Результаты поиска: Буевич

Индивидуальная и парная репрезентативность точек пробоотбора в задачах интерполяции распределения тяжелых металлов в верхнем слое почвы

№ 3 (2023) УДК 504.064.2.001.18 https://doi.org/10.47148/1609-364X-2023-3-63-70 Баглаева Е.М., Сергеев А.П., Шичкин А.В., Буевич А.Г., Буторова А.С. Ключевые слова: репрезентативность точек, сэмплинг, тяжелые металлы, искусственные нейронные сети, выбор обучающего подмножества Раздел: Геоэкология

№3 (2023)

DOI:10.47148/1609-364X-2023-3 Информационно-аналитическое обеспечение работ на нефть и газна базе отечественного программно-технологического обеспеченияЧеремисина Е.Н., Чесалов Л.Е., Любимова А.В., Марков К.Н., Финкельштейн М.Я., Спиридонов В.А., Суханов М.Г. Информационная модель геоинформационной системы для исследованиягеометрии породного массива на основе данных сейсморазведкиБурмин Л.Н., Степанов И.Ю., Степанов Ю.А.Научный портал Geologyscience.ru: текущее состояние и перспективы … Читать далее →

Применение перестановочного метода к оценке прогностической способности моделей пространственного распределения концентраций меди и железа в верхнем слое почвы

№2 (2022) Сергеев А.П., Буторова А.С., Шичкин А.В., Буевич А.Г., Баглаева Е.М., Субботина И.Е. УДК 504.064.2.001.18https://doi.org/10.47148/1609-364X-2022-2-42-53 Ключевые слова: перестановочный метод, рандомизация, прогнозируемые значения, наблюдаемые значения, пространственное распределение, оценка прогностической способности, искусственные нейронные сети Раздел: Моделирование геообъектов и геопроцессов

№2 (2022)

DOI:10.47148/1609-364X-2022-2 Возможности блока анализа магнитотеллурических данных в комплексе ГИС INTEGROКуприянов И.С. Использование геоинформационных технологий в прикладных задачах мониторинга сельскохозяйственных земельАфанасьев В.С. Геоинформационная технология для планирования и учета дорожного покрытияЕремеев С.В., Егай М.В., Абакумов А.В. Повышение точности локализации беспилотной техники на основе электронной … Читать далее →

Метод встречного прогнозирования пространственного ряда на примере содержания пыли в снеговом покрове

№1 (2022) УДК 504.064.2.001.18 https://doi.org/10.47148/1609-364X-2022-1-32-39 А.С. Буторова, А.П. Сергеев, А.В. Шичкин, А.Г. Буевич, Е.М. Баглаева, М.В. Сергеева Ключевые слова: метод встречного прогнозирования, восстановление пропущенных данных, искусственные нейронные сети, снеговой покров, пыль. Раздел: Моделирование геообъектов и геопроцессов

№1 (2022)

DOI:10.47148/1609-364X-2022-1 Прототип геоинформационной системы для решения задач управления отходами и вторичными ресурсами на примере арктической зоны РоссииВ.А. Марьев, Е.Н. Черемисина, А.В. Любимова, Е.Ф. Шамаева, М.Г. Суханов, Е.А. Горюнова Методика исследований динамики дельт приливных северных рек по космическим снимкам (на примере … Читать далее →

Поверхностная интерполяция содержаний тяжелых металлов в почве методами машинного обучения.

№1 (2019) УДК 504.064.2.001.18 Буевич А.Г., Москалева А.С., Косаченко А.И., Шичкин А.В., Сергеев А.П.  Рецензент: Пиманова Н.Н., кандидат технических наук. Ключевые слова: искусственные нейронные сети, случайный лес, случайный персептронный лес, интерполяция, тяжелые металлы, почва. Раздел: Моделирование геообъектов и геопроцессов

Оптимизация разбиения исходных данных для предсказания пространственного распределения хрома нейронной сетью прямого распространения.

№4 (2019) УДК 504.064.2.001.18 Буевич А.Г., Рахматова А.Ю., Сергеев А.П., Баглаева Е.М., Шичкин А.В., Субботина И.Е., Сергеева М.В., Маркелов Ю.И. Рецензент: Финкельштейн М.Я., доктор технических наук. Ключевые слова: искусственные нейронные сети, многослойный перцептрон, моделирование, разбиение, выборка. Раздел: Моделирование геообъектов и … Читать далее →

№4 (2019)

Оптимизация разбиения исходных данных для предсказания пространственного распределения хрома нейронной сетью прямого распространения.Буевич А.Г., Рахматова А.Ю., Сергеев А.П., Баглаева Е.М., Шичкин А.В., Субботина И.Е., Сергеева М.В., Маркелов Ю.И. … » В работе предложен подход для оптимизации разбиения исходных данных на обучающее и тестовое подмножества при моделировании пространственного распределения признака методом искусственных нейронных сетей (ИНС). Подход … Читать далее →