ГЕОЭКОЛОГИЯ


ИНЖЕНЕРНАЯ ГЕОЛОГИЯ. ГИДРОГЕОЛОГИЯ. ГЕОКРИОЛОГИЯ

Геоэкология, 2018, № 1, С. 79-88

АНАЛИЗ СОСТОЯНИЯ ЭКОСИСТЕМ КРУПНЫХ ГОРОДОВ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ

© 2018 г. В.В. Рукавицын

Российский Государственный Геологоразведочный Университет им. Серго Орджоникидзе, ул. Миклухо-Маклая д.,23, Москва, 117997 Россия.
Е-mail: vadichruk@list.ru
Поступила в редакцию 30.03.2017 г.
После исправления 1.07.2017 г.

В работе представлена методика определения уровня стабильности экосистем при помощи инструментов машинного обучения. Дается практическое описание использования технологии автоматизации прогнозов, позволяющих определить риски для проживания населения на определенной территории. Построена модель стабильности экосистем городов Чешской Республики. Полученная точность моделирования превысила 83%. Данная модель может быть применена для градостроения и планирования застройки новых жилых и нежилых кварталов.

Ключевые слова: моделирование, стабильность экосистем, машинное обучение, автоматизация.

СПИСОК ЛИТЕРАТУРЫ

1. Акимов А.Е., Тарасенко В.Я., Шипов Г.И. Торсионные поля как космофизический фактор // Биофизика. Т. 40. Вып. 4. 1995. C. 12–19.

2. Бондаренко Я.И., Зайонц И.О. Создание многофакторных космофотографических моделей природного риска хозяйственного использования территорий и проживания населения на примере г. Киева. Сб. «Проблемы природопользования, устойчивого развития и техногенной безопасности». Днепропетровск: Ин-т природопользования и экологии НАН украи- ны. 2001. С. 61–66.

3. Рукавицын В.В., Экзарьян В.Н. Методика оценки уровня устойчивости экосистем при помощи машинного обучения // Известия ВуЗов. Сер. «Геология и разведка». 2015. No 1. C. 38–42.

4. Статистика врожденных заболеваний в Чешской Республике. http://www.uzis.cz/en/catalogue/congenital- anomalies-births. Дата обращения 10.02.2016.

5. Шестопалов B.M., Зайонц И.О., Бондаренко Я.И. Структурно-геодинамическое и гидрогеологическое районирование с целью выявления структур наиболее перспективных для глубинной изоляции РАО. В сб. Научно-практической конференции «Наука. Чернобыль-97» (г. Киев, 11–12 февраля 1998 г). С. 26–31.

6. Aha D., Kibler D. Instance-based learning algorithms // Machine Learning. 1991. N6. P. 37–66.

7. Bondarenko J. The Multifactor Predictive Seis (GIS) Model of Ecological, Genetical and Population Health Risk in Connection with Dangerous Bio-Geodynamical Process in Geopatogenic Hazard Zones. Chicago: ECO-INFORMA, 2001. P. 21–34.

8. Frank E., Wang Y., Inglis S., G. Holmes, I.H. Witten. Using model trees for classification // Machine Learning. 1998. No. 32(1). P. 63–76.

9. Kampichler C., Dzeroski S., Wieland R. Application of ma- chine learning techniques to the analysis of soil ecological data bases: relationships between habitat features and Collembolan community characteristics // Soil Biology and Biochemistry. 2000. V. 32. Iss. 2. P. 197–209.

10. Mitchell T. Machine Learning // McGraw-Hill Science/ Engineering/Math. 1997. P. 5–6.