Pobierz artykuł PDF
Transkrypt
Pobierz artykuł PDF
SYMULOWANE WYĩARZANIE PRZESTRZENNE EFEKTYWNYM NARZĉDZIEM PLANOWANIA SIECI POMIAROWYCH JAROSŁAW ZAWADZKI Streszczenie Metod, która pozwala efektywnie planowa sieci pomiarowe w sytuacji rónorodnych ogranicze np. geometrycznych dotyczcych moliwoci wykonywania pomiarów jest przestrzenne symulowane wyarzanie (ang. spatial simulated annealing). Zamiennie uywa si te terminu symulowane wyarzanie Optymalizuje ona sie pomiarow, drog kolejnych ulepsze sieci poprzez tak zmian jej geometrii, aby uzyska ekstremum wybranej funkcji celu (np. wariancji krigingu) dla dowolnie zadanej z góry liczby pomiarów. Metoda ta charakteryzuje si du efektywnoci, elastycznoci oraz szerokim spektrum zastosowa praktycznych. Artykuł omawia szczegółowo podstawy teoretyczne podstawy tej metody, opisuje popularne kryteria optymalizacji – minimalizacj redniej odległoci do najbliszego ssiada oraz kryterium Warricka’a i Myers’a, jak równie prezentuje przykład działania tej metody w połczeniu z czsto stosowan w praktyce pomiarowej metod krigingu. Artykuł uwypukla, e w celu uzyskania prawidłowych wyników analizy przestrzennej niezbdne jest stosowanie odpowiednich metod na etapie planowania sieci pomiarowej. Słowa kluczowe: sieci pomiarowe, geostatystyka, semiwariancja, korelacje przestrzenne, Ğrodowisko, wariancja krigingu, symulowane wyĪarzanie przestrzenne 1. Wprowadzenie W sytuacjach praktycznych okazuje siĊ, Īe istnieją róĪnorodne ograniczenia np. geometryczne dotyczące moĪliwoĞci wykonywania pomiarów, nawet, jeĪeli istnieje moĪliwoĞü wykonywania tanich i dokładnych pomiarów. Przykładem mogą byü na przykład pomiary wykonywane w Ğrodowisku miejskim, gdzie nie moĪna pobieraü prób w dowolnych miejscach lub pomiary wewnątrz obszarów o skomplikowanych kształtach np. w kopalniach, halach fabrycznych. Podobne sytuacje wystĊpują jednak i w badaniach Ğrodowiska przyrodniczego. Mogą to byü pomiary prowadzone w terenie górskim, dookoła terenów ogrodzonych lub trudno dostĊpnych np. bagiennych itp. Stosowanie pozornie najłatwiejszych klasycznych metod opróbowania, np. sieci regularnych, staje siĊ niemoĪliwe. Aby właĞciwie wykorzystaü techniczne i ekonomiczne moĪliwoĞci pomiarowe, niezbĊdna jest w takiej sytuacji stosowanie zaawansowanych metod geostatystycznych, które minimalizują nierzadko wielokrotnie, błĊdy estymacji przestrzennych, oraz dają ich obiektywne szacunki oparte na podstawach teoretycznych Olea, 1996; Goovaerts, 1997; Isaaks i Srivastava, 1998; Zawadzki, 2004, 2005, 2006. Tylko takie pomiary, są z punktu widzenia metodycznego właĞciwe, obiektywne i porównywalne. Metodą, która pozwala efektywnie rozwiązywaü powyĪsze problemy jest przestrzenne symulowane wyĪarzanie (ang. spatial simulated annealing). Optymalizuje ona sieü pomiarową, drogą kolejnych ulepszeĔ sieci 357 Studies & Proceedings of Polish Association for Knowledge Management Nr 40, 2011 poprzez taką zmianĊ jej geometrii, aby uzyskaü ekstremum (zazwyczaj minimum) wybranej, nierzadko złoĪonej teoretyczne funkcji celu dla dowolnie zadanej liczby pomiarów. Kryteria te mogą byü róĪne, związane z celem i warunkami badaĔ. Przykładowymi kryteriami mogą byü: maksymalny błąd szacunku na danym obszarze, Ğredni błąd szacunku, maksymalna wariancja krigingu, maksymalna entropia, jakoĞü semiwariancji eksperymentalnej, koszty pomiarowe, kryterium minimalizacji odległoĞci do najbliĪszego sąsiada (MMSD) i kryterium Warricka’aMyers’a (WM) Warrick i Myers, 1987; Groenigen, 1999, 2000 Metoda przestrzennego symulowanego wyĪarzania łączy obserwacje procesów fizycznych (np. wyĪarzanie stopów) z teorią funkcji losowych i geostatystyką. Metoda ta charakteryzuje siĊ duĪą efektywnoĞcią oraz wyjątkową elastycznoĞcią, z punktu widzenia doboru funkcji celu. Powoduje to, Īe z punktu widzenia praktycznego metoda ta przewyĪsza tradycyjne sposoby opróbowania obniĪając koszty pomiarowe i zwiĊkszając dokładnoĞü pomiarów. Z wyĪej wymienionych wzglĊdów metoda przestrzennego symulowanego wyĪarzania zasługuje na szerszą popularyzacjĊ i powszechne zastosowanie. JednoczeĞnie trwają intensywne prace w celu zastosowania tych metod do wielowymiarowych analiz geostatystycznych w oparciu o metody kokrigingu np. Zhang i in., 1992. Myers 1991, Papritz i in. 1993; Lark R.M., 2002. 2. Opis metody 2.1 Symulowane wyĪarzanie Symulowane wyĪarzanie przestrzenne opiera siĊ na metodzie symulowanego wyĪarzania (ang. simulated annealing) zaproponowanej przez S. Kirkpatricka, C. D. Gelatta i M. P. Vecchi w 1983r. oraz niezaleĪnie przez V. ýerny’ego w 1985r. Symulowane wyĪarzanie jest kombinacyjnym algorytmem optymalizacji, którego celem jest wyznaczenie globalnego minimum optymalizowanej funkcji celu dla bardzo szerokiego spektrum moĪliwych postaci funkcji celu. Przełomowe prace wyĪej wspomnianych autorów rozpoczĊły nowe podejĞcie do metod opróbowania w badaniach Ğrodowiska np. Olea, 1996. Zasada i terminologia metody symulowanego wyĪarzania pochodzą z metalurgii. Fragment metalu, w którym mogą siĊ równieĪ znajdowaü róĪne domieszki jest wielokrotnie ogrzewany (atomy są wzbudzone termicznie), a nastĊpnie stopniowo schładzany aĪ do osiągniĊcia stanu krystalizacji. Powolne chłodzenie metalu pozwala atomom na migracjĊ wewnątrz metalu, w taki sposób, Īe obniĪają one stopniowo poziom swojej energii, aĪ do momentu znalezienia siĊ w stanie o energii minimalnej, czyli w stanie równowagi. Otrzymana w rezultacie struktura metalu jest, wiĊc bardziej stabilna niĪ na początku. Algorytm symulowanego wyĪarzania opiera sie na funkcji celu , która jest minimalizowana iteracyjnie (w przypadku wyĪarzania metalu, funkcją celu jest energia stopu). Niech S0 oznacza początkowe rozwiązanie problemu a Si jest rozwiązaniem problemu w i-tym kroku algorytmu. Rozwiązanie Si+1 powstaje przez losową modyfikacjĊ (perturbacjĊ) rozwiązania Si. PrawdopodobieĔstwo zaakceptowania rozwiązania Si+1 jest uzaleĪnione od zmiany wartoĞci funkcji celu i jest definiowane tzw. kryterium Metropolis’a (równania 1a, 1b). JeĪeli wartoĞü ta zmalała, to rozwiązanie Si+1 jest akceptowane, a jeĪeli nie uległa zmniejszeniu, to rozwiązanie jest akceptowane z pewnym małym prawdopodobieĔstwem, zaleĪnym wykładniczo od ilorazu róĪnicy funkcji celu w stanach Si oraz Si+1, czyli (Si)-(Si) (odjemna), i globalnego parametru c (odjemnik), odpowiednika temperatury, który maleje wraz z 358 Jarosław Zawadzki Symulowane wyarzanie przestrzenne efektywnym narzdziem planowania sieci pomiarowych postĊpem algorytmu (w rzeczywistoĞci wraz z czasem). Gorsze rozwiązania tzn. o wyĪszej energii w stanie Si+1 są akceptowane na początku, gdy temperatura c jest wysoka z wiĊkszym prawdopodobieĔstwem, ale wraz z jej zmniejszaniem siĊ, w póĨniejszych iteracjach algorytmu (czyli z upływem czasu) prawdopodobieĔstwo to wykładniczo maleje. Taka procedura pozwala metodzie „opuszczaü” lokalne minima funkcji i zwiĊkszyü szanse na wybór minimum globalnego. W trakcie kolejnych iteracji stała ta stopniowo maleje, co powoduje, Īe prawdopodobieĔstwo przejĞcia do stanu o wiĊkszej wartoĞci funkcji dopasowania staje siĊ coraz mniejsze i schemat zostaje „zamroĪony” (zakoĔczenie perturbacji nastĊpuje, jeĪeli funkcja celu osiągnie załoĪoną niską wartoĞü). NaleĪy podkreĞliü, Īe sposób obniĪania temperatury moĪe byü róĪny od jednostajnego W porównaniu z algorytmami gradientowymi metoda symulowanego wyĪarzania jest wiĊc znacznie bardziej skuteczna. Jak widaü funkcja ĭ() jest podobna do swobodnej energii Gibbsa, wykorzystywanej do opisu procesów termodynamicznych np. do procesu wyĪarzania stopu. ) = 1, P(S → S i i +1 ) ≤ Φ ( S ), i +1 i Φ (Si ) − Φ (Si + 1) , gdy Φ ( S P (S → S ) = exp ) > Φ (S ) i i +1 i +1 i c gdy Φ (S (1a ), (1b). 2.2. Symulowane wyĪarzanie przestrzenne Przestrzenne symulowane wyĪarzanie jest algorytmem wyĪarzania związanym z optymalizacją geometrycznego rozkładu punktów pomiarowych nazywanego tworzących sieü pomiarową nazywanego poniĪej schematem pomiarowym lub krótko schematem. WartoĞü funkcja celu zaleĪy od tym razem od geometrii schematu pomiarowego. Optymalizacja startuje od pewnego schematu początkowego S0 ∈ Sn. NastĊpnie dokonuje siĊ ciągu zmian losowych (perturbacji) Si+1 tego schematu początkowego S0 z prawdopodobieĔstwem przejĞcia P (Siĺ Si+1). opisanym równieĪ kryterium Metropolis’a, czyli nowy stan schematu pomiarowego jest zawsze akceptowany, jeĪeli wartoĞü funkcji celu ulega obniĪeniu po perturbacji, albo jest on akceptowany z pewnym prawdopodobieĔstwem, malejącym wykładniczo wraz ze wzrostem wartoĞci funkcji celu (równania 1a, 1b). OdpornoĞü algorytmu symulowanego wyĪarzania na lokalne ekstrema funkcji celu czyni go dobrym narzĊdziem do wyznaczania optymalnych punktów próbkowania. Główną zaletą tego algorytmu jest moĪliwoĞü optymalnego doboru punktów, uwzglĊdniając fizyczne i geometryczne ograniczenia badanego obszaru. Choü idea obu rodzajów symulowanego wyĪarzania jest podobna, to w przypadku symulowanego wyĪarzania przestrzennego złoĪonoĞü funkcji celu wynikająca z pojawienia siĊ aspektów przestrzennych, w tym geostatystycznych gwałtownie roĞnie. W związku z tym, w celu prawidłowego działania algorytmu niezbĊdne jest precyzyjne zdefiniowanie takich pojĊü jak: 1. obszar próbkowania i przestrzeĔ wszystkich moĪliwych rozwiązaĔ problemu, 2. generator losowych zmian w rozwiązaniach (generator perturbacji), 3. funkcja celu (funkcja oceniająca jakoĞü rozwiązania), 4. schemat schładzania. PojĊcia te zostaną opisane poniĪej. 359 Studies & Proceedings of Polish Association for Knowledge Management Nr 40, 2011 Obszar próbkowania Niech ܴ ؿ ܣଶ oznacza dowolny, ograniczony, ale niekoniecznie spójny obszar próbkowania. Zbiór A moĪe składaü z skoĔczonej iloĞci rozłącznych podzbiorów Al, takich, Īe. Podział taki moĪna interpretowaü, jako wyodrĊbnienie obszarów o róĪnych właĞciwoĞciach geologicznych, np. akwenów wodnych, zabudowaĔ, dróg czy teĪ róĪnych kosztach próbkowania. Podział taki jest niezwykle waĪny w przypadku terenów mocno zurbanizowanych. Niech Sn bĊdzie zbiorem wszystkich moĪliwych rozmieszczeĔ n punktów na zbiorze A. WspółrzĊdne punktów mogą przyjmowaü wartoĞci ciągłe. W związku z tym zbiór Sn jest podzbiorem Rn. W praktyce obszar A pokrywa dowolnie gĊsta siatka współrzĊdnych. Sn jest wówczas zbiorem dyskretnym, a co za tym idzie, optymalne rozłoĪenie punktów x1, x2,· · ·, xn moĪna sprowadziü do metod kombinatorycznych. PodejĞcie takie jest jednak zbyt kosztowne obliczeniowo. JeĪeli obszar A jest pokryty m wĊzłami siatki, n punktów moĪna rozmieĞciü na m· (m−1) · · · · · (m−n) sposobów. Dla praktycznych zastosowaĔ, tj. m=10 000 i n=100 liczba ta jest rzĊdu 10400, wiĊc nie moĪliwa do zbadania. Konieczne jest wiĊc szukanie lepszych algorytmów. Generator zmian rozwiązaĔ Niech Si bĊdzie schematem próbkowania, czyli zbiorem punktów ݔଵ ǡ ݔଶ ǡ ǥ ǡ ݔ , w których przewidziane jest próbkowanie w i- tym kroku algorytmu. Celem generatora jest uzyskanie nowego rozwiązania Si+1 przez losową perturbacjĊ rozwiązania Si. W algorytmie symulowanego wyĪarzania przestrzennego uzyskuje siĊ to poprzez przesuniecie losowo wybranego punktu ݔ o wektor h, gdzie ȁࢎȁ przyjmuje wartoĞci od 0 do ustalonego hmax. Kierunek przesuniĊcia równieĪ jest losowy. hmax najczĊĞciej przyjmuje wartoĞü równą połowie długoĞci obszaru A i maleje w kaĪdym kroku algorytmu. Coraz mniejsze wielkoĞci przesuniĊü znacznie poprawiają jakoĞü optymalizacji. Jest to związane z tym, ze wraz z postĊpem algorytmu punkty są coraz lepiej rozłoĪone i losowe, stosunkowo duĪe skoki bĊdą czĊĞciej przynosiü duĪe wzrosty funkcji celu. Skraca to czas działania algorytmu przez zwiĊkszenia prawdopodobieĔstwa zaakceptowania rozwiązania Si. W ostatnim kroku wartoĞü ȁࢎȁ powinna byü bliska 0. JeĪeli przesuniĊty punkt nie naleĪy do obszaru A, wówczas nastĊpuje ponowne losowanie punktu i wektora przesuniĊcia. JeĪeli punkt trafi do obszaru Al, gdzie koszt próbkowania jest wysoki, wówczas funkcji celu moĪe byü nadawana inna waga. MoĪliwe są modyfikacje takiego algorytmu. Przy kaĪdym kroku algorytmu moĪe byü losowane kilka punktów. Kierunek przesuwania punktu nie koniecznie musi byü losowy – moĪe byü skierowany w kierunku, w którym wystĊpuje mniejsze zagĊszczenie sąsiednich punktów. Prowadzi to jednak do duĪej złoĪonoĞci obliczeniowej. Schemat schładzania Schemat schładzania pozwala na postĊp algorytmu poprzez zmniejszanie wartoĞci parametru ci. Początkowa wartoĞü c0 jest ustalona tak, aby współczynnik akceptacji alternatywnych rozwiązaĔ wynosił np. 0,95. Wraz z kolejnymi krokami algorytmu, parametr powinien mieü coraz mniejsze wartoĞci, zbiegające do zera, np.: ܿାଵ ൌ ߙ ή ܿ (2) gdzie: 0 < < 1. Funkcja celu 360 Jarosław Zawadzki Symulowane wyarzanie przestrzenne efektywnym narzdziem planowania sieci pomiarowych Niech ߔǣ ܵ ՜ ܴ ା oznacza minimalizowaną funkcjĊ celu. Funkcja ta, okreĞlająca jakoĞü rozwiązania problemu lokacji n punktów, odgrywa kluczowa rolĊ w algorytmie wyĪarzania. RóĪne definicje i kryteria optymalnoĞci prowadzą do róĪnych wyników. Przykładowymi kryteriami optymalizacji to minimalizacja Ğredniej odległoĞci do najbliĪszego sąsiada (ang. Minimisation of the Mean of Shortest Distances – MMSD) oraz kryterium Warricka’a i Myers’a (WM). MMSD Celem kryterium MMSD jest regularne rozmieszczenie punktów po całym obszarze próbkowania, biorąc pod uwagĊ jego ograniczonoĞü. Regularne rozmieszczenie moĪe byü sformułowane jako zminimalizowanie oczekiwanej odległoĞci pomiĊdzy arbitralnie wybranymi punktami z wnĊtrza obszaru a punktami wybranymi do próbkowania. Kryterium to prowadzi do funkcji celu: (3) ߶ሺܵሻ ൌ ԡ ݔെ ܸ௦ ሺݔሻԡ gdzie: S jest dowolnym schematem próbkowania x, jest wektorem połoĪenia, a Vs(x) oznacza wektor połoĪenia najbliĪszego sąsiada punku x dla schematu próbkowania S. Niech ௦ ؿbĊdzie zbiorem wszystkich moĪliwych punktów próbkowania. Na zbiorze As wybieramy ne punktów kontrolnych rozłoĪonych regularnie po całym zbiorze. Estymatorem funkcji (S) jest ଵ ߶ெெௌ ሺܵሻ ൌ σୀଵ (4) ฮݔ െ ܸ௦ ሺݔ ሻฮ gdzie ݔ oznacza j- ty punkt kontrolny, a ܸ௦ ൫ݔ ൯jego najbliĪszego sąsiada. W celu uzyskania zadowalających wyników wymagane jest, aby ne >> n. Zmodyfikowaną wersja algorytmu opartego na MMSD jest algorytm wykorzystujący kryterium waĪonego kwadratu odległoĞci najbliĪszego sąsiada (ang. Weighted Means of Shortest Distances Criterion – WMSD). W tym przypadku ݓሺݔሻǣ ܣ՜ ܴ ା oznacza funkcjĊ wagową, przyporządkowującą kaĪdemu punktowi dodatnia wagĊ. Wagi te uzaleĪnione są od podzbioru Al, w którym znajduje sie dany punkt. Funkcja celu przyjmuje w takim przypadku postaü: ߶ሺܵሻ ൌ ݓሺݔሻԡ ݔെ ܸ௦ ሺݔሻԡ (5) a jej estymatorem jest: ଵ ߶ெெௌ ሺܵሻ ൌ σୀଵ ݓሺݔ ሻฮݔ െ ܸ௦ ൫ݔ ൯ฮ (6) Celem funkcji wagowej jest zwiĊkszenie iloĞci punktów w próbce w obszarach waĪniejszych z punktu widzenia analizy geostatystycznej. Funkcja ta moĪe byü definiowana na podstawie wczeĞniejszych informacji o obszarze próbkowania lub wynikaü z potrzeby dokładniejszej estymacji w niektórych podzbiorach A. WM Innym podejĞciem optymalizacji próbkowania jest kryterium Warrick’a i Myers’a. Polega ono na rozmieszczeniu próbki tak, aby punkty były odległe od siebie o zadane wczeĞniej, ustalone odległoĞci. Aby ustaliü te odległoĞci naleĪy zdefiniowaü idealny rozkład punktów dla wariogramu. Niech ܽۃଵ ǡ ܽଶ ǡ ǥ ǡ ܽ ۄbĊdzie podziałem wielkoĞci badanego obszaru na nk przedziałów odległoĞci. 361 Studies & Proceedings of Polish Association for Knowledge Management Nr 40, 2011 ሺିଵሻ Dla próbki wielkosci n liczba par punków wynosi . Wynika z tego, Īe jeĪeli wariogram ଶ estymowany jest w przedziałach ܽۃଵ ǡ ܽଶ ǡ ǥ ǡ ܽ ۄto najlepszym ułoĪeniem punktów opróbowania ሺିଵሻ jest takie, które powoduje, ze w kaĪdym z przedziałów ܽۃ ǡ ܽାଵ ۄznajduje siĊ punktów. Jest ଶೖ to rozkład poĪądany. Wybierając odpowiednio przedziały ܽۃ ǡ ܽାଵ ۄmoĪna poprawiaü estymacje wybranej czĊĞci wariogramu. Niech ߦ෩ప oznacza teoretyczna liczbĊ par punktów w i – tym przedziale,ߦ jej empiryczny odpowiednik a i oznacza odchylenie standardowe odległoĞci par punktów w i- tym przedziale. Funkcja celu przyjmuje postaü: ೖ ߶ሺܵሻ ൌ σୀଵ ൣܽሺߦ െ ߦ෩ప ሻଶ ܾߪ ൧ (7) gdzie: a i b oznaczają wagi a nk całkowita liczbĊ przedziałów odległoĞci. Algorytm ten jest niestety nieodporny na lokalne minima. Wyszukiwanie punktów, leĪących w konkretnych odległoĞciach moĪe sprawiaü kłopoty w przypadku zbiorów mocno ograniczonych lub o bardzo nieregularnym kształcie. NiezbĊdne są dalsze badania nad udoskonaleniem kryterium WM dla takich sytuacji. Przykład implementacji algorytmu symulowanego wyĪarzania przestrzennego z wykorzystaniem kryterium MMSD Analizowanym zbiorem danych w poniĪszym przykładzie są transformowane pomiary pobrane z badaĔ satelitarnych w okolicach jeziora Walker na obszarze o wymiarach około 100m na 250m. Jezioro Walker jest naturalnym, czĊsto wysychającym jeziorem w zachodniej Nevadzie w Stanach Zjednoczonych. Oryginalny zbiór danych składa sie z około 2 milionów obserwacji satelitarnych wysokoĞci terenu nad poziomem morza. Zbiór ten (lub jego podzbiory) stanowi jeden z typowych zbiorów testowych uĪywanych w geostatystyce. MoĪna pobraü go wraz z opisem ze strony http://www.ai-geostats.org/ index.php?id=data. Wszystkie zaprezentowane poniĪej obliczenia zostały wykonane w Ğrodowisku R, z wykorzystaniem pakietu „GSTAT”, który moĪna pobraü z dowolnego repozytorium. Rys 1. przedstawia histogram rzeczywistych wartoĞci badanej zmiennej na nieregularnym przykładowym obszarze pomiarowym, oraz rozkład punktów pomiarowych wyznaczony dla takiego obszaru metodą przestrzennego symulowanego wyĪarzania z zastosowaniem kryterium MMSD. W przykładzie, oprócz nieregularnego obszaru, w którym wyciĊto Ğrodek, zastosowano dodatkowo nietypowe dane, co dodatkowo utrudnia planowanie sieci, ale moĪe mieü istotne znaczenie praktyczne. Jak moĪna zauwaĪyü rozkład danych nie jest rozkładem normalnym. Składa siĊ z wyizolowanej ujemnej wartoĞci (górny lewy róg, który moĪna interpretowaü, jako poszukiwane, lub nieoczekiwane gwałtowne odstĊpstwo od normy badanej wielkoĞci – „hot spot”), oraz wartoĞci dodatnich o wyraĨnej asymetrii lewostronnej. Rys. 2 przedstawia z kolei wyniki estymacji metodą krigingu (lewa strona) oraz wariancjĊ krigingu (prawa strona) badanego rozkładu otrzymane przy zastosowaniu wyĪej otrzymanej sieci pomiarowej. Jak widaü pomimo stosunkowo rzadkiej sieci pomiarowej, nieregularnego obszaru i skomplikowanego rozkładu danych dziĊki wykorzystaniu kryterium MMSD osiągniĊto stosunkowo równomierny rozkład wariancji krigingu na badanym obszarze, którą moĪna zmniejszaü do zadawalającego poziomu poprzez zwiĊkszenie liczby punktów pomiarowych. 362 Jarosław Zawadzki Symulowane wyarzanie przestrzenne efektywnym narzdziem planowania sieci pomiarowych Rysunek 1. Histogram wartoci badanej zmiennej (lewa strona) oraz sie 30 punktów pomiarowych, dla przykładowego, nieregularnego obszaru, wyznaczona metod przestrzennego symulowanego wyarzania z zastosowaniem kryterium MMSD (prawa strona) ħródło: Opracowanie własne. Rysunek 2. Wyniki estymacji metod krigingu (lewa strona) oraz wariancja krigingu (prawa strona) otrzymane przy zastosowaniu sieci pomiarowej wyznaczonej metod przestrzennego symulowanego wyarzania z zastosowaniem kryterium MMSD ħródło: Opracowanie własne. 363 Studies & Proceedings of Polish Association for Knowledge Management Nr 40, 2011 Ze wzglĊdu na elastycznoĞü metody przestrzennego symulowanego wyĪarzania moĪna analogicznie optymalizowaü rozkład punktów pomiarowych ze wzglĊdu na inne wyĪej wymienione kryteria, równieĪ na nieregularnych obszarach. 3. Wnioski Metody przestrzennego symulowanego wyĪarzania są efektywnym narzĊdziem do badaĔ Ğrodowiskowych, wszĊdzie tam, gdzie istnieje potrzeba uwzglĊdnienia ograniczeĔ (np. geometrycznych) związanych z moĪliwoĞciami wykonywania pomiarów. Metody te są wynikiem gwałtownego rozwoju metod geostatystycznych w ostatnich dziesiĊcioleciach. Zapewniają one bardzo duĪą elastycznoĞü, ze wzglĊdu moĪliwoĞü stosowania róĪnorodnych i złoĪonych, ale jednoczeĞnie praktycznych kryteriów związanych z problemami Ğrodowiskowymi. Metody te pozwalają na zmniejszenie błĊdów badaĔ oraz na precyzyjne oszacowanie ich rozkładów przestrzennych. Ze wzglĊdu na swoje zalety metody przestrzennego symulowanego wyĪarzania szybko wypierają tradycyjne lub eksperckie metody opróbowania w wielu dziedzinach. Stosowanie metod geostatystycznych w badaniach Ğrodowiska staje siĊ nieodzowne, zwłaszcza, jeĪeli wystĊpuje potrzeba uzyskania obiektywnych wyników badaĔ zjawisk przestrzennych. %LEOLRJUDILD [1] ýerny V., 1985, A Thermodynamical approach to the travelling salesman problem: anEfficient Simulation Algorithm. Journal of Optimization Theory and Applications. 45: 41– 5. [2] Goovaerts P., 1997. Geostatistics for Natural Resources Evaluation, Oxford University Press, New York. [3] Groenigen, van, J.W., 1999. Constrained optimisation of soil sampling for minimisation of the kriging variance. Geoderma 87. Enschede. [4] Groenigen, van, J.W., 2000. The influence of variogram parameters on optimal sampling schemes for mapping by kriging. Geoderma 97. Enschede. [5] Isaaks E.H., Srivastava R.M., 1998. Applied Geostatistics, Oxford University, New York. [6] Kirkpatrick, S., Gelatt, C.D, and Vecchi, M.P. 1983. Optimization by simulated annealing. Science [7] 220:671–680. [8] Lark R.M., 2002. Robust estimation of the pseudo cross-semivariogram for cokriging soil properties. European Journal of Soil Science, 53: 253–270. [9] Myers D. E., 1991. Pseudo-cross variograms, positive-definiteness, and cokriging. Mathematical Geology, 23: 805–816. [10] Olea A., R., 1984. Sampling design optimization for spatial functions. Mathematical Geology 16: 369-392. [11] Olea A., R., 1996. Geostatistics for engineers and earth scientists. The University of Lawrence, Kansas, 1996. [12] Papritz A., Kunsch H.R., Webster R., 1993. On the pseudo cross-variogram. Mathematical Geology. 25: 1015–1026. 364 Jarosław Zawadzki Symulowane wyarzanie przestrzenne efektywnym narzdziem planowania sieci pomiarowych [13] Warrick, A. W., Myers D. E. 1987. Optimization of sampling locations for variogram calculation., Water Resour. Res., 23: 496–500. [14] Zawadzki J., 2005. Zastosowanie metod geostatystycznych do planowania sieci pomiarowych przy pomocy w badaniach geofizycznych. Cz I – Metody oparte na estymacji przestrzennej. Geofizyka. 2: 46–61. [15] Zawadzki J., 2006. Zastosowanie metod geostatystycznych do planowania sieci pomiarowych w badaniach geofizycznych. Cz II – Metody oparte na symulacjach przestrzennych. Geofizyka. 1: 105–118. [16] Zawadzki J., 2004. Wykorzystanie metod geostatystycznych w badaniach rodowiska przyrodniczego. Prace Naukowe Politechniki Warszawskiej InĪynieria ĝrodowiska, 49. [17] Zhang R., Myers D.E., Warrick A.W., 1992. Estimation of the spatial distributions of soils cemicals using pseudo-cross-semivariograms. Soil Science Society of America Journal, 56, 1444–1452. 365 Studies & Proceedings of Polish Association for Knowledge Management Nr 40, 2011 SYMULOWANE WYĩARZANIE PRZESTRZENNE EFEKTYWNYM NARZĉDZIEM PLANOWANIA SIECI POMIAROWYCH Summary Spatial simulated annealing is method that allows for effectively planning the measurement network when a variety of constraints, e.g. geometric, on measuring possibilities occurs. It optimizes the measurement network, by successive improvements in its geometry, in order to obtain the extreme of the selected objective function (e.g., kriging variance) for any pre-set number of measurements. This method is characterized by high efficiency, flexibility and wide range of practical applications. The article discusses, in detail, the theoretical basis for this method, describes comprehensively the popular optimization criteria: the Minimisation of the Mean of Shortest Distances (MMSD) to the nearest neighbor and the Warrick and Myers' (WM) criterion. Furthermore, the article presents an example of spatial simulated annealing method use in combination with commonly applied in measurement practice kriging method. Article emphasizes that to obtain reliable results of spatial estimation it is necessary to apply appropriate methods at the stage of measuring network planning. Keywords: sampling schemes, geostatistics, semivariance, spatial correlations, environment, kriging variance, spatial simulated annealing Jarosław Zawadzki Wydział InĪynierii ĝrodowiska Politechnika Warszawska ul. Nowowiejska 20, 00-653 Warszawa tel.: +4822 234 7891 e-mail: [email protected]