Содержание к диссертации
Введение
1 Формальный аппарат оценивания природной опасности территорий 8
1.1. Системный подход к выбору объекта оценивания природной опасности 8
1.2. Методы разведочного анализа для выявления отдельныхочагов природной опасности 23
1.3. Методы шкалирования и построения оценок опасности с помощью методов нечетких множеств и лингвистических переменных 38
1.4. Использование кластерного анализа для автоматизированного метода оценивания природной опасности территории 54
2 Автома тизация методов построения комплексной оценки природной опасности . 65
2.1 .Система автоматизированного оценивания природно антропогенных процессов 66
2.1.1. Система оцифровки картографической информации (сокин) и система оцифровки антропогенных объектов (соао) 67
2.1.2. База знаний (бз), база справочно-нормативной информации (бсни) и база методов оценивания (бмо) 72
2.2. Информационное обеспечение саоопап 73
2.3. Программное обеспечение построения оценок опасности природно-антропогенных процессов 82
3 Применение методов автоматизированного оценивания приронойопасноститерритории. 106
3.1. Опытная эксплуатация алгоритма «оптимальное разбиение» на примере карты лавиной опасности приэльбрусья 106
3.2. Применение метода автоматизированного распознавания лавиноопасных очагов на основе морфометрических характеристик рельефа 108
3.3. Нечеткое оценивание лавинной опасности приэльбрусья (кбр)
3.4. Комплексная оценка природной опасности кбр 116
Заключение 124
Литература 126
- Методы шкалирования и построения оценок опасности с помощью методов нечетких множеств и лингвистических переменных
- Информационное обеспечение саоопап
- Применение метода автоматизированного распознавания лавиноопасных очагов на основе морфометрических характеристик рельефа
- Комплексная оценка природной опасности кбр
Введение к работе
Актуальность исследования. Опасные природные процессы и их высшее проявление - природные катастрофы угрожают обитателям нашей планеты с начала цивилизации, где-то в большей мере, а где-то в меньшей, но стопроцентной безопасности не существует нигде. Природные катастрофы могут приносить колоссальный ущерб, размер которого зависит не только от интенсивности самих катастроф, но и от уровня развития общества и его политического устройства.
По статистическим данным вычислено, что в целом на Земле каждый стотысячный человек погибает от опасных и катастрофических природных процессов. Причем число жертв составляет за последние 100 лет по 16000 человек ежегодно.
Аварии, катастрофы, стихийные бедствия, вспышки опасных инфекционных заболеваний и отравлений людей, массовые случаи крупных загрязнении и заражений окружающей среды - все эти и другие чрезвычайные ситуации за последние годы и в России приобрели такой размах, что начали приводить к необратимым последствиям экологического характера и заметно сказываться на безопасности населения.
Масштабы сложившегося положения таковы, что необходима выработка в государственном масштабе стратегий, опирающихся на научно обоснованные концепции для прогноза и предотвращения возможностей возникновения ЧС в частности от опасных природных процессов.
Разработка подобных концепций в частности от опасных природных процессов требует, прежде всего, изучения общих причин и закономерностей возникновения этих процессов, их взаимодействия с антропогенными структурами и населением на территориях, где часто эти процессы проявляются. Очевидно, что при этом в первую очередь необходимо выработать единый подход к оценкам их опасности и последствий.
Степень разработанности проблемы. Из доступных материалов, выявляется, что, несмотря на то, что работы в направлении построения оценок опасностей как природных, так и антропогенных процессов ведутся достаточно интенсивно, но единый подход к проблеме отсутствует: каждый автор прокламирует то видение проблемы, которое лучше всего соответствует именно его предметной области [1-25]. Например, существуют методики построения оценок опасности пожара, однако по ним рассчитываются только площади, подверженные термическим воздействиям, но нет указания на сопутствующие опасности, такие как, например, обрыв линий электропередач и т.п.
Зачастую оценивание осуществляется исключительно на примере какой-либо определенной географической территории. При этом расчеты осуществляются только для процессов, присущих именно этой территории и то по отдельности для каждого опасного природного процесса, а это ограничивает использование данного метода на остальных территориях. Например, в МЧС существует карта лавинной опасности КБР и карта селевой опасности. Но оценок их совместного воздействия на территорию, а тем более, оценок тех антропогенных катастроф, которые могут быть следствием этих естественных процессов нет, как нет и методологии их построения.
Разработки, связанные с «инвентаризацией» опасных процессов и явлений, в основном, естественного генезиса проводились еще в СССР, позже — в России, достаточно давно. Результатами их явились соответствующие кадастры, такие, как, например, кадастр лавин, карты сейсмической опасности и т.п.
Так в частности, концепции мониторинга, доведенные до практического использования Ю.А. Израэлем [26] получили свое отражение в принципиальной схеме картографической системы мониторинга опасных природных явлений. В эту систему были включены два крупных блока, формирующие систему карт состояния опасных природных процессов. Однако аналитический вид оценок опасности не приводится, равно как нет и
5 упоминания об оценке опасности и картировании этих оценок антропогенных процессов и явлений.
Целью диссертационного исследования является: создание научно обоснованной методологии, алгоритмов и программ автоматизированного построения комплексной оценки природной опасности территории для руководящих региональных органов, министерства чрезвычайных ситуаций, а также организаций, ведущих исследования в области географии и геофизики. Достижение поставленной цели потребовало решить следующие задачи:
обосновать теоретические подходы к построению единой системы показателей природной опасности территорий и возникновения ЧС;
разработать теоретические основы расчета показателей, характеризующих уровни природной опасности территорий;
разработать комплекс машинно-ориентированных алгоритмов анализа и обработки всевозможной информации для оценивания природной опасности территории;
провести в автоматизированном режиме анализ чувствительности и устойчивости показателей, характеризующих уровни природной опасности территорий, для различных вариантов взаимодействия опасных процессов; Предметом исследования является методология построения комплексной
оценки природной опасности территории.
Объектом исследования является географический и геофизический материал в виде картографической и статистической информации, связанной с различными опасными природными процессами, присущими некоторым территориям Северного Кавказа.
Методологическая основа исследования. Проводимые исследования базировались на теории системного анализа, методах системного анализа в применении к ландшафтоведению, методах нечетких множеств и лингвистических переменных, методах распознавания образов и анализа сцен, методах классификации, в частности, кластерном анализе, а так же на методах
многомерного шкалирования, математическом и имитационном моделировании.
Научная новизна исследования состоит в следующем.
На основе обобщения и систематизации накопленного материала по оцениванию всевозможной природной опасности, предложен новый подход к выбору объекта оценивания и новая методология анализа картографической информации, в частности комплексного анализа карт различных природных опасностей присущих территориям с различными ландшафтами.
Предложен автоматизированный метод первоначального преобразования картографического материала в цифровые модели, без использования дополнительных технических средств.
Формализованы задачи анализа картографической информации на стадии процесса распознавания некоторых опасных природных процессов присущих определенным ландшафтам. Выявлена зависимость ландшафтных характеристик с характеристиками некоторых опасных природных процессов.
Предложена методология классификации совокупности опасных природных процессов присущих одной территории, на основе методов многомерного шкалирования» с применением теории нечетких множеств и лингвистических переменных, кластерного и дескриптивного анализа.
В соответствии с предложенной методологией разработана структура средств программного комплекса построения оценок опасности природно-антропогенных процессов.
Практическая значимость полученных результатов. Основные положения диссертации могут быть использованы:
органами прогнозирования, предупреждения и ликвидации последствий различных ЧС связанных с опасными природными процессами;
проектными бюро при решении проблем, связанных с строительно-
промышленным освоением новых территорий;
в учебном процессе ВУЗов, в курсе дисциплин по системному,
многомерному и разведочному анализу, методам оптимизации и
классификации.
Обоснованность и достоверность научных положений и выводов подтверждается:
результатами вычислительных экспериментов;
результатами сравнения с эмпирическими материалами;
работоспособностью разработанных универсальных алгоритмов и программ системы автоматизированного оценивания природно-антропогенной опасности территории.
Апробация работы. Основные положения и выводы исследования докладывались автором и получили одобрение на конференциях, среди которых - IV Всероссийский симпозиум «Математическое моделирование и компьютерные технологии» (Кисловодск, КИЭП, 2000), Всероссийская научная конференция "Математическое моделирование в научных исследованиях",— (Ставрополь, СГУ, 2000), Конференция молодых ученых, аспирантов и студентов 2000, 2001, 2002, 2003 (Нальчик, КБНЦ, 2000, 2001, 2002, 2003), Всероссийская научная конференция студентов, аспирантов и молодых ученых «Перспектива 2001», «Перспектива 2003», (Нальчик, КБГУ, 2001, 2003), Первая всероссийская конференция «Проблемы информатизации регионального управления» (Нальчик, КБНЦ, 2001), Международная конференция «Моделирование региональных экономических и медико -экологических процессов» (Нальчик, КБНЦ, 2002), 2-ая Международная научная конференция «Экологические и гидрометеорологические проблемы больших городов и промышленных зон» (Санкт-Петербург, РГГМУ, 2002), Конференция молодых ученых ВГИ, посвященной 90-летию профессора Сулаквелидзе Г.К. (Нальчик, ВГИ, 2003). Публикации. Содержание работы отражено в 24 публикациях
Методы шкалирования и построения оценок опасности с помощью методов нечетких множеств и лингвистических переменных
Определение свойств основных типов отношений позволяет, задавая определенные условия на них, строить шкалы для сравниваемых по степени природной опасности территорий. Под шкалой будем подразумевать тройку 1/э, f, U4 , где Us = кЛэ, Рэ - эмпирическая система с отношением Рэ (As,- множество рассматриваемых территорий). Под Рэ будем подразумевать отношение "опасный"./- отображение, a U4 - АЧ, Ру - числовая система с отношением Рч Ач - множество чисел. Постольку поскольку Рэ должно быть отношением предпочтения (по степени опасности), то Рч - отношение " " на множестве чисел. Как один из возможных вариантов, полагается, что в идеале процесс сравнения территорий по степени их природной опасности должен осуществляться в абсолютной шкале, но это может быть возможным только в том случае, когда все характеристики опасности процессов, реализующихся на данной территории будут сведены к потокам энергии [43]. До последнего времени не возникало необходимости в существенном использовании элементов естественного языка в моделях процессов принятия решений. Физические неопределенности успешно учитывались с ПОМОЩЬЮ методов теории вероятностей, а элементы систем управления могли быть корректно представлены в рамках классической теории множеств. Переход к изучению организационно-технических задач, процессов принятия решений человеком, к построению семиотических, в частности логико-лингвистических, систем классификаций привел к необходимости расширить множество формальных методов, используемых в теории принятия решений, такими, которые позволяли бы обрабатывать информацию, по крайней мере в виде понятий и отношений естественного языка. Последнее, в свою очередь, и приводит к необходимости учета лингвистической неопределенности описания задач принятия решения.
Отметим, что в ситуации неизвестности на начальной стадии изучения задачи информация о ней, как правило, практически отсутствует. В процессе сбора информации на определенном этапе может оказаться, что: собрана еще не вся возможная или не вся необходимая информация; для некоторых элементов определены не их точные описания, а лишь множества, которым эти описания принадлежат. Это порождает неполноту, недостаточность и недоопределенность информации соответственно. Ряд элементов задачи может быть временно описан по аналогии с уже решавшимися задачами, и в этом случае имеется лишь «замещающее» описание (неадекватность). Важно, что наличие данных видов неопределенности (недостоверности) связано либо с тем, что процесс сбора информации временно приостановлен, либо с нехваткой ресурсов, выделенных для сбора информации и эти неопределенности могут быть в дальнейшем сняты при появлении дополнительной информации.
Наряду с этим в задаче может присутствовать физическая неопределенность. Она может быть связана как с наличием во внешней среде нескольких возможностей, каждая из которых случайным образом становится действительностью (ситуация случайности, или стохастической неопределенности), так и с неточностью измерений вполне определенной величины, выполняемых физическими приборами (ситуация неточности). В рамках данной классификации отнесение случайности и неточности к неоднозначности предполагает знание соответствующих законов распределения вероятностей. Лингвистическая неопределенность - еще один тип неопределенности, который может иметь место. Она связана с использованием естественного языка для описания задачи классификации. Эта неопределенность обусловливается необходимостью оперировать конечным числом слов и ограниченным числом структур фраз (предложений, абзацев, текстов) для описания за конечное время бесконечного множества разнообразных ситуаций, которые должны быть отображены в классификации. Лингвистическая неопределенность порождается, с одной стороны, множественностью значении слов, понятий и отношений языка, а с другой стороны, неоднозначностью смысла фраз.
Нечеткость информации обусловлена наличием в описаниях задач понятий и отношений с нестрогими границами, а также высказываний с многозначной шкалой истинности. Объект может принадлежать к классу, описываемому данным понятием, отношением или высказыванием, может не относиться к нему, но возможны и промежуточные градации принадлежности. Понятия и отношения, описывающие такие классы, будем называть нечеткими [62]. Возникновение же нечеткого описания задач классификации возможно, в частности, в следующих случаях: 1.Ограничения на ресурсы моделирования (временные, стоимостные) не позволяют получить в принципе существующую четкую информацию и вынуждают системных аналитиков воспользоваться знаниями экспертов, которые выражаются последними в нечеткой словесной форме. В результате обычная задача классификации оказывается «погруженной» в нечеткую среду. 2.Имеющаяся числовая информация не позволяет найти решение формальными методами при существующих ограничениях на ресурсы, но лицо, принимающее решение его, тем не менее, находит, пользуясь своим опытом. Этот опыт может быть передан в виде совокупности нечетких правил. Здесь задача является нечеткой по постановке. 3.На ранних этапах проектирования сложных (быть может, ранее не создававшихся) объектов имеется ряд альтернативных вариантов проектирования, но неизвестно точно, какими именно свойствами будет обладать объект, созданный на том или ином пути проектирования.
Ресурсы на проработку всех вариантов проекта отсутствуют, а опыт проектантов выражается качественно (в виде словесного описания). Ставится задача отсева части вариантов на основе векторного показателя качества с нечеткими оценками значений его компонентов. В данном случае задача проектирования уже в исходном виде является «погруженной» в нечеткую среду. Обработка нечеткой информации в частности в задачах классификации, может быть, обеспечивается применением лингвистического подхода. Лингвистический подход при построении моделей принятия решений позволяет: -использовать для описания элементов задач приближенные, субъективные оценки, выраженные с помощью нечетких понятий, отношений и высказываний; -формализовать нечеткие описания с помощью нечетких множеств, лингвистических переменных и нечетких свидетельств; -оперировать полученными формализованными объектами посредством аппарата, развиваемого на основе теории нечетких множеств; -представлять результаты решения задачи как в виде нечетких описаний с использованием понятий и отношений профессионального языка данной области, так и в виде четких рекомендаций, аналогично тому, как это имеет место в теории игр, где рекомендации можно получить в виде либо оптимальных смешанных стратегий, либо согласованных с последними чистых стратегий.
Информационное обеспечение саоопап
Методы построения оценок природно-антропогенной опасности, представляют собой не более чем умозрительные, теоретические построения; и останутся таковыми до тех пор, пока для их реализации не будет создана достаточно мощная информационная структура. Подразумевается под этим понятием не только реализация некоторой модели данных в виде структуры на уровне систем управления базами данных, но и в более общем виде - некую информационную модель исследуемого объекта. Именно такая модель и позволит получать фрагменты многоаспектных взаимоотношений в данных, найти закономерности, свойственные подвыборкам, которые могут компактно выражены в понятной человеку форме, неочевидные регулярности, составляющие так называемые скрытые знания [89]. Понятно, что поскольку речь идет об объектах (ландшафтах), расположение которых привязывается к поверхности земного шара, то и информация, на которой должны базироваться любые диагностические оценки этих объектов, также должна иметь соответствующую привязку. Аналогично, выходная информация об этих оценках также должна представлять собой некоторую карту. Схема подобного преобразования представлена на рис.2.2 Преобразование картографической информации в информацию об оценках опасности
Таким образом, основу информационной модели, о которой идет речь, должна составлять картографическая информация. Что же представляет собой картографическая информация? Отметим, что важность этого определения проистекает из необходимости не только устранения терминологического разнобоя, но для того чтобы ввести критерии оценки качества и количества информации, получаемой по картам, разработки методик ее анализа и преобразования в исследовательских целях. Интуитивное же представление о картографической информации связано с передачей на карте сведений о пространственном размещении, свойствах, изменениях во времени, связях и отношениях объектов и явлений реального мира. Однако, как утверждает А.М. Берлянт [96], раскрытие понятия картографической информации невозможно без обращения к понятию «картографический образ». Важность этого понятия обуславливается тем, что оно не только лежит в основе представлений о законах формирования и восприятия картографического изображения, но и непосредственно с количественной и качественной оценкой картографической информации. Будем считать совместно с A.M. Берлянтом, что картографический образ - это пространственная комбинация (композиция) картографических знаков, воспринимаемая читателем карты или распознающим устройством. Под термином «пространственная комбинация» понимается некоторое множество картографических знаков с их сочетаниями, связями, таксономической соподчиненностью и группировками. Еще раз подчеркнем, что говоря о картографических образах мы имеем в виду не реальное отображение некоторой территории, например, в виде аэрофотоснимка, а построенное человеком или специальным устройством некоторое его абстрактное, формальное отображение. Картографические образы делятся на классы по нескольким характеристикам. Так по сложности их можно подразделять на элементарные, сформированные одним географическим знаком, и сложные, образованные комбинацией двух или множества таких знаков. Кроме того, можно выделить одно-порядковые картографические образы, составленные однотипными знаками, и разнопорядковые, в формировании которых участвуют знаки разного типа или даже разных систем (например, вектора и изолинии).
По точности картографические образы делятся на : - точные, дающие исчерпывающее представление об объекте на данном уровне его изученности в пределах возможностей масштаба и назначения карты; - схематические, когда отсутствуют точные и достоверные сведения об объекте или когда картографические образы намеренно схематизированы в соответствии с назначением карты или поставленными исследовательскими задачами; - искаженные картографические образы, возникающие вследствие ошибок составления, генерализации, воспроизведения карты или из-за ложного представления о самом картографируемом объекте. По степени воспринимаемости можно выделить; - явные картографические объекты, которые сразу без каких-либо преобразований воспринимаются при чтении карты человеком или автоматическим устройством; - скрытые, для распознавания, которых требуется выявить неявные отношения и связи между объектами, проведя предварительно определенные преобразования. Так обозначение на карте аэродрома представляет собой явный картографический образ, указывающий на нахождение данного объекта в данной точке пространства. Наличие же лавинного очага на определенной территории можно установить, только проведя морфометрический анализ рельефа и климатических характеристик.
По метрическим свойствам различаю одномерные, двумерные и трехмерные картографические образы, а по отношению к признаковому пространству правомерно говорить о сложных многомерных картографических образах. Теперь можно определить картографическую информацию, как содержание карты, сведения, заключенные в карте и получаемые по карте, количество картографических образов, их разнообразие и вероятность появления. В.И. Сухов [97] предложил оценивать информационную емкость карты, с помощью вероятностей появления на карте различных картографических образов и оценивать неопределенность с помощью шенноновской энтропии. Впоследствии эта формула была обобщена для подотчета количества информации сразу с нескольких карт Однако, этот подход встретил многочисленные возражения, причем не только у картографов, но и кибернетиков. Так М. Мазур [98] пишет: «А как применять понятие «количество информации», например, к географической карте? Ведь карта содержит самую различную информацию: на ней, например, можно узнать, что Стокгольм расположен севернее Будапешта, что от Мадрида до Белграда 2000 км, а расстояние от Лондона до Рима вдвое больше, чем до Женевы. Сколько же бит содержит каждая такая информация? О каких вероятностях может здесь идти речь? Ведь каждый элемент карты, как и каждый элемент теории, «существует», а не происходит с какой-то вероятностью. На заданные вопросы можно ответить, что теория информации создана не для этих потребностей». Другой подход к определению картографической информации строится на комбинаторно-семантической трактовке. Согласно этой трактовке считается, что картографическая информация - это такая информация, которая образуется из абсолютной или относительной локализации отражаемого объема и семантического содержания, зафиксированного в картографических образах. С учетом вышесказанного была предложена формула
Применение метода автоматизированного распознавания лавиноопасных очагов на основе морфометрических характеристик рельефа
Опытная эксплуатация проводилась на цифрованных моделях лавиноопасных и нелавиноопасных участков Приэльбрусья. А также на цифровой модели селевого очага Кубасанты. Пример цифровой модели лавиноопасного очага Приэльбрусья представлен в приложении. (Приложение 15) Анализ морфометрических характеристик рельефа производился на отдельных лавиноопасных и не лавиноопасных участках территории Приэльбрусья программой «Анализатор». Результатом распознавания некоторых лавиноопасных очагов данным методом является графическое представление исследуемой территории программой «Лавина». На рисунке выделены элементы цифрограммы, определяемые программой как лавиноопасные участки.
Значения интегрированной функции лавиноопасности, рассчитанной программой «Анализатор» на экспериментальной территории: 1. для лавиноопасных участков 0.45-0.55 2. для нелавиноопасных участков со сложным рельефом 0.30-0.47 3. для участков, близких по своему рельефу к плоскости 0.00-0.22 Проведённый эксперимент показал, что выбранные морфометрические характеристики рельефа позволяют различать участки, близки по своему рельефу к плоскости от лавиноопасных участков, однако их не всегда достаточно для надёжного различения нелавиноопасных участков со сложным рельефом от лавиноопасных. В целом метод успешно можно использовать для первоначальной обработки картографического материала в целях отсеивания ярко выраженных нелавиноопасных участков территории для последующего анализа оставшейся части. Как правило, отпадает необходимость анализа большей части первоначальных данных. Дальнейшее развитие данной темы в целях более глубокого анализа может быть связано с применением аппроксимации рельефа к поверхностям более высокого порядка, а также поиск других морфометрических характеристик, выявляющих лавиноопасность по территории. Также данная работа может быть адаптирована для оценки других видов природных и техногенных опасностей территорий. 3.3. Нечеткое оценивание лавинной опасности Приэльбрусья (КБР) Рассмотрим теперь, как работает изложенные выше методики на реальных объектах. В качестве этих объектов будут выступать семь таксонов, выделенных на карте лавинной опасности Приэльбрусья (КБР) М 1:25000 (Проиложение 13); каждый из таксонов содержит 25 узлов.
Требуется отнести каждый из этих таксонов к тому или иному классу опасности. Источниками опасности в данном случае являются лавинные очаги (ЛО), причем мы инвентаризируем эти источники в узлах таксона дихотомически, не учитывая их количества и мощности. Инвентаризация приведена в приложении (Приложение 16), причем наличие опасности в узле обозначается 1 в соответствующей клетке. Результаты применения к указанным таксонам нечетких классификаций приведены в табл. 3.1. Здесь под х подразумевается значение носителя нечеткого множества для соответствующего таксона. В таблице использованы следующие обозначения: НО соответствует лингвистической переменной "не опасно"; О - "опасно"; СО -"средне опасно" и БО - "безопасно". Распределение значений функций принадлежности для разных классификаций приведено на рис.3.4 Из проделанного анализа можно заключить, что для параметров использованных функций принадлежности недостаточно удовлетворительно отражают реальную ситуацию на таксонах. Это связано, прежде всего, с тем, что в (1) точка приходится на 50% опасных узлов, в то время как среди реальных таксонов, только таксон N2 имеет опасных узлов больше половины. Таким образом, имеет смысл задать новые параметры функции принадлежности: а = 0; J3 = 60% и у = 30%. Понятно, что при х у U,(JC) = 1. а + В r = - —- Для проверки того, насколько хорошо соответствует нечеткая классификация описанного энергетического подхода для каждого узла каждого таксона была определена площадь ЛО в % по отношению к площади узла. Эти данные приведены в приложении. (Приложение 17) Последняя строка содержит площади ЛО в % приведенные к площади уже не узла, а таксона в целом ( ).
Сравнение проводилось путем расчета коэффициента корреляции между значениями функции принадлежности /Опасно и эквивалентом энергии. Мы полагаем, что при прочих равных условиях энергия ЛО эквивалентна массе накапливаемого в этом очаге снега. Поскольку в данных фигурируют площади, а масса величина объемная, то в качестве энергетического эквивалента использовалась величина При этом коэффициент корреляции между /Опасно и Е был весьма велик и имел значение г 0,98754. Данные приведены в табл.3.3. Вероятность такого значения коэффициента корреляции для 7 пар некоррелированных переменных не превосходит 0,9%. Следовательно, мы можем утверждать, что нечеткое ранжирование весьма хорошо соответствует той шкале, которая может быть получена на основе энергетического подхода.
Комплексная оценка природной опасности кбр
Перейдем к построению комплексной оценки природной опасности для КБР. Напомним, что комплексная оценка строится сразу для нескольких типов опасностей и с ее помощью, как мы указывали раньше, осуществляется оценка того или иного типа ландшафта, наличествующего на данной территории. Таким образом, исходной для оценивания картой являлась именно ландшафтная карта [105]. К сожалению, имеющаяся в нашем распоряжении карта была мелкомасштабной, что, несомненно, сказалось на ее разрешении, однако, не потребовало какой-нибудь адаптации изложенной в данной работе методики. mДанная цифровая модель получена путем оцифровки карты М 1:500000 с помощью «электронной» палетки со стандартным шагом 2 мм (Приложение 20). При этом на данной территории выделяются все типы ландшафтов присущие территории КБР [105]: 1 - альпинотипные скалистые гребни, крутые склоны, седловины хребтов и вулканические конусы, покрытые ледниками и снежниками, со скальными выходами, каменистыми осыпями, лишенные растительности (нивальныйпояс); 2 - альпинотипные скалистые гребни и крутые склоны хребтов субнивального пояса со скальными выходами и каменистыми осыпями с единичными группировками лишайников и горно-луговой разреженной альпийской растительностью. 3 - относительно крутые склоны хребтов под горно-луговой альпийской низкотравной мелкозлаковоосоковой разнотравной растительностью (в верхней части пояса) и под горно-луговой субальпийской высокотравной злаковоразнотравной растительностью с зарослями рододендрона и березовым криволесьем - преимущественно под пастбищами. 4 — крутые придолинные склоны хребтов под сосновыми лесами, с лавинными логами и частично под пастбищами на месте лесов, незначительная часть - под вторичными березовыми лесами. 5 - Округлые вершинные поверхности и относительно пологие склоны хребтов с единичной горно-луговой альпийской растительностью. 6 - Округлые вершинные поверхности, пологие склоны хребтов и межгорные понижения подгорно-луговой альпийской низкотравной растительностью из мелкозлаково-осокого-разнотравных ассоциаций (в верхней части пояса) и подгорно-луговой субальпийской злакого-разнотравной растительностью. 7 - Относительно крутые придолинные склоны хребтов под сосновыми лесами. 8 - Скалистые гребни крутые склоны среднегорных хребтов со скальными выходами, каменистыми и щебнистыми осыпями с единичными группировками горно-луговой альпийской растительности. 9 - Относительно крутые расчлененные склоны среднегорных хребтов с каменистыми и щебнистыми осыпями под горно-луговой альпийской и субальпийской злаково-разнотравной растительностью и степными видами; выходы скал - частично под пастбищами. 10 - Относительно пологие расчлененные и сильно расчлененные склоны среднегорных хребтов с каменистыми и щебнистыми осыпями под горнолуговой альпийской низкотравной злаково-разнотравной растительностью (в верхней части пояса) и под горно-луговой субальпийской злаково-разнотравной растительностью - преимущественно под пастбищами. 11 - Относительно крутые расчлененные склоны среднегорных хребтов под буковыми лесами, значительная часть - под вырубками и пастбищами на месте лесов. 12 - Гребни и относительно пологие сильнорасчлененные склоны низкогорных хребтов под буковыми, дубовыми и дубово-кленовыми лесами, значительная часть - под вырубками и пастбищами на месте лесов (в северозападной части пояса), незначительная часть - под пашней. 13 - Относительно крутые расчлененные склоны низкогорных хребтов под буковыми и дубовыми лесами незначительная часть - под вырубками и пастбищами на месте лесов. 14 - Межгорные котловины, заполненные делювиально-пролювиальными отложениями под дубовыми и дубово-кленовыми лесами, значительная часть — под вырубками и пастбищами на месте лесов, частично - под пашней.15 - Гребни и относительно пологие сильно расчлененные склоны хребтов под буково-грабовыми и дубовыми следами. 16 - Умеренно крутые, местами сильно расчлененные, склоны хребтов под дубовыми и грабовыми лесами и участками луговых степей. 17 — Плоские днища корытообразных, троговых и каньеннообразных долин, заполненных моренами, фпювиогляциальными, селевыми и аллювиальными отложениями, под сосновыми лесами и луговой злаково-разнотравной растительностью. 18 - Возвышенные аккумулятивно-денудационные крупногрядовые равнины, сложенные щебеночно-суглинистыми отложениями, расчлененные глубокими долинами малых рек, под дубовыми лесами. 19 - Возвышенные аллювиально-пролювиальные волнистые равнины с конусами выноса, сложенные суглинистыми отложениями с гравием и галькой, под лугово-степной разнотравно-злаковой растительностью и участками дубово-грабовых лесов. 20 — Возвышенные делювиально-пролювиальные пологоволнистые равнины с оврагами и балками, сложенные щебеночно-суглинистыми отложениями, од степной полынно-злаковой растительностью. 21 - Аккумулятивные плоские, местами наклонные, слаборасчлененные равнины, сложные лессовыми суглинками, с многочисленными просадочными формами рельефа, под сухостепной злаковой полынно-злаковой растительностью. 22 - Плоские аккумулятивные равнины надпойменных террас, сложенные суглинками с галькой и гравием, под степной, местами луково-степной полынно-злаковой растительностью и широколиственными лесами. 23 - Поймы крупных и малых рек с многочисленными руслами, островами, сложенные аллювиальными суглинками, галькой и гравием, под луговой, местами заболоченной, злакого-разнотравной и осоково-злаковой растительностью, широколиственными лес ами и кустарниками.
С вышеуказанной картой одновременно для этой же территории рассматривались карты лавинной и селевой опасности [106], а также карта опасности обвалов и карта паводковой опасности КБР [107,108] (Приложения 21,22,23,24). На основе этой информации при последовательном сопоставлении цифрограмм были построены матрицы сопряженности типов ландшафтов с уровнями опасности каждого типа. Во всех таблицах /7,- - частота встречаемости І-го типа ландшафта; m, -j-ro уровня опасности. Расчет связности для этих таблиц осуществлялся с помощью выражения (3.1), причем для каждой клетки в строчке таблицы рассчитывался только один членгде pi - совместная частота встречаемости /-го типа ландшафта и j-ro уровня опасности к. Полученные результаты могут быть сведены в таблицу (Приложение 25). Эта таблица позволяет найти попарное расстояние между типами ландшафтов. Поскольку нормировка данных осуществляется непосредственно в выражении (3.1), т.е. 0 с 1 то расстояния могут быть измерены в обычной евклидовой метрике. (Приложение 26)
