Библиографическое описание:ПРОГНОЗИРОВАНИЕ ГЕОЭКОЛОГИЧЕСКИХ РИСКОВ КАРЬЕРНЫХ ТЕРРИТОРИЙ НА ОСНОВЕ ГИБРИДНОЙ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ : научное издание / В. В. Кукарцев, А. С. Прудкий, М. С. Никаноров, К. С. Музалев. - Текст : непосредственный // Известия Тульского государственного университета. Науки о Земле. - 2025. - № 4. - С. 80-85. - ISSN 2218-5194.
Аннотация:Рассматривается возможность применения гибридной модели машинного обучения для прогнозирования геоэкологических рисков карьерных территорий в условиях ограниченного объема исходных данных. Исследование основано на использовании данных локального экологического мониторинга, включающих гидрогеологические, геоморфологические и техногенные показатели. Гибридная модель сформирована путем комбинирования ансамблевого алгоритма и нейронной сети, что позволило учесть нелинейные взаимосвязи между факторами риска и повысить точность прогнозирования. Проведено сравнение результатов гибридного подхода с одиночными моделями машинного обучения, показавшее снижение ошибок прогноза и повышение устойчивости расчетов при сокращении обучающей выборки. Полученные результаты подтверждают целесообразность использования гибридных моделей для предварительной оценки и раннего выявления неблагоприятных геоэкологических состояний на карьерных территориях и могут быть использованы в системах поддержки принятия решений экологического мониторинга.
The paper investigates the application of a hybrid machine learning model for forecasting geoecological risks of open-pit mining areas under conditions of limited and heterogeneous input data. The study is based on local environmental monitoring data that include hydrogeological, geomorphological, and technogenic indicators. The hybrid model combines an ensemble algorithm with a neural network, enabling a more accurate representation of nonlinear relationships between risk-forming factors. The performance of the hybrid approach is compared with single machine learning models, demonstrating a reduction in forecasting errors and improved stability when the size of the training dataset is reduced. The results confirm the effectiveness of hybrid models for preliminary assessment and early detection of adverse geoecological conditions in open-pit mining areas and indicate their potential for use in environmental monitoring and decision support systems.
