Тип публикации: статья из журнала
Год издания: 2026
Ключевые слова: geoecological processes, machine learning, geospatial data, forecasting, environmental monitoring, data mining algorithms, геоэкологические процессы, машинное обучение, геопространственные данные, прогнозирование, экологический мониторинг, алгоритмы интеллектуального анализа данных
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, включающиПоказать полностьюе 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.
Журнал: Известия Тульского государственного университета. Науки о Земле
Выпуск журнала: № 1
Номера страниц: 123-128
ISSN журнала: 22185194
Место издания: Тула
Издатель: Тульский государственный университет