geologyИзвестия высших учебных заведений. Геология и разведкаProceedings of higher educational establishments. Geology and Exploration0016-77622618-8708Sergo Ordzhonikidze Russian State University for Geological Prospecting10.32454/0016-7762-2015-1-38-42geology-8Research ArticleГЕОЭКОЛОГИЯGEOECOLOGYМЕТОДИКА ОЦЕНКИ УРОВНЯ УСТОЙЧИВОСТИ ЭКОСИСТЕМ ПРИ ПОМОЩИ МАШИННОГО ОБУЧЕНИЯN V.V. THE METHOD OF ESTIMATION OF THE ECOSYSTEMS STABILITY LEVEL BY USE OF AUTOMATIC LEARNINGЭкзарьянВ. Н.ExzaryanV. N.ekzar@hotmail.ruРукавицынВ. В.Rukavitsivadichruk@list.ruРоссийский государственный геологоразведочный университетRussian Federation201528022015013842Copyright © Экзарьян В.Н., Рукавицын В.В., 20152015Экзарьян В.Н., Рукавицын В.В.Exzaryan V.N., Рукавицын В.В.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.geology-mgri.ru/jour/article/view/8

Представлена методика определения уровня устойчивости экосистем при помощи инструментов машинного обучения. До настоящего времени проведение подобной оценки было доступно только профессионалам высокого класса, что затрудняло ее широкое применение. Однако использование машинного обучения для обработки исходной информации на основе логики принятия решений позволяет автоматизировать эту процедуру и сделать её более быстрой и доступной для широкого круга специалистов. Дано практическое описание использования технологии автоматизации прогнозов, позволяющих определить риски для проживания населения на определенной территории. Построена модель устойчивости экосистем России. Точность моделирования превысила 80%. Найден наилучший алгоритм обработки данных и наилучшие его параметры для компьютерного определения уровня устойчивости экосистем, что позволяет автоматизировать сложный процесс экспертной классификации территории.

This work deals with the automation of ecosystem stability level assessment. Until now carrying out such assessment has been available only to high-class experts. That has complicated broad use of this estimation. However application of machine learning for processing of initial information on the basis of the decision-making logic permits to automate this procedure and make it quicker and more available for a wide range of experts. The article presents the practical description of using a technology of automation of forecasts making it possible to determine risks for the population residence in a particular area. The article also presents a constructed model of ecosystems stability in Russia. Model accuracy was more than 80%. The best algorithm of the data processing and its best parameters has been found for the computer assessment of the ecosystem stability level. It allows automatization of the complicated process of the expert area classification. This technology can be applied at the pre-design stage for any construction and included into the information system of the enterprise in terms of the decision support mechanism.

моделированиеустойчивость экосистеммашинное обучениеавтоматизацияврожденная заболеваемостьmodelingecosystem stabilitymachine learningautomationcongenital morbidityReferencesБондаренко Я.И., Зайонц И.О. Создание многофакторных космофотографических моделей природного риска хозяйственного использования территорий и проживания населения на примере г. Киева/ Бондаренко Я.И., Зайонц И.О. // Проблемы природопользования, устойчивого развития и техногенной безопасности: сб. статей. Днепропетровск, 2001. С. 61-66.Бондаренко Я.И., Зайонц И.О. Создание многофакторных космофотографических моделей природного риска хозяйственного использования территорий и проживания населения на примере г. Киева/ Бондаренко Я.И., Зайонц И.О. // Проблемы природопользования, устойчивого развития и техногенной безопасности: сб. статей. Днепропетровск, 2001. С. 61-66.Демьянов Г.В., Назарова Н.Г., Никольский Н.Г., Никольский Ю.И., Таранова В.А. Карта аномалий гравитационного поля России и прибрежных территорий. Масштаб 1:10 000 000/Демьянов Г.В., Назарова Н.Г., Никольский Н.Г., Никольский Ю.И., Таранова В.А. СПБ: ФГУП «ВСЕГЕИ», 1995.Демьянов Г.В., Назарова Н.Г., Никольский Н.Г., Никольский Ю.И., Таранова В.А. Карта аномалий гравитационного поля России и прибрежных территорий. Масштаб 1:10 000 000/Демьянов Г.В., Назарова Н.Г., Никольский Н.Г., Никольский Ю.И., Таранова В.А. СПБ: ФГУП «ВСЕГЕИ», 1995.Лагутина Н.П., Остовская О.Е. Карта рельефа России. Масштаб 1:10 000 000./ Лагутина Н.П., Остовская О.Е. Омск: Картографическая фабрика Омска, 2005.Лагутина Н.П., Остовская О.Е. Карта рельефа России. Масштаб 1:10 000 000./ Лагутина Н.П., Остовская О.Е. Омск: Картографическая фабрика Омска, 2005.Литвинова Т.П., Шмиярова Н.П. Карта аномалий магнитного поля России и прибрежных территорий. Масштаб 1:10 000 000/ Литвинова Т.П., Шмиярова Н.П. СПБ: ФГУП «ВСЕГЕИ», 1995.Литвинова Т.П., Шмиярова Н.П. Карта аномалий магнитного поля России и прибрежных территорий. Масштаб 1:10 000 000/ Литвинова Т.П., Шмиярова Н.П. СПБ: ФГУП «ВСЕГЕИ», 1995.Заболеваемость населения по основным классам болезней, Статистическая информация. [Электронный ресурс] http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/ statistics/population/healthcare/#, дата обращения 15.05.2014.Заболеваемость населения по основным классам болезней, Статистическая информация. [Электронный ресурс] http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/ statistics/population/healthcare/#, дата обращения 15.05.2014.Заболеваемость населения России в 2010 г. Статистические материалы. Часть 2. М., Минздравсоцразвития. 2011. С. 114-118. [Электронный ресурс]: http://www.rosminzdrav.ru/documents/ 6686-statisticheskay-informatsiya., дата обращения 12.05.2014.Заболеваемость населения России в 2010 г. Статистические материалы. Часть 2. М., Минздравсоцразвития. 2011. С. 114-118. [Электронный ресурс]: http://www.rosminzdrav.ru/documents/ 6686-statisticheskay-informatsiya., дата обращения 12.05.2014.Общая заболеваемость всего населения России в 2011 г. // Статистические материалы. Часть 2. М., Минздравсоцразвития. 2012. С. 231-235. [Электронный ресурс]: http://www.old.rosminzdrav.ru/docs/mzsr/stat/46/ZD2.DOC. Дата обращения 15.05.2013.Общая заболеваемость всего населения России в 2011 г. // Статистические материалы. Часть 2. М., Минздравсоцразвития. 2012. С. 231-235. [Электронный ресурс]: http://www.old.rosminzdrav.ru/docs/mzsr/stat/46/ZD2.DOC. Дата обращения 15.05.2013.Шестопалов B.M., Зайонц И.О., БондаренкоЯ.И. Структурно-геодинамическое и гидрогеологическое районирование с целью выявления структур наиболее перспективных для глубинной изоляции РАО./ Шестопалов B.M., Зайонц И.О., Бондаренко Я.И.// Чернобыль - 97: сб. статей. Киев, Наука. 1998. С. 26-31.Шестопалов B.M., Зайонц И.О., БондаренкоЯ.И. Структурно-геодинамическое и гидрогеологическое районирование с целью выявления структур наиболее перспективных для глубинной изоляции РАО./ Шестопалов B.M., Зайонц И.О., Бондаренко Я.И.// Чернобыль - 97: сб. статей. Киев, Наука. 1998. С. 26-31.Шмойлова Р.А. Общая теория статистики: Учебник. 3-е издание/ Шмойлова Р.А. М.: Финансы и Статистика, 2002. С 472.Шмойлова Р.А. Общая теория статистики: Учебник. 3-е издание/ Шмойлова Р.А. М.: Финансы и Статистика, 2002. С 472.Aha D., Kibler D. Instance-based learning algorithms./ Aha D., Kibler D// Machine Learning. 1991. No. 6. P. 37-66.Aha D., Kibler D. Instance-based learning algorithms./ Aha D., Kibler D// Machine Learning. 1991. No. 6. P. 37-66.Breiman Leo. Bagging predictors./ Breiman Leo// Machine Learning. 1996. N 24. P. 123-140.Breiman Leo. Bagging predictors./ Breiman Leo// Machine Learning. 1996. N 24. P. 123-140.Breiman Leo. Random Forests. Breiman Leo // Machine Learning. 2001. N 45. P. 5-32.Breiman Leo. Random Forests. Breiman Leo // Machine Learning. 2001. N 45. P. 5-32.Bondarenko J. The Multifactor Predictive Seis (GIS) Model of Ecological, Genetical and Population Health Risk in Connection with Dangerous Bio-Geodynamical Process in Geopatogenic Hazard Zones/Bondarenko J. Chicago: ECO-INFOrMA, 2001. P. 21-34.Bondarenko J. The Multifactor Predictive Seis (GIS) Model of Ecological, Genetical and Population Health Risk in Connection with Dangerous Bio-Geodynamical Process in Geopatogenic Hazard Zones/Bondarenko J. Chicago: ECO-INFOrMA, 2001. P. 21-34.Frank E., Wang Y., Inglis S., G. Holmes, I. WittenH. Using model trees for classification./Frank E., Wang Y., Inglis S., G. Holmes, I. Witlen H.// Machine Learning. 1998.N 32(1). P. 63-76.Frank E., Wang Y., Inglis S., G. Holmes, I. WittenH. Using model trees for classification./Frank E., Wang Y., Inglis S., G. Holmes, I. Witlen H.// Machine Learning. 1998.N 32(1). P. 63-76.Kampichler Christian, Sas o Dzeroski andWieland Ralf. Application of machine learning techniques to the analysis of soil ecological data bases: relationships between habitat features and Collembolan community characteristics./Kampichler Christian, Sas o Dzeroski and Wieland Ralf.// Soil Biology and Biochemistry. 2000. Vol.32 Issue 2. P. 197-209.Kampichler Christian, Sas o Dzeroski andWieland Ralf. Application of machine learning techniques to the analysis of soil ecological data bases: relationships between habitat features and Collembolan community characteristics./Kampichler Christian, Sas o Dzeroski and Wieland Ralf.// Soil Biology and Biochemistry. 2000. Vol.32 Issue 2. P. 197-209.Mitchell T. Machine Learning./ Mitchell T.// McGraw-Hill Science/Engineering/Math. P. 5-6.Mitchell T. Machine Learning./ Mitchell T.// McGraw-Hill Science/Engineering/Math. P. 5-6.

The authors declare that there are no conflicts of interest present.