1. Задачи, содержание и методика прогнозирования использования земельных ресурсов.

Известны и широко используются в инженерной практике и в исследованиях многочисленные методы и приемы моделирования:

1).имитационное – это процесс конструирования модели реальной системы и проведения на этой основе экспериментов для понятия поведения системы или оценки различных стратегий ее функционирования;

2) математическое, при котором процессы функционирования элементов сложной системы определяются в виде некоторых функциональных соотношений или логических условий.

Первый способ целесообразно применять, когда элементы системы плохо поддаются математическому описанию. В этом случае имитационное моделирование заключается в разработке моделирующего алгоритма, который воспроизводит работу системы во времени. При этом имитируются элементарные явления, составляющие процесс с сохранением их логической структуры и последовательности протекания во времени. Этот способ можно использовать для имитации работы прогнозирующей системы в целом и отдельных ее элементов.

Можно выделить следующие группы моделей: Статические и динамические; Детерминированные и стохастические; Дискретные и непрерывные; Натурные, аналоговые, символьные и др.

Детерминированную модель(одно задание и знать какой будет результат)определяют по наличию переменных и параметров, которые могут принимать определенные фиксированные значения или ограниченное множество значений при любых заданных условиях.

Стохастическая (случайная, одно задание а результат разный) модель характеризуется тем, что для любого заданного набора входных сигналов Z и многократного повторения этого набора каждый раз будут получаться разные значения выхода ню (Z), т.е. будет иметь место неоднозначность значений выходных сигналов.

В общем виде процесс создания модели для прогнозирования системы управления земельными ресурсами условно можно разделить на следующие этапы:

- сбор, подготовка исходных данных для исследования и их предварительный анализ;

- выбор и обоснование математических моделей прогнозируемого объекта;

- обработка статистических данных для определения параметров моделей прогноза и получения зависимостей, связывающих прогнозируемые характеристики объекта с временными или другими факторами;

- собственно прогнозирование, т.е. вычисление значений характеристик объекта при заданных времени и факторах.

Пути повышения эффективности управления земельными ресурсами – создание математической модели на основе социально-экономических факторов, влияющих на снижение финансовых затрат на процесс управления и, главное, на повышение собираемости земельных платежей. Обе этих цели есть конечный результат повышения эффективности управления.

Добыча данных - ДД. Этот процесс включает три основных этапа: 1) Исследование, 2) Построение модели или структуры, 3) Проверка модели.

Разведывательный анализ данных-РАД применяется при нахождении связей между переменными в ситуациях, когда отсутствуют (или недостаточны) априорные представления о природе этих связей. Как правило, при РАД учитывают и сравнивают большое число переменных, а для поиска закономерностей используют самые разные методы.

Основные методы РАД: процедура анализа распределений переменных (например, чтобы выявить переменные с несимметричным и негауссовым распределением, в том числе и бимодальные);просмотр корреляционных матриц с целью поиска коэффициентов, превышающих определенные пороговые значения; анализ многоходовых таблиц частот (например, «послойный» последовательный просмотр комбинаций уровней управляющих переменных).

Методы многомерного РАД специально разработаны для поиска закономерностей в многомерных данных (или последовательностях одномерных данных).

К ним относятся: кластерный анализ, факторный анализ, анализ дискриминантных функций, многомерное шкалирование, логический линейный анализ, канонические корреляции, пошаговая линейная и нелинейная регрессия, анализ соответствий, анализ временных рядов.

Нейронные сети – один из методов ДД.

Поскольку на начальном этапе анализа природа явления обычно не бывает хорошо известна, то выбор архитектуры не будет простой задачей и часто связан с длительной процедурой проб и ошибок. Хотя в последнее время есть нейронно-сетевые программы, в которых для решения задачи поиска наилучшей архитектуры сети применяют методы искусственного интеллекта.

После завершения процедуры выбора архитектуры сети последняя подвергается процессу так называемого обучения. На этом этапе нейроны сети обрабатывают входные данные и корректируют их удельные веса таким образом, чтобы сеть наилучшим образом соответствовала существующей системе факторов, на которых выполнялось обучение. Другими словами, осуществляется подгонка сети к этой системе факторов. После обучения на имеющихся данных сеть готова к работе и ее можно использовать для построения прогнозов.

Сеть, полученная в результате обучения, отражает закономерности, присутствующие в существующих данных. При таком подходе она оказывается функциональным эквивалентом некоторой модели зависимостей между переменными. Однако в отличие от традиционных моделей в случае модели сетей эти зависимости не могут быть записаны в явном виде, подобно тому, как это делается в статистике. Например, «А положительно коррелировано с В для наблюдений, у которых величина С мала, а D велика»).

Методы нейронных сетей можно применять и в таких исследованиях, где целью является построение объясняющей модели явления, поскольку с помощью нейронных сетей определяют значимые переменные или группы таких переменных. При этом полученные результаты могут облегчить процесс последующего построения модели.

Одно из главных преимуществ нейронных сетей – возможность теоретически аппроксимировать любую непрерывную функцию, когда исследователю не нужно заранее принимать какие-либо гипотезы относительно модели и какие переменные действительно важны.

Существенным же недостатком нейроннных сетей является то обстоятельство, что окончательное решение зависит от начальных установок сети и, как уже отмечалось ранее, его практически невозможно «интерпретировать» в традиционных аналитических терминах, которые обычно применяют при построении теории явления.

В решении задач моделирования системы управления земельными ресурсами следует использовать несколько методов РАД, чтобы исключить возможные ошибки.

При упрощении нейронной сети возможно:

- сокращение числа входных сигналов нейронной сети путем удаления входных сигналов, наименее значимых для принятия сетью решения,

- сокращение числа нейронов сети путем удаления нейронов, наименее значимых для принятия сетью решения,

- комплексное равномерное упрощение нейронной сети - для каждого нейрона сети сокращают число приходящих на него сигналов до максимально возможного, задаваемого пользователем,

- сокращение числа связей в нейронной сети путем удаления связей, наименее значимых для принятия сетью решения,

- бинаризация связей в нейронной сети – приведение весов синапсов к установленным значениям.