« Монте-Карло разыгрывалось изменение текущей загрязненности вод в створах Волги. Это делалось следующим образом. Для каждого момента времени// = Г/, /2 =7/ + Г2, ..., 4 = 7 + Т2 + ...+ r)t,..., полученного по > реализациям' Т], Т2, ..., Тк , ... случайной: величины г, имеющей показательное распределение, разыгрывались переходы из класса в класс на основе марковской модели. Переходные вероятности этой модели оценивались по найденным в результате прогноза вероятностям. Ри i = 1 — б попадания в классы. Далее, после выполнения прогноза класса загрязненности, разыгрывались значения концентрации загрязняющего вещества \ в этом классе. Для этих целей использовался метод обратных функций, причем; для каждого конкретного класса выбиралась та функция^ из рассмотренной выще совокупности, которая наилучшим образом согласуется с выборкой. Предложенная процедура обеспечивает концентраций возможность прогноза временного изменения; вещества с рассматриваемого загрязняющего *' опережением на год. Приведенные численные эксперименты позволяют оценить точность такого прогноза. Результаты проведенного тестирования вероятностной имитационной модели иллюстрируют таблица 4.1 и рисунки 4.1 4.10. В таблице 4.1. сведены значения вероятностных показателей по перечисленным выше загрязняющим веществам: найденные в результате прогноза и по данным наблюдений; в 1994-1998 г.г. Для; некоторых пунктов прогноз был выполнен не по всем загрязняющим веществам,.так как данные об* их концентрациях в; 1998 году в литературе не приводятся. Из таблицы: 4Л. следует, что значения вероятностных показателей^ полученные В; результате прогноза,. оказываютсяблизки к их значениям, найденным непосредственно по результатам анализа воды > в контрольных створах. Как правило, класс загрязненности, который щ. определяется наибольшим значением вероятностного показателя, удаётся предсказать правильно. 113 |
Монте-Карло разыгрывалось изменение текущей загрязненности вод в створах Волги. Это делалось следующим образом. Для каждого момента времени t] = Т], t2 = ti + Т2, реализациям г/, Т2, tk = TJ + Т2 + ...+ Zk, полученного по т, имеющей Тк , ... случайной величины показательное распределение, разыгрывались переходы из класса в класс на основе марковской модели. Переходные вероятности этой модели оценивались по найденным в результате прогноза вероятностям Pi, i = \ — 6 попадания в классы. Далее, после выполнения прогноза класса загрязненности, разыгрывались значения концентрации загрязняющего вещества в этом классе. Для этих целей использовался метод обратных функций, причем для каждого конкретного класса выбиралась та функция, из рассмотренной выше совокупности, которая наилучшим образом согласуется с выборкой. Предложенная процедура обеспечивает концентраций возможность прогноза временного изменения вещества с рассматриваемого загрязняющего опережением на год. Приведенные численные эксперименты позволяют оценить точность такого прогноза. Результаты проведенного тестирования вероятностной имитационной модели иллюстрируют таблица V . 1 и рисунки V . 1 V. 10. В таблице V . l . сведены значения вероятностных показателей по перечисленным выше загрязняющим веществам: найденные в результате прогноза и по данным наблюдений в 1994-1998 г.г. Для некоторых пунктов прогноз был выполнен не по всем загрязняющим веществам, так как данные об их концентрациях в 1998 году в литературе не приводятся. Из таблицы V . l . следует, что значения вероятностных показателей, полученные в результате прогноза, оказываются близки к их значениям, найденным непосредственно по результатам анализа воды в контрольных створах. Как правило, класс загрязненности, который определяется наибольшим значением вероятностного показателя, удаётся предсказать правильно. 173 |