 |
ISSN 2223-4594 | ISSN 2949-110X
|
Расширенный поиск
RuEn
|
 |
О ЖУРНАЛЕ|РЕДАКЦИОННЫЙ СОВЕТ И РЕДКОЛЛЕГИЯ|ИНФО|ВЫПУСКИ ЖУРНАЛА|АВТОРАМ|ПОДПИСКА|КОНТАКТЫ |  |
СРАВНИТЕЛЬНЫЙ АНАЛИЗ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗА ДИНАМИКИ КОНЦЕНТРАЦИЙ ПАРНИКОВЫХ ГАЗОВ В ПРИЗЕМНОМ СЛОЕ АТМОСФЕРНОГО ВОЗДУХА ОСТРОВА БЕЛЫЙ
ЖУРНАЛ: Том 16, № 1, 2026, с. 53-63РУБРИКА: Новые технологии освоения Арктики
АВТОРЫ: Бобаков В.С., Буевич А.Г., Буторова А.С., Сергеев А.П.
ОРГАНИЗАЦИИ: Институт промышленной экологии Уральского отделения РАН
DOI: 10.25283/2223-4594-2026-1-53-63
УДК: 504.064.2.001.18
Поступила в редакцию: 23.07.2025
Ключевые слова: парниковые газы, прогноз, временны́е ряды, нейронные сети, графовые нейронные сети, LSTM
Библиографическое описание: Бобаков В.С., Буевич А.Г., Буторова А.С., Сергеев А.П. Сравнительный анализ нейросетевых моделей для прогноза динамики концентраций парниковых газов в приземном слое атмосферного воздуха острова Белый // Арктика: экология и экономика. — 2026. — Т. 16, — № 1. — С. 53-63. — DOI: 10.25283/2223-4594-2026-1-53-63.
АННОТАЦИЯ:
В последние годы применение технологий на основе машинного обучения все более актуально для мониторинга выбросов парниковых газов в Арктике, где наблюдаются интенсивная деградация многолетнемерзлых пород и увеличение выбросов метана в атмосферу. В настоящей работе созданы и сравнены модели на основе рекуррентных и графовой нейронных сетей для прогнозирования динамики концентраций основных парниковых и угарного газов в приземном слое атмосферного воздуха арктического острова Белый (Россия, Ямало-Ненецкий автономный округ). Исходный набор данных представлял собой измерения приземной концентрации четырех газов за летние месяцы 2016—2017 гг.: углекислого газа, метана, угарного газа и водяного пара. Для прогнозирования при помощи графового метода использовалась модель Multivariate Time Series Graph Neural Network (MTGNN), прогнозирование при помощи рекуррентного метода производилось при помощи моделей Long Short-Term Memory (LSTM) и Long Short-Term Memory Network (LSTNet). Точность прогноза моделей оценивалась при помощи следующих метрик: средней абсолютной ошибки MAE, среднеквадратической ошибки RMSE, нормализованной среднеквадратической ошибки NRMSE, коэффициента корреляции Corr. В целом модель MTGNN продемонстрировала более низкие значения ошибок по сравнению с рекуррентными моделями. У MTGNN по сравнению с LSTM и LSTNet ошибки ниже на 25—55%. Более точная графовая модель потребовала значительно большего времени для обучения и имела существенно большее количество параметров для оптимизации.
Сведения о финансировании: Исследование выполнено за счет субсидий Минобрнауки РФ на выполнение научной темы FUMN-2024-0003. вторы признательны Центру коллективного пользования арктических экологических исследований Института промышленной экологии Уральского отделения РАН за предоставление аппаратуры для измерения концентрации парниковых газов на острове Белый.
Литература:
1. Liu J., Ma Z. Forecasting Housing Price Using GRU, LSTM and Bi-LSTM for California. 2024 IEEE 2nd International Conference on Control, Electronics and Computer Technology (ICCECT). [S. l.], 2024, pp. 1033—1037.
2. He Z., Zhao C., Huang Y. Multivariate Time Series Deep Spatiotemporal Forecasting with Graph Neural Network. Applied Sciences, 2022, vol. 12 (11), p. 5731.
3. Widiasari I. R., Efendi R. Utilizing LSTM-GRU for IOT-Based Water Level Prediction Using Multi-Variable Rainfall Time Series Data. Informatics, 2024, vol. 11 (4), p. 73.
4. Sangeetha S. K. B., Mathivanan K. M., Rajadurai H., Jaehyuk C., Sathishkumar V. E. A multi-modal geospatial–temporal LSTM based deep learning framework for predictive modeling of urban mobility patterns. Scientific Reports, 2024, vol. 14, p. 31579.
5. Zhang X., Tian Z., Shi Y., Guan Q., Lu Y., Pan Y. STFGCN: Spatio-Temporal Fusion Graph Convolutional Networks for Subway Traffic Prediction. IEEE Access, 2024, vol. 12, pp. 194449—194461.
6. Dai Z., Wang C., Hu D., Chen J., Fu S. Intercity round-trip multi-region demand prediction based on multi-task fusion recurrent graph attention network. Neural Computing & Applications, 2025, vol. 37, pp. 14829—14848.
7. Jiang W., Luo J. Graph neural network for traffic forecasting: A survey. Expert Systems with Applications, 2022, vol. 207, p. 117921.
8. Cheng K., Ye J., Lu X., Sun L., Du B. Temporal Graph Network for continuous-time dynamic event sequence. Knowledge-Based Systems, 2024, vol. 304, p. 112452.
9. Liang Y., Zhang W., Sheng Z., Yang L., Xu Q., Jiang J., Tong Y., Cu B. Towards Scalable and Deep Graph Neural Networks via Noise Masking. arXiv preprint, 2025, 2412.14602.
10. Li C., Li S., Gao Y., Zhou L., Li W. Static graph convolution with learned temporal and channel-wise graph topology generation for skeleton-based action recognition. Computer Vision and Image Understanding, 2024, vol. 244, p. 104012.
11. Bui K. N., Cho J., Yi H. Spatial-temporal graph neural network for traffic forecasting: An overview and open research issues. Applied Intelligence, 2022, vol. 52, pp. 2763—2774.
12. Wu Z., Pan S., Chen F., Long G., Zhang C., Yu P. S. A Comprehensive Survey on Graph Neural Networks. IEEE Transactions on Neural Networks and Learning Systems, 2021, vol. 32 (1), pp. 4—24.
13. Wu F., Souza A., Zhang T., Fifty C., Yu T., Weinberger K. Simplifying Graph Convolutional Networks. Proceedings of the 36th International Conference on Machine Learning, PMLR, 2019, vol. 97, pp. 6861—6871.
14. Буевич А. Г., Сергеев А. П., Шичкин А. В. т др. Модель для прогнозирования поверхностной концентрации метана в арктическом регионе, основанная на искусственной нейронной сети с длинной цепью элементов краткосрочной памяти и вейвлет-преобразованием исходных данных // Арктика: экология и экономика. — 2023. — Т. 13, № 3. — С. 428—436.
15. Buevich A., Sergeev A., Shichkin A., Baglaeva E. A two-step combined algorithm based on NARX neural network and the subsequent prediction of the residues improves prediction accuracy of the greenhouse gases concentrations. Neural Computing & Applications, 2021, vol. 33, pp. 1547—1557.
16. Baglaeva E., Buevich A., Sergeev A., Rakhmatova A., Shichkin A. Forecasting of some greenhouse gases content trend in the air of the Russian Arctic region. Atmospheric Pollution Research, 2021, vol. 12 (3), pp. 68—75.
17. Богоявленский В. И., Сизов О. С., Никонов Р. А. и др. Дегазация земли в Арктике: генезис природной и антропогенной эмиссии метана // Арктика: экология и экономика. — 2020. — № 3 (39). — С. 6—22.
18. Богоявленский В. И., Сизов О. С., Никонов Р. А., Богоявленский И. В. Мониторинг изменений концентрации метана в атмосфере Арктики в 2019—2021 гг. по данным спектрометра TROPOMI // Арктика: экология и экономика. — 2022. — Т. 12, № 3. — С. 304—319.
19. Серых И. В., Толстиков А. В. Климатические изменения температуры воздуха западной части российской Арктики в 1940—2099 гг. по данным ERA5 и моделям CMIP6 // Арктика: экология и экономика. — 2024. — Т. 14, № 3. — С. 334—349.
20. Субботина И. Е., Баглаева Е. М., Буевич А. Г. и др. Динамика содержания парниковых газов в приземном слое атмосферного воздуха арктического острова Белый в летний период 2015—2017 гг. // Арктика: экология и экономика. — 2022. — Т. 12, № 1. — С. 68—76.
21. Баглаева Е. М., Сергеев А. П., Буевич А. Г. и др. Непараметрическая оценка прогностической точности моделей на примере временны́х рядов концентраций метана в атмосферном воздухе арктического острова Белый // Арктика: экология и экономика. — 2024. — Т. 14, № 4. — С. 500—510.
Скачать »