В работе представлено сравнение современных подходов к интерполяции пространственного распределения химических элементов в верхнем слое почвы на примере тяжелых металлов хром (Cr) и медь (Cu). На обследованной территории были обнаружены пятна с аномально высоким содержанием Cr. Медь, напротив, оказалась распределена равномерно. Исследование основано на данных, полученных в результате скрининга почвы в г. Тарко-Сале, Россия. Для прогнозирования были выбраны модели, основанные на искусственных нейронных сетях (многослойный персептрон (MLP)), алгоритмах случайного леса (RF), а также на гибридном методе, в котором MLP используется в качестве классификатора (дерева) (RMLPF). Модели были реализованы в MATLAB. Подходы, включающие искусственные нейронные сети (MLP и RMLPF), оказались более точными для аномально распределенного Cr. Модели, основанные на алгоритме RF, более точны для равномерно распределенного Cu. В целом предложенная модель RMLPF показала лучшие результаты.

Буевич Александр Геннадьевич, инженер ФГБУН ИПЭ УрО РАН. 620219, г. Екатеринбург, ул. С. Ковалевской, д. 20. E-mail: bagalex3@gmail.com.

Москалева Анастасия Сергеевна, студент УрФУ имени первого Президента России Б.Н. Ельцина, Физико-технологический институт. 620002, г. Екатеринбург, ул. Мира, д. 19. E-mail: amoskalyova03@gmail.com.

Косаченко Александра Ильинична, студент УрФУ имени первого Президента России Б.Н. Ельцина, Физико-технологический институт. 620002, г. Екатеринбург, ул. Мира, д. 19. E-mail: alleshch7@gmail.com.

Шичкин Андрей Васильевич, инженер ФГБУН ИПЭ УрО РАН. 620219, г. Екатеринбург, ул. С. Ковалевской, д. 20. E-mail: and@ecko.uran.ru.

Сергеев Александр Петрович, кандидат физико-математических наук, заведующий лабораторией физики и экологии ФГБУН ИПЭ УрО РАН. 620219, г. Екатеринбург, ул. С. Ковалевской, д. 20. E-mail: alexanderpsergeev@gmail.com.

1. Анализ статистических зависимостей распределения загрязняющих веществ в поверхностном слое почвы урбанизированных территорий с применением математических моделей (LUR метод) / А.Г. Буевич, А.М. Сафина, А.П. Сергеев, А.Н. Вараксин, А.Н. Медведев // Геоэкология. – 2015. – № 3. – С. 268-279.
2. Демьянов В.В., Савельева Е.А. Геостатистика: теория и практика / под ред. Р.В. Арутюняна ; Институт проблем безопасного развития атомной энергетики РАН. – М. : Наука, 2010. – 327 с.
3. Никитин А.А., Черемисина Е.Н., Малинина С.С. Нейросетевое моделирование глубины залегания контактной поверхности по комплексу геофизических полей // Геоинформатика. – 2018. – № 1. – С. 41-42.
4. Prediction of air pollution peaks generated by urban transport networks / M. Bell, A.S. Bergantino, M. Catalano, F. Galatioto // Working papers SIET, 2015.
5. Kottur S.V., Mantha S.S. An Integrated Model using Artificial Neural Network (ANN) and Kriging for Forecasting Air Pollutants using Meteorological Data // International Journal of Advanced Research in Computer and Communication Engineering. – 2015. – V. 4, Issue 1. – P. 146-152.
6. De Souza A., Aristones F., Goncalves F.V. Modeling of Surface and weather effects ozone concentration using neural networks in West Center of Brazil // Journal of Climatology & Weather Forecasting. – 2015. – V. 3, Issue 1 (123).
7. Shepherd A.J. Second-Order Methods for Neural Networks: Fast and Reliable Training Methods for Multi-Layer Perceptrons. – London : Springer-Verlag, 1997. – 145 p.
8. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review. – 1958. – V. 65 (6). – P. 386-408.
9. Extensive evaluation of neural network models for the prediction of NO2 and PM10 concentrations, compared with deterministic modelling system and measurements in central Helsinki / J. Kukkonen, L. Partanen, A. Karppinen, J. Ruuskanen, H. Junninen, M. Kolehmainen, H. Niska, S. Dorling, T. Chatterton, R. Foxall, G. Cawley // Atmospheric Environment. – 2003. – V. 37 (32). – P. 4539-4550.
10. Progress in developing an ANN model for air pollution index forecast / D. Jiang, Y. Zhang, X. Hu, Y. Zeng, J. Tan, D. Shao // Atmospheric Environment. – 2004. – V. 38, Issue 40. – P. 7055-7064.
11. Artificial neural networks forecasting of PM2.5 pollution using air mass trajectory based geographic model and wavelet transformation / X. Feng, Q. Li, Y. Zhu, J. Hou, L. Jin, J. Wang // Atmospheric Environment. – 2015. – V. 107. – P. 118-128.
12. Estimation of heavy metal sorption in German soils using artificial neural networks / J. Anagu, J. Ingwersen, J. Utermann, T. Streck // Geoderma. – 2009. – V. 152. – P. 104-112.
13. Study on Spatial Distribution of Soil Heavy Metals in Huizhou City Based on BP–ANN Modeling and GIS / Y. Li, C. Li, J.-J. Tao, L.-D. Wang // Procedia Environmental Sciences. – 2011. – V. 10. – P. 1953-1960.
14. Hilko O.S., Kundas S.P., Gishkeluk I.A. Radionuclides migration modelling using artificial neural networks and parallel computing // European water. – 2012. – V. 39. – P. 3-13.
15. Falamaki A. Artificial neural network application for predicting soil distribution coefficient of nickel // Journal of Environmental Radioactivity. – 2013. – V. 115. – P. 6-12.
16. High Variation Topsoil Pollution Forecasting in the Russian Subarctic: Using Artificial Neural Networks Combined with Residual Kriging / D.A. Tarasov, A.G. Buevich, A.P. Sergeev, A.V. Shichkin. // Applied Geochemistry. – 2017. – V. 88, Part B. – P. 188-197.
17. Breiman L. Random forests // Mach. Learn. – 2001. – V. 45. – P. 5-32.
18. Friedman H., Meulman J.J. Multiple additive regression trees with applica-tion in epidemiology // Stat. Med. – 2003. – V. 22. – P. 1365-1381.
19. Lawrence R.L., Wood S.D., Sheley R.L. Mapping invasive plants using hyper-spectral imagery and Breiman Cutler classifications (Random Forest) // Remote Sens. Environ. – 2006. – V. 100. – P. 356-362.
20. Downscaling MODIS-derived maps using GIS and boosted regression trees: the case of frost occurrence over the arid Andean highlands of Bolivia / R. Pouteau, S. Rambal, J.-P. Ratte, F. Gogé, R. Joffre, T. Winkel // Remote Sens. Environ. – 2011. – V. 115. – P. 117-129.
21. Wetland vegetation distribution modelling for the identification of constraining environmental variables / J. Peters, N.E.C. Verhoest, R. Samson, P. Boeckx, B. De Baets // Landsc. Ecol. – 2008. – V. 23, Issue 9. – P. 1049-1065.
22. Froeschke J.T., Froeschke B.F. Spatiotemporal predictive model based on environmental factors for juvenile spotted seatrout in Texas estuaries using boosted regression trees // Fish. Res. – 2011. – V. 111. – P. 131-138.
23. Carslaw D.C., Taylor P.J. Analysis of air pollution data at a mixed source location using boosted regression trees // Atmospheric Environment. – 2009. – V. 43. – P. 3563-3570.
24. Soil organic carbon concentrations and stocks on Barro Colorado Island-digital soil mapping using Random Forests analysis / R. Grimm, T. Behrens, M. Märker, H. Elsenbeer // Geoderma. – 2008. – V. 146. – P. 102-113.
25. Spatial distribution of soil organic carbon stocks in France / M.P. Martin, M. Wattenbach, P. Smith, J. Meersmans, C. Jolivet, L. Boulonne, D. Arrouays // Biogeosciences. – 2011. – P. 1053-1065.
26. Spatial assessment of soil organic carbon density through random forests based imputation / K. Sreenivas, G. Sujatha, K. Sudhir, D.V. Kiran, M.A. Fyzee, T. Ravisankar, V.K. Dadhwal // J. Indian Soc. Remote Sen. – 2014. – V. 42. – P. 577-587.
27. Estimation of total organic carbon storage and its driving factors in soils of Bavaria (southeast Germany) / M. Wiesmeier, F. Barthold, P. Spörlein, U. Geuß, E. Hangen, A. Reischl, B. Schilling, G. Angst, M. von Lützow, I. Kögel-Knabner // Geoderma Reg. – 2014. – V. 1. – P. 67-78.
28. A comparative assessment of support vector regression, artificial neural networks, and random forests for predictingand mapping soil organic carbon stocks across an Afromontane landscape / K. Were, D.T. Bui, O.B. Dick, B.R. Singh // Ecological Indicators. – 2015. – V. 52. – P. 394-403.
29. Digital mapping of soil organic matter for rubber plantation at regional scale: An application of random forest plus residuals kriging approach / Peng-Tao Guo, Mao-Fen Li, Wei Luo, Qun-Feng Tang, Zhi-Wei Liu, Zhao-Mu Lin // Geoderma. – 2015. – 237-238. – P. 49-59.
30. Comparison of boosted regression tree and random forest models formapping topsoil organic carbon concentration in an alpine ecosystem / Ren-Min Yang, Gan-Lin Zhang, Feng Liu, Yuan-Yuan Lu, Fan Yang, Fei Yang, Min Yang, Yu-Guo Zhao, De-Cheng Li // Ecological Indicators. – 2016. – V. 60. – P. 870-878.