Применение искусственных нейронных сетей для прогнозирования и визуализации пространственного распределения химических элементов в поверхностном слое почвы

Abstract

Работа посвящена сравнению оценок концентраций поверхностного распределения химических элементов в почве, полученных с применением искусственных нейронных сетей (ИНС), с данными полученными с применением геостатистических методов. Для исследования была выбрана квадратная площадка со стороной 1 м в районе поселка Лимбяяха Ямало-Ненецкого автономного округа вдали от источников загрязнения. На этой площадке были отобраны 100 проб верхнего слоя почвы на глубину 0,05 м. Образцы были проанализированы на рентгенофлуоресцентном спектрометре Innov XX 5000 Olympus. После компьютерного моделирования была выбрана наилучшая структура ИНС для восстановления поверхностного распределения каждого из обнаруженных анализом химических элементов. Также были получены модели на основе оценок кригинга. Сравнение значений концентрации химических элементов в почве, полученные методами кригинга и ИНС показали, что обученная ИНС дает модели, превосходящие по точности кригинг и в качестве интерполятора и как прогностический метод. Были построены карты распределения поверхностной концентрации химических элементов на основе оценок кригинга и ИНС.

The work is devoted to the comparison of the estimates the concentrations of surface distribution of the chemical elements in the soil obtained with the artificial neural networks (ANN) and geostatistical methods (kriging). For the study a square area with a side of 1 m in the Yamal-Nenets Autonomous Okrug, Tyumen region was chosen far from the sources of pollution. In this area 100 cores of topsoil (0.05 m) were sampled. Specimens were analyzed by X-ray fluorescence spectrometer Innov XX 5000. After a computer simulation the best ANN structure for the restoration of the surface distribution of chemical elements in the soil was selected. A comparison of concentration’s values of the surface distribution of chemical elements in the soil made by kriging methods and by ANN showed that a trained ANN gives prediction models comparable in accuracy with the kriging as an interpolator and as the forecast method, as well. The maps of the surface distribution of chemical elements on the basis of estimates of kriging and ANN were made.