Наборы данных в науках о Земле характеризуются нелинейностью, они многомерны и взаимосвязаны между собой, поэтому использование алгоритмов машинного обучения и нейронных сетей в данной области знаний имеет преимущество перед традиционными методами. Сегодня обучение моделей осуществляется с использованием различных подходов, что говорит об отсутствии единого подхода. В связи с чем возникают проблемы, связанные с определением наиболее подходящей модели и выбором для нее оптимального набора гиперпараметров, который обеспечит наиболее высокую производительность и точность модели.
Цель исследования: разработка алгоритма обучения моделей определения концентраций тяжелых металлов в почве на основе корреляционного-регрессионного анализа, анализа важности и значений SHAP.
Методы: для определения значений концентраций тяжелых металлов в почве с высокой точностью в работе используются модели, построенные на основе множественной линейной регрессии, дерева принятия решений, метода случайного леса и нейронной сети с прямой связью — многослойный персептрон. В качестве материалов исследования выступает набор данных из 3300 концентраций элементов: Al, B, Ca, Cu, Fe, K, Mg, Mn, Na, Ni, Zn.
Результаты и обсуждение: в ходе работы предложен алгоритм обучения моделей. Результаты первого обучения моделей показывают, что модели на основе DT более эффективны при определении Cu, Mn, Ni и Zn. Модели RF показывают лучшую эффективность для Fe. Результаты анализа важности предикторов и их влияния на производительность с помощью значений SHAP показывают, что результаты по двум методам в целом схожи. Сокращение набора входных переменных в большинстве случаев не приводит к существенному снижению точности прогнозирования.
Заключение: предложенный алгоритм позволяет наиболее эффективно обучить модели определения концентраций тяжелых металлов в почве. Оптимизированные модели прогнозирования концентраций Cu, Fe, Mn, Ni и Zn сохраняют высокие значения R2 и низкие значения MAPE и MAE при меньшем количестве входных параметров, что повышает устойчивость моделей, снижает влияние избыточных данных и упрощает практическое применение в сравнении с исходными, так как их использование требует меньшего количества затрачиваемых ресурсов.

Тараканов Дмитрий Анатольевич
Старший преподаватель кафедры безопасности
производства и промышленной экологии
Уфимский университет науки и технологий
Институт химии и защиты в чрезвычайных ситуациях
450076 Уфа, Республика Башкортостан, ул. Заки Валиди, д. 32
е-mail: T.Dm.A@yandex.ru
ORCID: 0000-0001-5894-0941
Scopus Author ID: 57212505981
SPIN-код: 9578-5076
AuthorID: 987394

Елизарьев Алексей Николаевич
Кандидат географических наук,
заведующий кафедрой безопасности производства
и промышленной экологии
Уфимский университет науки и технологий
Институт химии и защиты в чрезвычайных ситуациях
450076 Уфа, Республика Башкортостан, ул. Заки Валиди, д. 32
е-mail: elizariev@mail.ru
ORCID: 0000-0002-5612-8121
Scopus Author ID: 56431159800
SPIN-код: 1954-5035
AuthorID: 597018

Беляева Альбина Сагитовна
Доктор технических наук, заместитель директора
по инновационной деятельности
Уфимский университет науки и технологий
Институт химии и защиты в чрезвычайных ситуациях
450076 Уфа, Республика Башкортостан, ул. Заки Валиди, д. 32
е-mail: sova.2717.bas@gmail.com
SPIN-код: 6647-6275
AuthorID: 681197

Тараканов Денис Анатольевич
Старший преподаватель кафедры безопасности
производства и промышленной экологии
Уфимский университет науки и технологий
Институт химии и защиты в чрезвычайных ситуациях
450076 Уфа, Республика Башкортостан, ул. Заки Валиди, д. 32
е-mail: tarakanov021098@gmail.com
ORCID: 0000-0003-0253-8624
Scopus Author ID: 57216628761
SPIN-код: 3119-7440
AuthorID: 1153499

Максютов Алик Маратович
Cтудент 3-го курса кафедры безопасности
производства и промышленной экологии
Уфимский университет науки и технологий
Институт химии и защиты в чрезвычайных ситуациях
450076 Уфа, Республика Башкортостан, ул. Заки Валиди, д. 32
е-mail: maxiutovalik@yandex.ru
ORCID: 0009-0005-9827-7239
SPIN-код: 2866-9750
AuthorID: 1305305

Охотникова Полина Дмитриевна
Cтудент 3-го курса кафедры безопасности
производства и промышленной экологии
Уфимский университет науки и технологий
Институт химии и защиты в чрезвычайных ситуациях
450076 Уфа, Республика Башкортостан, ул. Заки Валиди, д. 32
е-mail: oxotnikovapolina@gmail.com
SPIN-код: 3296-6984
AuthorID: 1327134

1. Gautam K., Sharma P., Dwivedi S., Singh A., Gaur V.K., Varjani S., Srivastava J.K., Pandey A., Chang J.-S., Ngo H.H. A review on control and abatement of soil pollution by heavy metals: Emphasis on artificial intelligence in recovery of contaminated soil // Environmental Research. – 2023. – Vol. 225. – 115592. DOI: 10.1016/j.envres.2023.115592.
2. Тараканов Д.А. Фиторемедиация почв, загрязненных тяжелыми металлами: систематический обзор // Экология промышленного производства. – 2026. – № 2 (134). – С. 18–22. DOI: 10.52190/2073-2589_2026_2_18.
3. Елизарьев А.Н., Папян Э. Э., Тараканов Д.А., Мансуров В.Н. Экологическая оценка загрязненной тяжелыми металлами почвы в результате разработки медно-колчеданных руд // Экология и промышленность России. – 2025. – Т. 29. – № 12. – С. 66–71. DOI: 10.18412/1816-0395-2025-12-66-71.
4. Elizaryev A., Elizaryeva E., Tarakanov D., Fakhertdinova A. Biological approaches to the purification of textile wastewater // E3S Web of Conferences. – 2023. – Vol. 389. – 04001. DOI: 10.1051/e3sconf/202338904001.
5. Wang H., Yilihamu Q., Yuan M., Bai H., Xu H., Wu J. Prediction models of soil heavy metal(loid)s concentration for agricultural land in Dongli: A comparison of regression and random forest // Ecological Indicators. – 2020. – Vol. 119. – 106801. DOI: 10.1016/
j.ecolind.2020.106801.
6. Zhao B., Zhu W., Hao S., Hua M., Liao Q., Jing Y., Liu L., Gu X. Prediction heavy metals accumulation risk in rice using machine learning and mapping pollution risk // Journal of Hazardous Materials. – 2023. – Vol. 448. – 130879. DOI: 10.1016/j.jhazmat.2023.130879.
7. Manzoor S., Munir H. S., Shaheen N., Khalique A., Jaffar M. Multivariate analysis of trace metals in textile effluents in relation to soil and groundwater // Journal of Hazardous Materials. – 2006. – Vol. 137. – Iss. 1. – P. 31–37. DOI: 10.1016/j.jhazmat.2006.01.077.
8. Xu Y., Hao Z., Li Y., Li H., Wang L., Zang Z., Liao X., Zhang R. Distribution of selenium and zinc in soil-crop system and their relationship with environmental factors // Chemosphere. – 2020. – Vol. 242. – 125289. DOI: 10.1016/j.chemosphere.2019.125289.
9. Gan Y., Wang L., Yang G., Dai J., Wang R., Wang W. Multiple factors impact the contents of heavy metals in vegetables in high natural background area of China // Chemosphere. – 2017. – Vol. 184. – P. 1388–1395. DOI: 10.1016/j.chemosphere.2017.06.072.
10. Nafikova E., Aleksandrov D., Shaniyazova A., Bakina C. Hydroecological data recovery using artificial intelligence // E3S Web of Conferences. – 2023. – Vol. 381. – 01036. DOI: 10.1051/e3sconf/202338101036.
11. Shi L., Li J., Palansooriya K. N., Chen Y., Hou D., Meers E., Tsang D. C.W., Wang X., Ok Y.S. Modeling phytoremediation of heavy metal contaminated soils through machine learning // Journal of Hazardous Materials. – 2023. – Vol. 441. – 129904. DOI: 10.1016/
j.jhazmat.2022.129904.
12. Hu B., Xue J., Zhou Y., Shao S., Fu Z., Li Y., Chen S., Qi L., Shi Z. Modelling bioaccumulation of heavy metals in soil-crop ecosystems and identifying its controlling factors using machine learning // Environmental Pollution. – 2020. – Vol. 262. – 114308. DOI: 10.1016/
j.envpol.2020.114308.
13. Zhang H., Yin S., Chen Y., Shao S., Wu J., Fan M., Chen F., Gao C. Machine learning-based source identification and spatial prediction of heavy metals in soil in a rapid urbanization area, eastern China // Journal of Cleaner Production. – 2020. – Vol. 273. – 122858. DOI: 10.1016/j.jclepro.2020.122858.
14. Climate Change Impacts on High-Altitude Ecosystems / eds. M. Öztürk, K. R. Hakeem, I. Faridah-Hanum, R. Efe. – Cham: Springer International Publishing, 2015. DOI: 10.1007/978-3-319-12859-7.
15. Faraway J. J. Extending the Linear Model with R: Generalized Linear, Mixed Effects and Nonparametric Regression Models. – Chapman & Hall/CRC, 2006. – 345 p.