ПРОГНОЗИРОВАНИЕ СОДЕРЖАНИЯ АНОМАЛЬНО РАСПРЕДЕЛЕННОГО В ПОЧВЕ ХРОМА ГИБРИДНЫМИ МОДЕЛЯМИ НА ОСНОВЕ ИСКУСCТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

© 2018 г. А.В. Шичкин, А.Г. Буевич, А.П. Сергеев, Е.М. Баглаева, И.Е. Субботина

Институт промышленной экологии Уральского отделения Российской академии наук (ИПЭ УрО РАН),
ул. С. Ковалевской, д.20, г. Екатеринбург, 620219 Россия.

E-mail: and@ecko.uran.ru, bagalex3@gmail.com

Поступила в редакцию 21.09.2017 г.

После исправления 1.12. 2017 г.

Работа посвящена применению гибридной модели, сочетающей искусственные нейронные сети (ИНС) и кригинг, для прогнозирования аномально распределенного химического элемента хром (Cr). Известно, что сочетание в модели геостатистических интерполяционных подходов (кригинг) и нейронных сетей обеспечивает лучшую точность прогнозирования и производительность. Обобщенные регрессионные нейронные сети (Generalized regression neural networks – GRNN) и много- слойные персептроны (Multilayer perceptron – MLP) представляют собой классы нейронных сетей, широко используемых для моделирования в экологических исследованиях. В работе сравниваются две нейронные сети: GRNN и MLP, а также два комбинированных метода: GRNN с кригингом остатков (GRNNRK) и MLP с кригингом остатков (MLPRK). Исследование основано на реальных данных по поверхностному загрязнению почвы Cr в г. Новый Уренгой (Россия), полученных во время ранее проведенного скрининга. Структуры сетей выбраны во время компьютерного моделирования, основанного на минимизации RMSE. MLP и MLPRK показали наилучшую прогностическую точность по сравнению с кригингом, GRNN и GRNNRK.

Ключевые слова: гибридные модели, искусственные нейронные сети, хром, кригинг остатков.

DOI: 10.7868/S0869780318030109

СПИСОК ЛИТЕРАТУРЫ

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

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

3. Chukanov V.N., Sergeev A.P., Ovchinnikov S.M., Medvedev A.N. Diagnostics of snow-cover contamination with soluble and insoluble metal impurities // Russian Journal of Nondestructive Testing. 2006. N42. P. 630– 636.

4. 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. N45. P. 184–194.

5. Demyanov V., Kanevsky M., Chernov S., Savelieva E., Timonin V. Neural Network Residual Kriging Application for Climatic Data // Journal of Geographic Information and Decision Analysis. 1998. N2. P. 215–232.

6. Falamaki A. Artificial neural network application for predicting soil distribution coefficient of nickel // Journal of Environmental Radioactivity. 2013. N115. P. 6–12.

7. Goovaerts P. Geostatistics in soil science: State of the art and perspectives // Geoderma. 1999. N89. P. 1–45.

8. 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. V. 24. Is. 3. P. 410–418.

9. Kanevski M., Arutyunyan R., Bolshov L., Demyanov V., Maignan M. Artificial neural networks and spatial estimations of Chernobyl fallout // Geoinformatics. 1995. 7(1–2). P. 5–11.

10. Kanevski M. Spatial Predictions of Soil Contamination Using General Regression Neural Networks // International Journal of Systems Research and Information Systems. 1999. V. 8. Is. 4. P. 241–256.

11. Kanevski M., Pozdnoukhov A., Timonin V. Machine Learning for Spatial Environmental Data. Theory. Applications and Software. EPFL Press. 2009. 380 p.

12. Koike K., Matsuda S., Suzuki T., Ohmi M. Neural Net- work-Based Estimation of Principal Metal Contents in the Ho-kuroku District, Northern Japan, for Exploring Ku- roko-Type Deposits// Natural Resources Research. 2002. N11. (2). P. 135–156.

13. Lakes T., Müller D., Krüger C. Cropland change in southern Romania: A comparison of logistic regressions and artificial neural networks // Landscape Ecology. 2009. 24(9). P. 1195–1206.

14. 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 // Procedia Environmental Sciences. 2011. 10. P. 1953–1960.

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

16. Mohanty K., Majumdar T.J. Using artificial neural networks for synthetic surface fitting and the classification of remotely sensed data // International Journal of Applied Earth Observation and Geoinformation, 1999. N1(1). P. 78–84.

17. Samanta B., Ganguli R., Bandopadhyay S. Transactions of the Institution of Mining and Metallurgy. 2005. 114. P. 129–139.

18. 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. P. 44–49.

19. Sergeev A.P., Baglaeva E.M., Antonov K.L., Medve- dev A.N., Rakhmatova A.Y. Anomalies of chromium sur- face distribution in urban soils from subarctic region of Russia // 15th International multidisciplinary scientif- ic geoconference SGEM 2015. Water Resources. Forest, Marine and Ocean Ecosystems. Conference proceedings, V. II Soils, Forest Ecosystems, Marine and Ocean Eco- systems. 18–24 June, 2015. Bulgaria. P. 27–34.

20. 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. N11(1), pp. 337–348.

21. Shaker R.R., Ehlinger T.J. Exploring non-linear relationships between landscape and aquatic ecological condition in southern Wisconsin: A GWR and ANN approach // International Journal of Applied Geospatial Research. 2014. N5(4). P. 1–20.