Modelling of environmental parameters in lake environments using neural networks

Η υδατική μόλυνση είναι ένα από τα μεγαλύτερα περιβαλλοντικά προβλήματα που έχει να αντιμετωπίσει η ανθρωπότητα ειδικά τις τελευταίες δεκαετίες. Συνεπώς τα λιμναία περιβάλλοντα υφίστανται και αυτά τεράστιες περιβαλλοντικές επιπτώσεις. Δεδομένου ότι οι λίμνες καλύπτουν περίπου το 90% του επιφανειακού υγρού γλυκού νερού της Γης, η ορθή διαχείριση τους είναι πλέον επιτακτική ανάγκη έτσι ώστε να υπάρχει καλή ποιότητα των υδάτων. Ο ευτροφισμός είναι ένα από τα κυριότερα προβλήματα που παρατηρούνται στα λιμναία περιβάλλοντα. Τα ευτροφικά νερά είναι άμεσα συνδεδεμένα με πληθώρα περιβαλλοντικών προβλημάτων όπως η ανοξία, η συγκέντρωση επικίνδυνων κυανοτοξινών κλπ. Οπότε η παρούσα μελέτη επικεντρώνεται στην εξέταση την περιβαλλοντικών παραμέτρων και την επίδραση/συσχέτιση τους με το φαινόμενο του ευτροφισμού. Τα μαθηματικά μοντέλα (πρότυπα) δύνανται να συνεισφέρουν στην προσπάθεια για αποκατάσταση της καλής ποιότητας του νερού σε ένα λιμναίο περιβάλλον. Τα μαθηματικά μοντέλα διαδραματίζουν το ρόλο ενός διάμεσου για την περιγραφή διάφορων περιβαλλοντικών διεργασιών μέσω μαθηματικών σχέσεων. Διάφοροι τύποι μαθηματικών μοντέλων έχουν εφαρμοστεί στις περιβαλλοντικές επιστήμες, ανάμεσα τους και τα τεχνητά νευρωνικά δίκτυα. Τις τελευταίες δεκαετίες έχει γίνει εφαρμογή των τεχνητών νευρωνικών δικτύων με ιδιαίτερη επιτυχία στην λιμνολογία. Τα τεχνητά νευρωνικά δίκτυα έχει παρατηρηθεί ότι υπερτερούν έναντι πολλών άλλων κατηγοριών μαθηματικών προτύπων (π.χ. μοντέλο γραμμικής παλινδρόμησης). Αυτό έγκειται στο γεγονός ότι μπορούν να προσομοιώσουν με καλή ακρίβεια τις πολύπλοκες μη γραμμικές σχέσεις που συνήθως περιγράφουν τις περιβαλλοντικές διαδικασίες. Οπότε διάφορες κατηγορίες τεχνητών νευρωνικών δικτύων εφαρμόζονται στην παρούσα μελέτη. Τα τεχνητά νευρωνικά δίκτυα μπορούν να χωριστούν σε δύο κύριες κατηγορίες, αυτά με επιβλεπόμενη μάθηση και αυτά με μη επιβλεπόμενη μάθηση. Στις Εφαρμογές 1 και Εφαρμογή 2 υλοποιούνται τεχνητά νευρωνικά δίκτυα με επιβλεπόμενη μάθηση, με στόχο να προβλέψουν την παράμετρο της χλωροφύλλη. Ενώ μετέπειτα διάφοροι αλγόριθμοι ανάλυσης ευαισθησίας (one way-sensitivity analysis) εφαρμόζονται στο τεχνητό νευρωνικό δίκτυο, έτσι ώστε να εντοπιστούν οι περιβαλλοντικές παράμετροι με την πιο μεγάλη επίδραση στο μοντέλο, το οποίο προσομοιώνει επιτυχώς (μικρό σφάλμα) την παραγωγή χλωροφύλλης. Η συνεργιστική δράση (two-way sensitivity analysis) των συζευγμένων περιβαλλοντικών παραμέτρων υπολογίζεται με την χρήση του “PaD2” αλγορίθμου.Στην Εφαρμογή 3 υλοποιείται ένα τεχνητό νευρωνικό δίκτυο με μη επιβλεπόμενη μάθηση του τύπου των αυτό-οργανωτικών χαρτών (self-organizing map (SOM)), βάση του οποίου μπορεί να γίνει διαχωρισμός σε κλάσεις των λιμνολογικών δεδομένων, ενώ ταυτόχρονα γίνεται μελέτη της αλληλοεπίδρασης μεταξύ των περιβαλλοντικών παραμέτρων. Παράλληλα οι στατιστικές μέθοδοι της Ανάλυσης Κυρίων Συνιστωσών (Principal Components Analysis) και της Ανάλυσης Συστάδων (Cluster Analysis) εφαρμόζονται και τα αποτελέσματα τους συγκρίνονται με αυτά του αυτό-οργανωτικού χάρτη. Τα αποτελέσματα της ανάλυσης κύριων συνιστωσών και της ανάλυσης κατά συστάδες βρίσκονται να είναι σε συμφωνία με τα αποτελέσματα του αυτό-οργανωτικού χάρτη, αν και ο αυτό-οργανωτικός χάρτης βρέθηκε να είναι πιο αποτελεσματική μέθοδος χάρη στις προηγμένες απεικονιστικές ικανότητες που έχει για να συσχετίζει παραμέτρους.