СРАВНИТЕЛЬНЫЙ АНАЛИЗ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗА ДИНАМИКИ КОНЦЕНТРАЦИЙ ПАРНИКОВЫХ ГАЗОВ В ПРИЗЕМНОМ СЛОЕ АТМОСФЕРНОГО ВОЗДУХА ОСТРОВА БЕЛЫЙ

ЖУРНАЛ: Том 16, №1, 2026

РУБРИКА: Новые технологии освоения Арктики

АВТОРЫ: В. С. Бобаков, А. Г. Буевич, А. С. Буторова, А. П. Сергеев

ОРГАНИЗАЦИИ: Институт промышленной экологии Уральского отделения РАН (Екатеринбург, Российская Федерация)

Поступила в редакцию: 23 июля 2025 г.

Ключевые слова: временны́е ряды, парниковые газы, Арктика, прогноз, 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.

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 среднеквадра-тической 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.

ФИНАНСИРОВАНИЕ: Исследование выполнено за счет субсидий Минобрнауки РФ на выполнение научной темы FUMN-2024-000.

СКАЧАТЬ СТАТЬЮ