МАШИННОЕ ОБУЧЕНИЕ ДЛЯ КЛАССИФИКАЦИИ ЗАГРЯЗНЕНИЯ РАЙОНОВ ПАДЕНИЯ РАКЕТ-НОСИТЕЛЕЙ
DOI:
https://doi.org/10.54309/IJICT.2026.27.3.026Ключевые слова:
машинное обучение, экологический мониторинг, классификация загрязнения, районы падения ракет-носителей, геоинформационные системы, кластеризацияАннотация
Экологический мониторинг районов падения отделяющихся частей ракет-носителей – важная задача обеспечения экологической безопасности. В Казахстане 53 района падения общей площадью 4,94 млн га загрязнены высокотоксичным ракетным топливом. Цель работы – оценить эффективность алгоритмов машинного обучения для классификации и кластеризации уровней загрязнения. Использован датасет из 256 проб почвы. Применены четыре алгоритма: логистическая регрессия, метод k-ближайших соседей, случайный лес и градиентный бустинг, а также кластерный анализ методом k-средних. Все алгоритмы показали точность 92,7–98,2%; наилучший результат у логистической регрессии (98,2%, F1-мера 97,3%). Ключевыми предикторами загрязнения оказались концентрация NDMA (важность 0,274) и pH почвы (0,224). Кластерный анализ выявил оптимальное разделение на два кластера (силуэт 0,889). Результаты подтверждают возможность интеграции машинного обучения в геоинформационные системы экологического мониторинга.
Скачивания
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 МЕЖДУНАРОДНЫЙ ЖУРНАЛ ИНФОРМАЦИОННЫХ И КОММУНИКАЦИОННЫХ ТЕХНОЛОГИЙ
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
https://creativecommons.org/licenses/by-nc-nd/3.0/deed.en