The use of big data and neural networks for monitoring and forecasting environmental changes in Russia
Keywords:
big data, neural networks, environmental monitoring, forecastingAbstract
This study is devoted to a comprehensive analysis of the use of big data technologies and neural networks for monitoring and forecasting environmental changes in Russia in the period from 2017 to 2023. The relevance of the topic is due to the growing need for effective environmental risk management in the context of global climate change and the intensification of anthropogenic impact on the environment. The purpose of the work is to identify key trends, evaluate the effectiveness and determine the prospects for using advanced information technologies in the field of environmental monitoring and forecasting. The methodological base of the research includes statistical analysis of data on implemented projects, content analysis of scientific publications and regulatory documents, expert interviews with practitioners. The results show a significant increase in the number and scale of initiatives to introduce big data and neural networks into environmental analytics, especially in the field of predictive modeling of climatic and biospheric processes. A significant potential for optimizing environmental management through the use of modern digital decision support tools has been identified. At the same time, there are still a number of unresolved problems related to the quality and accessibility of environmental data, the interoperability of monitoring systems, and the shortage of qualified personnel. The practical significance of the research lies in the development of recommendations for improving state policy in the field of digitalization of the environmental sphere and the development of public-private partnerships for the implementation of breakthrough innovative projects.
References
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.
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
