ПРОГНОЗИРОВАНИЕ ЭКОЛОГИЧЕСКОЙ СИТУАЦИИ ПРИ ПОМОЩИ НЕЙРОННЫХ СЕТЕЙ

Киселева О.В., ORCID: 0000-0001-8637-1416, канд. техн. наук, Савельева Е.А., канд. техн. наук, Дадаева И.Г., канд. техн. наук, Казахстанско-Немецкий университет, г. Алматы, Казахстан

ПРОГНОЗИРОВАНИЕ ЭКОЛОГИЧЕСКОЙ СИТУАЦИИ ПРИ ПОМОЩИ НЕЙРОННЫХ СЕТЕЙ

 

Аннотация. Атмосферный воздух является жизненно важным компонентом окружающей среды, неотъемлемой частью среды обитания человека, растений и животных. Качество атмосферного воздуха – важнейший фактор, влияющий на санитарно-эпидемиологи-ческую ситуацию. С ростом промышленности экологические проблемы и управление окружающей средой приобретают новое значение. Для эффективного решения этих проблем необходимо создание современных систем экологического мониторинга. В этой статье применены искусственные нейронные сети для прогнозирования концентраций PM2,5 как детерминант смога. Использованы метеорологические данные и концентрации PM2,5 для создания этих сетей. Данные и концентрации PM2,5 в нескольких точках в городе Алматы использовались в качестве входных данных для обучения модели. Измерения проводились в течение трех месяцев (февраль-март) 2019–2021 гг. Наилучшие результаты показала рекуррентная нейронная сеть с долговременной краткосрочной памятью, которая доказала свою эффективность в прогнозировании этого типа данных.

Ключевые слова: экология; нейронные сети; проектирование; прогнозирование; оценка загрязнения.

 

Kisseleva O.V., ORCID: 0000-0001-8637-1416, Ph.D., Savelyeva E.A., Ph.D., Dadaeva I.G., Ph.D., Kazakh-German University, Almaty, Kazakhstan

FORECASTING THE ECOLOGICAL SITUATION USING NEURAL NETWORKS

 

Abstract. Atmospheric air is a vital component of the natural environment, an integral part of the human, plant and animal habitat. Ambient air quality is the most important factor affecting health, sanitary and epidemiological situation. With industrial growth, environmental issues and environmental management are revived and take on new significance. To effectively solve these problems, it is necessary to create modern environmental monitoring systems. In this article, we have applied artificial neural networks to predict PM2.5 concentrations as determinants of smog. We used meteorological data and PM2.5 concentrations to create these networks. PM2.5 data and concentrations at several points in the city of Almaty were used as input data for training the model. The measurements were carried out over three months (February-March) 2019–2021. The best results were shown by a recurrent neural network with long short-term memory, which has proven to be effective in predicting this type of data.

Key words: ecology; neural networks; design; forecasting; pollution assessment.