ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РЕШЕНИЯ ЭКОЛОГИЧЕСКИХ ЗАДАЧ

Костромин Н.С.1, Сивова А.Н.2

1Ассистент кафедры системы автоматического управления; 2студент кафедры экологии

Московский государственный технический университет им. Н.Э. Баумана

ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РЕШЕНИЯ ЭКОЛОГИЧЕСКИХ ЗАДАЧ

Аннотация

В данной статье рассматриваются возможности применения методов машинного обучения для решения, прогнозирования и предотвращения экологических проблем. Особое внимание акцентируется на том, что использование искусственного интеллекта в некоторых естественных науках (в генной инженерии, биотехнологиях, биоинформатике и т.п.) способствовало их развитию. В ходе работы сделаны выводы, что машинное обучение может способствовать эволюции методов решения глобальных экологических проблем человечества.

Ключевые слова: экологические проблемы, машинное обучение, нейронные сети.

Keywords: environmental problems, machine learning, neural net.

Машинное обучение (ML – machine learning) – подраздел искусственного интеллекта, изучающий методы построения моделей, способных обучаться, и алгоритмов для их построения и обучения. Т. е. главной особенностью такого алгоритма является то, что  компьютер не только использует написанный алгоритм, но и сам обучается решению поставленной задачи [1, 21]. Простейшими примерами использования машинного обучения могут быть поисковые системы (Яндекс, Mail, Google, Bing и т.д.), имеющих множество документов, которые необходимо отсортировать в порядке релевантности (смысловой близости) запросу; электронные почты, отфильтровывающие большую часть спама; навигаторы, рассчитывающие наиболее быстрые маршруты и др. Также машинное обучение широко используется в научных областях: экономике, например, для решения задачи кредитного скоринга (принятие решения, выдать кредит или нет); лингвистике – обработка естественных языков, вопросно-ответные системы; медицине – диагностирование некоторых видов онкологических заболеваний; политике – анализ программ политических партий и предпочтений избирателей. Таким образом, машинное обучение находит применение не только в технических и естественных науках, но и гуманитарных.

Сегодня одной из глобальных проблем человечества является ухудшение экологической ситуации: загрязнение гидросферы, атмосферы и почв, приводящее к глобальному потеплению, дезертификации грунтов (превращению плодородных почв в пустыни), сокращению видов живых организмов. Решение этих проблем, по мнению экспертов, сводится к правильному утилизированию отходов, переход на более экологически чистые процессы в промышленности, использование более чистого топлива, естественных систем выработки электроэнергии (солнечные батареи, ветряные мельницы) [2, 4-5].

Однако, не смотря на осведомлённость людей и государств о путях решение данного вопроса, мировая экологическая ситуация в целом не улучшается. Вероятно, из-за малоэффективности традиционных подходов к решению. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения – это одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными, а также выполнять обобщение. Поэтому крайне актуальным является применение в экологии машинного обучения как одного из самых быстроразвивающегося и используемого направления прикладной информатики для предотвращения вымирания видов, ограничения распространения инвазивных видов и болезней, восстановления здоровых функций экосистемы, смягчения последствий изменения климата. Рассмотрим некоторые уже применяемые такие технологии.

В Орегонском государственном университете (Oregon State University, OSU)  разработаны роботизированные устройства и связанные с ними алгоритмы компьютерного зрения для автоматического манипулирования, фотографирования, классификации и разделения образцов членистоногих. Опыты ведутся на членистоногих, потому что они являются хорошими показателями функционирования экосистем: встречаются практически во всех средах на Земле, включая озера, ручьи, почвы, океаны и самих животных; в пищевых цепях членистоногие питаются первичными производителями органических веществ (бактериями и растениями) и в свою очередь являются пропитанием для птиц и млекопитающих. Они способствуют качественным измерениям биоразнообразия, поэтому они являются важными элементами для контроля и восстановления экосистем. В качестве представителей членистоногих учёные выбрали веснянок (Plecoptera), т.к. они живут в пресных водах и являются чувствительными индикаторами загрязнения водоёма. В обнаружении насекомых важную роль играют их глаза и характерные бурые пятна на спине. Все выявленные факты вносят свой вклад в общее представление об объекте, и затем классификатор находит соответствующий способ взвешивания всех доказательств для принятия окончательного решения: это исследуемый класс (веснянка) или нет. Данные собираются, используя робототехнический прибор, который манипулирует образцами в поле зрения микроскопа через насосы и спиртовые струи, которые притягивают насекомых, и получает изображения через камеры, контролируемые компьютером. После была сформулирована задача классификации этих насекомых как проблема общего распознавания объектов. Однако, разработка находится на стадии доработки из-за недостаточной эффективности: ошибки 16,1 %. Вероятно, это связано с недавним внедрением компьютерных наук для решения экологических проблем, не смотря на наличие решения внешне схожих с ними задач в экономике, молекулярной биологии, например, распознавание объектов, оценка плотности, подгонка моделей, оптимизация; т.к. каждая наука имеет свои особенности, которые необходимо учитывать [4].

Однако есть области экологии, в которых достаточно активно применяются информационные технологии, например, с середины XX века стали разрабатываться электронные вычислительные машины для задач прогнозирования погоды. В настоящее время для синоптического метеорологического прогнозирования всё чаще используют методы ML. Поскольку они имеют преимущество перед традиционными статистическими методами для решения данной задачи: машинное обучение не «навязывает» нереалистичные предположения, к примеру, линейность; способно вводить недостающие данные и может уменьшить работу экспертов.

Модель изменения температуры наружного воздуха построена на основании четырех исходных составляющих:

  1. статистика изменения температуры в данной местности за прошедшие несколько лет;
  2. прогноз погоды, учитывающий ежедневные процессы смены дня и ночи, влияние угла падения солнечных лучей и качество воспринимающей поверхности;
  3. тренд текущих изменений, определяемый по методике экспоненциального выравнивания;
  4. изменение локального атмосферного давления.

Математическая модель для прогнозирования погодных условий разработана на основе нейронной сети. Наилучшей эффективностью в качестве способа обучения нейросети будет метод обратного распространения ошибки, т. к. температурные данные поступают с каждым следующим шагом.

При обучении происходит изменение весовых коэффициентов wij (схематично обозначенные на рис.1 тонкими стрелками). На следующем шаге алгоритма действительный предсказанный выходной сигнал сети yпред сравнивается с желаемым выходным сигналом y` (реальной температурой наружного воздуха). Разница между этими двумя сигналами называется ошибкой Δ выходного слоя сети:

Далее данная ошибка распространяется через сеть в обратном порядке. Весовые коэффициенты wij, используемые для обратного распространения ошибки, равны тем же коэффициентам, что использовались во время вычисления выходного сигнала, изменяется только направление потока данных (сигналы передаются от выхода к входу). 

Следовательно, вышеописанная математическая модель обеспечивает точность прогнозирования до 2 градусов, в то время как традиционные статические методы до 7 градусов [3]. Прогнозирование погодных условий может способствовать предотвращению  многих природных катастроф, например, удержать лес от серии пожаров и превращения в степь или от наводнения, из-за которого он может стать болотом. Предвосхитить это гораздо проще, чем пытаться ликвидировать последствия катаклизма. А метеорологическая модель с использованием нейронных сетей поможет властям и экологам лучше понимать, где нужно предпринимать меры.

Ещё одной экологической проблемой человечества является браконьерство, являющееся незаконным или контролируемым во многих странах. Из-за браконьерства вымерли многие виды животных (яванский (Panthera tigris sondaica) и балийский (Panthera tigris balica) тигры, марианская кряква (Anas oustaleti), китайский веслонос (Psephurus gladius), камерунский чёрный носорог (Diceros bicornis longipes) и т.д.) или находятся под угрозой вымирания (белый носорог (Ceratotherium simum), китовая акула (Rhincodon typus), амурский тигр (Panthera tigris altaica), сифака (Propithecus) и т.д.). Для сохранения биоразнообразия планеты учёные и активисты многих стран предлагают различных способы предотвращения браконьерства, например, принятие соответствующих законов или разработка программ, контролирующих незаконные убийства животных. Одной из такой программ является Global Fishing Watch, способствующая уменьшению рыбного браконьерства. В 2017 году Индонезия стала первой страной, предоставляющей данные отслеживания судов через Global Fishing Watch, который предоставляет возможность мониторинга глобального коммерческого рыболовства, отслеживать рыбную деятельность в режиме реального времени через общедоступную карту.

Работа Global Fishing Watch основана на достижениях в области спутниковых технологий, облачных вычислений и машинного обучения. Процесс начинается с отслеживания судна. Global Fishing Watch использует несколько систем слежения за судами: автоматической системы идентификации (АСИ), устройства наподобие GPS, которое большие суда используют для трансляции своего положения, чтобы избежать столкновений. По оценкам, на суда с АСИ приходится более половины добычи рыбы в 100 морских милях от берега и до 80% добычи в открытом море. АИС предоставляет данные, а Global Fishing Watch запускает эти данные через две нейронные сети, используя компьютерные алгоритмы для анализа больших наборов данных. Более чем 300 000 судов в день проходят через классификаторы машинного обучения для определения типа судна (грузовое или буксирное судно, парусная или рыбацкая лодки), его размера, используемые орудия лова (ярусный лов, невод, рыболовный трал), и где и когда он ловит на основе его моделей движения. Но сначала, чтобы «обучить» алгоритм, эксперты по рыболовству вручную классифицировали тысячи различных судов. Использование облачных вычислений, равномерно распределяемых по тысячам машинам, позволяет применять это обучения ко всему набору данных.

С помощью карты Global Fishing Watch правительства стран могут выявить и принять меры в отношении судов, которые не имеют права заниматься добычей рыбой или которые добывают её в охраняемых районах. А исследователи могут изучать воздействие рыболовства на состояние Мирового океана, выявлять уязвимые районы и защищать морскую среду [5].

Таким образом, машинное обучение является перспективным вектором развития для экологии, т.к. экология использует большие объёмы данных, которые эффективно обрабатываются искусственным интеллектом. Например, точную картину коммерческого рыболовства по всему миру, такую как Global Fishing Watch, было бы невозможно составить без использования машинного обучения. Поэтому экологам необходимо иметь хорошие знания в программировании и математике. Также возможно сотрудничество программистов и экологов, которое способствует раскрытию более эффективных подходов в классификации данных и анализа в области экологии, углубляя понимание фундаментальных и прикладных исследований в этой важной области. Это позволит экологам сосредоточиться на биологических и химических (экологических) составляющих вопроса деградации окружающей среды, а не на технических. Всё это позволит контролировать одни из самых сложных данных и единиц нашего биологического мира, таких как экосистемы. 

Литература

  1. Бенджио Ио., Гудфеллоу Я., Курвилль А. Глубокое обучение. – М.: ДМК Пресс, – 652 с.
  2. Даймонд Дж. Коллапс. Почему одни общества приходят к процветанию, а другие – к гибели. – М.: АСТ, 2016. – 768 с.
  3. А.А. Февралев, Ю.С. Приходько, Д.М. Бабайлова. Нейросетевые алгоритмы для решения задачи краткосрочного локального прогнозирования температуры наружного воздуха [Электронный ресурс]. – Режим доступа: https://cyberleninka.ru/article/n/neyrosetevye-algoritmy-dlya-resheniya-zadachi-kratkosrochnogo-lokalnogo-prognozirovaniya-temperatury-naruzhnogo-vozduha
  4. Dietterich T. Machine Learning in Ecosystem Informatics and Sustainability [Электронный ресурс]. – Режим доступа: https://net/doc/13902302/machine-learning-in-ecosystem-informatics-and-sustainability
  5. Официальный сайт Global Fishing Watch [Электронный ресурс]. – Режим доступа: www.globalfishingwatch.org