Research output: Contribution to journal › Article › peer-review
Research output: Contribution to journal › Article › peer-review
}
TY - JOUR
T1 - ПОВЕРХНОСТНАЯ ИНТЕРПОЛЯЦИЯ СОДЕРЖАНИЙ ТЯЖЕЛЫХ МЕТАЛЛОВ В ПОЧВЕ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ
AU - Буевич, Александр Геннадьевич
AU - Буторова, Анастасия Сергеевна
AU - Косаченко, Александра Ильинична
AU - Шичкин, Андрей Васильевич
AU - Сергеев, Александр Петрович
PY - 2019
Y1 - 2019
N2 - В работе представлено сравнение современных подходов к интерполяции пространственного распределения химических элементов в верхнем слое почвы на примере тяжелых металлов хром (Cr) и медь (Cu). На обследованной территории были обнаружены пятна с аномально высоким содержанием Cr. Медь, напротив, оказалась распределена равномерно. Исследование основано на данных, полученных в результате скрининга почвы в г. Тарко-Сале, Россия. Для прогнозирования были выбраны модели, основанные на искусственных нейронных сетях (многослойный персептрон (MLP)), алгоритмах случайного леса (RF), а также на гибридном методе, в котором MLP используется в качестве классификатора (дерева) (RMLPF). Модели были реализованы в MATLAB. Подходы, включающие искусственные нейронные сети (MLP и RMLPF), оказались более точными для аномально распределенного Cr. Модели, основанные на алгоритме RF, более точны для равномерно распределенного Cu. В целом предложенная модель RMLPF показала лучшие результаты.
AB - В работе представлено сравнение современных подходов к интерполяции пространственного распределения химических элементов в верхнем слое почвы на примере тяжелых металлов хром (Cr) и медь (Cu). На обследованной территории были обнаружены пятна с аномально высоким содержанием Cr. Медь, напротив, оказалась распределена равномерно. Исследование основано на данных, полученных в результате скрининга почвы в г. Тарко-Сале, Россия. Для прогнозирования были выбраны модели, основанные на искусственных нейронных сетях (многослойный персептрон (MLP)), алгоритмах случайного леса (RF), а также на гибридном методе, в котором MLP используется в качестве классификатора (дерева) (RMLPF). Модели были реализованы в MATLAB. Подходы, включающие искусственные нейронные сети (MLP и RMLPF), оказались более точными для аномально распределенного Cr. Модели, основанные на алгоритме RF, более точны для равномерно распределенного Cu. В целом предложенная модель RMLPF показала лучшие результаты.
UR - https://elibrary.ru/item.asp?id=37170692
M3 - Статья
SP - 36
EP - 43
JO - Геоинформатика
JF - Геоинформатика
SN - 1609-364X
IS - 1
ER -
ID: 13180332