Библиографическое описание:Интеллектуальные методы анализа устойчивости горных склонов на основе геоэкологических и геомеханических данных : научное издание / А. А. Ступина [и др.]. - Текст : непосредственный // Устойчивое развитие горных территорий. - 2026. - Т. 18, № 1. - С. 379-391. - ISSN 1998-4502. - ISSN 2499-975X, DOI 10.21177/1998-4502-2026-18-1-379-391.
Аннотация:Устойчивое развитие горных территорий требует комплексного подхода к оценке природных и техногенных рисков, включая процессы оползнеобразования, деградации склонов и изменения гидрогеологических условий. В данной работе рассматривается применение методов искусственного интеллекта для анализа и прогнозирования устойчивости горных склонов на основе совокупности геомеханических, геохимических и геоэкологических параметров. На основе расширенного датасета, включающего характеристики горных пород, параметры влажности, уклона, структурных нарушений и химического состава, разработана модель логистической регрессии для классификации участков склонов по степени устойчивости. Проведена предварительная обработка данных, включающая нормализацию и устранение пропусков, а также выполнена оценка качества модели с использованием метрик accuracy, precision, recall и F1 - score. Результаты показали, что предложенный подход обеспечивает удовлетворительную точность классификации и позволяет выявлять наиболее значимые факторы, влияющие на устойчивость склонов, такие как содержание оксидов, влажность пород и геометрия рельефа. Установлено, что модель эффективно распознаёт типичные условия устойчивых и неустойчивых склонов, однако испытывает ограничения при анализе сложных геологических структур и редких комбинаций факторов. Полученные результаты демонстрируют перспективность применения методов машинного обучения для задач мониторинга и управления рисками в горных территориях, а также подчеркивают необходимость дальнейшего развития интеллектуальных моделей и расширения базы данных для повышения точности прогнозирования.
Introduction. Ensuring the sustainable development of mountain territories requires effective assessment and management of natural hazards, particularly those related to slope instability, landslides, and geomechanical degradation. Recent advances in artificial intelligence offer new opportunities for analyzing complex geospatial and geochemical data in mountainous environments. However, existing studies are often limited to isolated geological classifications and insufficiently address integrated slope stability assessment within the context of environmental sustainability. This study aims to develop an intelligent approach for evaluating mountain slope stability based on combined geoecological and geomechanical parameters. Methods. A machine learning framework based on logistic regression was employed to classify mountain slope areas according to their stability levels. The dataset included geochemical indicators (oxide composition), terrain characteristics (slope angle, elevation), moisture conditions, and structural geological features. Data preprocessing involved normalization and removal of missing values to ensure model robustness. Model performance was evaluated using standard classification metrics, including accuracy, precision, recall, and F1 - score. Additionally, feature importance analysis and confusion matrices were used to interpret model behavior. Results. The developed model demonstrated satisfactory performance in distinguishing stable and unstable slope conditions, achieving an overall accuracy of approximately 76 %. The analysis revealed that key contributing factors include aluminum and iron oxide content, moisture levels, and slope geometry. The model showed high reliability for typical slope conditions but encountered difficulties in classifying complex geological settings and rare combinations of influencing factors. Visualization of results confirmed spatial variability in slope stability associated with geological and environmental conditions. Conclusions. The study confirms the potential of artificial intelligence methods for supporting sustainable management of mountain territories through improved assessment of slope stability and associated risks. It is proposed that further enhancement of predictive accuracy requires the integration of more advanced machine learning algorithms and expansion of the dataset. The proposed approach can be applied in geotechnical monitoring, hazard prevention, and decision - making systems aimed at increasing environmental and socio - economic resilience in mountainous regions.
Держатель оригинала документа:Московский государственный технический университет имени Н.Э. Баумана, Сибирский федеральный университет, Университет Ланьчжоу
Количество экземпляров:
Твёрдая копия издания отсутствует в фонде библиотеки
