N V.V. THE METHOD OF ESTIMATION OF THE ECOSYSTEMS STABILITY LEVEL BY USE OF AUTOMATIC LEARNING
https://doi.org/10.32454/0016-7762-2015-1-38-42
Abstract
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.
About the Authors
V. N. Exzaryan
Российский государственный геологоразведочный университет
Russian Federation
Russian Federation
В. Rukavitsi
Российский государственный геологоразведочный университет
Russian Federation
Russian Federation
References
1. 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.
2. 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.
3. 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.
4. 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.
5. 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.
6. 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.
7. 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.
8. 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.
9. Шмойлова Р.А. Общая теория статистики: Учебник. 3-е издание/ Шмойлова Р.А. М.: Финансы и Статистика, 2002. С 472.
10. Aha D., Kibler D. Instance-based learning algorithms./ Aha D., Kibler D// Machine Learning. 1991. No. 6. P. 37-66.
11. Breiman Leo. Bagging predictors./ Breiman Leo// Machine Learning. 1996. N 24. P. 123-140.
12. Breiman Leo. Random Forests. Breiman Leo // Machine Learning. 2001. N 45. P. 5-32.
13. 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.
14. 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.
15. 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.
16. Mitchell T. Machine Learning./ Mitchell T.// McGraw-Hill Science/Engineering/Math. P. 5-6.
Review
For citations:
Exzaryan V.N., Rukavitsi N V.V. THE METHOD OF ESTIMATION OF THE ECOSYSTEMS STABILITY LEVEL BY USE OF AUTOMATIC LEARNING. Proceedings of higher educational establishments. Geology and Exploration. 2015;(1):38-42. (In Russ.) https://doi.org/10.32454/0016-7762-2015-1-38-42
Views:
437
Email this article 