Анализ возможности использования моделей som для ранжирования показателей экологического мониторинга

Рассмотрены особенности кластеризации многомерных данных для экологического мониторинга с помощью нейросетевой модели SOM, позволяющей выделять группы параметров с максимальным и минимальным вкладом, оценивать влияние каждого параметра на формирование кластеров на основе весовых коэффициентов модели. Показано, что SOM позволяет проводить кластеризацию многомерных данных в процессе экологического мониторинга, а алгоритм Шепли – определять вклад каждого признака с учётом всех возможных комбинаций. Предложена методика выделения наиболее значимых параметров на основе весов нейросетевой модели. Обучена нейронная сеть и выполнена кластеризация, оценено влияние отдельных параметров на формирование кластеров, выделены группы параметров, отличающиеся наибольшим (и наименьшим) вкладом в процесс обучения модели. Показано, что значимость признаков при обработке исходных данных методом главных компонент и предложенной нейросетевой моделью SOM идентична. Сделан вывод о том, что разработанный подход позволяет формировать обоснованные рекомендации по приоритетным мерам по улучшению качества водных ресурсов и определению критически значимых загрязнителей.

1. Байбакова Е.В. Хемометрический подход к региональному нормированию природных вод в урбоэкосистеме. Автореф. дис. … канд. хим. наук. Казань, Изд-во КНИТУ-КАИ, 2024. 22 с.

2. Габдрахманова Г.Н. Комплексная региональная оценка качества вод в урбоэкосистеме. Автореф. дис. … канд. хим. наук. Казань, Изд-во КНИТУ-

3. КАИ, 2019. 16 с.

4. Кремлева Э.Ш. Модели и методы интеллектуальной обработки данных для систем поддержки принятия решений (на примере систем экологической безопасности). Автореф. дис. … канд. техн. наук. Казань, Изд-во КНИТУ-КАИ, 2021. 16 с.

5. Tavakolizadeh N., Bagheri M. Multi-attribute selection for salt dome detection based on SVM and MLP machine learning techniques. Natural Resources Research. 2022. Т. 31. № 1. С. 353—370.

6. Таранцева К.Р., Патрикеев Д.Н. Применение искусственных нейронных сетей для оценки экологического состояния водоёмов урбанизированных территорий. Современные информационные технологии. 2024. № 40(40). С. 6—10.

7. Гонопольский А.М. Островкин И.М., Широченков А.И. Анализ технологий дегазации полигонов ТКО методом визуализации изолиний концентраций компонентов биогаза. Экология и промышленность России. 2024. Т. 28 № 3. С. 32—37. DOI 10.18412/1816-0395-2024-3-32-37. EDN EWEPVY.

8. Благодатский Г.А., Бас А.Л., Горохов М.М. и др. Системный анализ показателей исходной воды при производстве питьевой воды в системе центрального водоснабжения. Интеллектуальные системы в производстве. 2018. Т. 16. № 2. С. 84—96.

9. Табаров С.Ф. Модель системы мониторинга и анализа состояния окружающей среды на примере субъектов РФ. Геополитика и экогеодинамика регионов. 2022. Т. 8. № 2. С. 207—226.

10. Воробьев А.В. Разработка метода минимизации объема экспериментальных исследований при проектировании многокомпонентных смесей на основе использования значений Шепли. Автореф. дис. … канд. техн. наук. Белгород, Изд-во БелГУ, 2025. 24 с.

11. Воробьев А.В. Метод выбора модели машинного обучения на основе устойчивости предикторов с применением значения Шепли. Экономика. Информатика. 2021. № 48(2). С. 350—359.

12. Aas K., Jullum M., Loland A. Explaining individual predictions when features are dependent: More accurate approximations to Shapley values. Norwegian Computing Center. 2019. 22 p.

13. Нохрин Д.Ю., Дерхо М.А., Мухамедьярова Л.Г., Живетина А.В. Структура изменчивости гидрохимического состава воды в водохранилище озерного типа. Ученые записки Крымского федерального университета имени В.И. Вернадского. Биология. Химия. 2021. Т. 7. № 2. С. 117—133. DOI 10.37279/2413-1725-2021-7-2-117-133. EDN UFKPHV.