Экологические системы и приборы Аннотация к статье << Назад Машинное обучение на микроконтроллерах для биологических систем раннего обнаружения загрязнений водных сред Греков А.Н., Вышкваркова Е.В., Баяндина Ю.С. Традиционный мониторинг качества воды, основанный на периодическом химико-физическом анализе, страдает от запаздывания данных и неспособности обнаруживать новые загрязнители. Биологические системы раннего оповещения (BEWS), использующие поведенческие реакции гидробионтов в качестве интегральных индикаторов стресса, предлагают перспективную альтернативу. Однако широкому внедрению классических BEWS препятствует их высокое энергопотребление и ограниченная автономность. В данном обзоре рассматривается потенциал технологии Tiny Machine Learning (TinyML), развертываемой на микроконтроллерах, для создания нового поколения энергоэффективных, масштабируемых и полностью автономных систем BEWS. Проанализированы методы преодоления аппаратных ограничений, включая квантование, прореживание и дистилляцию моделей машинного обучения для классификации поведенческих паттернов и обнаружения аномалий непосредственно на устройстве. Подробно рассмотрены практические реализации на примере рыб, двустворчатых моллюсков и зоопланктона, а также обозначены ключевые вызовы, такие как нехватка данных и необходимость адаптации к изменяющимся условиям среды. Интеграция TinyML и BEWS открывает путь к созданию распределенных сетей интеллектуальных живых сенсоров для непрерывного мониторинга водных экосистем. Ключевые слова: экологический мониторинг, обнаружение аномалий, TinyML, BEWS, микроконтроллеры, поведенческий мониторинг. DOI: 10.25791/esip.12.2025.1561 Стр. 13-22.