ОЦЕНКА ПРОСТРАНСТВЕННОГО РАСПРЕДЕЛЕНИЯ ХРОМА
В СУБАРКТИЧЕСКОМ НОЯБРЬСКЕ С ИСПОЛЬЗОВАНИЕМ
КОКРИГИНГА, ГЕНЕРАЛИЗОВАННОЙ РЕГРЕССИОННОЙ НЕЙРОННОЙ СЕТИ, МНОГОСЛОЙНОГО ПЕРСЕПТРОНА И ГИБРИДНОЙ ТЕХНИКИ
© 2019 г. А. Г. Буевич^1,*, И. Е. Субботина^1,**, А. В. Шичкин^1,***, А. П. Сергеев^1,****, Е. М. Баглаева^1,*****
1Институт промышленной экологии Уральского отделения Российской академии наук (ИПЭ УрО РАН),
ул. С. Ковалевской, 20, г. Екатеринбург, 620219 Россия

^*E-mail: bagalex3@gmail.com
^**E-mail: iesub@mail.ru
^***E-mail: and@ecko.uran.ru
^****E-mail: alexanderpsergeev@gmail.com
^*****E-mail: sem@ecko.uran.ru
Поступила в редакцию 22.11.2018 г.

Сочетание методов геостатистической интерполяции (кригинга) и машинного обучения (искусственных нейронных сетей — ИНС) приводит к повышению точности прогнозирова­ния. В работе рассматривается применение кригинга остатков искусственной нейронной сети для прогнозирования пространственного загрязнения поверхностного слоя почвы хромом (Cr). Рассмотрены две нейронные сети: обобщенная регрессионная нейронная сеть (GRNN) и многослойный персептрон (MLP), а также комбинированный метод — кригинг остатков многослойного персептрона (MLPRK). Исследование основано на результатах скрининга поверхностного слоя почвы в субарктическом Ноябрьске (Россия). Модели раз­работаны на основе компьютерного моделирования с минимизацией среднеквадратической ошибки (RMSE). Лучшую прогностическую точность показала модель MLPRK.

Ключевые слова: искусственные нейронные сети, хром, кригинг остатков, кокригинг.

DOI: https://doi.org/10.31857/S0869-78092019277-86

СПИСОК ЛИТЕРАТУРЫ

1. Буевич А.Г., Сергеев А.П., Тарасов Д.А., Рахматова А.Ю., Крамаренко А.А. Искусственные нейрон­ные сети и геостатистика в прогнозировании распределения химических элементов на фоно­вой площадке // Геоэкология. 2017. №2. С. 74—82.

2. Войткевич Г.В., Мирошников А.Е., Поваренных А.С., Прохоров В.Г. Краткий справочник по гео­химии. М.: Недра, 1977.

3. Сает Ю.Е., Ревич Б.А., Янин Е.П. и др. Геохимия окружающей среды. М.: Недра, 1990. 335 с.

4. Anagu I., Ingwersen J., Utermann J., Streck T. Estimation of heavy metal sorption in German soils using artificial neural networks // Geoderma, 2009, 152, pp.104-112.

5. Bishop C. Neural networks for pattern recognition // Clarendon, Oxford, 1995, 504p.

6. Cambardella C., Moorman T., Novak J., Parkin T., Karlen D., Turco R., Konopka A. Field-scale variability of soil properties in central Iowa soils // Soil Sci. Soc. Am. J., 1994, 58, pp. 1501-1510.

7. Dai F., Zhou O., Lva Z., Wang X., Liu G. Spatial prediction of soil organic matter content integrating artificial neural network and ordinary kriging in Tibetan Plateau // Ecological Indicators, 2014, No 45, pp. 184-194.

8. DemyanovV., Kanevsky M., Chernov S., Savelieva E., Timonin V. Neural Network Residual Kriging Application for Climatic Data // Journal of Geographic Information and Decision Analysis, 1998, 2, pp. 215-232.

9. Falamaki A. Artificial neural network application for predicting soil distribution coefficient of nickel // Journal of Environmental Radioactivity, 2013, 115, pp. 6-12.

10. Forsythe K. W., Marvin C. H., Valancius C. J., Watt J. P., Aversa J. M., Swales S. J., Jakubek D.J., Shaker R. R. Geovisualization of Mercury Contamination in Lake St. Clair Sediments // Journal of Marine Science and Engineering, 2016, 4(1), 19.

11. Frank R., Ishida K., Suda P. Metals in agricultural soils of Ontario // Canadian Journal of Soil Science, 1976, 56, 181-196.

12. Goovaerts P. Geostatistics in soil science: State of the art and perspectives // Geoderma, 1999, 89, pp.1-45.

13. Guo G.H., Wu F., Xie F., & Zhang R. Spatial distribution and pollution assessment of heavy metals in urban soils from southwest China // Journal of Environmental Sciences, 2012, vol. 24, issue 3, pp. 410-418.

14. Kanevski M., Pozdnoukhov A., Timonin V. Machine Learning for Spatial Environmental Data.Theory // Applications and Software. 2009, EPFL Press.

15. Koike K., Matsuda S., Suzuki T., Ohmi M. Neural network-based estimation of principal metal contents in the Hokuroku district, northern Japan, for exploring Kuroko-type deposits // Natural Resources Research, 2002, 11, (2), pp. 135-156.

16. Lakes T., Muller D., Kruger C. Cropland change in southern Romania: A comparison of logistic regressions and artificial neural networks // Landscape Ecology, 2009, 24(9), pp. 1195-1206.

17. Li Y., Li C., Tao J.J., Wang L.D. Study on Spatial Distribution of Soil Heavy Metals in Huizhou City Based on BP-ANN Modeling and GIS // Proc. Environmental Sciences, 2011, 10, p. 1953-1960.

18. Liu F., He X., Zhou L. Application of generalized regression neural network residual kriging for terrain surface interpolation // Proc. SPIE 7492, Int. Symposium on Spatial Analysis, Spatial-Temporal Data Modeling, and Data Mining, 2009, 74925F.

19. Matheron G. Principles of geostatistics // Economic Geology, 1963, 58, pp. 1246-66.

20. Meer F. D. Introduction to geostatistics // ITC Lecture Notes, 1993, 72 pp.

21. Mohanty K., Majumdar T.J. Using artificial neural networks for synthetic surface fitting and the classification of remotely sensed data // Int. Journal of Applied Earth Observation and Geoinformation, 1999, 1(1), pp. 78-84.

22. Samanta B., Ganguli R., Bandopadhyay S. Comparing the Predictive Performance of Neural Networks with Ordinary Kriging in a Bauxite Deposit //Transactions of the Institution of Mining and Metallurgy, Section A, Mining Technology, 2005, 114, No. 3, pp. 129-139.

23. Schloeder C.A., Zimmerman N.E., Jacobs M.J. Comparison of methods for interpolating soil properties using limited data // Soil Sci. Soc. Am. J., 2001, 65, pp. 470-479.

24. Sergeev A.P., Baglaeva E.M., Shichkin A.V. Case of soil surface chromium anomaly of a northern urban territory — preliminary results // Atmospheric Pollution Research, 2010, V. 1, pp. 44-49.

25. Shacklette H. T., Boerngen J. G. Element concentrations in soils and other surficial materials of the conterminous United States, U.S. Geological Survey professional paper, 1984, 1270, 105 p.

26. Shaker R., Tofan L., Bucur M., Costache S., Sava D., Ehlinger T. Land cover and landscape as predictors of groundwater contamination: a neural-network modelling approach applied to Dobrogea, Romania // Journal of Environmental Protection and Ecology, 2010, 11(1), pp. 337-348.

27. Shaker R.R., Ehlinger T.J. Exploring non-linear relationships between landscape and aquatic ecological condition in southern Wisconsin: A GWR and ANN approach // Int. Journal of Applied Geospatial Research, 2014, 5(4), pp. 1-20.

28. Shepherd A.J. Second-Order Methods for Neural Networks: Fast and Reliable Training Methods for Multi-Layer Perceptrons. Springer-Verlag, 1997, 145 p.

29. Tarasov D.A., Buevich A.G., Sergeev A.P., Shichkin A.V. High Variation Topsoil Pollution Forecasting in the Russian Subarctic: Using Artifcial Neural Networks Combined with Residual Kriging // Applied Geochemistry, 2018, vol. 88, part B, pp. 188-197.

30. Worsham L., Markewitz D., Nibbelink N. Incorporating spatial dependence into estimates of soil carbon contents under different land covers // Soil Sci. Am. J., 2010,74, pp. 635-646.

31. Yfantis E. A., Flatman, G. T., Behar, J. V. Efficiency of kriging estimation for square, triangular, and hexagonal grids // Math. Geol., 1987, 19, pp. 183-205.

32. Zhang C., Fay D., McGrath D., Grennan E., Carton O.T. Use of trans-Gaussian kriging for national soil geochemical mapping in Ireland // Geochemistry: Exploration Environment Analysis, 2008, vol. 8, pp. 255-265.