Моделирование в картографии - Тикунов В.C.
ISBN 5-211-03346-9
Скачать (прямая ссылка):
за окончательное число таксонов.
Полученные результаты удобно анализировать по среднеарифметическим значениям каждого показателя, относительно всех территориальных единиц, входящих в тот или иной таксон. В ряде случаев целесообразно нахождение экстремальных значений в каждом таксоне по всем исходным показателям. Эти характеристики можно применять для смысловой характеристики таксонов.
Описанный алгоритм типологии производит классификацию при условии гомогенности территориальных единиц, объединяемых в таксоны. Однако в некоторых случаях необходимо условие не только гомогенности, но и максимальной гетерогенности ядер, служащих как бы эталонами для формирования таксонов. Для этого можно использовать специальный алгоритм (Тикунов, 1978). Более подробное описание всех алгоритмов, тесты к ним и разнообразные примеры их использования в географии содержатся в книге (Тикунов, 19856).
Отметим также, что обе разработанные автором разновидности алгоритма могут также реализоваться в режиме классификации "с учителем". Для этого требуется предварительный географически оправданный выбор обучающей совокупности территориальных единиц. Обучающая совокупность состоит из g наборов территориальных единиц, которые должны характеризовать g различных таксонов, по мнению специалиста-географа (в кибернетической системе "учителя"). Количество территориальных единиц, входящих в любой набор обучающей совокупности, не лимитируется и может варьировать (набор может быть представлен и одной территориальной единицей) . В пределах данных наборов определяется g условных территориальных единиц со средними (по таксонам) комплексами показателей.
74
Далее обучающая совокупность, состоящая из g условных территориальных единиц, по уже известным алгоритмам классифицируется вначале на две, затем три группы и т.д. до тех пор, пока не будет сформировано g групп, в каждую из которых, естественно, будет входить всего лишь по одной условной территориальной единице. Рассматривая осредненные уже в пределах групп условные территориальные единицы как эталоны, можно по минимальности евклидовых расстояний распределить между ними оставшиеся территориальные единицы и получить соответствующие варианты классификации с числом таксонов, варьирующим в пределах от 2 до tmSLX (g = *max). Из полученного спектра вариантов на основе коэффициентов неоднородности выбирается один окончательный.
В случае классификации "с учителем" создаются модели, которые в свою формальную математическую ткань органически включают "эвристическое начало", внешне подражая человеческому мышлению. Например, набор определенных признаков-индикаторов географического комплекса (входы системы) позволяет географу отнести его к какому-то определенному типу, каковыми могут быть типы ведения сельского хозяйства, промышленных пунктов и т.п. (выходы системы). Другой набор признаков-индикаторов, некоторые из которых могут быть схожими с предыдущими, географ относит к другому типу. При этом структура системы мышления географа нам неизвестна. Кибернетической моделью изложенного процесса будет называться такая математическая система, которая отнесет набор определенных показателей географического комплекса к тому же типу, что и человек. Очевидно при этом, что внутренняя структура кибернетической системы совершенно иная, чем у человека.
Заманчивая перспектива — научить машину распознавать географические комплексы по образу и подобию человеческого мышления — не беспочвенна. Специалисты-кибернетики отмечают "удачливость" задач распознавания образов, которую невозможно объяснить с помощью существующей статистической теории. Однако при передаче человеком части непроизводительных функций машине тем не менее остается его главенствующая роль как специалиста, определяющего основные параметры классификации. Соответственно важность специальных географических знаний еще более повышается, в противном случае географ может оказаться в облике "программирующего собственное невежество". Здесь же существует опасность обучать ЭВМ давно сформировавшимся, возможно, в чем-то не точным или не совсем верным схемам классификации.
75
Предложенные автором алгоритмы опробованы на многочисленных географических примерах (Тикунов, 19816; Тикунов, Фло-ринский, 1981а, 6; Вардомский, Тикунов, 1982; Колосов, Тикунов, 1984; Ковалев, Тикунов, 1985; Баюра, Тикунов, 1986; Крючков, Тикунов, 1987; Евдокимова, Солнцева, Тикунов, 1988; Вежник, Конечный, Тикунов, 1989; Батоян, Тикунов, 1990; Евсеев, Тикунов, 1990; и др.). В качестве одного из примеров рассмотрим типологию территории Кольского полуострова с целью выделения участков, пригодных для организации фоновых наблюдений (Красовская, Тикунов, 1990).
Известно, что некоторые полярные районы представляют интерес как фоновые, отражающие глобальные и региональные аспекты загрязнения природной среды. Для наблюдения за ними организуется сеть мониторинга состояния природной среды. Если наблюдения в импактных районах Заполярья уже начали осуществляться, хотя и без необходимой координации, в фоновых районах они практически отсутствуют либо носят эпизодический характер. Проведение фонового мониторинга в Заполярье не только позволит получить своеобразные "точки отсчета" техногенных изменений в этих районах, но также даст ценный материал для контроля ряда глобальных изменений природной среды.
