Ocena wpływu wybranych parametrów fizyczno - Eko-DOk

makrofity, Ramowa Dyrektywa Wodna,
rzeki, sztuczne sieci neuronowe
Daniel GEBLER *, Anna BUDKA **, Dariusz KAYZER**,
Krzysztof SZOSZKIEWICZ*
OCENA WPŁYWU WYBRANYCH PARAMETRÓW
FIZYCZNO-CHEMICZNYCH NA STAN EKOLOGICZNY RZEK
Zgodnie z zapisami Ramowej Dyrektywy Wodnej (RDW) ocena wód powierzchniowych prowadzona
jest głównie na podstawie wskaźników biologicznych. Elementami wspomagającymi tę ocenę są parametry fizyczno-chemiczne i hydromorfologiczne. Makrofity stanowią jeden z czterech (obok ichtiofauny, makrozoobentosu i fitoplanktonu) elementów oceny stanu ekologicznego rzek. W Polsce ocena rzek na podstawie makrofitów przeprowadzana jest z zastosowaniem Makrofitowego Indeksu
Rzecznego (MIR). Celem pracy było poznanie wpływu wybranych parametrów fizycznochemicznych (BZT5, zasadowość, przewodność elektrolityczna, fosfor reaktywny i ogólny, azot azotanowy i amonowy) na stan ekologiczny rzek określany za pomocą Makrofitowego Indeksu Rzecznego. Analizy przeprowadzono na podstawie 230 stanowisk zlokalizowanych na terenie całego kraju.
Wartości wskaźnika MIR wykorzystano do stworzenia sieci neuronowej, w której na podstawie wyróżnionych parametrów fizyczno-chemicznych modelowano wartości badanego wskaźnika. W procesie uczenia otrzymano sieć charakteryzującą się wysoką korelacją pomiędzy wartościami MIR zmierzonymi w terenie a modelowanymi przez sieć. Wpływ poszczególnych parametrów na stan
ekologiczny rozważono z wykorzystaniem analizy wrażliwości. Wykazano, że największy wpływ na
modelowane wartości wskaźnika makrofitowego miały: alkaliczność oraz fosfor.
1. WSTĘP
Przyjęta w 2000 roku Ramowa Dyrektywa Wodna (RDW) wprowadziła ocenę stanu ekologicznego rzek na podstawie czterech głównych grup organizmów wodnych
(ryby, makrobezkręgowce bentosowe, fitoplankton i makrofity). Parametry fizyczno__________
*
Uniwersytet Przyrodniczy w Poznaniu, Wydział Melioracji i Inżynierii Środowiska, Katedra Ekologii i Ochrony Środowiska, ul. Wojska Polskiego 28, 60-637 Poznań.
**
Uniwersytet Przyrodniczy w Poznaniu, Zakład Statystyki, Katedra Metod Matematycznych i Statystycznych.
182
D. GEBLER i in.
chemiczne, na podstawie których w przeszłości opierała się ocena wód powierzchniowych, funkcjonują obecnie jako elementy wspomagające ocenę biologiczną [2].
W monitoringu środowiska prowadzonym w naszym kraju ocenę stanu ekologicznego rzek pod względem makrofitów wykonuje się w oparciu o Makrofitowy Indeks
Rzeczny (MIR) [3].Wskaźnik ten wskazuje na stopień degradacji ekosystemów rzecznych substancjami biogennymi, a w szczególności fosforanami [14].
Do analizy danych ekologicznych wykorzystywane są narzędzia statystyki matematycznej. Obecnie coraz szerzej stosowane są metody sztucznej inteligencji,
w szczególności sztuczne sieci neuronowe. Metody te symulują działanie komórki
mózgowej i są one zdolne do odwzorowania najbardziej skomplikowanych procesów,
w których klasyczne modele regresji nie znajdują zastosowania. Wykorzystanie sieci
neuronowych w modelowaniu procesów ekologicznych było przedmiotem wielu badań [7]. Wielokrotnie stosowano je w badaniach różnych typów ekosystemów wodnych [4,6]. W odniesieniu do wodnych organizmów roślinnych sieci neuronowe były
wykorzystywane głównie w badaniach nad fitoplanktonem [6,15]. Nie była podejmowana dotychczas próba wykorzystania sztucznych sieci neuronowych w odniesieniu
do makrofitów.
Celem niniejszej pracy było przetestowanie możliwości predykcji wartości Makrofitowego Indeksu Rzecznego w oparciu o parametry fizyczno-chemiczne wody oraz
ocena wpływu poszczególnych parametrów na wskaźnik MIR. Sztuczne sieci neuronowe zostały użyte jako narzędzie realizacji powyższych założeń.
2. MATERIAŁY I METODY
Badania terenowe prowadzono w sezonach wegetacyjnych w latach 2007-2009 na
230 docinkach rzek zlokalizowanych na obszarze całego kraju. Analizowane stanowiska reprezentowały szeroki gradient warunków ekologicznych polskich rzek. Na każdym stanowisku wykonano badania roślinności wodnej oraz analizy jakości wody.
Badania botaniczne przeprowadzono w oparciu o Makrofitową Metodę Oceny
Rzek [14]. Polega ona na jakościowej i ilościowej (w 9-stoniowen skali pokrycia)
inwentaryzacji roślinności wodnej w obrębie 100 m odcinka badawczego. Na podstawie zebranych w formularzu terenowym danych wylicza się Makrofitowy Indeks
Rzeczny (MIR). Wykorzystuje on 153 taksony (103 rośliny nasienne, 3 paprotniki, 20
mchów, 10 wątrobowców i 17 glonów), którym przypisane są dwie liczby wskaźnikowe: L i W. Liczba wartości wskaźnikowej (L) wskazuje na poziom trofii środowiska, w którym dany takson występuje. Jej wartości rozciągają się w przedziale od
1 (hipertrofia) do 10 (oligotrofia). Współczynnik wagowy (W) jest miarą tolerancji
ekologicznej poszczególnych taksonów. Przyjmuje on wartości od 1 (gatunki stenotopowe) do 3 (gatunki eurytopowe). MIR wylicza się na podstawie obu liczb wskaźni-
Ocena wpływu wybranych parametrów fuzyczno-chemicznych na stan ekologiczny rzek
183
kowych (Li i Wi) oraz pokrycia powierzchni przez dany takson (Pi) (gdzie i odnosi się
do poszczególnych gatunków wskaźnikowych odnotowanych w badaniach) zgodnie
z wzorem 1:
MIR 
( Li  Wi  Pi )
 10
(Wi  Pi )
(1)
Wskaźnik MIR przyjmuje wartości od 10 w rzekach najbardziej zeutrofizowanych,
do 100 w rzekach najmniej zdegradowanych.
Badania botaniczne uzupełniono o ocenę parametrów fizyczno-chemicznych.
Próbki wody pobierano w terminie badań makrofitowych. Wodę analizowano pod
względem następujących parametrów: zasadowość (alkal.), przewodność elektrolityczna (zasad.), fosforany (Preakt.), fosfor ogólny (Pog.), azotany (N-NO3), azot amonowy (N-NH4) oraz biochemiczne zapotrzebowanie na tlen po pięciu dobach (BZT5).
Wartości parametrów fizyko–chemicznych oraz MIR analizowane były z użyciem
pakietu Automatyczne sieci neuronowe programu STATISTICA [12]. Jako zbiór
zmiennych objaśniających przyjęto parametry fizyczno-chemiczne, a jako zmienną
objaśnianą wartości Makrofitowego Indeksu Rzecznego. W procesie uczenia sieci
neuronowej wykorzystano wyniki z 70% stanowisk badawczych, a w procesach walidacji i testowania po 15%.
Ocena sieci, czyli porównanie taksonomicznej wartości Makrofitowego Indeksu
Rzecznego z wartościami ich predykatorów otrzymanymi ze zbudowanej sieci neuronowej wykonano na podstawie następujących statystyk: pierwiastka błędu średniokwadratowego (RMSE) [13], znormalizowanego pierwiastka błędu średniokwadratowego (NRMSE) oraz średniego błędu bezwzględnego (MAE) [1]. Natomiast jakość
sieci została oceniona na podstawie wartości współczynnika korelacji (r).
Ocenę wpływu poszczególnych parametrów wykonano na podstawie globalnej
analizy wrażliwości otrzymanej z programu statystycznego. Analiza wrażliwości ocenia jak „ważne” dla modelu statystycznego są poszczególne predyktory. Otrzymana
dla każdego predykatora wartość jest ilorazem błędu średniokwadratowego sieci dla
danej zmiennej do błędu z kompletem zmiennych objaśniających. Zmienne, którym
w analizie przypisano wartości bliskie lub mniejsze niż jeden nie wnoszą istotnych
informacji do sieci.
3. WYNIKI I DYSKUSJA
Do predykcji stanu ekologicznego na podstawie wskaźnika MIR zbudowana została jednokierunkowa sieć wielowarstwowa MLP (Multi-Layer Perceptron). Klasyczny
perceptron wielowarstwowy (MLP) używany jest jako najpowszechniejsza architektu-
184
D. GEBLER i in.
ra sieci neuronowej. [7] Schemat sieci MLP 7:4:1 został przedstawiony na rysunku 1.
Składa się ona z warstwy wejściowej złożonej z siedmiu neuronów (parametry fizyczno-chemiczne), pojedynczej warstwy ukrytej złożonej z czterech neuronów i warstwy
wyjściowej z jednym neuronem (MIR). Funkcją aktywacji neuronów zastosowaną
w warstwie ukrytej był tangens hiperboliczny, natomiast w warstwie wyjściowej zastosowano funkcję wykładniczą. Przed rozpoczęciem analiz wszystkie zmienne wejściowe zostały zestandaryzowane, co zapewnia polepszenie uczenia się sieci.
Rys. 1. Schemat sieci neuronowej (MLP 7:4:1)
Dla modelu sieci zostały wyliczone parametry określające jakość predykcji
w trzech procesach konstruowania sieci (tab. 1). Na ich podstawie można stwierdzić,
że prognoza wartości Makrofitowego Indeksu Rzecznego wykonana przy zastosowaniu sieci neuronowej jest względnie dokładna. Oznacza to, że zbudowana sieć neuronowa nie prognozuje zbyt często zawyżonych lub zaniżonych wartości MIR w odniesieniu do rzeczywistych ich wartości (rys. 1). Analizując wartości MAE w przypadku
testowania sieci neuronowej wynosząca 0,123 oraz wartość znormalizowanego pierwiastka błędu średniokwadratowego równą 0,118 konkludujemy, że błąd prognozy
nie przekracza 20%. Wyznaczone wartości współczynników korelacji dla uczenia,
walidacji i testowania sieci neuronowej wskazują silny liniowy związek pomiędzy
ocenianymi, a rzeczywistymi wartościami Makrofitowego Indeksu Rzecznego (rys. 2).
Przeprowadzone analizy są jedną z pierwszych prób wykorzystania sztucznych
sieci neuronowych w badaniach roślinności wodnej. Techniki sztucznej inteligencji
były wykorzystywane, co prawda, w badaniach ekosystemów wodnych ale w odniesieniu do niemal wszystkich ważniejszych grup organizmów z wyjątkiem właśnie
makrofitów. W literaturze znaleźć można przykłady ich wykorzystania w odniesieniu
do badań ichtiofauny [13], makrobezkręgowców bentosowych [8] i wspomnianego już
na wstępie fitoplanktonu [6,15].
Zastosowane w pracy techniki analizy danych używane były również do modelowania wskaźników jakości wody, gdzie na podstawie kilkunastu parametrów modelowano wartości wskaźników tlenowych. Oszacowane w niniejszej pracy błędy sieci
Ocena wpływu wybranych parametrów fuzyczno-chemicznych na stan ekologiczny rzek
185
nie różniły się znacząco od błędów otrzymanych w przez innych autorów [11]. Na
możliwość modelowania stanu ekologicznego wód powierzchniowych na podstawie
wskaźników biologicznych przy wykorzystaniu sieci neuronowych wskazują również
inni autorzy [8].
Tabela 1. Parametry działania stworzonej sieci neuronowej
n
Uczenie
160
Walidacja
35
Test
35
n – liczba obserwacji w zbiorze
r
0,870
0,825
0,907
RMSE
9,757
9,979
7,991
NRMSE
0,128
0,120
0,118
MAE
0,161
0,165
0,123
Rys. 2. Porównanie zbadanych i predykowanych za pomocą sieci wartości wskaźnika MIR,
a) uczenie, b) walidacja, c) testowanie
Ocena wpływu każdej zmiennej wejściowej na zbudowany model została dokonana na podstawie globalnej analizy wrażliwości (tab. 2). Dowiedziono, że model predykcji wartości MIR jest przede wszystkim wrażliwy na zmiany wartości zasadowości
wody. Iloraz błędu średniokwadratowego sieci zbudowanej bez zmiennej opisującej
zasadowość do błędu sieci ze wszystkimi zmiennymi wynosił 3,108. W dalszej kolej-
186
D. GEBLER i in.
ności na wskaźnik MIR wpływały stężenie fosforu ogólnego oraz samych fosforanów.
Nieco mniejszy wpływ na modelowane wartości wykazała przewodność elektrolityczna. Pozostałe parametry mają wartości zbliżone do jeden, co wskazuje, że nie wnoszą
one do modelu żadnych istotnych informacji, które mogłyby wpłynąć na jego wyższą
jakość.
Przeprowadzone analizy pozwoliła na wykazanie zależności pomiędzy rozwojem
roślinności wodnej a czynnikami fizyczno-chemicznymi. Uzyskane wyniki analizy
wrażliwości pokrywają się z innymi badaniami dotyczącymi wpływu pierwiastków
biogennych, na makrofitowe wskaźniki degradacji rzek [5]. Stwierdzony duży wpływ
zasadowości na model wskazuje na istotną rolę tego czynnika na indeks MIR. Rola
tego parametru, jako czynnika powiązanego z rozwojem hydrofitów i innych organizmów wodnych wykazywana jest często w literaturze [9,10]. Niewielki wpływ stężenia azotu amonowego i azotanów na wskaźnik MIR został opisany wcześniej przez
innych autorów [5] co zostało potwierdzone przez przeprowadzoną analizę wrażliwości.
Tabela 2. Globalna analiza wrażliwości
Sieć
MLP 7:4:1
Zasad..
3,108
Pog.
1,884
Preakt.
1,594
Przew.
1,484
N-NO3
1,060
N-NH4
1,037
BZT5
1,032
4. WNIOSKI
1. Dzięki zastosowaniu sztucznych sieci neuronowych możliwe jest modelowanie
wartości Makrofitowego Indeksu Rzecznego na podstawie pomiarów parametrów
fizyczno-chemicznych wody. Otrzymane wartości błędów dla sieci neuronowej wskazują na dobre działanie modelu dla wprowadzonych zmiennych.
2. Analiza wrażliwość wykazała, że największy wpływ na zbudowany model predykcji wartości wskaźnika MIR miała zasadowość. W nieco mniejszym stopniu na
model wpływały: stężenie fosforu ogólnego i reaktywnego oraz przewodność elektrolityczna.
3. Stężenie azotu amonowego, azotanów i wartość wskaźnika BZT 5 w nieznacznym stopniu wpływają na modelowane wartości MIR. Wskazuje to na mniejszy ich
związek z badanym wskaźnikiem makrofitowy.
LITERATURA
[1]
BHANDARKAR S.M., CHEN F., Similarity Analysis of Video Sequences Using an Artificial
Neural Network, Applied Intelligence, 2005, Vol. 22, 251–275.
Ocena wpływu wybranych parametrów fuzyczno-chemicznych na stan ekologiczny rzek
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
187
DYREKTYWA 2000/60/WE Parlamentu Europejskiego i Rady z dnia 23 października 2000 r.
ustanawiająca ramy wspólnotowego działania w dziedzinie polityki wodnej.
ROZPORZĄDZENIE MINISTRA ŚRODOWISKA Z DNIA 20 SIERPNIA 2008R., W sprawie
klasyfikacji stanu jednolitych części wód powierzchniowych, Dz.U. nr 162 poz. 1008.
ILIADIS L.S., MARIS F., An Artificial Neural Networks model for mountainous water-resources
management: The case of Cyprus mountainous watersheds, Environ. Mod. & Software, 2007, Vol.
22, 1066–1072.
JUSIK SZ., STANISZEWSKI R., SZOSZKIEWICZ K., HRYC-JUSIK B., Zastosowanie makrofitów w ocenie stanu ekologicznego rzek wyżynnych polski, Zeszyty Problemowe Postępów Nauk
Rolniczych, 2010, Vol. 547, 33–42.
LEE J.H.W., HUANG Y., DICKMAN M., JAYAWARDENA A.W., Neural network modelling of
coastal algal blooms, Ecological Modelling, 2003, Vol. 159, 179–201.
LEK S., GIRAUDEL J.L., GUEGAN J.F., Neural Networks:Algorithms and Architectures for
Ecologists and Evolutionary Ecologists, [w:] Neural Networks. Aplication to Ecology and Evolution, pod red. S. Lek, J.F. Guegan, Artificial Springer-Verlag Berlin, Heidelberg 2000.
Park Y.S., VERDONSCHOT P.F.M., CHON T.S., LEK S., Patterning and predicting aquatic
macroinvertebrate diversities using artificial neural network, Water Research, 2003, Vol. 37,
1749–1758.
RAUN A.L., BORUM J., SAND-JENSEN K, Influence of sediment organic enrichment and water
alkalinity on growth of aquatic isoetid and elodeid plants, Freshwater Biology, 2010, Vol. 55,
1891–1904.
RIIS T., SAND-JENSEN K., VESTERGAARD O., Plant communities in lowland Danish streams:
species composition and environmental factors, Aquatic botany, 2000, Vol. 66, No. 4, 255–272.
SINGH K.P, BASANT A., MALIK A., JAIN G., Artificial neural network modeling of the river
water quality – A case study, Ecological Modeling, 2009, Vol. 220, 888–895.
StatSoft, Inc. (2010). STATISTICA (data analysis software system), version 9.1.
SURYANAYARANA I., BRAIBANTI A., RAO R.S., RAMAM V.A., SUDARSAN D., RAO
G.N., Neural networks in fisheries research, Fisheries Research, 2008, Vol. 92, No. 2-3, 115–139.
SZOSZKIEWICZ K., ZBIERSKA J., JUSIK S., ZGOŁA T., Makrofitowa Metoda Oceny Rzek.
Podręcznik metodyczny do oceny i klasyfikacji stanu ekologicznego wód płynących w oparciu o rośliny wodne, Boguski Wydawnictwo Naukowe, Poznań 2010.
ŻBIKOWSKI R., Use of artificial neural networks to identify the origin of green macroalgae,
Estuarine, Coastal and Shelf Science, 2011, Vol. 94, No. 2, 138–143.
EVALUATION OF SELECTED PHYSICO-CHEMICAL PARAMETERS IMPACT
ON THE ECOLOGICAL CONDITION OF RIVERS
According to the Water Framework Directive (WFD) assessment of surface waters is carried out
mainly on the basis of biological indicators. Physico-chemical and hydromorphological parameters support this assessment. Macrophytes belongs together with fish, macroinvertebrates and phytoplankton to
elements used in evaluation of the ecological status of rivers. Macrophyte Index for Rivers (MIR) is used
in the national monitoring for rivers in Poland. The aim of this study was to analyze the effect of selected
physico-chemical parameters (BOD5, alkalinity, conductivity, electrolytic, phosphates and reactive phosphorus, nitrate and ammonium nitrogen) on the ecological status of rivers determined by the Macrophyte
Index for Rivers. Analyses based on 230 survey sites located throughout the country. All data were used
188
D. GEBLER i in.
to create a neural network, in which values of the MIR index were modeled on the base of selected physico-chemical parameters. A high correlation between measured and modeled values of MIR was obtained
in the learning process of the network. Impact of various environmental parameters on the ecological
status was considered using sensitivity analysis. It was shown that alkalinity and phosphorus influenced
most strongly the modeled values of macrophyte index.