Методические аспекты районирования природных территорий с помощью машинного обучения

от

Д.О. Кривогуз, Р.В. Боровская

Азово-Черноморский филиал ФГБНУ «ВНИРО» («АзНИИРХ»), РФ, г. Керчь, ул. Свердлова 2

E-mail: krivoguz_d_o@azniirkh.ru

DOI: 10.33075/2220-5861-2020-1-14-20

УДК 544.623

Реферат:

     В статье рассматривается современный подход к районированию природных территорий с помощью машинного обучения. Районирование территории базируется на интегральной оценке качества показателей окружающей среды при учете максимально возможного числа факторов, которые могут в полной мере описывать свойства и особенности анализируемой территории. Цель работы заключается в формировании современной математической методологии, основанной на методах машинного обучения, способной в значительной мере усовершенствовать современные подходы к зонированию любой территории. В работе анализируются современные тенденции в проведении районирования для различных территорий.

     Авторами детально проанализирован алгоритм проведения районирования с помощью применения кластеризации, а также выделены основные его этапы проведения, к которым относится получение и нормализация данных, определение склонности набора данных к разбиению на множества, выделение оптимального количества групп и проведение районирования. Был сделан вывод о том, что эффективность любого алгоритма кластеризации определяется достижением им гипотезы компактности, которая заключается в том, что схожие объекты гораздо чаще лежат в одном классе, чем в разных классах. Авторами были выделены как сильные, так и слабые стороны данного подхода. К положительным качествам авторы относят объективность, точность, простоту модифицируемости и настройки, а к недостаткам – сильную зависимость от качества данных, проведенного нормирования, что при любых существенных отклонениях в данных аспектах может привести к значительному искажению полученных результатов.

Ключевые слова: районирование территорий, рыбохозяйственное районирование, машинное обучение, экологические проблемы, кластеризация, нормализация данных.

Для цитирования пройдите по ссылке DOI и используйте опцию Actions-Cite или скопируйте:

[IEEE] Д.О. Кривогуз, Р.В. Боровская, “Методические аспекты районирования природных территорий с помощью машинного обучения” Системы контроля окружающей среды, вып. 1, с. 13–20, март 2020.

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Кривогуз Д.О., Захарова Ю.Б. Применение геопространственного ана-лиза при прогнозировании эколого-экономического развития Керченского полуострова // Геоинформатика. 2018. № 1. C. 52–55.
  2. Bocharnikov V. Ecological and geographical mapping of Russian economic regions based on GIS technologies // Vestnik Volgogradskogo gosudarstvennogo universiteta. Serija 3. Ekonomika. Ekologija. 2016. № 3 (3). C. 163–176.
  3. Matishov G.G., Bespalova L.A., Ivlieva O.V. The Sea of Azov: Recent abrasion processes and problems of coastal protection // Doklady Earth Sciences. 2016. № 2 (471). C. 1269–1272.
  4. Войтов И.В. Научно-инновацион-ные принципы геоэкологического районирования административных территорий Беларуси / И.В. Войтов, М.А. Гатих, Л.С. Лис [и др.] // Вестник Белорусско-Российского университета. 2009. № 22 (1). C. 113–127.
  5. Михайлова А.А., Вагизов М.Р. Методика обработки данных дистанционного зондирования Земли с применением информационных технологий и аллометрических зависимостей для определения лесотаксационных показателей древостоев // Успехи современного естествознания. 2018. № 4. C. 80–85.
  6. Kondrik D., Kazakov E., Pozdnyakov D. A synthetic satellite dataset of the spatio-temporal distributions of Emiliania huxleyi blooms and their impacts on Arctic and sub-Arctic marine environments (1998–2016) // Earth System Science Data. 2019. № 1 (11). C. 119–128.
  7. Demchev D. Sea ice drift tracking from sequential SAR images using accelerated-KAZE features / D. Demchev, V. Volkov, E. Kazakov [et al.] // IEEE Transactions on Geoscience and Remote Sensing. 2017. № 9 (55). C. 5174–5184.
  8. Ружникова Н.Н. Геоэкологичес-кое районирование акватории Белого моря при транспортировке нефтяных углеводородов // Известия высших учебных заведений. Северо-Кавказский регион. Естественные  науки.   2012.   № 6. C. 94–98.
  9. Денисов В.В., Ильин Г.В. Районирование акваторий как инструмент оптимизации природопользования на Арктическом шельфе // Проблемы Арктики и Антарктики. 2008. № 79 (2). C. 134–144.
  10. Matishov G.G., Balykin P.A., Ponomareva E.N. Fishery zoning is the first stage of spatial planning of marine activities in the Arctic // Science in the South of Russia. 2018. № 2 (14). C. 33–41.
  11. Семенова А.Ю. Социально-эконо-мические приоритеты сохранения и укрепления здоровья населения Республики Крым в контексте инновационного развития региона // Экономика и управление: теория и практика. 2018. № 3 (4). C. 49–54.
  12. Shi T., Horvath S. Unsupervised learning with random  forest   predictors // Journal of Computational and Graphical Statistics. 2006. № 1 (15). C. 118–138.
  13. Качановский Ю.П., Коротков Е.А. Предобработка данных для обучения нейронной сети // Фундаментальные исследования. 2011. № 1 (12). C. 117–120.
  14. Aydın A., Eker R. Fuzzy rule-based landslide susceptibility mapping in Yığılca Forest District (Northwest of Turkey) // Journal Journal of the Faculty of Forestry Istanbul University. 2016. № 662 (66). C. 559–571.
  15. Mirzaei J. Assessment of land cover changes using RS and GIS (case study: Zagros forests, Iran) / J. Mirzaei, A. Mohamadi, Z. Heidarizadi [et al.] // Journal of Materials and Environmental Science. 2015. № 6 (9). C. 2565–2572.
  16. Campello R. Density-based clustering / R. Campello, P. Kröger, J. Sander [et al.] // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 2019. 15 с.
  17. Sivogolovko E., Thalheim B. Semantic approach to cluster validity notion // Advances in Databases and Information Systems. 2013. Т. 186. C. 229–239.
  18. Сивоголовко Е.В. Методы оценки качества чёткой кластеризации // Компьютерные инструменты в образовании. 2011. № 4. C. 14–31.

Loading