By this author

MODELING OF THE SPATIAL DISTRIBUTION OF CHROME AND MANGANESE IN SOIL: SELECTION OF A TRAINING SUBSET

Issue number 5 from 19.09.2025

Выбор метода разбиения исходных данных на обучающее и тестовое подмножества в моделях на основе искусственных нейронных сетей (ИНС) – недостаточно изученная проблема непрерывной интерполяции пространственно-временного поля. В частности, выбор наилучшего обучающего подмножества для моделирования пространственного распределения элементов в верхнем слое почвы – нетривиальная задача, поскольку точки отбора проб не эквивалентны. Они содержат разное количество “информации” в каждой конкретной модели, поэтому при моделировании целесообразно задействовать большинство точек, содержащих “полезную” для этой модели информацию. Неправильное разбиение данных может привести к неточным и чрезвычайно изменчивым характеристикам модели, высокой дисперсии и систематической ошибке в сгенерированных результатах. В качестве исходных данных были взяты данные о содержании хрома (Cr) и марганца (Mn) в верхнем слое почвы жилых районов в г. Ноябрьск (субарктическая зона России). Разработан трехэтапный алгоритм извлечения исходных данных с разбиением на обучающее и тестовое подмножества для моделирования пространственного распределения этих тяжелых металлов (ТМ) Для построения модели пространственного распределения содержания ТМ в верхнем слое почвы использовался многослойный персептрон (MLP), который учитывал пространственную неоднородность и правила обучения. Структура MLP была выбрана путем минимизации среднеквадратичной ошибки. Все точки разделились на три класса: “полезные”, “обычные” и “бесполезные”, по количеству попаданий в обучающее подмножество. Учет этой информации на этапе разбиения исходных данных позволяет повысить точность прогностической модели.

9 0

LAND-USE REGRESSION MODEL TO ASSESS SPATIAL VARIATION OF TOPSOIL POLLUTION IN TARKO-SALE

Issue number 1 from 19.09.2025

Для оценки вариаций пространственного загрязнения тяжелыми металлами верхнего слоя городской почвы использована гибридная модель Land Use Regression (LUR) и регрессионный кригинг (RK). Модель построена на основе данных мониторинга содержания никеля и марганца в верхнем слое почвы арктического г. Тарко-Сале. Предложенный LUR и RK метод моделирования загрязнения автотранспортом верхнего слоя почвы может быть использован для любой территории. Применение RK улучшает точность LUR модели: корреляция тестового и предсказанного наборов увеличилась на 7% для никеля и на 17% для марганца, а относительная среднеквадратическая ошибка RRMSE уменьшалась на 10% для обоих элементов. Результаты гибридного моделирования LUR с регрессионным кригингом позволили определить, что распределение марганца и никеля в верхнем слое почвы города не зависит от автотранспорта. Это свидетельствует о природном происхождении марганца и никеля в городской почве в отсутствие других источников загрязнения. Последовательное включение различных источников загрязнения в модель LUR является способом оценки вклада каждого из выбранных источников в загрязнение выбранным элементом.

9 0