Abstract

The work is devoted to the design of selection method of the type and structure of artificial neural networks (ANN) for restoring the surface distribution of chemical elements (Si, K, Cr, Ti, V, Mn, Fe, Ni, Zr) in soil. A site for the study was chosen in the form of a square with a side of 1 m away from sources of contamination.100 samples of the topsoil (depth 0,05 m) were selected in this area. To restore the surface distribution of chemical elements in the soil using computer modeling, various types and structures of ANN were chosen. For each chemical element, its own ANN was selected and its own estimation of the prediction accuracy was used. Comparison of the concentrations of the surface distribution of chemical elements in the soil, made by different ANNs with known values of concentrations showed that the trained ANNs provide a high prediction accuracy. The proposed approach with cross-validation allows choosing the type and structure of the neural network for an arbitrary site, which is one of the main difficulties in modeling the distribution of chemical elements by the ANN method.
Translated title of the contributionSELECTION OF TYPE AND STRUCTURE OF ARTIFICIAL NEURAL NETWORKS FOR ESTIMATION OF CHEMICAL ELEMENTS DISTRIBUTION IN TOPSOIL
Original languageRussian
Pages (from-to)36-48
Number of pages13
JournalЭкологические системы и приборы
Issue number8
Publication statusPublished - 2017

Fingerprint

chemical element
artificial neural network
topsoil
soil
prediction
modeling
distribution
method

GRNTI

  • 87.00.00 PRESERVATION OF THE ENVIRONMENT. HUMAN ECOLOGY

Level of Research Output

  • VAK List

Cite this

@article{2a69cefb475a4762b05f8e0552e9da1d,
title = "ПОДБОР ТИПА И СТРУКТУРЫ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОЦЕНКИ РАСПРЕДЕЛЕНИЯ ХИМИЧЕСКИХ ЭЛЕМЕНТОВ В ВЕРХНЕМ СЛОЕ ПОЧВЫ",
abstract = "Работа посвящена выбору типа и структуры искусственных нейронных сетей (ИНС) для восстановления поверхностного распределения химических элементов (кремния, калия, хрома, титана, ванадия, марганца, железа, никеля, циркония) в почве. Для исследования была выбрана площадка в форме квадрата со стороной 1 м вдали от источников загрязнения. На этом участке были отобраны 100 проб верхнего слоя почвы (глубина 0,05 м). Для восстановления поверхностного распределения химических элементов в почве при помощи компьютерного моделирования были выбраны различные типы и структуры ИНС. Для каждого химического элемента подбиралась своя ИНС и использовалась своя оценка точности прогнозирования. Сравнение значений концентраций поверхностного распределения химических элементов в почве, сделанных различными ИНС, с известными значениями концентраций показало, что обученные ИНС дают высокую точность прогнозирования. Предложенный подход с кросс-валидацией позволяет выбрать тип и структуру нейронной сети для произвольной площадки, что является одой из основных сложностей при моделировании распределения химических элементов методом ИНС.",
author = "Мокрушин, {Андрей Анатольевич} and Тарасов, {Дмитрий Александрович} and Сергеев, {Александр Петрович} and Буевич, {Александр Геннадьевич} and Баглаева, {Елена Михайловна}",
year = "2017",
language = "Русский",
pages = "36--48",
journal = "Экологические системы и приборы",
issn = "2072-9952",
publisher = "Общество с ограниченной ответственностью {"}Издательство Научтехлитиздат{"}",
number = "8",

}

TY - JOUR

T1 - ПОДБОР ТИПА И СТРУКТУРЫ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОЦЕНКИ РАСПРЕДЕЛЕНИЯ ХИМИЧЕСКИХ ЭЛЕМЕНТОВ В ВЕРХНЕМ СЛОЕ ПОЧВЫ

AU - Мокрушин, Андрей Анатольевич

AU - Тарасов, Дмитрий Александрович

AU - Сергеев, Александр Петрович

AU - Буевич, Александр Геннадьевич

AU - Баглаева, Елена Михайловна

PY - 2017

Y1 - 2017

N2 - Работа посвящена выбору типа и структуры искусственных нейронных сетей (ИНС) для восстановления поверхностного распределения химических элементов (кремния, калия, хрома, титана, ванадия, марганца, железа, никеля, циркония) в почве. Для исследования была выбрана площадка в форме квадрата со стороной 1 м вдали от источников загрязнения. На этом участке были отобраны 100 проб верхнего слоя почвы (глубина 0,05 м). Для восстановления поверхностного распределения химических элементов в почве при помощи компьютерного моделирования были выбраны различные типы и структуры ИНС. Для каждого химического элемента подбиралась своя ИНС и использовалась своя оценка точности прогнозирования. Сравнение значений концентраций поверхностного распределения химических элементов в почве, сделанных различными ИНС, с известными значениями концентраций показало, что обученные ИНС дают высокую точность прогнозирования. Предложенный подход с кросс-валидацией позволяет выбрать тип и структуру нейронной сети для произвольной площадки, что является одой из основных сложностей при моделировании распределения химических элементов методом ИНС.

AB - Работа посвящена выбору типа и структуры искусственных нейронных сетей (ИНС) для восстановления поверхностного распределения химических элементов (кремния, калия, хрома, титана, ванадия, марганца, железа, никеля, циркония) в почве. Для исследования была выбрана площадка в форме квадрата со стороной 1 м вдали от источников загрязнения. На этом участке были отобраны 100 проб верхнего слоя почвы (глубина 0,05 м). Для восстановления поверхностного распределения химических элементов в почве при помощи компьютерного моделирования были выбраны различные типы и структуры ИНС. Для каждого химического элемента подбиралась своя ИНС и использовалась своя оценка точности прогнозирования. Сравнение значений концентраций поверхностного распределения химических элементов в почве, сделанных различными ИНС, с известными значениями концентраций показало, что обученные ИНС дают высокую точность прогнозирования. Предложенный подход с кросс-валидацией позволяет выбрать тип и структуру нейронной сети для произвольной площадки, что является одой из основных сложностей при моделировании распределения химических элементов методом ИНС.

UR - https://elibrary.ru/item.asp?id=30296163

M3 - Статья

SP - 36

EP - 48

JO - Экологические системы и приборы

JF - Экологические системы и приборы

SN - 2072-9952

IS - 8

ER -