МОДЕЛІ ШТУЧНОГО ІНТЕЛЕКТУ В ЗАДАЧІ МОНІТОРИНГУ ЕКОЛОГІЧНОГО СЕРЕДОВИЩА РЕГІОНУ
DOI:
https://doi.org/10.34185/1562-9945-2-163-2026-15Ключові слова:
штучний інтелект, екологічний моніторинг, інтелектуальні системи, глибоке навчання, предиктивна аналітика, нейронні мережі, гібридна архітектура ConvLSTM, нечітка логікаАнотація
У сучасних умовах інтенсивного антропогенного навантаження розробка та впровадження інтелектуальних систем регіонального екологічного моніторингу стає критично важливим завданням для забезпечення сталого розвитку територій. Проблема дослідження зумовлена високою нелінійністю та стохастичністю процесів розповсюдження забруднювачів, що робить традиційні статистичні методи аналізу малоефективними. Метою роботи є перехід від ретроспективної фіксації стану дов-кілля до предиктивного моделювання на основі обробки великих гетерогенних масивів даних. Методологія дослідження базується на використанні гібридної архітектури ConvLSTM для аналізу просторово-часових залежностей, графових нейронних мереж (GCN) для врахування топології мережі спостереження та адаптивного нейро-нечіткого виведення (ANFIS) для інтерпретації екологічних ризиків. У результаті експериментальної апробації підтверджено зниження середньої абсолютної похибки прогнозування концентрації забруднювачів на 15% та скорочення часу прийняття управлінських рішень на 40-50%. Наукова новизна роботи полягає у синтезі мультимо-дальної архітектури, яка вперше поєднує просторово-часову динаміку, топологічний аналіз зв’язків та нечітку логіку в межах єдиної інформаційної платформи, що ство-рює підґрунтя для автоматизованого керування екологічними стратегіями регіону в реальному часі.
Посилання
Chen, G., Li, S., Knibbs, L. D., Hamm, N. A. S., Cao, W., Li, T., Guo, J., Ren, H., Abram-son, M. J., & Guo, Y. (2018). A machine learning method to estimate PM2.5 concentrations across China with remote sensing, meteorological and land use information. The Science of the total environment, 636, 52-60. https://doi.org/10.1016/j.scitotenv.2018.04.251.
Box, G. E. P., & Jenkins, G. M. (1970). Time series analysis: Forecasting and control. Holden-Day, San Francisco.
Kussul, N., Lavreniuk, M., Skakun, S., & Shelestov, A. (2017). Deep learning classifica-tion of land cover and crop types using remote sensing data. IEEE Geoscience and Remote Sensing Letters, 14(5), 778-782. https://doi.org/10.1109/LGRS.2017.2681128.
Mao, Y., Fang, A., Chen, Z., & Zheng, Y. (2023). Deep learning for air quality prediction: A comparative study. In 2023 5th International Academic Exchange Conference on Science and Technology Innovation (IAECST), 1109-1114. https://doi.org/10.1109/IAECST60924.2023.10503030.
EcoCity. About us. https://reborn.eco-city.org.ua/about.
Gardner, M. W., & Dorling, S. R. (1998). Artificial neural networks (the multilayer per-ceptron) – a review of applications in the atmospheric sciences. Atmospheric Environment, 32(14-15), 2627-2636. https://doi.org/10.1016/S1352-2310(97)00447-0.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9 (8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735.
Kipf, T. N., & Welling, M. (2016). Semi-supervised classification with graph convolu-tional networks. arXiv. https://doi.org/10.48550/arXiv.1609.02907.
Li, P., Zhang, T., & Jin, Y. (2023). A spatio-temporal graph convolutional network for air quality prediction. Sustainability, 15(9), 7624. https://doi.org/10.3390/su15097624.
Bilgili, M., Yıldırım, A., Ozbek, A., Ekinci, F., & Celebi, K. (2020). Long short-term memory (LSTM) neural network and adaptive neuro-fuzzy inference system (ANFIS) ap-proach in modeling renewable electricity generation forecasting. International Journal of Green Energy, 18(2), 163-179. https://doi.org/10.1080/15435075.2020.1865375.
SaveEcoBot. Air quality map of Ukraine. https://www.saveecobot.com/.
Zadeh, L. A. (2008). Is there a need for fuzzy logic? Information Sciences, 178(13), 2751-2779. https://doi.org/10.1016/j.ins.2008.02.012.
The Boris Sreznevsky Central Geophysical Observatory. URL: https://cgo-sreznevskyi.kyiv.ua/uk/
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Системні технології
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
