Применение больших данных и нейронных сетей для мониторинга и прогнозирования экологических изменений в России
Ключевые слова:
большие данные, нейронные сети, экологический мониторинг, прогнозированиеАннотация
Данное исследование посвящено комплексному анализу применения технологий больших данных и нейронных сетей для мониторинга и прогнозирования экологических изменений в России в период с 2017 по 2023 год. Актуальность темы обусловлена растущей необходимостью эффективного управления экологическими рисками в условиях глобального изменения климата и интенсификации антропогенного воздействия на окружающую среду. Цель работы – выявить ключевые тенденции, оценить эффективность и определить перспективы использования передовых информационных технологий в сфере экологического мониторинга и прогнозирования. Методологическая база исследования включает статистический анализ данных о реализованных проектах, контент-анализ научных публикаций и нормативно-правовых документов, экспертные интервью со специалистами-практиками. Результаты показывают существенный рост числа и масштаба инициатив по внедрению больших данных и нейронных сетей в экологическую аналитику, особенно в области предиктивного моделирования климатических и биосферных процессов. Выявлен значимый потенциал оптимизации экологического менеджмента за счет использования современных цифровых инструментов поддержки принятия решений. В то же время, сохраняется ряд нерешенных проблем, связанных с качеством и доступностью экоданных, интероперабельностью систем мониторинга, дефицитом квалифицированных кадров. Практическая значимость исследования заключается в разработке рекомендаций по совершенствованию государственной политики в области цифровизации экологической сферы и развитию государственно-частного партнерства для реализации прорывных инновационных проектов.
Библиографические ссылки
Бобылев С.Н., Кудрявцева О.В., Соловьева С.В. Индикаторы устойчивого развития для городов // Экономика региона. 2014. № 3. С. 101-109.
Бургасов П.Н. Научные основы прогнозирования и профилактики инфекционных болезней. М.: Медицина, 1984. 384 с.
Грингоф И.Г., Пасечнюк А.Д. Агрометеорология и агрометеорологические наблюдения. СПб: Гидрометеоиздат, 2005. 552 с.
Марченко Б.И., Плуготаренко Н.К., Семина О.А. Нейронные сети в задачах аналитического обеспечения систем социально-гигиенического и экологического мониторинга // Здоровье населения и среда обитания. 2021. Т. 29. № 11. С. 23-30. DOI: 10.35627/2219-5238/2021-29-11-23-30.
Зябликова М.В. Региональные особенности экологической преступности на Северо-Востоке России: автореферат дисс. … канд. юрид. наук. М., 2013. 23 с.
Качков М.С. Создание нейронной сети для решения различных прикладных задач // Известия ТулГУ. Технические науки. 2023. № 2. С. 339-343.
Костина Л.Н. Нейронные сети в задачах прогнозирования временных рядов // Инновационная наука. 2015. № 6-2. С. 70-73.
Любимова Т.В., Горелова А.В. Решение задачи прогнозирования с помощью нейронных сетей // Инновационная наука. 2015. № 4-2. С. 39-43.
Маслова А.А., Панарин В.М., Гришаков К.В., Рыбка Н.А., Котова Е.А., Селезнева Д.А. Применение искусственных нейронных сетей для прогнозирования уровней загрязнения воздуха и водных объектов // Экология и промышленность России.2019. Т. 23. № 8. С. 36-41.
Моисеенко Т.И. Водная экотоксикология: теоретические и прикладные аспекты. М.: Наука, 2009. 400 с.
Морозова Л.М. и др. Здоровье человека и окружающая среда. М.: ИД МИСиС, 2019. 154 с.
Новаковский Б.А., Прасолов С.В., Прасолова А.И. Цифровые модели рельефа реальных и абстрактных геополей. М.: Научный мир, 2003. 104 с. ISBN: 5-89176-234-Х.
Околелова А.А. Курс лекций по дисциплине «Экология» // Волгоград: ИУНЛ ВолгГТУ, 2010. 64 с.
Панарин В.М., Рыбка Н.А., Маслова А.А., Савинкова С.А. Определение составляющих информационного потока в системе мониторинга загрязнения атмосферного воздуха промышленного региона // Экологические системы и приборы. 2021. № 6. С. 9-14.
Панарин В.М., Шейнкман Л.Э., Маслова А.А., Царьков Г.Ю., Гришаков К.В., Рыбка Н.А. Информационно-измерительная система прогнозирования и предупреждения аварийных выбросов газа в атмосферу // Экология и промышленность России. 2020. Т. 24. № 5. С. 9-13.
Панарин М.В., Маслова А.А., Савинкова С.А., Панарин В.М. Автоматизированная система контроля выбросов загрязняющих веществ на источниках промышленных предприятий // Экология и промышленность России. 2021. Т. 25. № 6. С. 44-48.
Пушилина Ю.Н. Совершенствование методов моделирования и мониторинга загрязнения атмосферного воздуха горнопромышленного региона: дисс. ... канд. тех. наук. Тула, 2011. 156 с.
Редько В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики. М.: Ленанд, 2019. 224 с.
Розенберг Г.С., Гелашвили Д.Б., Иудин Д.И. Фрактальные методы в экологии. Нижний Новгород: Изд-во ННГУ, 2013. 370 с.
Романов А.А. О значении исследования латентной экологической преступности // Научный портал МВД России. 2017. № 4(40). С. 16-20.
Секретарева К.Н. Влияние цифровизации на экологию // Хроноэкономика. - 2021. № 5(33). С. 67-72.
Степаненко В.М., Волошин В.Г., Типцов С.В. Методы оценки последствий изменения климата для физических и биологических систем. М.: Росгидромет, 2012. 511 с.
Тарко А.М. Антропогенные изменения глобальных биосферных процессов: математическое моделирование. М.: Физматлит, 2005. 232 с.
Федоров М.В., Акимов В.А., Козьменко С.Ю. Глобальные и региональные экологические риски и угрозы. М.: Финансовый университет, 2022. 357 с.
Чару А. Нейронные сети и глубокое обучение // Учебный курс. М.: Вильямс. 2020. 752 с.
Федутинов К.А. Машинное обучение в задачах поддержки принятия решений при управлении охраной природы // Инженерный вестник Дона. 2021. № 9(81). С. 100-113. URL: https://www.ivdon.ru/ru/magazine/archive/n9y2021/7186.
Ширяев В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика. М.: Ленанд, 2019. 232 с.
Шмаль А.Г. Факторы экологической опасности и экологические риски. Бронницы: МП «ИКЦ БНТВ», 2010. 191 с.
Якимчук А.В. Модель оценки и прогнозирования рисков лесных рубок на территории нефтедобывающего региона // Информационные технологии и системы: мат. VIII Всеросс. науч. конф. с межд. уч. 17-21 марта 2020 г., Ханты-Мансийск). Ханты-Мансийск: Автономное учреждение Ханты-Мансийского автономного округа – Югры «Югорский научно-исследовательский институт информационных технологий», 2020. С. 149-152.
Goovaerts P. Geostatistics for natural resources evaluation. NY: Oxford University Press, 1997. 483 p.
Nychka D., Bandyopadhyay S., Hammerling D., Lindgren F., Sain S. A multiresolution gaussian process model for the analysis of large spatial datasets // Journal of computational and graphical statistics. 2015. Vol. 24. № 2. рр. 579-599.
