Районирование территорий на основе искусственного интеллекта и распознавания образов в задачах природопользования

Актуальность.

Проблемы эффективного комплексного использования и устойчивого развития территорий приобретают особую актуальность в связи с многообразием задач, возникающих в разных отраслях народного хозяйства, в частности в науках о Земле. При этом обычно говорят о разных постановках одной и той же задачи. Если постановка задачи реализуется на языке исходной проблемы, которая породила задачу, то следует говорить о содержательной постановке задачи. Если же это реализуется на языке теории множеств и анализа данных, то говорят о формальной постановке задачи. В том же случае, когда такое задание реализуется на диалекте того или иного математического метода, следует говорить о математической постановке задачи.

Следует отметить, что в науках о Земле районирование играет важную, но двойственную роль. С одной стороны, оно традиционно является заключительным этапом, завершающим (обобщающим) очередную стадию комплексного исследования территории. С другой — результаты районирования представляют собой исходную базу для выбора направления последующих работ, а зачастую, и методов их реализации. Такой подход к районированию развивался в геологии, где акцент делался на выделение и ранжировании внутри определенной территории отдельных районов, перспективных для поиска тех или иных полезных ископаемых. Опираясь на метод последовательной детализации, геологи сформулировали чрезвычайно плодотворную концепцию иерархического районирования. Изучение этих работ, как и работ гидрогеологов, связанных с общим и региональным районированием, в особенности тех из них, которые связаны с использованием математики и ЭВМ, имеет важное значение для понимания современных подходов к районированию.

В тоже время анализ опыта районирования, показывает, что при районировании огромную роль играет творческая интерпретация (реконструкция) автора.

Разработка решений этой проблемы, начиная со второй половины прошлого века, сопровождалось бурным внедрением компьютерного моделирования на основе геоинформационных систем (ГИС) и технологий, баз данных и баз знаний.

Сейчас ГИС-технологии уже широко используются для районирования территорий по особенностям природных условий, угодий в сельском хозяйстве, наличия минеральных ресурсов, а также при строительстве, управлении городским и региональным развитием и т. д. Накопленный опыт позволил выделить в отдельное научное направление такую отрасль знания, как геоинформатика.

В настоящие время рассматривается несколько направлений развития геоинформатики, одним из которых является направление, базирующееся на использовании современных представлений об искусственном интеллекте.

Искусственный интеллект мы понимаем, как научную дисциплину, целью которой является создание методолого-теоретических основ постановки и решения задач. Представления о задачах в различных науках не совпадают, однако имеются «общие и вечные» задачи всех наук: выделение объектов исследования, их описание и сравнение, классификация, оценивание, периодизация и прогнозирование. Эти задачи, при условии использования для их постановки и решения математики и ЭВМ на основе методолого-теоретических схем, мы будем называть базовыми задачами искусственного интеллекта.

Теоретическая разработка базовых задач искусственного интеллекта и их применение в мультидисциплинарных исследованиях, открывает новые широкие возможности для геоинформатики, которая по своей природе также мультидисциплинарна.

Степень изученности проблемы. Следует подчеркнуть, что. геоинформатика, как наука, сформировалась под влиянием идей, развитых в области информатики и системного анализа академиками А. Н. Тихоновым, A.A. Самарским, H.H. Моисеевым, A.C. Алексеевым, а в области применения ЭВМ в геологоразведке такими учеными, как: Ю. А. Воронин, А. Б. Каждан, O.JI. Кузнецов, В. В. Ломтадзе, В. В. Марченко, В. И. Пахомов, E.H. Черемисина и многими другими. Геоинформатика интенсивно развивается в смежных к геологии отраслях: географии и геодезии, прежде всего в области разработки геоинформационных систем по картографии, кадастрам земельных ресурсов и городов, при этом следует назвать таких видных ученых, внесших существенный вклад в их развитие, как Берлянт A.M., Тикунов B.C., Иванников А. Д., Цветков В. Я. Цель:

На основе базовых задач искусственного интеллекта разработать теоретические основы и методики формирования требований к постановке и решению задач районирования • территорий, а также программно-алгоритмическое обеспечение для их реализации. Задачи:

1. Разработать основные вопросы построения общей теории районирования на ' основе формализованного описания объектов.

2. Разработать методологические принципы и предложить теоретическое описание базовых задач искусственного интеллекта для решения вопросов районирования территорий.

3. Формализовать процедуру проведения границ районов через алгоритм определения граничной точки.

4. Разработать формальный метод сравнения двух районировании одной территории для помощи эксперту в выборе предпочтительного.

5. Разработать семейство алгоритмов «Кассандра» для обработки данных с целью районирования и на их основе создать программный комплекс.

6. Осуществить апробацию предложенной методики и алгоритмов районирования на конкретных примерах: агроклиматического районирования территории Казахстана на основе данных космического мониторинга, районирование гравимагнитных данных для построения геофизической основы при изучении структурно-тектоничекого строения стыка Сибирской платформы и Верхоянской складчатой зоны, прогноз нефтегазаностности локальных структур юга Западной Сибири.

Методолого-теоретическая база. Используются современные представления: по философии и методологии науки (в основном, Моисеев H.H.),, по эффективности недропользования и геологоразведки (Козловский Е.А., Воронин Ю.А.), по искусственному интеллекту (Воронин Ю.А., Черемисина E.H.). Научная новизна.

• С единых системных позиций разработана теория районирования многоцелевого применения для слабо формализованных задач.

• Разработаны принципы и подходы решения этих задач на основе методов и приемов искусственного интеллекта и распознавания образов.

• Разработан комплекс алгоритмов распознавания и районирования, значительно расширяющий методологические возможности конструирования аналоговых и критериальных моделей районирования.

Основные положения, выносимые на защиту.

1. Построенная общая теория районирования, включающая создание с единых системных позиций аналоговых и критериально-аналоговых моделей, значительно расширяет возможности многоцелевого применения ГИС для постановки и решения широкого класса слабо формализованных задач.

2. Предложенные формальные подходы к описанию базовых задач искусственного интеллекта, позволяют при описании объектов районирования использовать как прямые, так и косвенные свойства, на их основе проводить сравнение объектов, при этом опираясь на статические и динамические меры сходства, задавать необходимое классифицирование.

3. Формализованное определение границ структурных элементов через выявление граничных точек, позволяет, используя математический аппарат, проводить сравнение двух районировании одной территории, экспертно вводя веса определенных операции.

4. Разработанное семейство алгоритмов «Кассандра» обеспечивает создание на основе фактических данных теоретических объектов, экспертное разнесение которых по образам расширяет методологические возможности конструирования аналоговых и критериально-аналоговых моделей. Опираясь на цены ошибок первого и второго родов, семейство алгоритмов «Кассандра» позволяет устанавливать предпочтение между двумя алгоритмами из этого семейства в зависимости от постановки конкретной задачи.

5. Применение методолого-теоретических основ изложенной теории районирования, опирающееся на аппарат искусственного интеллекта и семейство алгоритмов «Кассандра», позволило на основе разбуренных эталонных объектов нефтегазовых локальных структур Западной Сибири создать аналоговые модели и осуществить успешное прогнозирование неразбуренных структур, построить геофизическую основу структурно-тектонического строения стыка Сибирской платформы и Верхоянской складчатой зоны, провести агроклиматическое районирование территории Казахстана, используя наземные данные и данные космического мониторинга.

Практическая значимость. В работе предложены новые подходы к построению теории районирования на основе базовых задач искусственного интеллекта и применения ГИС. Как представляется, они имеют многие преимущества перед традиционными подходами. Возможности этих подходов конкретизированы на примерах прогнозного районирования нефтегазоностности локальных структур юга Западной Сибири, районирования гравимагнитных данных для построения геофизической основы при изучении структурно-тектоничекого строения стыка Сибирской платформы и Верхоянской складчатой зоны, агроклиматического районирования территории Казахстан с использованием данных дистанционного зондирования из космоса. .Апробация работы.

Все положения диссертации обсуждались в 1990;2006 годах на различных международных, федеральных и региональных конференциях, и семинарах, в том числе на всесоюзной конференции «Проблемы создания систем обработки, анализа и понимания изображений» (Ташкент, 1991), на III Межреспубликанском совещание по математическому моделированию природных и антропогенных катастрофических явлений (Новосибирск 1995), на Международной конференции «Самоорганизация природных и социальных систем» (Алматы 1995), на У-ом Международном симпозиуме по применению математических методов и компьютеров в геологии, горном деле и металлургии (Дубна 1996.), на Втором Международном симпозиуме «Интеллектуальные системы» (Санкт-Петербург 1996), на 3-ей Международной конференции «Математические проблемы экологии» (Новосибирск 1997), на Международном симпозиуме «Мониторинг окружающей среды и проблемы солнечно-земной физики» (Томск 1996), на Международная конференция «Закономерности эволюции земной коры». (Санкт-Петербург 1996), на Всероссийской конференции «Современные проблемы географии России и родного края» (Курган 1997), на Международной научно-технической конференция «Нефть и газ западной Сибири» (Тюмень 1998), на Всероссийской научно-практической конференции «Геоинформатика в нефтегазаностной отрасли» (Ханты-Мансийск,. 2001), на Международной конференции «Математическое моделирование природных экосистем» (Алматы 2003), на Всероссийской научно-практической конференции. «Опытно-экспериментальная работа в образовательных учреждениях: контекст модернизации образования» (Краснодар 2004), на Межрегиональном научно-практическом семинаре «Интеграция интеллектуальных и материальных ресурсов научных, образовательных и производственных структур» (Барнаул 2001, 2005), на постоянно действующем семинаре по вычислительной геологоразведке (Новосибирск 1990;2005), на семинарах и рабочих совещаниях по применению ГИС в системе космического мониторинга Казахстана (Алматы1998, 2000, 2003, 2006).

Личный вклад.

Диссертация основана на исследованиях, выполненных автором в период 1989;2006 в Новосибирском государственном университете. С 1989 года автор участвовал в разработке темы «Совершенствование распознавания в геологии за счет моделирования экстремальных объектов». В этой работе предложены основные идеи т.н. неоклассического подхода к распознаванию и районированию в науках о Земле. В 1992 автор возглавил научную группу по разработке алгоритмов формирования материала обучения и экзамена для геологопрогнозных задач, в результате чего была построена автоматизированная система' «Кассандра», которая в 2002 году была модернизирована с целью совмещения с современными геоинформационными системами. С 1995 по настоящее время автор возглавлял различные научно-исследовательские темы, проводимые совместно с институтом вычислительной математики и математической геофизики СО РАН, связанные с применением искусственного интеллекта в природопользовании. Основываясь на этих работах, им были описаны базовые задачи искусственного интеллекта, с системных позиций разработана теория районирования многоцелевого применения.

С 1998 года, совместно с институтом космических исследований Казахстана автором проводились многочисленные работы, связанные с решением задач агроклиматического районирования территории Казахстана по данным наземных и космических исследований.

Основные результаты диссертации получены лично автором. По теме диссертации опубликовано 26 печатных работ, в том числе три монографии.

В первой главе рассматриваются основные проблемы теории районирования. Районирование один из основных методов исследования территорий. Огромный вклад в развитие его теоретических основ и практического применения внесли ученые географы и аграрии: Арманд Д. Л., Броунов П. И., Грибкова Н. Д., Жуков В. А., Колосков П. И., Сапожникова С. А., Родоман Б. Б., Шашко Д. И. и многие другие. Представители широкого спектра геологических наук: Архангельский А. Д., Белоусов В. В., Богданов A.A., Боголепов К. В., Вассоевич Н. Б., Вотах O.A., Забродин В. Ю., Косыгин Ю. А., Кулындышев В. А., Наливкин Д. В., Спижарский Т. Н., Чиков Б. М., Шатский Н. С., Шейнмани Ю. М. и многие другие.

Обобщая многие работы, можно сделать следующие выводы — большинством специалистов «район» трактуется как территория любого размера, отвечающая двум условиям: однородности, т. е. вся площадь района является однородной по тем показателям, на основании которых он выделенсистемной целостности, т. е. район представляет собой некое единство, являющееся следствием гармоничности связей между признаками, по которым он выделен.

Само районирование можно представлять как совокупность методов расчленения пространства в соответствии с характером изучаемой неоднородности, выбранной систематикой тел и с соблюдением правил полного (без остатка) деления этого пространства, непересечения границ и характерности свойств выделяемых элементов.

При этом можно сформулировать исходные принципы районирования.

Латеральная неоднородность обусловлена последовательной сменой по площади объектов, различающихся составом, структурой или физическими свойствами и находящихся в соотношениях соседства, пересечения или постепенного замещения.

Вертикальная неоднородность обусловлена последовательной сменой по вертикали объектов, различающихся составом, структурой или физическими свойствами.

Принципы вертикальной и горизонтальной неоднородности служат главными предпосылками объемного расчленения пространства.

С другой стороны, в основе районирования как общего способа исследования Земли или ее частей лежит принцип классификаций, только он позволяет представить необозримое множество тел и явлений в упорядочной и удобной для практического использования форме.

Систематика — это иерархически упорядоченная классификация перечисления типовых элементов изучаемого множества.

Учитывая принципы вертикальной и латеральной неоднородности, а также необходимой упорядочности систематики элементов, основные операционные принципы районирования можно представить в виде следующих правил:

Полноты деления: все районируемое пространство должно быть расчленено на районы (элементы) без остатка и в соответствии с принятой систематикой.

Целостности (характерности свойств): при районировании выделяются элементы, совокупность свойств которых должна обеспечивать их обособленность.

Непересечения границ: при районировании не должно быть «промежуточных» элементов, т. е. участков, относящихся более, чем к одному классу элементов принятой систематики.

Ранговости: при районировании должна соблюдаться иерархия выделенных элементов.

Однородности описания: в соответствии с иерархическим уровнем систематики каждый выделенный элемент должен быть охарактеризован одинаковым списком свойств с равной точностью и степенью детальности.

Однородности границ: границы выделенных элементов одного ранга должны определяться по фиксируемому списку свойств.

Специализации: при районировании необходимо выбирать такие делящие признаки, которые в наибольшей степени отвечают задаче исследования.

Данные принципы можно свести к постановке и решению базовых задач искусственного интеллекта и на их основе построить общую теорию районирования.

Устанавливается взаимоотношение теория районирования и системного анализа.

Системный анализ всегда начинается с построения модели, отвечающей в нашем случае постановке конкретной задачи, т. е. формализации изучаемого объекта (процесса).

Формализация модели состоит в определении соответствия содержательной модели исходным данным, описании критериев и признаков для решения задачи и получения их цифровой модели (матрицы), а такжевыборе способов их расчета. При этом можно выделить несколько типов формальных моделей.

Критериальная модель задается группой критериев, наличие каждого из которых благоприятствует (реже препятствует) достижению на данном объекте максимума целевой функции. Наличие такой модели знаменует либо достаточную теоретическую проработанность вопроса об объекте исследований, либо большую статистику, позволяющую сделать такие выводы.

Аналоговая модель, для которой постулируется принцип аналогий и которая представлена достаточным количеством объектов, отвечающих различным значениям целевой функции. Здесь особенно важно иметь эталонные представители не только для оптимальных, но и для всех значений целевой функции. Например, должны быть известны не только месторождения, но и пустые участки территории.

Промежуточное положение занимает критериально-аналоговая модель, соединяющая в себе наличие критериев и использование принципа аналогий. В принципе, от критериальной модели всегда можно перейти к критериально-аналоговой, организовав образы на основе создания идеальных по значениям критериев объектов разных классов. При этом необходимо помнить, что искусственно порожденные объекты могут не только не иметь аналогов в действительности, но и быть теоретически запрещенными, так как не любые наборы критериев оказываются совместными. Поскольку построение модели определяется конкретной задачей, то необходим анализ модели в соответствии с постановкой задачи исследований. При описании модели нужно провести анализ априорных сведений и ограничений и сформулировать некоторую оптимизационную задачу. Следующий этап системного анализа — решение оптимизационной задачи (или просто оптимизация) по выбору стратегии, обеспечивающей достижение цели управления. Критерий оптимальности при этом обычно является и критерием отбора наиболее экономной стратегии.

Таким образом, системный анализ включает построение модели, анализ этой модели и оптимизацию решения поставленной задачи.

Будем считать, что в простейшем случае районирование территорий некоторого класса реализуется в три этапа:

На первом этапе отбирается несколько территорий этого класса (полигонов), внутри которых в узлах прямоугольной сети с ячейкой размером, А проводятся наблюдения так ¦ называемых «прямых» свойств Ф, и экспертами осуществляется их районирование. В идеальном случае, затраты, связанные с таким районированием С (Д, Ф), во внимание не принимаются.

На втором этапе внутри тех же территорий — полигонов в узлах вспомогательной сети наблюдений с ячейкой размером А', А' < А/р, проводятся наблюдения так называемых «косвенных» свойств Б и разрабатывается их «косвенное» районирование, связанное с меньшими затратами.

На третьем этапе внутри всех остальных территорий этого класса в узлах сети с ячейкой размером А' проводится наблюдение «косвенных» свойств Б и реализуется их «косвенное» районирование, разработанное на втором этапе.

На первом и втором этапах осуществляется' построение модели, на третьем — ее использование. Другими словами, на первых двух этапах происходит, так называемое районирование-обучение, на третьем этапе районированиераспознавание. Рассматривается схема постановки и решения задач районирования. При этом напомним, что любая задача районирования — подзадача некоторой задачи, в решении которой используется результаты районирования. О ней необходимо заранее иметь четкие представления.

Раскрываются принципы, на которых должна базироваться общая теория районирования. Разбираются основные вопросы теории районирования. Первый основной вопрос теории районирования связан с выделением типов и видов районирования. Второй, «основной» вопрос теории районирования связан с выработкой представлений о формальном районировании, которое может быть предметом формального анализа. Третий основной вопрос теории районирования связан с фиксацией представлений о сопоставимости различных районирований территорий.

Во второй главе рассматриваются экспертные системы и базовые задачи искусственного интеллекта в мультидисциплинарных исследованиях наук о Земле. Экспертная система — это система искусственного интеллекта, включающая базу знаний с набором правил и механизмом вывода, позволяющим на основании правил и представленных пользователю фактов распознать ситуацию, дать прогноз, поставить диагноз, сформулировать решение или рекомендацию.

Основное различие между базой данных и базой знаний состоит в том, что база знаний должна обладать определенными творческими возможностями, в то время как факты в базе данных пассивны. Утверждается, что первоначально надо ставить задачу описания объектов. Науки о Земле имеют дело с материальной средой и «погруженными» в нее, частично или полностью, объектами, определенным образом выделенными и описанными. Размер этих объектов на много порядков превышают «лабораторные» образцы. Среда воспринимается через некую сеть наблюдений. В узлах этой сети отбираются, реально или виртуально, некие «частицы» среды или образцы (пробы). На этих образцах измеряются свойства и определяются теоретические характеристики совокупностей проб. Формально, среда воспринимается через расстояния по конкретным географическим координатам и через некие меры сходства по свойствам между образцами, а также через правила выделения и разделения совокупностей образцов, иначе через «дискретное пространство».

Особо необходимо отметить, что свойства объектов, которые используются для достижения фиксированной цели, следует разделять на:

— прямые, их значение обеспечивает простое и точное достижение, фиксированной цели, однако их определение требует больших затрат, в широком смысле слова.

— косвенные, знание значений этих свойств обеспечивает лишь приближенное, сложное достижение цели, однако определение их требует значительно меньших затрат, чем прямых.

Подробно рассматриваются задачи сравнения объектов по мерам сходства, при этом анализируются как статические, так и динамические меры сходства. Утверждается, что представления о сходстве объектов и об измерении меры сходства являются базисом всех теоретических построений.

Разбирается еще одна базовая задача искусственного интеллекта — классификации объектов. Теоретически изучать и использовать можно только классы объектов, а не отдельные объекты. При этом многое зависит от того, как именно эти классы организованы, т. е. в теории искусственного интеллекта возникают задачи классификации формально описанных объектов.

В третьей главе описываются географические информационные системы и формализованное определение границ структурных элементов.

ГИС — информационная система, обеспечивающая сбор, хранение, обработку, отображение и распространение координатно-привязанной информации о точечных, линейных, площадных и пространственных объектах в форме их цифровых представлений (векторных, растровых, матричных). По территориальному признаку выделяют глобальные ГИС и локальные или местные ГИС (городские, муниципальные).

При решении задач районирования территорий мы имеем входные данные в виде пространственных объектов, как правило, четырех типов: точки, линии, области (контура) и поверхности.

Если пара точек наблюдения «разнородна», то можно считать, что она распознает или обнаруживает граничную точку наблюдения. При построении такого алгоритма обнаружения можно использовать гипотезу, что «соседние» точки наблюдения внутри одного района должны быть «сходны» между собой по косвенным свойствам, а «соседние» точки разных районов — «различны» .

На первом этапе оказывается необходимым дополнительно фиксировать множество пар соседних точек «однородных» и «разнородных» — описывать эти пары на основе «прямых» свойств, задавать меры сходства по этим свойствам и использовать их для построения алгоритма определения граничных точекописывать эти пары на основе «косвенных» свойств, задавать меры сходства по этим свойствам и использовать их для построения алгоритма обнаружения граничных точек.

На втором этапе оказывается необходимым дополнительно описывать «косвенные» районы. От того, как выполнены эти дополнительные действия, тоже существенно зависит успех районирования.

Особо рассмотрена методологическая проблемы сравнения и оценки качества районирований. Один из самых тонких вопросов — оценка качества построенных районирований. На наш взгляд, основная сложность заключается в двойственном характере этой проблемы. Оценка качества решения задач районирования связана, с одной стороны, с построением (возможно виртуальным) «идеального» районирования территории (эталона), а, с другой стороны, с описанием, сравнением и количественным выражением (ранжированием) расхождений между двумя различными районированиями одной территории. Для ее разрешения сформулирован математический аппарат.

В четвертой главе приводится решение задач районирования и распознавания образов в автоматизированных системах обработки данных на основе семейства алгоритмов «Кассандра». Любая высокоорганизованная автоматизированная система обработки данных (АСОД) состоит из базы данных, системы управления базой данных и библиотеки обрабатывающих программ или пакета прикладных программ.

В основе прикладного математического аппарата АСОД комплексного анализа используют методы распознавания образов с обучением на эталонных объектах и методы классификации объектов на принципах самообучения.

Применение распознавания образов в задачах природопользования позволило решить широкий круг практических задач, поставить ряд новых проблем, изменило методолого-теоретические взгляды на описание объектов исследования. Однако это не привело к получению каких-либо принципиально новых практических следствий, получивших массовую проверку и общее признание. С одной стороны, это связано с тем, что основные усилия были направлены на детальную разработку различных частных алгоритмов в ущерб развития методолого-теоретических вопросов, с другой стороны, во многом связано со спецификой применения распознавания в науках о Земле. Почти всегда первоначально приходится иметь дело с «образами внутри сознания конкретных специалистов». Переход от таких образов к формализованным" называется организацией образов. Этот процесс всегда должен предшествовать процессу распознавания. Предлагаемый новый подход к распознаванию, нацелен, прежде всего, на повышение строгости получения результатов распознавания, на оценку их эффективности и, следовательно, на повышение требований к исходной базе данных и знаний.

При таком подходе распознавание связывается с двумя задачами: «организации образов» и «распознавания образов» .

Среди многих факторов повышения эффективности распознавания главным является совершенствование материала для распознавания и соответствующих априорных представлений. Необходимо уметь формально описывать, сравнивать и устанавливать отношения предпочтения на множестве эталонных объектов.

Только после того как установлено, что предложенный эталонный материал не противоречит представлениям эксперта и намечены пути формализации этих представлений, можно переходить к постановке задачи распознавания. Подробно рассмотрено семейство алгоритмов распознавания «Кассандра», предложен подход, позволяющий устанавливать предпочтение между алгоритмами в зависимости от конкретной постановки задачи.

В пятой главе осуществлено приложение теории районирования и семейства алгоритмов «Кассандра» для решения практических задач: прогноз нефтегазоностности локальных структур юга Западной Сибири, районирование гравимагнитных данных для построения геофизической основы при изучении структурно-тектоничекого строения стыка Сибирской платформы и Верхоянской складчатой зоны, агроклиматическое районирование территории Казахстана на основе данных космического мониторинга. При этом построены различные модели, дана содержательная интерпретация полученным районированиям.

В заключении сформулированы основные результаты проведенных исследований.

Выводы:

Сформулированные в главах 1−3 теоретические требования, могут быть с успехом использованы в ГИС для постановки различных народно-хозяйственных задач связанных с использованием земли и недр.

Разработанное на основе алгоритмов «Кассандра» программное обеспечение значительно расширяет возможности эксперта в процедуре решения поставленных задач.

ЗАКЛЮЧЕНИЕ

.

Разработаны теоретических основы и методики формирования требований к постановке и решению задач районирования территорий на основе базовых задач искусственного интеллекта. При этом осуществлено программно-алгоритмическое обеспечение для их реализации.

На основе изучения опыта содержательных постановок задач районирования в науках о Земле с единых системных позиций разработана общая теории районирования, базирующаяся на создании критериальных, аналоговых и критериально-аналоговых моделей изучаемых объектов. Обоснована возможность сведения задачи районирования к базовым задачам искусственного интеллекта.

Предложены формальные подходы к описанию базовых задач искусственного интеллекта, при этом для описания объектов районирования используется прямые свойства (их значение обеспечивает простое и точное достижение поставленной цели, однако определение их требует больших затрат), косвенные свойства (знание значений этих свойств обеспечивает лишь приближенное, сложное достижение цели, однако определение их требует значительно меньших затрат, чем прямых). Данный подход позволил использовать для сравнения объектов как статические, так и динамические меры сходства, осуществлять распознавание образов и задавать необходимые процедуры классифицирования.

Введенное понятие граничной точки формализовало процедуру определение границ структурных элементов. Разработан математический аппарат, позволяющий проводить сравнение двух районирований одной территории, путем экспертного ввода весов определенных операций.

Любая высокоорганизованная автоматизированная система обработки данных (АСОД) в основе прикладного математического аппарата используют методы распознавания образов с обучением на эталонных объектах и методы классификации объектов на принципах самообучения. С этих позиций разработано семейство алгоритмов «Кассандра» отвечающие всем методологическим требованиям, сформулированным в главе 1, а также требованиям к постановке и решению базовых задач искусственного интеллекта (гл.2). Семейство алгоритмов «Кассандра» на основе описания эталонных объектов, обеспечивает создание теоретических объектов, которые расширяют методологические возможности конструирования аналоговых и критериально-аналоговых моделей исследуемых объектов.

Программный комплекс «Кассандра» позволяет расширять материал обучения для распознавания за счет не отбракованных экспертом теоретических объектов, устанавливать предпочтение между разными алгоритмами в зависимости от постановки конкретной задачи районирования.

На основе разработанных подходов поставлены и решены практические задачи природопользования: осуществлен успешный прогноз, подтвержденный бурением, нефтегазаностности локальных структур юга Западной СибириСоздана геофизическая основа структурно-тектонического строения стыка Сибирской платформы и Верхоянской складчатой зоны, при этом получены дополнительные геологические результатыпроведено агроклиматическое районирования территории Казахстана, по данным космического мониторинга, локализованы очаги опустынивания. Дальнейшим направлением исследований является развитие практической реализации предложенных методических и технологических подходов для постановки и решения широкого спектра задач районирования в природопользовании.