среднемесячные значения ОСО (запад)

З350 о 300 и

о 250

200

чЛЛМХЛЛ,

-Озон!

¿В-* «-Л х «5 2« Б ¿¿а * 5 & ^

я 5 8 § 1-8.8..1 а а § а з з § §.гз

Месяцы.

Рис.4

2 350 о 300 ° 250 200

Прогноз 4-х значений (восток)

——О юн Прогноз Прогноз

4

Месяцы <

Рис.5

В описываемых исследованиях выполнялось предсказание четырех среднемесячных значений ОСО по десяти предыдущим для указанных периодов и областей. Соответственно, нейронная сеть имела 4 выхода. На рис. 5

изображена кривая реального временного ряда ОСО и соответствующая ей кривая, спрогнозированная нейросетью для восточной области, включающая 4 среднемесячных значения выходного вектора (с октября 2003 г. по январь 2004 г). Коэффициент корреляции между кривыми реального временного ряда ОСО и ряда, спрогнозированного нейросетью, составил, в данном случае, 0,96.

Как видно из рис.4, кривая среднемесячных значений ОСО имеет вид тригонометрической функции (вшх, еовх) с периодом 1 год. Поэтому прогнозирование с помощью нейронных сетей происходит быстро и качественно.

Седьмой раздел — "Связь вариаций ОСО с пространственно-временными особенностями общей циркуляции атмосферы*'

К настоящему времени можно считать установленным, что географическое распределение озона, его годовые, межсуточные и другие колебания невозможно объяснить, не принимая во внимание циркуляцию атмосферы. Изменчивость озона - наиболее характерная черта его режима в атмосфере. Связь этих вариаций с пространственно-временными особенностями общей циркуляции атмосферы является важным предметом исследования. На этом пути возможен как прогноз режима озона, так и информация о некоторых трудно наблюдаемых особенностях циркуляции атмосферы, индикатором которых может оказаться режим состояния озона.

Первые группы циркуляции атмосферы (названные озоноактивными) переносят воздушные массы, богатые озоном, и способствуют повышению его общего содержания, а вторые (деозонирующие) .— бедные озоном и способствуют снижению его содержания в районе наблюдения, т. е. из взаимодействия этих двух типов обобщенных групп циркуляции и рождается результат географического распределения озона.

Существуют следующих обобщенных групп циркуляции атмосферы: широтная западная (ШЗ), долготная северная (ДС), долготная южная (ДЮ), широтная западная и долготная южная (ШЗДЮ), широтная западная и стационарное положение (ШЗСП), долготная северная и стационарное положение (ДССП), долготная северная и широтная западная (ДСШЗ), долготная северная и долготная южная (ДСДЮ), долготная южная и стационарное положение (ДЮСП) (Басманов Е.И., 1983, "Метеорология и гидрология", № 9). Басмановым было показано, что группы циркуляции ШЗ и ДС совпадают с годовым ходом озона с опережением на три месяца.

Нами были взяты данные среднемесячных значений ОСО, усредненных для двух областей северного полушария соответственно: с 90° з. д. по 89° в. д.; с 90° в.. д. по 80° з. д.; для всего северного полушария. Используя корреляционно-экстремальный алгоритм для ряда ОСО всего северного полушария и ряда разности между соответствующими по времени значениями ОСО восточной и западной областей северного полушария, смещенной на три значения (три месяца) вперед, нами было получено, что Коэффициент корреляции Я = 0,71 достигает максимума при смещении на три месяца вперед (рис. 6), что совпадает с даннымы Басманова Е.И.

18 осо

север в-з(смсщеиие на з мсс.)

Месяцы

Рис. 6

Из рис. 6 видно, что происходит запаздывание годового хода озона на три месяца в восточной части северного полушария относительно западной, что подтверждает связь вариаций параметров озонового слоя и обобщенных групп общей циркуляции атмосферы и совпадает с данными Басманова.

Восьмой раздел - "Выводы к главе 2"

Предложены методы и выполнен ряд экспериментов по прогнозированию общей концентрации озона в стратосферно-тропосферном слое (озоносфере) с помощью нейронных сетей. Показана высокая перспективность использования нейронных сетей для моделирования атмосферных процессов.

Построены локальные прогнозы общего содержания озона (ОСО) (на основе предложенных, методов) над определенными географическими точками для средних широт в условиях жестко лимитированной реальной информации о функционировании атмосферных процессов. А также - прогнозы для различных периодов времени: почасовой, среднесуточный, среднемесячный, среднегодовой. Построены прогнозы для трех локальных точек озоносферы над земной поверхностью в рамках единой нейросетевой модели в одни и те же моменты времени.

Проведен сравнительный анализ метода прогнозирования с помощью нейронных сетей с линейным и полиномиальным методами и показаны преимущества нейросетевых методов. В частности, продемонстрирована возможность построения нейросетевых моделей для долговременных "векторных" и "ансамблевых" прогнозов ОСО.

Построены "векторные" прогнозы среднемесячных значений ОСО, усредненных отдельно для восточной и западной областей северного полушария, и для всего северного полушария.

Подтверждена связь вариаций ОСО с особенностями общей циркуляции атмосферы.

ТРЕТЬЯ ГЛАВА - "ПРИЧИНЫ. ИЗМЕНЕНИЯ СВОЙСТВ ВРЕМЕННЫХ РЯДОВ ОСО"

Первый раздел - "О выявлении "предвестников" изменений закономерностей временных рядов"

Как показано в главе 2, нейросетевые модели предсказывают 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, когда возникает необходимость смены предиктора. Для нейросетевых моделей удобным способом является удаление отдельных точек временного ряда, используемых для прогноза. В этом случае индикатором существенного изменения свойств временного ряда на последующем участке будет являться разность между обычным прогнозом и прогнозом с удалением отдельных точек. Очевидно, что нейронная сеть, используемая для оценки этой разности, должна быть предварительно обучена.

Второй раздел - "Эксперименты по прогнозированию О СО с удалением значений"

На кривой концентрации озона можно выделить "спокойные" и "сложные" периоды. В спокойные периоды точность прогнозов получается выше и обучение нейросети происходит быстрее. 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. Моделирование сложных участков выполнялось для периодов: октябрь-декабрь 1996 г., февраль 1997 г., июль-август 1998 г., март-апрель 1999 г. Созданные прогностические модели по трем последовательным значениям временного ряда предсказывали одно значение концентрации озона на четвертый день. Затем, в соответствии с описанной выше методикой, из входного вектора нейронной сети, поочередно удалялись отдельные значения.

Прогноз ОСО на 26 сентября 1996 г.

2 400

1 300

200

|аосо|

кя _ 161

Вт 31' Я Я га 11

о

СП

<ч

Рис.7 .

Столбики гистограммы на рис. 7 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.

Из рис. 7 видно, что полученные значения ОСО не совпали с реальным значением и со значением, полученным без удаления отдельных точек. Эта ситуация является типичной. 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, даюшего максимальную ошибку.

Третий раздел - "Анализ результатов экспериментов" Предварительное представление о возможности разделения "спокойных" и "сложных" участков временного ряда ОСО можно получить с помощью оценки дисперсии ошибок прогнозной модели. Оценки по критерию Пирсона, выполненные на уровне значимости 0,05, показывают, что на обоих типах участков ошибки, генерируемые прогнозной моделью, распределяются по нормальному закону. В то же время, дисперсии ошибок для "спокойных" и "сложных" участков значительно различаются. Тем не менее, проведенные численные эксперименты не позволили однозначно разделить "спокойные" и "сложные" участки временного ряда ОСО. Вместе с тем, качество нейросетевого прогноза на "сложных" участках оставалось достаточно высоким.

•Е 'Е

С <1

Рис.8

Эти факты указывают на наличие предвестников быстрых изменений, с одной стороны, и сохранение характера функциональных зависимостей на всех участках ряда ОСО, а, следовательно, на квазистационарность динамики природных процессов в озоносфере - с другой.

Четвертый раздел — "Физическая интерпретация результатов" 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. Это влияние можно оценить по результатам спутникового мониторинга изучаемой местности. Если сравнивать карты общего содержания озона за соседние дни, то можно определить скорость смещения

воздушных масс и направление перемещения плотностей озонового слоя (вычислением корреляций) на высотах максимального содержания озона в 18-25 км. 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 показывает, что этой ошибке соответствует наибольшая скорость движения воздушных масс (и соответственно концентрации озона). Соответствующие изменения можно проследить на рис. 8 (а - 23.09, Ь - 24.09, с - 25.09, й - 26.09 1996 г.).

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. С другой стороны, качество прогноза нейросети на "сложных" участках в целом остается достаточно высоким. Это подтверждает выдвинутый ранее тезис о квазистационарности свойств озонового слоя.

Пятый раздел — "Выводы к главе 3"

Оценена возможность выделения предвестников изменения характерных свойств временного ряда концентрации озона в озоносфере в ряде выбранных точек над земной поверхностью. Показано наличие таких предвестников, позволяющих сохранять возможность прогноза на "сложных" участках, и неоднозначность результатов при попытках их выделения. Неоднозначность выделения предвестников связана с сильным изменением свойств функции, описывающей динамику временного ряда, но не ее полной заменой. Сохранение высокого качества нейросетевых прогнозов на "сложных" участках временного ряда ОСО позволило сделать вывод о квазистационарности свойств озонового слоя Земли.

ВЫВОДЫ ПО ДИССЕРТАЦИИ

1) Предложены методы моделирования динамики концентрации озона в озоносфере Земли на основе нейронных сетей.

2) Построены локальные прогнозы общего содержания озона (ОСО) (на основе предложенных методов) над определенными географическими точками для средних широт в условиях жестко лимитированной реальной информации о функционировании атмосферных процессов. А также - прогнозы для различных периодов времени: почасовой, среднесуточный, среднемесячный, среднегодовой. Построены прогнозы для трех локальных точек озоносферы над земной поверхностью в рамках единой нейросетевой модели в одни и те же моменты времени.

3) Оценена возможность выделения предвестников изменения характерных свойств временного ряда концентрации озона в озоносфере в ряде выбранных точек над земной поверхностью. Показано наличие таких предвестников, позволяющих сохранять возможность прогноза на "сложных" участках, и неоднозначность результатов при попытках их выделения. Неоднозначность выделения предвестников связана с

сильным изменением свойств функции, описывающей динамику временного ряда, но не ее полной заменой. Сохранение высокого качества нейросетевых прогнозов на "сложных" участках временного ряда О СО позволило сделать вывод о квазистационарности свойств озонового слоя Земли.

4) Проведен сравнительный анализ метода прогнозирования с помощью нейронных сетей с линейным и полиномиальным методами и показаны преимущества нейросетевых методов. В частности, продемонстрирована возможность построения нейросетевых моделей для долговременных "векторных" и "ансамблевых" прогнозов ОСО.

5) Показана связь вариаций параметров озонового слоя от обобщенных групп общей циркуляции атмосферы.

ЗАКЛЮЧЕНИЕ

Исследование озонового слоя Земли и прогноза его состояния относится к числу важнейших глобальных экологических проблем. Озоносфера является естественным экраном, не пропускающим к земной поверхности значительную часть ультрафиолетового излучения Солнца, которое оказывает вредное влияние на биологические объекты. Разрушение озонового слоя может привести к целому ряду негативных последствий для человека, животных и растений. В частности, большое внимание исследователей привлекла проблема так называемых "озоновых дыр".

В связи со сложной и труднопредсказуемой динамикой содержания озона в атмосфере, заметно влияющей на экологическую ситуацию на планете, исследование причин межгодовых и десятилетних вариаций параметров стратосферы и разработка методов предсказаний будущего состояния озонового слоя имеют большое научное и практическое значение.

В диссертационной работе предложены методы и выполнен ряд экспериментов по прогнозированию общей концентрации озона в стратосферно-тропосферном слое (озоносфере) с помощью нейронных сетей. Показана высокая перспективность использования нейронных сетей для моделирования атмосферных процессов.

В отличие от традиционных моделей, нейросетевые модели не ограничены сложностью, и, при необходимости, позволяют проводить теоретически неограниченное их усложнение путем учета все большего количества факторов и взаимосвязей [Ланкин Ю.П., Хлебопрос Р.Г., 2001]. Это особенно важно в тех случаях, когда не удается выделить ключевые факторы, определяющие течение процесса, результат которого сложным образом связан с множеством одновременно изменяющихся параметров. Объем и время вычислений также не являются препятствием, поскольку нейросети идеально приспособлены для распараллеливания вычислений, как в параллельных компьютерах, так и в локальных или глобальных сетях связи. С другой стороны, наступает переход от эры традиционных компьютеров к доминированию нейрокомпьютерных методов решения как традиционных, так и принципиально новых задач [Барцев СИ., Гилев С.Е., Охонин В.А., 1989].

Автор выражает глубокую признательность своему научному руководителю доктору технических наук Кашкину В.Б. за руководство работой; научному консультанту кандидату технических наук Ланкину Ю.П. за постоянное внимание, которое он оказывал при получении результатлв исследования; доктору технических наук Миркесу Е.М. за полезные советы и обсуждения в процессе работы.

СПИСОК ОСНОВНЫХ ПУБЛИКАЦИЙ

1. Кашкин, В.Б. Построение прогнозов динамики озонового слоя с помощью нейронных сетей / Кашкин, В. Б., Ланкин, Ю. П., Сакаш, И. Ю. // VII Всероссийская конференция "Нейрокомпьютеры и их применение" с международным участием "НКП-200Г',-М.: ИПРЖР, 2001.-С. 241-244.

2. Сакаш, И. Ю. Перспективы нейросетевого прогнозирования динамики озонового слоя / Сакаш, И. Ю., Кашкин, В. Б., Ланкин, Ю. П. // Химико-лесной комплекс - проблемы и решения. Сборник статей по материалам всероссийской научно-практической конференции. - Красноярск: издательство СибГТУ, 2001. - С. 353-356.

3. Кашкин, В.Б. Нейросетевые технологии моделирования озонового слоя земли в полярных областях / Кашкин, В. Б., Ланкин, Ю. П., Сакаш, И. Ю. //Материалы Международной научно-практической конференции САКС-2001. - Красноярск: САА, 2001. - Ч. 1. - С. 78-79.

4. Kashkin, V. В. Adaptive forecasting dynamics ofthe ozone layer / Kashkin, V. В., Lankin, J. P., Sakash, I. Yu. // SPIE (The International Society for Optical Engineering), 2002. - Vol. 4678. - P. 630-641. (USA, Washington)

5. Ланкин, Ю. П. Построение нейросетевой модели среднесуточных изменений концентрации озона / Ланкин, Ю.П., Сакаш, И. Ю., Кашкин, В.Б. //Реляторные, непрерывно-логические нейронные сети и модели. Труды международной конференции "Континуальные алгебраические логики, исчисления и нейроматематика в науке, технике и экономике - КЛИН-2002". - Ульяновск: УлГТУ, 2002. Том 3 - С. 90-92.

6. Кашкин, В. Б. Почасовые изменения концентрации озона (нейросетевой прогноз) / Кашкин, В. Б., Сакаш, И. Ю., Ланкин, Ю. П. // Моделирование неравновесных систем - 2002. Материалы V Всероссийского семинара. -Красноярск: ИПЦ КГТУ, 2002. - С. 80-82.

7. Кашкин, В. Б. Среднесуточные изменения концентрации озона (нейросетевой прогноз) / Кашкин, В. Б., Ланкин, Ю. П., Сакаш, И. Ю. //Моделирование неравновесных систем - 2002. Материалы V Всероссийского семинара. - Красноярск: ИПЦ КГТУ, 2002. - С. 83-85.

8. Кашкин, В. Б. Среднемесячные изменения концентрации озона (нейросетевой прогноз) / Кашкин, В. Б., Сакаш, И. Ю., Ланкин, Ю. П. / Моделирование неравновесных систем - 2002. Материалы V Всероссийского семинара. - Красноярск: ИПЦ КГТУ, 2002. - С. 86-88.

9. Кашкин, В. Б. Среднегодовые изменения концентрации озона (нейросетевой прогноз) / Кашкин, В. Б., Ланкин, Ю. П., Сакаш, И. Ю. // Моделирование неравновесных систем - 2002. Материалы V Всероссийского семинара. -Красноярск: ИПЦ КГТУ, 2002. - С. 89-91.

10. Sakash, I. Y. Model of the Earth's atmosphere and ozonosphere The model of earth's atmosphere and ozonosphere / Sakash, Irina Y. // SPIE (The International Society for Optical Engineering), 2003. - Vol.5027. - P. 240-247. (USA, Washington)

11. Kashkin, V. В., Lankin, J. P., Sakash, I. Y., Smimov, S. V. Predicting the Earth atmosphere's ozone layer conditions using neuronic networks for various time lags /Kashkin, Valentin В., Lankin, Juliy P., Sakash, Irina Y., Smirnov, Sergei V. //SPIE (The International Society for Optical Engineering), 2003. - Vol. 5027. - P. 207-216. (USA, Washington)

12. Кашкин, В. Б. Выявление причин изменения концентрации озона в стратосфере с помощью нейронных сетей / Кашкин, В. Б., Ланкин, Ю. П., Сакаш, И. Ю. // Научная сессия МИФИ-2003. V Всероссийская научно-техническая конференция "Нейроинформатика-2003". Сборник научных трудов. В 2-х частях. Ч. 2, - М.: МИФИ, 2003. - С. 186-192.

13. Кашкин, В. Б. Использование нейронных сетей для определения причин изменения концентрации озона в стратосфере/ Кашкин, В. Б., Ланкин, Ю. П., Сакаш, И. Ю. // Системы искусственного интеллекта и нейроинформатика. Труды международной конференции "Континуальные алгебраические логики, исчисления и нейроматематика в науке, технике и экономике -КЛИН-2003". - Ульяновск: УлГТУ, 2003. - Том 3. - С. 52-54.

14. Sakash, I. Yu. Neuro-network simulation of the dynamics of the Earth's ozone layer (neuro-network models) / Sakash, I. Yu., Lankin, Yu. P., Kashkin, V. В., Kolyada, M. N.. Smirnov, S. V. // Atmospheric and Ocean Optics, 2003. - Vol. 16. -N 7.-P. 565-568.

15. Кашкин, В. Б. Преимущества использования нейросетевых технологий для атмосферного моделирования (на примере прогноза концентрации озона в стратосфере) / Кашкин, В. Б., Ланкин, Ю. П., Сакаш, И. Ю. // Электронный журнал "Исследовано в России", 2004. - Том. 11. - С. 109-118. -http://zhurnal.ape.relarn.ru/articles/2004/011 .pelf.

16. Кашкин, В. Б. Применение нейронных сетей для изучения причин изменения концентрации озона в стратосфере / Кашкин, В. Б., Ланкин, Ю. П., Сакаш, И. Ю., Сакаш, Г. С. // Научная сессия МИФИ-2004. VI Всероссийская научно-техническая конференция "Нейроинформатика - 2004". Сборник научных трудов. В 2-х частях. Ч. 1. - М.: МИФИ, 2004. - С. 183-190.

Подписано в печать 16.03.04. Сдано в производство 16.03.04.

Формат 60x841/16. Печать офсетная.

Изд. № 66, Тираж 100 экз. Заказ № 705. Уч.-изд.л. 1,5 Лицензия ИД № 06543 от 16.01.02.

Редакционно-издательский отдел СибГТУ 660049, г. Красноярск, пр. Мира, 82, тип. СибГТУ

р -5620

ОГЛАВЛЕНИЕ.

ВВЕДЕНИЕ.

1. ОЗОН В АТМОСФЕРЕ.

1.1. СВОЙСТВА ОЗОНА.

1.2. ОБРАЗОВАНИЕ И РАЗРУШЕНИЕ СТРАТОСФЕРНОГО ОЗОНА.

1.3. ДИНАМИКА ОЗОНОСФЕРЫ.

1.3.1. ПРОЦЕССЫ ПЕРЕНОСА В АТМОСФЕРЕ.

1.3.2. ОЗОН И ЦИРКУМПОЛЯРНЫЙ ВИХРЬ.

1.3.3. ОЗОН И СОЛНЕЧНАЯ АКТИВНОСТЬ.

1.3.4. АНТРОПОГЕННОЕ ВОЗДЕЙСТВИЕ НА ОЗОН.

1.3.5. "ОЗОНОВЫЕ ДЫРЫ".

1.4. МОДЕЛИ АТМОСФЕРЫ И ОЗОНОСФЕРЫ ЗЕМЛИ.

1.5. АДАПТИВНЫЕ МОДЕЛИ.

1.6. МЕТОДЫ И ПРИБОРЫ ДЛЯ ИЗМЕРЕНИЯ СОДЕРЖАНИЯ ОЗОНА

1.7. ВЫБОР И ОБОСНОВАНИЕ ПОДХОДА.

1.8. ВЫВОДЫ К ГЛАВЕ 1.

2. НЕЙРОСЕТЕВЫЕ МОДЕЛИ ДИНАМИКИ ОЗОНОВОГО СЛОЯ.

2.1. САМОАДАПТИРУЮЩИЕСЯ НЕЙРОННЫЕ СЕТИ.

2.2. МЕТОДИКА ПОСТРОЕНИЯ МОДЕЛЕЙ.

2.3. ПОСТРОЕНИЕ КРАТКОСРОЧНЫХ ПРОГНОЗОВ ОСО.

2.3.1. ПОЧАСОВОЙ ПРОГНОЗ ОСО.

2.3.2. СРЕДНЕСУТОЧНЫЙ ПРОГНОЗ ОСО.

2.3.3. СРЕДНЕМЕСЯЧНЫЙ ПРОГНОЗ ОСО.

2.3.4. СРЕДНЕГОДОВОЙ ПРОГНОЗ ОСО.

2.3.5. ИНТЕГРАЛЬНЫЙ ПРОГНОЗ ПО НЕСКОЛЬКИМ УДАЛЕННЫМ ТОЧКАМ.

2.4. ПОЛИНОМИАЛЬНЫЙ И ЛИНЕЙНЫЙ ПРОГНОЗ ОСО.

2.5. ПОСТРОЕНИЕ ДОЛГОСРОЧНЫХ ПРОГНОЗОВ ОСО.

2.5.1. ВЕКТОРНЫЙ ПРОГНОЗ ОСО.

2.5.2. АНСАМБЛЕВЫЙ ПРОГНОЗ ОСО.

2.6. ПОСТРОЕНИЕ ДОЛГОСРОЧНЫХ ПРОГНОЗОВ СРЕДНЕМЕСЯЧНЫХ ЗНАЧЕНИЙ ОСО ДЛЯ СЕВЕРНОГО ПОЛУШАРИЯ.

2.7. СВЯЗЬ ВАРИАЦИЙ ОСО С ПРОСТРАНСТВЕННО-ВРЕМЕННЫМИ ОСОБЕННОСТЯМИ ОБЩЕЙ ЦИРКУЛЯЦИИ АТМОСФЕРЫ.

2.8. ВЫВОДЫ К ГЛАВЕ 2.

3. ПРИЧИНЫ ИЗМЕНЕНИЯ СВОЙСТВ ВРЕМЕННЫХ РЯДОВ ОСО.

3.1. О ВЫЯВЛЕНИИ "ПРЕДВЕСТНИКОВ" ИЗМЕНЕНИЙ ЗАКОНОМЕРНОСТЕЙ ВРЕМЕННЫХ РЯДОВ.

3.2. ЭКСПЕРИМЕНТЫ ПО ПРОГНОЗИРОВАНИЮ ОСО С УДАЛЕНИЕМ ЗНАЧЕНИЙ.

3.3. АНАЛИЗ РЕЗУЛЬТАТОВ ЭКСПЕРИМЕНТОВ.

3.4. ФИЗИЧЕСКАЯ ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ.

3.5. ВЫВОДЫ К ГЛАВЕ 3.

ВЫВОДЫ ПО ДИССЕРТАЦИИ.

Актуальность темы. Значительную роль в изучении климата Земли и его математическом моделировании играют исследования динамической структуры метеорологических полей, в том числе и поля озона. Они имеют большое значение для решения многочисленных задач экологии, метеорологии, атмосферной оптики, дистанционного зондирования природной среды из космоса и других областей науки и техники. Эффективным подходом к исследованию этой сложной проблемы является использование системного анализа.

Исследование озонового слоя Земли и прогноза его состояния относится к числу важнейших глобальных экологических проблем. Озоносфера является естественным экраном, не пропускающим к земной поверхности значительную часть ультрафиолетового излучения Солнца, которое оказывает вредное влияние на биологические объекты. Разрушение озонового слоя может привести к целому ряду негативных последствий для человека, животных и растений. В частности, большое внимание исследователей привлекла проблема так называемых "озоновых дыр".

В связи со сложной и труднопредсказуемой динамикой содержания озона в атмосфере, заметно влияющей на экологическую ситуацию на планете, исследование межгодовых и десятилетних вариаций параметров стратосферы и разработка методов предсказаний будущего состояния озонового слоя имеют большое научное и практическое значение.

Объект и задачи исследования. Воздействие озона на климат имеет очень сложный характер из-за процессов с обратными связями, определяющими теплообмен в атмосфере; из-за переноса радиации; циркуляции; перемешивания. Детальная оценка возможных механизмов влияния озона может быть получена в результате систематических наблюдений, разработки и реализации достаточно надежных физико-математических моделей.

Наши знания о закономерностях образования, переноса и разрушения атмосферного озона явно недостаточны. И обусловлено это не только сложностью самой проблемы, но и относительно небольшой продолжительностью наблюдений по содержанию и распределению озона в атмосфере. Изучение такого сложного природного феномена, каким является озоносфера Земли, требует длительных, точных измерений с привлечением как наземных, так и спутниковых средств.

В исследованиях использовались данные о глобальном содержании озона в атмосфере с сайта НАСА ftp://toms.gsfc.nasa.gov/pub/eptorns/data/, получаемые со спутника ЕР/TOMS прибором TOMS (Total Ozone Mapping Spectrometer) и локальные наземные данные, полученные в г. Томске с помощью наземного озонометра.

Использованный метод. Атмосфера является сложной неравновесной системой, все компоненты которой взаимосвязаны и взаимообусловлены. Возможность получения аналитических описаний в применении к многомерным, нелинейным, динамичным атмосферным процессам представляется весьма проблематичной. В подобных случаях традиционно используются методы численного моделирования. Однако и они имеют серьезные ограничения в силу высокой сложности объекта исследования, требующего (для получения приемлемой точности) учета в модели сотен параметров. Тем не менее, даже такие модели, не обеспечивают (в ряде случаев) удовлетворительное качество отображения динамичных, иерархических атмосферных процессов.

Вместе с тем, современные системные методы нейроинформатики позволяют преодолеть этот барьер и вести разработку нелинейных адаптивных моделей теоретически неограниченной степени сложности с учетом множества взаимосвязанных параметров. Использование нейронных сетей дает возможность устранить, при необходимости, наиболее сложную часть -формализацию задачи и строить математическое представление путем "обучения" нейросети по экспериментальным данным.

Среди преимуществ таких моделей можно отметить возможность оценки значимости входных параметров для получения прогностических результатов. Это обстоятельство позволяет извлекать новое знание о соотношении важности различных факторов для формирования, протекания и динамики изучаемых явлений и процессов. Помимо более полных представлений о природе предмета исследования, появляется возможность эффективного упрощения модели с целью экономии вычислительных ресурсов и ускорения получения результатов моделирования и экспертных оценок.

Необходимо, также, подчеркнуть чрезвычайно высокое быстродействие нейросетевых прогностических и экспертных систем при решении поставленных задач, демонстрируемое ими после обучения и составляющее от долей секунды до нескольких секунд (в наиболее сложных случаях требующих до нескольких суток при использовании традиционных методов численного моделирования).

Основные цели работы

1. Создать методику построения локальных прогнозов общего содержания озона (ОСО) над определенными географическими точками для средних широт на основе нейронных сетей в условиях жестко лимитированной реальной информации о функционировании атмосферных процессов.

2. Оценить возможность выделения предвестников изменения характерных свойств временного ряда концентрации озона в озоносфере над определенными географическими точками Земной поверхности.

3. Провести сравнительный анализ метода прогнозирования с помощью нейронных сетей с линейным и полиномиальным методами.

4. Исследовать зависимость концентрации озона от циркуляции атмосферы.

Основные положения, выносимые на защиту и научная новизна В диссертационной работе впервые

1) предложены методы моделирования динамики концентрации озона в озоносфере Земли с использованием нейронных сетей;

2) показано, что точность нейросетевых прогностических моделей динамики озонового слоя с заблаговременностью 20 дней может достигать 98 %, которая значительно превышает характерную точность известных атмосферных моделей (80 %);

3) показана возможность выделения предвестников изменения характерных свойств временного ряда концентрации озона в озоносфере над определенными географическими точками Земной поверхности;

4) на основе ряда проведенных исследований подтверждена квазистационарность (консервативность) свойств озонового слоя, позволяющая строить детерминистские прогнозные модели;

5) показано преимущество нейронных сетей для построения сложных атмосферных моделей по сравнению с методами линейного и полиномиального прогноза;

6) показана зависимость концентрации озона в стратосфере от глобальных циркуляционных атмосферных процессов.

Практическая значимость диссертационной работы заключается в

1) разработке нового метода моделирования динамики озонового слоя Земли;

2) создании методики выделения предвестников изменения характерных свойств динамики концентрации озонового слоя;

3) установлении определенного влияния циркуляции атмосферы на озоновый слой Земли.

Полученные результаты внедрены в Институте оптики атмосферы СО РАН (г. Томск), в Красноярском государственном университете и Красноярском государственном техническом университете. На основе выполненных исследований готовится дальнейшее изучение озоносферы Земли с ориентацией на построение глобальных моделей динамики ОСО.

Достоверность результатов работы подтверждается корректным применением методов нейроинформатики; экспериментальными данными, полученными спутниковыми и наземными методами; результатами, опубликованными в литературе.

Личный вклад. Автором впервые предложены и использованы методы моделирования динамики озонового слоя на базе нейронных сетей. Работа полностью проведена автором самостоятельно.

Апробация работы. Основные результаты диссертационной работы докладывались на следующих конференциях:

1. Международная конференция "Физика ионосферы и атмосферы Земли" (Иркутск, 1998 г.);

2. 7-й Международный симпозиум "Оптика атмосферы и океана" (Томск, 2000 г.);

3. VII Всероссийская конференция "Нейрокомпьютеры и их применение" с международным участием "НКП-2001" (Москва, 2001 г.);

4. VIII объединенный международный симпозиум "Оптика атмосферы и океана. Физика атмосферы" (Иркутск, 2001 г.);

5. Всероссийская научно-практическая конференция "Химико-лесной комплекс - проблемы и решения" (Красноярск, 2001 г.);

6. Международная научно-практическая конференция "Сибирский авиакосмический салон" (САКС-2001) (Красноярск, 2001 г.);

7. VIII Всероссийская конференция "Нейрокомпьютеры и их применение" с международным участием "НКП-2002" (Москва, 2002 г.);

8. II Всесибирский конгресс женщин-математиков (в день рождения Софьи Васильевны Ковалевской) (Красноярск, 2002 г.);

9. Международная конференция "Континуальные алгебраические логики, исчисления и нейроматематика в науке, технике и экономике - КЛИН-2002" (Ульяновск, 2002 г.);

10. IX объединенный международный симпозиум "Оптика атмосферы и океана. Физика атмосферы" (Томск, 2002 г.);

11. V Всероссийский семинар "Моделирование неравновесных систем" (Красноярск, 2002 г.);

12. V Всероссийская научно-техническая конференция "Нейроинформатика-2003" (Москва, 2003 г.);

13.Х объединенный международный симпозиум "Оптика атмосферы и океана. Физика атмосферы" (Томск, 2003 г.);

14. VI Всероссийская научно-техническая конференция "Нейроинформатика-2004" (Москва, 2004 г.).

Публикации. По теме диссертации опубликовано 23 печатные работы.

Работа поддержана грантом Красноярского краевого фонда науки № 10F181C.

1. ОЗОН В АТМОСФЕРЕ 1.1. СВОЙСТВА ОЗОНА

Атмосферный озон - это одна из малых, но весьма важных, примесей атмосферы.

Молекула озона представляет собой относительно устойчивое соединение, состоящее из трех атомов кислорода. Молекула озона О36 имеет массу 7,7-10"23 г.

Озон составляет 0,64-Ю"6 массы всей атмосферы [1]. Озон в атмосфере располагается в виде сферического слоя, внутренняя поверхность которого совпадает с поверхностью Земли. Толщина озонового слоя составляет приблизительно 100 км. Озон в этом слое распределен неравномерно как в вертикальном, так и в горизонтальном направлении. Максимум его содержания наблюдается в среднем слое 20-25 км. Выше концентрация озона быстро убывает и на высотах выше 30 км достигает состояния фотохимического равновесия. В тропосфере она также значительно меньше, чем в слое максимума и составляет 8-12% от его общего содержания в столбе атмосферы.

Средняя условная толщина озонового слоя, приведенного к нормальному давлению и температуре, составляет около 0,3 см. Его средняя плотность в слое 0-70 км равна 0,9-10"ш г/см3. Общая масса озона в атмосфере составляет около 3,3-109 т.

Из всего потока солнечной энергии, падающей на Землю, озон поглощает

ЛЛ около 3%, или 5-10 Дж/сутки, что не мешает ему оказывать существенное влияние на состояние живых организмов и динамику атмосферных процессов.

Плотность озона рз - масса газообразного озона в единице объема воздуха, выражаемая в микрограммах на метр кубический (мкг/м3). Иногда термином "плотность озона" обозначается толщина слоя озона, содержащегося в слое атмосферы километровой толщины, приведенного к нормальному давлению 1013,25 гПа и температуре 288,15 К. Величина 10° см/км соответствует плотности озона, равной 21,415 мкг/м3 [2, 3].

Парциальное давление озона Рз - давление, которое имел бы озон, находящийся в газовой смеси, если бы он один занимал объем, равный объему смеси при той же температуре. Измеряется в миллиПаскалях (мПа, 1 мПа = 10 нбар).

Общее количество озона в атмосфере выражается обычно через толщину (в сантиметрах) того слоя, который образовал бы весь озон атмосферы, собранный отдельно и приведенный к нормальному давлению 760 мм рт. ст. и нормальной температуре 0° С. Величину 10"3 см называют единицей Добсона (сокращенно ед. Д. или D. и.) [4].

Озон есть аллотропическое видоизменение кислорода — трехатомный кислород. В молекуле озона атомы расположены по вершинам равнобедренного треугольника с боковой стороной 1,278 А и углом при вершине 116°49'.

В газообразном виде озон имеет голубоватый оттенок, заметный при содержании в воздухе 15 — 20% озона. Он связан со слабым поглощением в оранжевой части спектра, в полосе Шаппюи, наибольшим при Х = 6010 А.

В атмосфере окраска, создаваемая озоном, заметна у серовато-синего края земной тени, отброшенной на атмосферу, например на востоке после захода Солнца, поскольку здесь солнечные лучи прошли длинный косой путь сквозь атмосферу и сквозь слой озона в ней.

Газообразный озон имеет при давлении 1 атм и 29° С плотность рзо = 2,144-Ю"3 г/см3 и теплоемкость ср=0,190 кал/г (при 0° С). Он сжижается при -111,9° С в темно-синюю жидкость плотностью 1,46 г/см3. Скрытая теплота его испарения равна 75,6 кал/г. При температуре -183°С жидкий озон имеет уже плотность 1,57 гсм"3, а при -192,7° С он затвердевает в виде темно-фиолетовых кристаллов. Критическая температура жидкого озона равна -12,1° С, критическое давление 54,6 атм.

Характерный запах озона ощущается уже при его концентрации в воздухе 10"4%. Озон сильнее кислорода растворим в воде: его растворимость при давлении 1 атм достигает 1,09 г/л при 0° С и 0,87 г/л при 10° С. Потенциал ионизации озона равен 12,8 эВ.

Значение стратосферного озона, в первую очередь (в том числе для защиты биологических объектов), определяется его оптическими свойствами -способностью поглощать ультрафиолетовое излучение Солнца с длиной волны менее 280-300 нм. Максимальное поглощение в полосе Гартли достигается на длине волны 253,65 нм. Сильное поглощение озона в ультрафиолетовой части спектра предотвращает попадание на поверхность Зелии биологически активного излучения Солнца в диапазоне 250-320 нм, разрушающего важнейшие биологические элементы - белки и нуклеиновые кислоты. Кроме того, поглощение озоном ультрафиолетового излучения приводит к нагреванию озоносодержащих слоев стратосферы и в значительной степени определяет ее тепловой режим и, тем самым, динамические процессы, протекающие в стратосфере.

Главная полоса поглощения озона - полоса Гартли занимает диапазон длин волн от 220 до 290 нм. К ней примыкает область более слабых полос Хюггинса, простирающаяся от 300 до 360 нм. В этой области наблюдаются достаточно резкие минимумы, которые используются для измерения содержания озона по ослаблению излучения внеземных источников света -Солнца, Луны, звезд. В красной части спектра расположена слабая полоса поглощения Шаппюи, простирающаяся от 440 до 850 нм.

Как известно, Земля испускает инфракрасное излучение. Озон же поглощает не только часть солнечного ультрафиолетового излучения, но и часть излучения Земли. Тем самым энергия, излучаемая Землей в инфракрасном диапазоне, задерживается озоном наряду с другими газами (СО2, водяной пар и т. п.) и остается в пределах земной атмосферы. Наиболее сильно озон поглощает инфракрасное излучение с длиной волны 9570 нм или 9,57 мкм. Другие полосы поглощения озона в инфракрасной области или перекрываются более сильными полосами поглощения Н2О и СО2, или имеют малую интенсивность [2].

Химические свойства озона отличаются двумя главными чертами — нестойкостью и окисляющей способностью. Примешанный к воздуху в малых концентрациях, он разлагается сравнительно медленно, но при повышении температуры разложение его ускоряется и при температуре более 100° С становится очень быстрым. Присутствие в воздухе NO2, СЬ, а также каталитическое действие окислов металлов (серебра, меди, железа, марганца) ускоряют разложение озона.

Озон обладает сильными окислительными свойствами, так как один из атомов кислорода очень легко отщепляется от его молекулы. Озон окисляет при обычной температуре большинство металлов, кроме золота и металлов платиновой группы. Серебро чернеет в воздухе, содержащем озон; с ртутью он образует окись HgO; черный сернистый свинец PbS он обращает в белый сернокислый PbSO.4, мышьяковистый ангидрид AS2O3— в мышьяковый As20sH т. д. Озон реагирует и со многими газами, которые присутствуют в атмосфере. Сероводород H2S при соединении с озоном выделяет свободную серу, сернистый ангидрид SO2 превращается в серный SO3, закись азота N2O — в окись N0, аммиак NH3 — в азотоаммиачную соль NH4NO3 [4].

ВЫВОДЫ ПО ДИССЕРТАЦИИ

1) Предложены методы моделирования динамики концентрации озона в озоносфере Земли на основе нейронных сетей.

2) Построены локальные прогнозы ОСО на основе предложенных методов над определенными географическими областями для средних широт в условиях жестко лимитированной реальной информации о функционировании атмосферных процессов, прогнозы для различных периодов времени: почасовой, среднесуточный, среднемесячный, среднегодовой, прогнозы для трех локальных областей озоносферы над земной поверхностью в рамках единой нейросетевой модели в одни и те же моменты времени.

3) Оценена возможность выделения предвестников изменения характерных свойств временного ряда концентрации озона в озоносфере в ряде выбранных областей над земной поверхностью. Показано наличие таких предвестников, позволяющих сохранять возможность прогноза на "сложных" участках, и неоднозначность результатов при попытках их выделения. Неоднозначность выделения предвестников связана с сильным изменением свойств функции, описывающей динамику временного ряда, но не ее полной заменой. Сохранение высокого качества нейросетевых прогнозов на "сложных" участках временного ряда ОСО позволило сделать вывод о квазистационарности свойств озонового слоя Земли.

4) Проведен сравнительный анализ метода прогнозирования с помощью нейронных сетей с линейным и полиномиальным методами и показаны преимущества нейросетевых методов. В частности, продемонстрирована возможность построения нейросетевых моделей для долговременных "векторных" и "ансамблевых" прогнозов ОСО.

5) Показана связь вариаций параметров озонового слоя с обобщенными группами общей циркуляции атмосферы.

ЗАКЛЮЧЕНИЕ

Исследование озонового слоя Земли и прогноза его состояния относится к числу важнейших глобальных экологических проблем. Озоносфера является естественным экраном, не пропускающим к земной поверхности значительную часть ультрафиолетового излучения Солнца, которое оказывает вредное влияние на биологические объекты. Разрушение озонового слоя может привести к целому ряду негативных последствий для человека, животных и растений. В частности, большое внимание исследователей привлекла проблема так называемых "озоновых дыр".

В связи со сложной и труднопредсказуемой динамикой содержания озона в атмосфере, заметно влияющей на экологическую ситуацию на планете, исследование причин межгодовых и десятилетних вариаций параметров стратосферы и разработка методов предсказаний будущего состояния озонового слоя имеют большое научное и практическое значение.

В диссертационной работе предложены методы и выполнен ряд вычислительных экспериментов по прогнозированию общего содержания озона в стратосферном слое (озоносфере) с помощью нейронных сетей. Показана высокая перспективность использования нейронных сетей для моделирования атмосферных процессов.

В отличие от традиционных моделей, нейросетевые модели не ограничены сложностью, и, при необходимости, позволяют проводить теоретически неограниченное их усложнение путем учета все большего количества факторов и взаимосвязей [94]. Это особенно важно в тех случаях, когда не удается выделить ключевые факторы, определяющие течение процесса, результат которого сложным образом связан с множеством одновременно изменяющихся параметров. Объем и время вычислений также не являются препятствием, поскольку нейросети идеально приспособлены для распараллеливания вычислений, как в параллельных компьютерах, так и в локальных или глобальных сетях связи. С другой стороны, наступает переход от эры традиционных компьютеров к доминированию нейрокомпьютерных методов решения как традиционных, так и принципиально новых задач [132].

1. Александров, Э. Л. Атмосферный озон и изменения глобального климата / Александров, Э. Л., Кароль, И. Л., Ракипова, Л. Р., Седунов, Ю. С., Хргиан, А. X. Л.: Гидрометеоиздат, 1982. - 170 с.

2. Комаров, В. С. Статистическая структура вертикального распределения атмосферного озона / Комаров, В. С., Михайлов, С. А., Ромашов, Д. Н. Новосибирск: Наука, 1988. - 65. с.

3. Хргиан, А. X. Физика атмосферы. 1 том. Л.: Гидрометеоиздат, 1978. -242 с.

4. Ортенберг, Ф. С. Озон: взгляд из космоса // Ортенберг, Ф. С., Трифонов, Ю. М. М.: Знание, 1990. - 64 с.

5. Nicolet, М. Stratospheric ozone: an introduction to its study // Revs. Geoph. Space Phys, 1975. Vol. 13. - N 5. - P. 593-636.

6. Dutsch, H. U. Vertical ozone distribution on global scale // Pure Appl. Geophys, 1978. Vol. 116. - N 2/3. - P. 511-529.

7. Fabian, P. Transport and Austauschvorgange in des Atmosphare / Fabian, P., Prushniewicz, P. G., Zand, A. // Naturwiss, 1971. Vol.58. - N 11. -P. 541-546.

8. Dutsch, H. U. Ozon in der Atmosphare // Neujahrsbl. Naturforsch. Ges. Zurich, 1980. Vol. 182. - P. 485.

9. Pmchniewicz, P. G. A study of tropospheric ozone budget based on interhemispheric mass exchange: Proc. Int. Conf. Struct. Сотр. Gen. Circul. Atm. Melbourne, 1974. - Vol. 1. - P. 429-438.

10. Жадин, E. А. Анализ связей межгодовых вариаций общего содержания озона и циркуляции стратосферы / Жадин, Е. А., Дианский, Н. А. // Метеорология и гидрология, 1997. -№ 9. С. 25-34.

11. Жадин, Е. А. Возможные причины увеличения содержания озона в отдельных регионах Северного и Южного полушарий в 1979-1992 гг. // Метеорология и гидрология, 2001. № 4. - С. 50-59.

12. Baldwin, M. P. The Arctic Oscillation and its role in stratosphere-troposphere coupling // SPARCN Newsletter, 2000. Vol. 14. - P. 10-14.

13. Baldwin, M. P. Propagation of the Arctic Oscillation from the stratosphere to the troposphere / Baldwin, M. P., Dunkerton, T. J. // J. Geophys. Res, 1999. Vol. 104. - P. 30937-30946.

14. Никулин, Г. H. Модуляция арктическим колебанием аномалий общего содержания озона в средних широтах Северного полушария / Никулин, Г. Н., Репинская, Р. П. // Известия АН. Физика атмосферы и океана, 2001. Том 37. -№ 5. - С. 681-691.

15. Salby, S. Fluctuations of total ozone and their relationship to stratospheric air motion / Salby, S., Callaghan, P. F. // J. Geophys. Res, 1993. Vol. 88. -ND2.-P. 2715-2727.

16. Бекорюков, В. И. Эволюция озона и метеорологических характеристик атмосферы над Северной Америкой / Бекорюков, В. И., Бугаева, И. В., Кирюшов, Б. М., Тарасенко, Д. А. // Известия АН. Физика атмосферы и океана, 2000. — Том 36. № 1. - С. 76-83.

17. Steinbrecht, W. Correlation between tropopause height and total ozone: implications for long-term changes / Steinbrecht, W., Clande, H., Kohler, V., Hoinka, K. P. // J. Geophys. Res, 1998. Vol. 103. - N D15. - P. 1918319192.

18. Белан, Б. Д. Сезонная динамика вертикального распределения тропосферного озона над Западной Сибирью / Белан, Б. Д., Плотников, А. П., Толмачев, Г. Н. // Оптика атмосферы и океана, 2001. Том 14. — №4.-С. 315-318.

19. Bojkov, R. D. Estimating the global ozone characteristics during the last 30 years / Bojkov, R. D., Fioletov, V. E. // J. Geophys Res, 1995. Vol. 100. -ND8.-P. 16537-16551.

20. Harris, N. R. P. Trends in stratospheric and free tropospheric ozone / Harris, N. R. P., Ancelle, G., Bishoph, L. // J. Geophys Res, 1997. Vol. 102. -ND1.-P. 1571-1590.

21. Груздев, A. H. Анализ годового хода тропосферного и стратосферного озона по данным озонозондов / Груздев, А. Н., Ситников С. А. // Известия АН. Физика атмосферы и океана, 1994. Том 30. - №4. -С. 491-500.

22. Куколева, А. А. Оценки потоков озона через тропопаузу в планетарных высотных фронтальных зонах северного полушария // Известия АН. Физика атмосферы и океана, 2002. Том 38. - № 3. - С. 376-387.

23. Куколева, А. А. Оценки среднегодовых потоков озона через тропопаузу в северном полушарии // Известия АН. Физика атмосферы и океана, 2002.-Том 38.-№ 1.-С. 95-101.

24. Randel, W. J. Coherent variations of monthly mean total ozone and low stratospheric temperature / Randel, W. J., Cobb, J. B. // J. Geophys. Res, 1994. Vol. 99. - P. 5433-5447.

25. Webster, P. J. The past and the future of El Nino / Webster, P. J., Randel, W. J., Palmer, T. N. // Nature, 1997. Vol. 390. - P. 562-564.

26. Нерушев, А. Ф. О связи региональной изменчивости общего содержания озона с циклонической активностью // Метеорология и гидрология, 1997. -№ 5. С. 15-26.

27. Нерушев, А. Ф. Влияние центров действия атмосферы Азиатско-Тихоокеанского региона на изменчивость общего содержания озона / Нерушев, А. Ф., Крамчанинова, Е. К. // Метеорология и гидрология, 2000.-№3, С. 5-15.

28. Дорохов, В. М. Особенности вертикального распределения озона в Восточной Сибири в зимне-весенние периоды 1994-1996 гг. / Дорохов, В. М., Зайцев, И. Г., Потапова, Т. Е., Хаттатов, В. У., Юшков, В. А. // Метеорология и гидрология, 1998. -№ 4. С. 44-56.

29. Labitzke, K. Temperature changes in the mesosphere and stratosphere connected with circulation changes in minter // J. Armos. Sci, 1972. -Vol. 29.-P. 756-766.

30. Hilsenrath, E. Rocket observations of the vertical distribution of ozone in the polar night and during a mid-winter stratospheric warming // Geophys. Res. Lett, 1980. Vol. 7. - N 8. - P. 581-584.

31. Randel, W. J. Global variations of zonal mean ozone during stratospheric warming events // J. Armos. Sci, 1993. Vol. 50. - N 19. - P. 3308-3321.

32. Rabble, A. Ozone variations in the Northern Hemisphere due to dynamic processes in the atmosphere / Rabble, A., Larsen, S. H. H. // J. Atmos. and Terr. Phys, 1992. Vol. 54. - N 9. - P. 1107-1112.

33. Finger, F. G. Consistency between variations of ozone and temperature in the stratosphere / Finger, F. G., Nagatani, R. M., Gelman, M. E., Long, S. C., Miller, A. J. // Geophys. Res. Lett, 1995. Vol. 22. - N 24. - P. 3477-3480.

34. Kulikov, Yu. Yu. Relation between ozone and temperature in the Arctic stratosphere / Kulikov, Yu. Yu., Ryskin, V. G. // Int. J. of Geomagnetism and Aeronomy, 1999. Vol. 1. - N 3. - P. 253-257.

35. Хргиан, A. X. Проблема наблюдений и исследований атмосферного озона / Хргиан, А. X. Кузнецов Г. И. М.: Издательство московского университета, 1981. -216 с.

36. Жадин, Е. А. Эмпирический метод оценок воздействия естественных и антропогенных факторов на общее содержание озона // Метеорология и гидрология, 2000 № 3 - С. 16-28.

37. Butler, J. H. Methyl bromide under scrutiny // Nature, 1995. Vol. 376. -P. 469-470.

38. Радионов, В. Ф. Особенности временной изменчивости общего содержания озона на российских антарктических станциях / Радионов,

39. B. Ф,. Сибир, Е. Е. // Метеорология и гидрология, 2000. № 3. - С. 100103.

40. Кароль, И. JI. Влияние полетов транспортной авиации мира на озоносферу и климат // Метеорология и гидрология, 2000. № 7.1. C. 17-31.

41. Brasseur, G. European scientific assessment of the atmospheric effects of aircraft emissions / Brasseur, G., Amanatidis, G., Angeletti, G. // Atmos. Environ, 1998.-Vol. 32.-N 13.-P. 2327-2422.

42. Fabian, P. The impact of aviation upon the atmosphere / Fabian, P., Karcher, B. // J. Phys. Chem. Earth, 1998. Vol. 22. - N 6. - P. 5-22.

43. Кароль, И. Л. Озонный щит Земли и человек. С.-Пб.: Гидрометеоиздат, 1992.-211 с.

44. Киселев, В. М. Озоновый слой Земли и "озоновые дыры" //Экология Красноярья, 1999. -№3. С. 14.

45. Kashkin, V. В. Adaptive forecasting dynamics of the ozone layer / Kashkin, V. В., Lankin, J. P., Sakash, I. Yu. // SPIE (The International Society for Optical Engineering), 2002. Vol. 4678. - P. 630-641.

46. Володин, E. M. Чувствительность стратосферы и мезосферы к наблюдаемому изменению концентрации озона и углекислого газа по данным модели общей циркуляции атмосферы // Известия АН. Физика атмосферы и океана, 2000. Том 36. -№ 5. - С. 617-625.

47. Christiansen, В. On the response of a three-dimensional general circulation model to imposed changes in the ozone distribution / Christiansen, В., Guldberg, A., Hansen, A. W., Riishojgaard, L. P. // J. Geophys Res, 1997. -Vol. 102D.-P. 13051-13077.

48. Harris, N. Summary of the SPARC-10C assessment of trends in the vertical distribution of ozone / Harris, N., Hudson, B. // SPARC Newsletter, 1998. -Vol. 10.

49. Школьник, И. M. Региональная гидродинамическая модель атмосферы для исследования климата на территории России / Школьник, И. М., Мелешко, В. П., Павлова, Т. В. // Метеорология и гидрология, 2000. -№4, С. 32-49.

50. Betts, А. К. Comparison between the land surface responce of the ECMWF model and the FIFE-1987 data / Betts, A. K., Ball, H., Beljaars, A. C. // Quart. J. Roy. Meteorol. Soc, 1993. Vol. 119. P. 975-1001.

51. Garratt, J. R. The surface energy balance at local and regional scales — A comparison of general circulation model results with observations / Garratt, J. R., Krummel, P. В., Kowalczyk, E. A. // J. Climate, 1993. Vol. 6. -P. 1090-1109.

52. Wild, M. Validation of general circulation model radiative fluxes using surface observations / Wild, M., Ohmura, A., Gilden, H. // J. Climate, 1995. -Vol. 8.-P. 1309-1324.

53. Володин, Е. М. Численная модель совместной циркуляции глобальной атмосферы и тропиков Тихого океана. // Известия АН. Физика атмосферы и океана, 2002. Том 38. -№ 1. С. 5-19.

54. Gordon, С. T. Tropical sensitivity of a cupled model to specified ISCCP low clouds / Gordon, С. Т., Rosati, A., Gudgel, R. // J. Climate, 1995. Vol. 8. -P. 1309-1324.

55. Georgi, F. Development of a second-generation regional climate model. Part II: Convective process and assimilation of lateral boundary conditions / Georgi, F., Marinucci, M. R. // Mon. Wea. Rev, 1993. Vol. 121. - P. 28142832.

56. Degue, M. High resolution climate simulation over Europe / Degue, M., Piedelievre, J. Ph. // Climate Dynamics, 1995. Vol. 11. - P. 321-339.

57. Jackman, С. H. Past, present and future modeled ozone trends with comparisons to observed trends / Jackman, С. H., Eleming, E. L., Chandra,

58. S., Considine, D. В., Rosenfieldm, J. E. Hi. Geophys. Res, 1996. Vol. 101. -ND22.-P. 28753-28767.

59. Смышляев, С. П. Модельное исследование воздействия выбросов высотных самолетов на озоновый слой / Смышляев, С. П., Юдин, В. А, // Известия АН. Физика атмосферы и океана, 1995. Том. 31. - № 1. -С. 123-131.

60. Смышляев, С. П. Моделирование изменчивости атмосферного озона с учетом гетерогенных процессов / Смышляев, С. П., Панин, Б. Д., Воробьев, В. Н. // Известия АН. Физика атмосферы и океана, 1999. Том 35. -№3.- С. 337-343.

61. Смышляев, С. П. Двумерное моделирование сезонно-широтной изменчивости общего содержания атмосферного озона с использованием параметров крупномасштабного переноса из модели общей циркуляции атмосферы / Смышляев, С. П., Кароль, И. Л., Зубов,

62. B., Юдин, В. А., Геллер, М. А. // Известия АН. Физика атмосферы и океана, 2002. Том 38. -№ 1. - С. 81-94.

63. Смышляев, С. П. Модельное исследование сезонного хода общего содержания озона в атмосфере / Смышляев, С. П., Панин, Б. Д., Анискина, О. Г. // Известия АН. Физика атмосферы и океана, 1999. -Том 35. № 6. - С. 900-809.

64. Brasseur, G. P. The response of middle atmosphere to long-term solar variability: A two-dimensional model // J. Geophys. Res, 1993. Vol. 98. -P. 23079-23.090.

65. Chipperfield, M. P. A three-dimensional modeling study of trace species in Arctic lower stratosphere during winter 1989 / Chipperfield, M. P., Cariolle, D., Simon, P., Ramaroson, R., Lary, D.J. // J. Geophys. Res, 1993. -Vol. 98.-P. 7199-7218.

66. Lefevre, F. Chemistry of the 1992-1992 stratospheric winter: Three-dimensional model simulations / Lefevre, F., Brasseur, G. P., Folkins, I., Srniith, A. K., Simon, P. // J. Geophys. Res, 1994. Vol. 99. - P. 8183-8195.

67. Лукьянов, А. Н. Траекторная фотохимическая модель нижней стратосферы / Лукьянов, А. Н., Юшков, В. А., Накане, X., Акийоши, X. // Известия АН. Физика атмосферы и океана, 2000. Том 36. - № 6.1. C. 823-830.

68. Stohl, A. Computation, accuracy and applications of trajectories-a review and bibliography // Atmospheric Environment, 1998. Vol. 32. - P. 947-966.

69. Yudin, V. A. Transport diagnostics of GCMs and implications for 2D chemistry-transport model of troposphere and stratosphere / Yudin, V. A., Smyshlyaev, S. P., Geller, M. A., Dvortsov, V. L. // J. Atmos. Sci, 2000. -Vol. 37. P. 673-699.

70. Толстых, M. А. Полулагранжева модель атмосферы с высоким разрешением для численного прогноза погоды // Метеорология и гидрология, 2001. -№ 4. С. 5-15.

71. Bates, J. R. A comparison of climate simulations from a semi-Lagrangian and Eulerian GCM / Bates, J. R., Chen, M. A. // J. Climate, 1996. Vol. 9. -P. 1126-1149.

72. Geleyn, J. F. Adaptation of spectral method to non-uniform mapping (global and local): Recent Developments in Numerical Methods for Atmospheric Modelling ECMWF Seminar 7-11 September. 1998. Reading, UK, 1999. -P. 226-265.

73. Александров, Э. JI. Озонный щит Земли и его изменения / Александров, Э. Л., Израэль, Ю. А., Кароль, И. Л., Хргиан, А. X. С.-Пб.: Гидрометеоиздат, 1992. - 287 с.

74. Курбаткин, Г. П. Спектральная модель атмосферы, инициализация и база данных для численного прогноза погоды / Курбаткин, Г. П., Дегтярев А. И., Фролов А. В. С.-Пб.: Гидрометеоиздат, 1994. - 184 с.

75. Фролов, А. В. Глобальная спектральная модель атмосферы с высоким разрешением по вертикали / Фролов, А. В., Важник, А. И., Цветков,

76. B. И., Астахова, Е. Д, // Метеорология и гидрология, 2000. № 2.1. C. 10-21.

77. Sakash, I. Y. The model of earth's atmosphere and ozonosphere / Sakash, Irina Y. // SPIE (The International Society for Optical Engineering), 2003. -Vol. 5027. P. 240-247.

78. Бытев, В. О. Групповые свойства в теории возмущений I. Уравнения Навье-Стокса. Симметрия и дифференциальные уравнения: Труды международной конференции. Красноярск: ИВМ СО РАН, 2000. -с. 59-62.

79. Ланкин, Ю. П. Экологические основания концепции самоадаптирующихся сетей и систем с поисковым поведением / Ланкин, Ю. П., Хлебопрос, Р. Г. // Инженерная экология, 2001.- № 2.-С.2-26.

80. Горбань, А. И. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики. Новосибирск: РАН. Сиб. отделение, 1998 1. -№ 1. - С. 11-24.

81. Басканова, Т. Ф. Алгоритм самостоятельной адаптации для нейронных сетей с поисковым поведением / Басканова, Т. Ф., Ланкин, Ю. П. // Известия вузов. Физика, 2000. Вып. 6. - С. 47-51.

82. Ланкин Ю. П. Самостоятельно адаптирующиеся нейронные сети в моделировании сложных объектов // Материалы 1Х-го Международного симпозиума "Реконструкция гомеостаза". Красноярск: КНЦ СО РАН. 1998. - Том 1. - С.281-287.

83. Горбань, А. Н. Нейронные сети на персональном компьютере / Горбань, А. Н., Россиев, Д. А. Новосибирск: Наука. Сибирская издательская фирма РАН, 1996.-276 с.

84. Киселев, В. М. О репрезентативности мировой озонометрической сети

85. Труды западно-сибирского регионального научно-исследовательского гидрометеорологического института "Физико-статистические методы в метеорологии" Выпуск 93. Москва: Московское отделение гидрометеоиздата, 1990. С. 71-75.

86. Зуев, В. В. Мониторинг озоносферы на сибирской лидарной станции / Зуев, В. В., Маричев, В. Н., Смирнов, С. В. // Известия АН. Физика атмосферы и океана, 1999. Том 35. -№ 5. - С. 602-611.

87. Барцев, С. И. Принцип двойственности в организации адаптивных сетей обработки информации / Барцев, С. И., Гилев, С. Е., Охонин, В. А. // Динамика химических и биологических систем. Новосибирск: Наука. Сиб. отд-ние, 1989. - С.6-55.

88. Царегородцев, В. Г. Извлечение знаний из таблиц данных при помощи обучаемых и упрощаемых искусственных нейронных сетей / Автореферат диссертации на соискан. учен. степ, к.т.н.- Красноярск: Институт вычислительного моделирования СО РАН, 2000. 19 с.

89. Щемель, А. Л. Обработка неточно заданной информации с помощью нейросетей / Автореферат диссертации на соискан. учен. степ, к.ф.-м.н.-Красноярск: Институт биофизики СО РАН, 2002. 18с.

90. Кашкин, В. Б. Нейросетевые технологии моделирования озонового слоя земли в полярных областях / Кашкин, В. Б., Ланкин, Ю. П., Сакаш, И. Ю. // Материалы Международной научно-практической конференции САКС-2001. Красноярск: САА, 2001. - Ч. 1. - С. 78-79.

91. Kashkin, V. В. Adaptive forecasting dynamics of the ozone layer / Kashkin, V. B, Lankin, J. P., Sakash, I. Yu. // SPIE (The International Society for Optical Engineering), 2001. Vol. 4678. - P. 630-641.

92. Bartsev, S.I. Variation Principle and the Algorithm of Dual Functioning: Examples of Applications / Bartsev, S. I., Okhonin, V. A. // Neurocomputers and attention II: connectionism and neurocomputers, 1991. P. 453-458.

93. Rumelhart, D. E. Learning representations by back-propogating errors / Rumelhart, D. E., Hinton, G. E., Williams, R. J. // Nature, 1986. Vol. 323. -P. 533-536.

94. Okhonin, V. Neural network based approach to the Evaluation of Degradation Lifetime / Okhonin, V., Okhonin, S., lis A., Ilegemres, M. // Neural Network World, 2001. Vol. 11. - N 2. - P. 145-151.

95. Зуев, В. Взаимосвязь долгопериодной изменчивости озонового слоя атмосферы с обусловленной УФ-Б-воздействием изменчивостью плотности древесины / Зуев, В. В., Бондаренко, С. JI. // Оптика атмосферы и океана, 2001.-Том 14.-№12.-С. 1149-1152.

96. Barnes, P. W. Morphological responses of crop and weed species of different growth forms to ultraviolet-B radiation / Barnes, P. W., Flint, S. D., Caldwell, M. M. // Amer. J. Botany, 1999. Vol. 77. - P. 1354-1360.

97. Кашкин, В. Б. Почасовые изменения концентрации озона (нейросетевой прогноз) / Кашкин, В. Б., Сакаш, И. Ю., Ланкин, Ю. П. // Моделирование неравновесных систем 2002. Материалы V Всероссийского семинара. - Красноярск: ИПЦ КГТУ, 2002. - С. 80-82.

98. Кашкин, В. Б. Среднесуточные изменения концентрации озона (нейросетевой прогноз) / Кашкин, В. Б., Ланкин, Ю. П., Сакаш, И. Ю. //Моделирование неравновесных систем 2002. Материалы V Всероссийского семинара. - Красноярск: ИПЦ КГТУ, 2002. - С. 83-85.

99. Kashkin, V. В. Adaptive forecasting dynamics of the ozone layer / Kashkin, V. В., Lankin, J. P., Sakash, I. Yu. // SPIE (The International Society for Optical Engineering), 2002. Vol. 4678. - P. 630-641.

100. Кашкин, В. Б. Среднемесячные изменения концентрации озона (нейросетевой прогноз) / Кашкин, В. Б., Сакаш, И. Ю., Ланкин, Ю. П. / Моделирование неравновесных систем 2002. Материалы V Всероссийского семинара. - Красноярск: ИПЦ КГТУ, 2002. - С. 86-88.

101. Кашкин, В. Б. Среднегодовые изменения концентрации озона (нейросетевой прогноз) / Кашкин, В. Б., Ланкин, Ю. П., Сакаш, И. Ю. // Моделирование неравновесных систем 2002. Материалы V Всероссийского семинара. - Красноярск: ИПЦ КГТУ, 2002. - С. 89-91.

102. Басманов, Е. И. Озон и макроциркуляционные процессы в атмосфере // Метеорология и гидрология, 1983. -№ 9. С. 58-63.

103. Батуро, А. П. Кусочное прогнозирование и проблема обнаружения предвестников существенного изменения закономерности: Нейроинформатика и ее приложения. Материалы IX Всероссийского семинара Красноярск: ИВМ СО РАН, 2001. - С. 15-16.

104. Гущин, Г. П. Суммарный озон в атмосфере / Гущин, Г. П., Виноградова, Н. Н.-Л.: Гидрометеоиздат, 1983. 238 с.

105. Барцев, С. И. Принцип двойственности в организации адаптивных сетей обработки информации / Барцев, С. И., Гилев, С. Е., Охонин, В. А. // Динамика химических и биологических систем. Новосибирск: Наука. Сиб. отд-ние, 1989. - С. 6-55.