DEVELOPMENT OF NEURAL NETWORKS FOR FORECASTING OF CHEMICAL SUBSTANCES’ MIGRATION IN SOIL AND ALGORITHMS OF THEIR TRAINING
Abstract
A review of the existing models and methods for forecasting chemical substances' migration in soil is contained in the paper. The paper shows that the most effective decision for solving ecological tasks in this field is an application of artificial neural networks using training «with a tutor» on the basis of an inverse error propagation algorithm. Corresponding structures of neural networks for solution of the given problem have been developed in the paper.
A new method for artificial neural network training based on the modification of an inverse error propagation algorithm while using an additional signal is proposed in the paper. The given method allows to achieve 100% convergence in the forecasting problems pertaining to chemical substances' migration in soil.
About the Authors
S. P. Kundas
Международный государственный экологический университет имени А. Д. Сахарова
V. I. Kovalenko
Международный государственный экологический университет имени А. Д. Сахарова
O. S. Khilko
Международный государственный экологический университет имени А. Д. Сахарова
References
1. Knatko, У. A. Characteristics of 90Sr, 137Cs and 239,240Pu migration in undisturbed soils of southern Belarus after the Chernobyl accident // J. Env. Radioactivity. – 1996. –Vol. 2.–P. 185-196.
2. Серебряный, Г. 3. Аналитическая модель миграции радионуклидов в пористых средах / Г. 3. Серебряный, М. Л. Жемжуров // ИФЖ. – 2003. – Т. 6. – С. 146-150.
3. Жукова, О. М. Модель миграции радионуклидов в речной системе / О. М. Жукова, Н. М. Ширяева, Н. К. Мышкина // ИФЖ. – 2001. – Т. 4. – С. 70-77.
4. Прохоров, В. М. Миграция радиоактивных загрязнений в почвах / В. М. Прохоров // Физико-химические механизмы и моделирование. – М., 1981.
5. Overland water flow and solute transport: Model development and field-data analysis I Abbasi F. [et al.] // J. of Irrig. and Drainage ASCE. – 2003. – Vol. 2. – P. 71-81.
6. Kanevski, M. Spatial Estimations and Simulations of environment data using geostaticstics and artificial neural network / M. Kanevski, V. Demyanov, M. Maignan // Proceedings of IAMG-97. – Bare., 1997. – P. 533-538.
7. Картирование пространственных данных при помощи многослойного персептрона и геостатистики / А. С. Кравецкий // Институт проблем безопасного развития атомной энергетики РАН. – 1999. – С. 41.
8. Simunek, J. The HYDRUS-1D Software Package for Simulating the One-Dimensional Movement of Water, Heat and Multiple Solutes in Variably-Saturated Media. Version 3.0 / J. Simunek, van M. Th. Genuchten, M. Sejna // Department of Environmental Sciences, University of California. – 2005. – P. 240.
9. Wang F. The use of artificial neural networks in a geographical information system for agricultural tand-siiitability assessment / F. Wang // Environ, and Plann. A. –1994.–Vol. 2. – P. 265-284.
10. Timonin, V. Spatial Prediction of Radioactivity using General Regression Neural Network / V. Timonin, E. Savelieva // Applied GIS. – 2005. – Vol. 2. – P. 19.1-19.14.
11. Ланкин, Ю. П. Моделирование изменений экологических объектов с помощью нейронных сетей / Ю. П. Ланкин, А. П. Лалетин // Сибирский экологический журнал. –1999. – Т. 6. – С. 449-452.
12. Ермолаев, О. П. Использование нейронных сетей в геоинформационном анализе рельефа как фактора эрозии почв / О. П. Ермолаев, А. А. Савельев // 14-е Пленар. межвуз. координац. совещание по проблеме эрозионных, русловых и устьевых процессов: материалы и краткие сообщения. – Уфа : МГУ, 1999. – С. 117-119.
13. Головко, В. А. Нейронные сети: обучение, организация и применение / В. А. Головко. – Минск, 2001.
14. Кундас, С. П. Применение экспертных систем для прогнозирования миграции радионуклидов и химических веществ в почве / С. П. Кундас, В. И. Коваленко // Материалы 6-й междунар. науч. конф. – Минск : МГЭУ им. Сахарова, 2006. – Т. 2. – С. 162-166.
15. Математическое моделирование процессов переноса вещества и влаги в почве / С. П. Кундас // Экол. вестник. – 2007. – С. 62-71.
16. Bishop С, М. Theoretical foundation of neural networks / С. M. Bishop // Neural computing research group. – Aston Univ., 1996. – P. 8.
17. Hongbin, L. Soil water content forecasting by ANN and SVM hybrid architecture / L. Hongbin, X. Deti, W. Wei // Environmental Monitoring and Assessment. – 2008. –Vol. 1–3.– P. 187-193.
Review
For citations:
Kundas S.P., Kovalenko V.I., Khilko O.S. DEVELOPMENT OF NEURAL NETWORKS FOR FORECASTING OF CHEMICAL SUBSTANCES’ MIGRATION IN SOIL AND ALGORITHMS OF THEIR TRAINING. Science & Technique. 2010;(2):32-38. (In Russ.)
Views:
690
Email this article 