Scientific journal
Modern problems of science and education
ISSN 2070-7428
"Перечень" ВАК
ИФ РИНЦ = 0,791

THE USE OF ARTIFICIAL NEURAL NETWORKS FOR APPLIED ENVIRONMENTAL PROBLEMS

Potylitsyna E.N. 1 Lipinskiy L.V. 1 Sugak E.V. 1
1 Siberian State Aerospace University
Рассмотрена возможность использования искусственных нейронных сетей для оценки и прогнозирова-ния состояния здоровья жителей крупного промышленного города. Данный метод позволяет разрабаты-вать высокоэффективные информационные компьютерные системы прогнозирования и анализа заболе-ваемости при изменении каких-либо факторов, оказывающих влияние на здоровье населения, дает воз-можность по имеющимся базам статистических данных наблюдений за выбросами и концентрациями загрязняющих веществ и состоянием здоровья населения региона автоматически получать зависимости, отражающие характерные для исследуемой системы причинно-следственные связи между показателями загрязнения окружающей среды и индикаторами состояния здоровья населения. Анализ полученных ре-зультатов показывает высокую точность прогнозных оценок и эффективность предлагаемой методики. Предложенный метод анализа риска может позволить получить объективную количественную инфор-мацию о степени опасности действующего или проектируемого производственного объекта, выявить зо-ны и территории, где уровень риска превышает допустимые значения для принятия мер по его снижению и обеспечению нормативной безопасности производственного персонала и населения.
The possibility of using artificial neural networks to evaluate and predict the state of health of a large industrial city is considered. This method enables to develop the high efficiency information computer system for forecast-ing and analysis of the disease incidence with changing in any factors that influence the health of the population, allows to receive dependence, reflecting the typical of the system of cause and effect relationships between indica-tors of environmental pollution and indicators of the health of the population automatically, according to the available statistical databases to monitor emissions and concentrations of pollutants and the health of the region´s population. Analysis of the results shows high accuracy of forward-looking estimates and effectiveness of the proposed method. The proposed method of risk analysis can provide objective quantitative information about the degree of danger of the current or projected production facility, to identify areas and areas where the risk level exceeds the allowable values for the adoption of measures to reduce it, and ensure regulatory security of the production staff and the public.
artificial neural networks
risk assessment

Проблемы определения качества общественного здоровья неотделимы от проблемы повышения уровня жизни населения. Состояние здоровья обусловлено не только и не столько собственно системой здравоохранения и социального обеспечения, но в значительной степени зависит от условий жизни и состояния окружающей среды [3].

Принцип охраны жизни и здоровья граждан от неблагоприятного воздействия окружающей среды лежит в основе Конституции России (ст. 42), а также Федеральных законов «О санитарно-эпидемиологическом благополучии населения» (ст. 8) и «Об охране окружающей среды» (п. 1 ст. 79). Эти законы гарантируют гражданам возмещение ущерба здоровью и вреда от неблагоприятного воздействия производственной деятельности на окружающую природную среду. В «Экологической доктрине Российской Федерации» отмечается, что конституционными основами экологической политики России являются «государственные гарантии возмещения ущерба, причиненного здоровью».

В свою очередь принцип полного возмещения вреда в соответствии с Гражданским кодексом Российской Федерации (ст. 1064) предполагает взыскание реального ущерба и должен обеспечиваться общеправовым принципом неотвратимости ответственности виновного за причиненный вред. Это, как правило, экономический вред личности, каковым в сфере производства оцениваются травмы и профессиональные заболевания различной степени тяжести. Скрытый вред здоровью, наносимый техногенными факторами окружающей среды, который абсолютно доминирует по масштабам негативного воздействия, сегодня не может быть оценен в общепонятных количественных социально-стоимостных эквивалентах. Это обстоятельство сводит до уровня декларативности все перечисленные положения законов, гарантирующих экологическую безопасность.

Для устранения указанных противоречий необходимо законодательно включить в систему анализа социально-экономической эффективности деятельности предприятий процедуру количественной оценки социально-экологического риска от их деятельности. Это, в свою очередь, вызывает необходимость разработки методик количественной оценки и прогнозирования социально-экологических рисков населения от вредного воздействия техносферы.

Оценка и прогнозирование потенциального риска для здоровья человека является одной из важнейших социально-экологических проблем и связана с необходимостью изучения причинно-следственных связей показателей здоровья населения и демографической динамики с уровнем антропогенной нагрузки на окружающую среду. Оценка социально-экологических рисков может быть использована для проведения целенаправленной экологической политики и политики в области охраны здоровья населения, выделения приоритетных территорий и групп населения повышенного риска, нуждающихся в первоочередных природоохранных и лечебно-профилактических мероприятиях. Концепция оценки риска практически во всех развитых странах мира и международных организациях рассматривается в качестве главного механизма разработки и принятия управленческих решений как на международном, государственном и региональном уровнях, так и на уровне отдельного производства или другого потенциального источника загрязнения окружающей среды [6].

Анализ данных медицинской статистики различных стран за последние десятилетия показывает, что в результате воздействия вредных факторов промышленного производства и связанного с ним загрязнения окружающей среды возрастает частота многих хронических патологических процессов - заболеваний органов дыхания, печени, почек, хронических отравлений, аллергических процессов, генетических дефектов и врожденных пороков, злокачественных новообразований и болезней крови, вегетососудистых нарушений, неврозов, атеросклеротических поражений сердца и сосудов, т.е. патологий практически всех органов и систем человека [3]. «Плата» за долговременную адаптацию организма к чрезвычайному или длительному влиянию неблагоприятных факторов окружающей среды - снижение средней продолжительности жизни и ухудшение состояния здоровья.

Анализ работ в области оценки и прогнозирования социально-экологических рисков выявил две основные проблемы [5]:

- неопределенность критериев (индикаторов) для оценки влияния загрязняющих веществ на здоровье жителей промышленного региона;

- поливариантность взаимосвязей качественных и количественных характеристик социально-экологических рисков из-за региональных экономических, природных, антропогенных и климатических особенностей территорий.

В настоящее время в России действует система принятия решений в области экологии и охраны окружающей среды и здоровья населения, основанная на принципах соблюдения установленных санитарно-гигиенических нормативов (ПДК, ПДВ, ВСВ и т.д.) [6; 8; 9].

Однако частнонормативный подход не соответствует потребностям решения экологических проблем по следующим основным причинам [1; 2]:

- далеко не для всех реальных загрязнителей установлены ПДК;

- отсутствуют ПДК для множества сочетаний различных агентов: возможные взаимодействия между ними, образование вторичных продуктов и совмещенные эффекты не позволяют рассчитать «комплексы» ПДВ;

- предельно допустимые нормативы одного и того же вещества для некоторых растений и животных (в том числе имеющих продовольственное значение) могут быть существенно ниже, чем для человека;

- расчет большинства ПДВ делается на основании максимальных разовых ПДК, которые могут быть значительно выше среднесуточных.

Недостатки концепции предельно допустимых нормативов известны давно, и конструктивная постановка проблемы должна состоять не столько в критике устаревшего подхода, сколько в разработке комплекса методов, способных заменить существующие [5; 8; 9]. Кроме того, охрана окружающей среды предполагает не только оценку состояния здоровья населения в данный момент времени, но и прогнозирование последствий влияния загрязняющих веществ на здоровье жителей исследуемого региона.

В связи с этим необходимы развитие и апробация способов и методов оценки и прогнозирования социально-экологических рисков, позволяющих независимо от выбора критериев для оценки состояния здоровья проводить прогноз с учетом региональных природных, экономических, антропогенных и климатических особенностей территории [5; 8; 9].

Международная методология оценки риска предполагает, что, во-первых, канцерогенные эффекты при воздействии химических канцерогенов, обладающих генотоксическим действием, могут возникать при любой дозе, вызывающей инициирование повреждений генетического материала, и, во-вторых для неканцерогенных веществ и канцерогенов с негенотоксическим механизмом действия предполагается существование пороговых уровней, ниже которых вредные эффекты не возникают [6].

В последние годы накоплен богатый материал о влиянии неблагоприятных экологических факторов на здоровье населения, получены новые научные результаты о связи факторов окружающей среды и здоровья населения. Однако накопление информации не приводит к новым знаниям. Темпы эволюции информационных технологий значительно опережают эволюцию методологических основ экологии, охраны и управления состоянием окружающей среды - существующие методики и нормативы базируются на устаревших традиционных понятиях и представлениях, технологии подготовки и принятия решений отстают от достижений в математическом моделировании, информационных и вычислительных технологиях.

Кроме того, особенностью развития техносферы в последнее время является изменение ее системных свойств: возникновение рисков, обусловленных длинными причинно-следственными связями, их междисциплинарный характер, глобальные изменения техногенного характера, высокая чувствительность к «слабым воздействиям» и др. Это с неизбежностью приводит к необходимости использования системного подхода к анализу техногенных рисков и техносферной безопасности в целом с использованием методов системного анализа и информационных технологий.

Последние несколько лет идет активное развитие технологий искусственного интеллекта, имитирующих деятельность нейронов мозга - искусственные нейронные сети (ИНС) [5; 8; 9]. Применение искусственных нейронных сетей дает ряд преимуществ по сравнению с традиционным подходом, позволяя одновременно учитывать большое количество влияющих параметров, воздействующих на множество зависимых величин, автоматически синтезировать высокосложные аналитические модели по имеющимся базам данных, наиболее полно отражающие характерные для исследуемой системы причинно-следственные связи между параметрами, автоматически оценивать степень влияния каждого из воздействующих параметров на зависимые величины и корректировать полученную аналитическую модель с появлением новых данных путем «доучивания» нейросети [8-10].

Искусственная нейронная сеть представляет собой математический аппарат, позволяющий строить алгоритмы обработки информации, обладающий уникальной способностью обучаться на примерах и «узнавать» в потоке «зашумленной» и часто противоречивой информации приметы ранее встреченных образов и ситуаций. ИНС позволяют находить скрытые зависимости между входными и выходными данными, которые остаются вне внимания классических методов [5; 9].

Моделирование систем с использованием ИНС осуществляется в три этапа: обучение, оценка результатов обучения и использование обученных сетей для прогнозирования [10]. На обучающем множестве происходит настройка сети, т.е. корректировка весовых коэффициентов нейронов пропорционально ошибке на выходе. Данные контрольного множества используются для кpосс-пpовеpки - на каждом шаге обучения сети рассчитывается ошибка для всего набора наблюдений из контрольного множества и сравнивается с ошибкой на обучающем множестве. Алгоритм обучения ИНС направлен на минимизацию ошибки на выходе сети, которая оценивается с помощью статистических показателей (таких как средняя абсолютная ошибка) (рис. 1). Наиболее эффективной признается сеть с наименьшей ошибкой.

Рис. 1. Процесс обучения ИНС

Для проверки приемлемости нейросетевых технологий для оценки экологического риска построена модель влияния вредных выбросов на здоровье населения Красноярска. В качестве индикаторов состояния окружающей среды использовались концентрации загрязняющих веществ в воздухе по данным центра по мониторингу загрязнения окружающей среды ГУ «Красноярский ЦГСМ-Р», осуществляющего наблюдения за качеством атмосферного воздуха на 8 стационарных постах в г. Красноярске (табл. 1). Обработаны ежегодники «Состояние загрязнения атмосферного воздуха городов на территории Красноярского края, республик Хакасия и Тыва» с 1999 по 2010 г. [7].

В качестве индикатора здоровья населения использовались данные санитарно-демографической статистики Территориального органа федеральной службы государственной статистики по Красноярскому краю (Красноярскстат) (табл. 2) [4].

Для построения нейросетевой модели использовалась программная система Matlab (версия 7.12.0.635). Обучение нейронной сети проводилось на данных за 1999-2008 гг., тестирование - на данных за 2009-2010 гг., прогнозирование - по данным за 2011 г.

Таблица 1

Концентрация загрязняющих веществ в воздухе г. Красноярска в 1999-2011 гг.

Вещество

Бензол

Азота оксид

Марганец

Медь

Гидрофторид

Ксилол

Сероводород

Сероуглерод

Толуол

Окись углерода

Фенол

Никель

Ед. изм.

мг/м3

мг/м3

мкг/м3

мкг/м3

мг/м3

мг/м3

мкг/м3

мкг/м3

мг/м3

мг/м3

мкг/м3

мкг/м3

1999

0,080

0,020

0,040

0, 03

0,0030

0,050

1,0

15,000

0,045

1,500

1,0

0,0124

2000

0,030

0,020

0,035

0, 03

0,0030

0,070

1,0

1,000

0,030

1,300

1,0

0,0112

2001

0,023

0,027

0,030

0, 02

0,0030

0,013

0,0

0,000

0,014

1,786

1,0

0,0100

2002

0,015

0,029

0,040

0, 04

0,0030

0,012

0,0

0,000

0,012

1,592

1,0

0,0100

2003

0,025

0,018

0,040

0, 03

0,0030

0,018

0,0

0,000

0,030

1,400

1,0

0,0100

2004

0,015

0,039

0,080

0, 04

0,0010

0,028

0,0

0, 000

0,024

1,457

0,0

0,0100

2005

0,022

0,034

0,070

0, 04

0,0020

0,042

0,0

0,000

0,032

1,073

1,0

0,0200

2006

0,019

0,041

0,100

0, 05

0,0030

0,036

0,3

0,300

0,027

1,801

1,2

0,0200

2007

0,024

0,049

0,090

0, 07

0,0030

0,054

0,2

0,200

0,038

1,105

0,7

0,0200

2008

0,024

0,063

0,090

0, 05

0,0028

0,045

0,1

0,100

0,040

0,906

1,0

0,0200

2009

0,020

0,057

0,080

0, 09

0,0025

0,030

0,3

0,300

0,026

1,199

1,2

0,0000

2010

0,026

0,041

0,150

0, 08

0,0017

0,046

0,2

0,225

0,040

1,233

1,4

0,0100

2011

0,023

0,030

0,150

0, 06

0,0026

0,048

0,2

0,225

0,028

1,266

1,8

0,0100

Окончание табл. 1

Вещество

Свинец

Бенз(а)пирен

Хром

Формальдегид

Азота диоксид

Цинк

Пыль

Аммиак

Диоксид серы

Железо

Хлор

Гидрохлорид

Этилбензол

Ед. изм.

мкг/м3

мг/м3

мкг/м3

мкг/м3

мг/м3

мкг/м3

мг/м3

мг/м3

мг/м3

мкг/м3

мг/м3

мг/м3

мкг/м3

1999

0,0174

2,11

0,0225

4,7

0,025

0,0750

0,330

0,020

0,0020

0,43

0,030

0,045

5,25

2000

0,0137

2,11

0,0212

5,0

0,024

0,0725

0,250

0,010

0,0060

0,79

0,030

0,040

10,00

2001

0,0100

3,99

0,0200

8,0

0,035

0,0700

0,270

0,010

0,0040

1,15

0,014

0,040

3,00

2002

0,0200

2,77

0,0100

6,0

0,041

0,0600

0,295

0,014

0,0050

1,51

0,008

0,045

2,00

2003

0,0100

3,66

0,0000

8,0

0,042

0,0500

0,265

0,021

0,0040

2,01

0,006

0,049

6,00

2004

0,0200

4,07

0,0100

5,5

0,038

0,0800

0,202

0,019

0,0020

4,53

0,002

0,050

11,00

2005

0,0200

3,33

0,0200

11,3

0,048

0,0700

0,228

0,024

0,0030

2,71

0,001

0,050

14,00

2006

0,0200

3,40

0,0200

4,3

0,051

0,0800

0,198

0,017

0,0050

4,04

0,000

0,057

12,00

2007

0,0200

4,40

0,0200

5,0

0,060

0,0800

0,184

0,024

0,0040

3,51

0,000

0,074

19,00

2008

0,0400

4,10

0,0300

6,5

0,078

0,0700

0,193

0,015

0,0046

3,55

0,000

0,050

16,00

2009

0,0700

4,80

0,0200

9,4

0,062

0,0700

0,173

0,017

0,0037

3,55

0,000

0,048

12,00

2010

0,1200

5,00

0,0200

14,1

0,045

0,1000

0,185

0,032

0,0020

7,38

0,000

0,035

18,00

2011

0,1700

4,20

0,0200

19,5

0,440

0,1000

0,236

0,044

0,0025

4,78

0,000

0,026

17,00

Таблица 2

Санитарно-демографическая статистика и результаты расчетов

Показатель

Число жителей

Рождаемость

Смертность общая

Больных злокачественными новообразованиями

Смертность от новообразований

наблюдаемая

расчетная

ошибка

Ед. изм.

тыс. человек

на 1000 человек

на 100 тыс. человек

на 100 тыс. человек

%%

1999

877,6

8,3

13,8

1042,0

207,10

207,18

-0,04

2000

875,9

8,6

14,1

1465,5

208,81

208,28

+0,25

2001

875,4

9,5

13,7

1512,5

205,50

204,80

+0,34

2002

912,1

10,7

14,0

1551,8

186,60

191,20

-2,47

2003

912,8

10,9

13,7

1588,9

195,77

191,20

+2,33

2004

917,2

10,9

12,8

1713,3

209,33

209,43

-0,05

2005

917,2

10,9

13,3

1811,3

205,29

202,65

+1,29

2006

921,7

11,1

11,9

1969,5

207,98

209,43

-0,70

2007

927,2

11,4

11,7

2094,3

211,90

209,45

+1,16

2008

937,2

12,7

11,4

2199,1

211,80

209,42

+1,12

2009

947,8

13,4

10,8

2336.5

204,80

205,13

-0,16

2010

971,6

13,5

11,0

2483,8

202,60

198,24

+2,15

2011

998,1

-

-

-

199,08

199,06

+0,01

Варьированием структуры и параметров нейронной сети и алгоритма обучения было получено несколько моделей сети, из которых была отобрана лучшая по свойству обобщения (наименьшей ошибке на тестовой выборке). Выбранная сеть обладает послойной организацией и прямым распространением сигнала (многослойный персептрон) с тремя слоями: на 1 слое - 3 нейрона, на 2 и 3 слоях - по 2 нейрона с сигмоидальной активационной функцией нейронов. Средняя относительная ошибка по всем результатам составила 0,40%, средняя абсолютная ошибка - 0,93%, т.е. сеть обеспечивает хорошую сходимость расчетных и фактических значений (табл. 2).

На основе выбранной нейросетевой модели и соответствующих концентраций загрязняющих веществ за 2011 год был получен прогноз количества умерших от новообразований в 2011 году - 199,06 на 1000 человек, реальное количество равно 199,08.

Расчеты, выполненные на основе предлагаемого подхода, по-видимому, имеют большую степень неопределенности по сравнению с результатами, полученными при точном соблюдении требований научной медико-биологической экспертизы. Однако его несомненным преимуществом является то, что уже сейчас имеются все необходимые правовые, методические и информационные возможности для его внедрения в практику экологической экспертизы и контроля за состоянием природной среды. Кроме того, предложенный метод анализа риска может позволить, при необходимости, получить объективную количественную информацию о степени опасности конкретного действующего или проектируемого производственного объекта, выявить зоны и территории, где уровень риска превышает допустимые значения, при которых необходимо ужесточение контроля или принятия определенных мер по его снижению и обеспечению нормативной безопасности производственного персонала и населения [8; 9].

Приведенные результаты свидетельствуют, что применение нейросетевых технологий для решения прикладных экологических задач, связанных с обработкой информации и построением моделей, является перспективным направлением исследований.

Рецензенты:

Хижняк С.В., д.б.н., профессор, Красноярский государственный аграрный университет, г. Красноярск.

Войнов Н.А., д.т.н., профессор, Сибирский государственный технологический университет, г. Красноярск.