Тип публикации: статья из журнала
Год издания: 2025
Ключевые слова: geoecological monitoring, forecasting, statistical models, neural networks, time series, mining activity, геоэкологический мониторинг, прогнозирование, статистические модели, нейронные сети, временные ряды, горнодобывающая деятельность
Аннотация: Рассматриваются возможности прогнозирования геоэкологических показателей в районах горнодобывающей деятельности на основе ограниченного массива наблюдений. Проведено сравнение классических статистических методов, включая регрессионный анализ и модели временных рядов, с нейросетевым подходом минимальной архитектурной сложности. ЭкспПоказать полностьюериментальные исследования выполнены на данных локального мониторинга и направлены на оценку точности, устойчивости и вычислительных затрат различных моделей. Показано, что статистические методы обеспечивают устойчивые и интерпретируемые результаты, однако уступают нейросетевым алгоритмам по точности прогнозирования, особенно при увеличении горизонта прогноза и наличии нелинейной динамики. Установлено, что нейросетевая модель позволяет снизить среднеквадратическую ошибку прогноза и более адекватно отражает влияние изменений эксплуатационных условий. Полученные результаты обосновывают целесообразность дифференцированного выбора методов прогнозирования для задач прикладного геоэкологического мониторинга. The paper analyzes forecasting approaches for geoecological indicators in mining areas based on a limited set of observational data. A comparative assessment of classical statistical methods, including regression analysis and time series models, and a neural network approach with minimal architectural complexity is performed. Experimental studies are carried out using local monitoring data to evaluate the accuracy, stability, and computational efficiency of the applied models. The results show that statistical methods provide stable and interpretable forecasts but are inferior to neural networks in terms of prediction accuracy, especially for longer forecasting horizons and nonlinear dynamics. The neural network model demonstrates a reduced mean square error and a more adequate response to changes in mining conditions. The findings confirm the practical relevance of a differentiated selection offorecasting methods for applied geoecological monitoring tasks.
Журнал: Известия Тульского государственного университета. Науки о Земле
Выпуск журнала: № 4
Номера страниц: 125-130
ISSN журнала: 22185194
Место издания: Тула
Издатель: Тульский государственный университет