Экологические системы и приборы Аннотация к статье << Назад ГИБРИДНЫЙ ПОДХОД НА ОСНОВЕ КРИГИНГА И ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ РАСПРЕДЕЛЕНИЯ ТЯЖЕЛЫХ МЕТАЛЛОВ В ПОВЕРХНОСТНОМ СЛОЕ ПОЧВЫ АРКТИЧЕСКОЙ УРБАНИЗИРОВАННОЙ ТЕРРИТОРИИ А.Г. Буевич, Д.А. Тарасов, С.П. Сергеев, А.Н. Медведев, Е.М. Баглаева, И.Е. Субботина, М.В. Сергеева Возрастание антропогенной нагрузки, особенно в городской среде и на урбанизированных территориях, увеличивает угрозу ухудшения качества среды обитания и потенциального негативного воздействия на жизнь и здоровье жителей, а также возможный отрицательный эффект на экологию в целом. Почва является одной из главных депонирующих сред, способных дать объективную информацию о загрязнении. Существенной сложностью при проведении мониторинга почв является обнаружение на некоторых территориях аномально распределенных элементов (в частности, тяжелых металлов), предсказание распределения которых традиционными методами затруднено или невозможно. Наличие модели, способной предсказать распределение поллютантов в гетерогенной среде, существенно облегчило бы мониторинг и управление экологическими рисками в исследуемой зоне. Работа предлагает использовать для подобного предсказания гибридную модель, комбинирующую традиционные геостатистические методы (кригинг) и современные подходы (искусственные нейронные сети (ИНС)). Модель используется для предсказания аномального распределения хрома и, для сравнения, обычного распределения меди на площадке в г. Тарко-Сале, ЯНАО, используя данные химического анализа почвы. Предложенная модель построена и опробована с использованием пакетов ArcGIS и Matlab. Конфигурация нейронной сети типа многослойный перцептрон подбиралась индивидуально для каждого элемента при помощи компьютерной симуляции: для хрома – (2-10-1), для меди – (2-9-1). Алгоритм применения модели следующий: сравнение предсказаний по кригингу и по нейронной сети, построение остатков как разницы между предсказанными значениями, кригинг остатков и его комбинация с оценками нейронной сети. Предсказанные моделью распределения концентраций сравниваются с результатами традиционного метода обратных взвешенных расстояний (ОВР). Результаты работы подтвердили, что обученная нейронная сеть типа многослойный перцептрон подходит для моделирования пространственного распределения как регулярно, так и аномально распределенных элементов. Предсказательная точность нейронной сети выше, чем геостатистических (кригинг) и детерминистских (ОВР) методов. Гибридная модель кригинг-ИНС позволяет улучшить предсказательную точность модели для исследованных элементов. Ключевые слова: искусственная нейронная сеть; хром; медь; кригинг; примесь. Контактная информация: E-mail: bagalex3@gmail.com Стр. 18-29.