Ocena wpływu wybranych parametrów fizyczno - Eko-DOk
Transkrypt
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.