СРАВНИТЕЛЬНАЯ ОЦЕНКА ЭФФЕКТИВНОСТИ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ И ТРАДИЦИОННЫХ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ ГЕОЭКОЛОГИЧЕСКИХ ПРОЦЕССОВ : научное издание
Библиографическое описание:СРАВНИТЕЛЬНАЯ ОЦЕНКА ЭФФЕКТИВНОСТИ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ И ТРАДИЦИОННЫХ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ ГЕОЭКОЛОГИЧЕСКИХ ПРОЦЕССОВ : научное издание / А. А. Ступина, О. С. Пучкова, В. В. Торопцев, А. Н. Лосев. - Текст : непосредственный // Известия Тульского государственного университета. Науки о Земле. - 2026. - № 1. - С. 123-128. - ISSN 2218-5194.
Аннотация:Представлено исследование, посвящённое сравнительной оценке эффективности алгоритмов машинного обучения и традиционных математических моделей при прогнозировании геоэкологических процессов на основе пространственно распределённых данных экологического мониторинга. Для анализа использовались геопространственные наблюдения, включающие параметры природной среды и показатели антропогенной нагрузки. В качестве традиционного подхода применялась множественная линейная регрессия, тогда как методы машинного обучения были представлены алгоритмами случайного леса и градиентного бустинга. Проведённые вычислительные эксперименты показали, что использование методов машинного обучения позволяет повысить точность прогнозирования по сравнению с классическими статистическими моделями. Наилучшие результаты были получены при использовании алгоритма градиентного бустинга, продемонстрировавшего максимальное значение коэффициента детерминации и минимальные ошибки прогнозирования. Полученные результаты подтверждают перспективность применения интеллектуальных методов анализа данных при обработке геопростран-ственной информации и прогнозировании изменений природной среды.
The paper presents a study devoted to the comparative assessment of the effectiveness of machine learning algorithms and traditional mathematical models in forecasting geoecological processes based on spatially distributed environmental monitoring data. The analysis used geospatial observations including environmental parameters and indicators of anthropogenic impact. Multiple linear regression was applied as a traditional modeling approach, while machine learning techniques were represented by random forest and gradient boosting algorithms. The computational experiments demonstrated that machine learning methods provide higher forecasting accuracy compared to classical statistical models. The best predictive performance was obtained using the gradient boosting algorithm, which showed the highest coefficient of determination and the lowest forecasting errors. The obtained results confirm the high potential of intelligent data analysis methods for processing geospatial environmental information an d improving the reliability of geoecological process forecasting.
Издательство:Тульский государственный университет, Тула
Источник:Известия Тульского государственного университета. Науки о Земле
Выпуск:№ 1
Номера страниц:123-128
Держатель оригинала документа:Российский государственный аграрный университет - МСХА имени К.А. Тимирязева, Сибирская пожарно-спасательная академия ГПС МЧС России, Сибирский государственный университет науки и технологий им. М.Ф. Решетнёва, Сибирский федеральный университет
Количество экземпляров:
Твёрдая копия издания отсутствует в фонде библиотеки
