GDK: 0-010 Ekspertni sistemi v gozdarskem načrtovanju Mitja CIMPERŠEK* UVOD Ko so v zgodn_jih šestdestih letih začeli računalniki prodirati v družbeno zavest, smo zbegani in prestrašeni govorili o elek- tronskih možganih. Nekateri so jim pripiso- vali grozljive vizije androidnih bitij, ki se prek tipkovnice poigravajo s človeškim ra- zumom. Vendar se vsi ti predsodki science- fiction niso izpolnili. Večina se je prej ali slej morala sprijazniti z dejstvom, da so računalniki sicer hitri, toda neizmerno neumni. To zgovorno potrjuje naslednja primerjava: Medtem ko dojenček z lahkoto ·spozna materin obraz, je za najsposob- nejše računalnike veliko lažja naloga - razlikovanje krogle in kocke- zelo trd oreh. Strokovnjaki uvrščajo današnjo stopnjo razvoja računalnikov v tako imenovano če­ trto generacijo. Projekt pete družine raču­ nalnikov je bil pred desetimi leti zasnovan na prodoru umetne inteligence in na lastno- stih, kakršnih doslej še nismo poznali. Z njim so nameravali Japonci odvzeti primat IBM. Temeljil naj bi na paralelnem procesi- ranju (podobno delovanju človekovih mo- žganov) in na naravnih računalniških jezi- kih; končni rezultat pa naj bi bil zastrašujoč stroj z zmogljivostjo ene milijarde logičnih opravil v sekundi. Naravni generični jeziki so, v primerjavi z računalniškimi, zasnovani na glasu. To pomeni, da se komunikacija med računalnikom in uporabnikom vzpo- stavi v jeziku, ki ga uporablja človek. Toda prvemu navdušenju je kmalu sledilo razo- čaranje, ki se je duhovito poigrala s prevo- dom znane Shakespearjeve misli: »Duh je močan, toda meso je slabotno<<. Računalni­ ški prevod tega Mackbatha v ruščino je izzvenel namreč takole: >)V odka je dobra, toda pečenje se je ponesrečilo.« * Mag. M. C., dipl. inž. gozd., Gozdno gospo- dasstvo Celje, Tozd Boč , 63250 Rogaška Slatina, Ulica 14. divizije 19, Slovenija 344 G. V. 7-8/91 Tudi pri razvoju nevralnih računalnikov, to je takih, ki simulirajo arhitekturo in delo- vanje človekovih možganov, se vedno bolj zatika. Od tako željenih računalnikov, ki bi bili sposobni lastnega učenja in ne bi potre- bovali zamudnega programiranja, nismo nič manj oddaljeni kot od resničnosti na- slednje zgodbe: Mlad poslovnež je vprašal računalnik, kje je njegov oče. Na ekranu je bil izpisan odgovor: »Tvoj oče je na lovu v Kanadi.« Poslovnež je zmagoslavno odtip- kal, da se je zmotil, saj so očeta že pred dvema letoma pokopali. Na računalniškem ekranu se je pojavil nov izpis: »Žal je bil to samo mož tvoje matere ! Tvoj oče je ravno- kar uplenil kapitalnega medveda«. Posebna znanstvena zvrst, ki se ukvarja z metodami, tehnikami, orodji in arhitektu- rami za reševanje problemov z računalniki, je umetna inteligenca. Njen osnovni namen je doseči bolj inteligentno obnašanje raču­ nalnikov in s tem povečanje njihove uporab- nosti. Klasifikacija pojma umetna inteli- genca (artificial intelligence) je razmeroma nekonsistentna, saj sega od ozkega razu- mevanja računalniških modelov, ki pona- zarja njihovo kognitivno ozadje, do široko zasnovane programske opreme. Tako raz- likujejo danes naslednje glavne skupine umetne inteligence: ekspertne sisteme, na- ravne računalniške jezike, robotiko in ne- vralne mreže. Komercialno najbolj spo- znavni elementi umetne inteligence so eks- pertni ali svetovalni sistemi. V Ameriki se že več kot tisoč podjetij ukvarja z njihovo izdelavo. 1 .0. EKSPERTNI SISTEMI Ekspert je strokovnjak, ki ve vedno več o vedno manjšem, dokler na koncu ne ve vsega o ničemer (Murphyjev zakon). Računalniški svetovalni sistem je v bistvu posnemanje izvedenca- vrhunskega stro- kovnjaka, ki ima znanje in izkušnje, s kate- rim lahko razčleni problem in svetuje posto- pek za njegovo rešitev. Svetovalni sistemi so računalniški programi, ki rešujejo proble- me, za katere menimo, da so plod člove­ kove ))inteligence« (sklepanje, presojanje in odločanje na podlagi nepopolnih in neza- nesljivih informacij). Ena najpomembnejših lastnosti teh sistemov znanja je sposobnost pojasnjevanja rešitev, s čimer postane si- stem transparenten in uporabniku laže ra- zumljiv. Ko je rešitev z ekspertnim siste- mom pojasnjena, je uporabniku dana mož- nost, da jo preveri in ugotovi izvor in vzroke morebitnih napak. Po tem se tudi razlikuje od običajnih postopkov, ki delujejo kot ,,črne škatle(<. Najteže in najzamudnejše je oblikovanje zbirke (baze) znanja. Ponavadi izlušči raču­ nalniški strokovnjak iz literature, lastnega znanja in pogovora s strokovnjaki potrebne informacije. Te vgradi v baze znanja tako, da je sistem sposoben sklepati in reševati probleme na ravni najboljših strokovnjakov. Lupina za razvoj sistemov znanja naj bi imela na današnji tehnološki stopnji razvoja naslednje module: - bazo znanja, - mehanizem sklepanja, - komunikacijski vmesnik in - mehanizem samoučenja. Zbirke shranjujejo znanje o specifičnem problemskem področju. Po navadi je znanje uskladiščeno v obliki dejstev o objektih in pravilih, ki veljajo med njimi. Mehanizmi sklepanja so vnaprej programirane pravila, po katerih prihaja sistem do ugotovitev in zaključkov. Probleme rešuje tako, da po- kliče neko dejstvo iz baze ali pa izpelje nova dejstva iz dejstva, ki so eksplicitno shranjena v zbirki znanja. Komunikacijski vmesnik omogoča uporabniku udobno interakcijo s sistemom. Poleg zbirke podat- kov in njene strukture ter internega sistema obdelav, povezav in pretoka, so pomembna pravila, s katerimi išče računalnik rešitve. Ločimo dve skupini pravil: 1. Strogo definirana (matematična, fizi- kalna, kemijska ipd.), pri katerih lahko za določen niz vhodnih podatkov natančno izračunamo rezultat. če bi bile vse rešitve enolične, ne bi potrebovali ekspertnih siste- mov. 2. Prava prednost svetovalnih sistemov pa je v tem, da najdejo optimalne rešitve tudi za tiste naloge, ki jih analitično ni mogoče rešiti. V takih primerih si poma- gamo s hevrističnimi pravili. Ta lahko opre- delimo s spoznanjem, da velikokrat veljajo, vselej pa ne. Pridobljena so na podlagi izkušenj, opazovanj, statistike, izročila ipd. Pri hevrističnih pravilih gre za negotovost, ki jo moramo oceniti in uporabljati s pravo mero previdnosti. Na splošno velja, da je v ekspertne sisteme vgrajeno veliko več he- vrističnih kot pa dobro definiranih pravil. Sistem znanja sicer poda rešitev, vendar si od njega želimo, da nam razloži, kako je do nje prišeL To delo opravlja mehanizem razlaganja. Razvoj sistemov znanja je tako napredoval, da imajo zahtevnejše lupine že vgrajene gradnike, ki omogočajo zajemanje znanja in samoučenje. Na osnovi množice podatkov znajo mehanizmi samoučenja zgraditi pravila, ki veljajo za dano množico. Tako je zajemanje znanja poenostavljeno, hkrati pa tako dovršena, da se neredko odkrijejo pravila, na katera normalno ne bi niti pomislili. Pred začetkom gradnje ekspertnega si- stema si moramo ustvariti globalno pred- stavo o problemu. Ko smo jo osvojili, lahko začnemo graditi shemo podatkovnih pove- zav in proučevati vplive pravil na >~ nevral- gične« točke odločitvene sheme. Čim bolj natančno je problem podan in definiran, tem večja obstaja verjetnost, da bo rešitev uspešna. Svetovalni sistem mora biti tako sestavljen, da se lahko baze podatkov ne- nehno izpopolnjujejo, predvsem pa se mo- rajo spreminjati pravila in algoritmi, ki vodijo do podatkov in odločitev. 2.0. POSKUS UPORABE EKSPERTNEGA SISTEMA V OBMOČNEM NAČRTOVANJU Ekspertne sisteme navadno vključujemo tam, kjer nimamo izdelanih eksaktnih teorij ali imamo namesto algoritmov samo izku- šnje, delna pravila ali hevristiko. Nesporno je gozdarsko načrtovanje »humusno« to- rišče za tovrstno raziskovanje. Temeljna paradigma vsakega urejenega gozdarskega obrata je v preteklosti teme- ljila na trajnih donosih, ki so bili zagotovljeni, G. V. 7-8/91 345 ANALOG IJE > li MODEL OBJEKT Slika 1: Povezanost med subjektom, objektom in modelom če smo imeli uravnotežen površinski delež enako starih sestojev. Teorija normalnega gozda je pomenila velik napredek v času, ko so bili evropski gozdovi že povsem izropani. Na prostorski in časovni red sta odločilno vplivala starost in površina. Ta- kratni uspehi v zagotavljanju trajnosti pa, žal, še danes tako blokirajo gozdarska razmišljanja, da ne moremo pobegniti iz območja mehanistične paradigme v spro- ščeno usmerjanje gozdnih ekosistemov (Mlinšek). ~ozdovi, ki so nastali z obnovitvenimi tehnikami, v katerih smo dolžino proizvodne 346 G. V. 7-8/91 in pomladitvene dobe prilagajali posame- znim osebkom, skupinam dreves in sesto- jem, se odlikujejo z veliko" pestrostjo. Zaradi različnih tehnik skupinskd. postopnega go- spodarjenja in upoštevanja vrednostne pri- delave, so v zadnjih desetletjih nastali se- stoji, pri katerih se fizična starost vedno bolj razlikuje od stadijalne. V takih gozdovih na potek razvoja, rasti in na dolžino proizvodne dobe ne vplivajo samo starost, premeri in višine, temveč predvsem doba zasenčenja mladja. Medtem ko smo v prebiralnih go- zdovih uspešno uveljavili kontrolno metodo, smo raznodobne gozdove usmerjali po ob- HODUL ZA ZAJEMANJE ZNANJA UPORABNIK HODUL ZA POJASNJEVANJE KOMUNIKACIJSKI V1"1ESNIK BAZA ZNANJA Slika 2: Shematska zgradba ekspertnega sistema čutku in bolj ali manj po naključnem pojav- ljanju pomladka. Na načrtovalnem področju smo lahko obvladovali naraščajočo pestrost sestojev s tako množico podatkov, da je nastopila »informacijska zatemnitev«, ki nas ni bogatila, temveč vedno bolj siroma- šila, in kar je najslabše, v poplavi podatkov le-teh nismo znali spremeniti v znanje. V slovenskem gozdarstvu se je uveljavilo po- drobno gojitvene načrtovanje in kar sami od sebe se ponujajo podatki o površinskih deležih razvojnih faz. Vključevanje teh iz- jemno kakovostnih odločitvenih kazalcev v usmerjanje razvoja gozdov ni samo pre- skok k racionalizaciji in optimiranju, temveč je tudi dragocen vezni člen med različnimi načrtoval nimi nivoji. Nova orientacija pomeni odklon od tradi- cionalnih miselnih vzorov, determinizma, statike, enosmerne vzročnosti in antropo- centričnih ter ekonomističnih modelov. Iz- HEHANIZE/1 POJASNJEVANJA hodišče našega raziskovanja je v teksturi gozdov, to je v zakonitosti trajnega zapore- dja razvojnih faz. Življenske faze in njihova razmerja med naravnimi in gospodarskimi sestoji se razlikujejo. V pragozdu prevla- duje optimalna faza in kljub neprekinje- nemu pomlajevanju je mladostna faza po- vršinsko skromno zastopana. Sonaravne in večnamensko gospodarjenje se vedno bolj spogleduje s pragozdnimi ideali. To pome- ni, da moramo v gospodarskih gozdovih vzdrževati čim manjši delež mladovja, ki pa mora biti vsaj tako velik, da je zagotovljena reprodukcija optimalne faze. Mladostna faza mora biti zaradi svoje labilnosti nav- zoča razpršena. Na grafikonih 1 in 2 so prikazane značil­ nosti pragozdnih tekstur, ki bodo prej ali slej postale vzor sonaravnega in večna­ menskega ravnanja z gozdovi. Medtem ko traja življenjski ciklus v pragozdu od 400 G,. v. 7-8191 347 D Faza mladovij ~ Terminalna f .. 11 Optimalna f. I2l F. razgradnje 11 18 SB 18Q 2i!8 • Grafikon 1: Tekstura v pragozdu Plitvice Grafikon 2 : Odstotni deleži razvojnih faz v pragozdovih 2 3 18 20 do 500 let, je proizvodna doba gospodar- skega gozda bistveno krajša. Tudi velikost vzorcev je v pragozdovih manjša, med 220 in 600m2 (povprečje je 400m2). Zapletene probleme, kakršni so dina- mični in multivariabilni gozdni ekosistemi, lahko ustvarjalno rešujemo na ta način, da 348 G. V. 7-8191 4 16 _Cork o va uvela P 1 itvi ce-Jugos 1 • 2_Scat 1 e/Br ige 1 s Svicfl 3_Johannser Kagel Avstrije 4....Rothwald Avstrija jih razstavimo do njihovih osnovnih vzrokov in povezav. Ko so ti vzroki enkrat razkriti, se navadno kar sama ponudi rešitev. Zaradi možnosti, ki jo ponujajo računalniki, lahko zgradimo sistem znanja, ki se bo krmilil s podatki o površinski zastopanosti posame- znih razvojnih faz oziroma z razlikami med dejanskimi in modelnimi (ciljnimi) porazde- litvami. Problem smo razčlenili tako, da smo poiskali vse možne kombinacije pojavljanja razvojnih faz. Odstopanja med dejanskim in modelnim stanjem lahko zavzemajo raz- lične vrednosti. Kombinacije, v katerih imajo elementi samo negativne in pozitivne vred- nosti, smo razvrstili v dve skupini: l. Skupina kombinacije, v katerih nasto- pajo po trije večji in en manjši element ali obratno. število možnih različkov brez po- navljanja je 8. Il. Skupina - kombinacije dveh večjih in dveh manjših enot. število možnih kombi- nacij je 6. Na ta način smo izločili 14 osnovnih kombinacij, ki so prikazane v preglednici 1 in na grafikonih 3/1 in 3/2. Zaradi nazornosti so površinski deleži vseh razvojnih faz enaki. če upoštevamo relativna odstopanja površin od željenega stanja, lahko vsako od navedenih kombinacij še bolj podrobno strukturiramo. Na ta način se nam razkriva množica novih sestavljenk, med katerimi pa vse nimajo odločilnega vpliva. Dve seriji - iz neskončno velikega števila možnih pod kombinacij- vidimo v grafikonih 4 in 5. Z analizo posameznih kombinacij odkri- vamo možne rešitve; psihologi bi dejali, da smo težko rešljiv problem pretvorili v lahko rešljivo nalogo. Izkaže se, da je vsaka kombinacija svojevrsten model, za kate- rega moramo oblikovati odločitvene korake. To opravimo s tako imenovanimi IF ... THEN ... (če ... potem ... ) stavki, pri kate- rih se neko dejanje posledično izvrši, če je zadoščeno postavljenim pogojem. Rešitev vsakega od navedenih modelov temelji na različni intenzivnosti odvzemanja lesne biomase po debelinski strukturi. Upo- rabljamo naslednjo strukturo posegov: KDMB. HLAD OROS DEBE POHL DROO DEBE POHL 1 + 2 + + 3 + + + (+) presežek (-) menjko površin Intenzivnost odvzemanje blomese: Preglednica 1 : Osnovne kombinacije teksture gozdov bitku mladja in pomlajencev sistem ne bo priporočil hitrega in pospešenega zmanjša- nja pomlajencev. Intenzivnost redčenj za- vzema naslednje razpone: - izbiral na redčenja 6-16% - svetlitvena redčenja 1 0-20 % Pri obnovah vpliva na višino etata dolžina pomladitvene dobe, površinski delež po- mlajencev ter odstopanja površinskih dele- žev debeljakov in mladja od cilj nega stanja. Potek programa se navezuje na modelno stanje, ki smo ga arhivirali na disketi ))mo- deliranja gospodarskih razredov(( ( Cimper- lZBIRALNO REDČENJE SVETLITVENO REDČENJE OBNOVITVENE SEČ NJE v l. razširjenem debelinskem razredu v 11. razširjenem debelinskem razredu v 111. razširjenem debelinskem razredu Intenzivnost poseganja se ne ravna samo po odstopanjih med modelnim in dejanskim stanjem razvojnih faz, temveč tudi po odstopanjih med sosednjimi razvoj- nimi fazami. Tako npr. pri ploskovnem pri- šek}. S tem prihranimo zamudno vstavljanje podatkov in se izognemo pogostim napa- kam pri vnašanju v računalnik. Rešitev je predstavljena z naslednjimi podatki: G. V. 7·8/91 349 3 A8 4 AB 0>8 s A<0 8>0 C>B D>B 6 A<0 8>0 C8 A>B 8<8 C<8 0>0 A>B BB D>B 7 8 A>B 8>0 C<8 0>0 A0 C>0 DB D<8 Grafikon 3/1: Osnovne kombinacije teksture gozdov - rangirana ocena razmerja razvojnih faz, . - izkoriščenost rastiščnega potenciala (po biomasi in prirastku), 350 G. V. 7-8/91 - etat izbirnih redčenj (v % in v m3 , ločeno za iglavce in listavce), - etat svetlitvenih redčenj (%, m3 : igl/ list), 11 12 AB CB 8>0 C>B 0<0 A>0 8<9 C>B DB B>B C0 B