УДК 004.032.26 УДК 504.4.054

АЛГОРИТМ РАННЕГО ОБНАРУЖЕНИЯ ОТКЛОНЕНИЙ ДАННЫХ МОНИТОРИНГА, ВОЗНИКАЮЩИХ ВСЛЕДСТВИЕ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ ПРИРОДНОГО ИЛИ ТЕХНОГЕННОГО ХАРАКТЕРА

Опубликовано в Проблемы управления рисками в техносфере · Номер 3, 2026 · Страницы 160–170 · Рубрика: Экологическая безопасность
DOI: https://doi.org/10.61260/1998-8990-2026-3-160-170
Получено: 20.04.2026 Одобрено: 11.06.2026 Опубликовано: 05.10.2026
Разработан алгоритм раннего обнаружения внештатных изменений в многомерных данных экологического мониторинга, возникающих вследствие чрезвычайных ситуаций природного или техногенного характера, на основе совместного использования самоорганизующихся карт Кохонена (SOM) и метода k-ближайших соседей. Основная цель алгоритма – повышение интерпретируемости изменений данных экологического мониторинга, сигнализирующих о наступлении внештатной ситуации. Алгоритм определяет внештатные изменения данных в два этапа, чтобы минимизировать количество ложных срабатываний: вначале определяются потенциальные отклонения от типичных значений на уровне отдельных узлов на карте SOM, затем – на уровне всей выборки. Внештатным считается наблюдение, определённое как отклоняющееся на обоих этапах. Верификация предложенного алгоритма проведена на наборе данных экологического мониторинга. Алгоритм выявил наблюдения, соответствующие документально подтверждённым аварийным сбросам и чрезвычайным ситуациям, что подтверждает его практическую значимость. Алгоритм является воспроизводимым, масштабируемым, допускает работу с данными различной природы и может быть интегрирован в системы экологического мониторинга для анализа данных. Представленная реализация демонстрирует эффективность подхода на примере задачи экологического мониторинга, что подтверждает его применимость для решения практических задач.
чрезвычайные ситуации, экологический мониторинг, выявление отклонений, самоорганизующиеся карты Кохонена, метод k-ближайших соседей, многомерные данные, кластерный анализ
Текст Список литературы
Текст (PDF)
Читать Скачать

1. Патрикеев Д.Н., Таранцева К.Р. Анализ загрязнителей водных экосистем в текстильной промышленности и мер их мониторинга // Экологические проблемы природных и урбанизированных территорий: материалы XIV Междунар. науч.-практ. конф. Астрахань: Астраханский государственный университет им. В.Н. Татищева, 2025. С. 385–390. EDN: https://elibrary.ru/LNUSAI.

2. A critical review on textile wastewater treatments: possible approaches / C.R. Holkar [et al.] // Journal of environmental management. 2016. Vol. 182. P. 351–366. DOI:https://doi.org/10.1016/j.jenvman.2016.07.090

3. Современные научные и методические подходы к мониторингу водных объектов и сточных вод: научный обзор / О.В. Киёк [и др.] // Экология человека. 2025. № 9. С. 616–627. DOI:https://doi.org/10.17816/humeco690078

4. Yaseen D.A., Scholz M. Textile dye wastewater characteristics and constituents of synthetic effluents: a critical review // International journal of environmental science and technology. 2019. Vol. 16. № 2. P. 1193–1226. DOI:https://doi.org/10.1007/s13762-018-2130-z

5. Licen S., Astel A., Tsakovski S. Self-organizing map algorithm for assessing spatial and temporal patterns of pollutants in environmental compartments: A review // Science of The Total Environment. 2023. Vol. 878. P. 163084. DOI:https://doi.org/10.1016/j.scitotenv.2023.163084

6. Tian J., Azarian M.H., Pecht M. Anomaly detection using self-organizing maps-based k-nearest neighbor algorithm // PHM Society European Conference. 2014. Vol. 2. № 1. DOI:https://doi.org/10.36001/phme.2014.v2i1.1554

7. Assafo M., Langendoerfer P. Self-Organizing Map Applications for Predictive Maintenance: A Review // Authorea Preprints. 2024. DOI:https://doi.org/10.1109/ICPS65515.2025.11087894

8. Anomaly Detection on Abrupt Climate Change Using AI Techniques / M.H. Jawad [et al.] // International Conference on Emerging Trends in AI and Computational Technologies. Cham: Springer Nature Switzerland. 2024. P. 61–71. DOI:https://doi.org/10.1007/978-3-031-89960-7_5

9. Liu Z.L. Anomaly detection // Artificial Intelligence for Engineers: Basics and Implementations. Cham: Springer Nature Switzerland. 2025. P. 293–316. DOI:https://doi.org/10.1007/978-3-031-75953-6_12

10. Pawar P.P., Phadke A.C. A survey on different techniques for anomaly detection // International Conference on Computational Intelligence. Singapore: Springer Nature Singapore, 2022. P. 365–380. DOI:https://doi.org/10.1007/978-981-99-2854-5_31

11. Yasir Abdullah R., Mary Posonia A., Barakkath Nisha U. An Enhanced Anomaly Forecasting in Distributed Wireless Sensor Network Using Fuzzy Model // International Journal of Fuzzy Systems. 2022. Vol. 24. № 7. P. 3327–3347. DOI:https://doi.org/10.1007/s40815-022-01349-1

12. Statistical approaches for establishing appropriate immunogenicity assay cut points: impact of sample distribution, sample size, and outlier removal / J. Garlits [et al.] // The AAPS Journal. 2023. Vol. 25. № 3. P. 37. DOI:https://doi.org/10.1208/s12248-023-00806-5

13. Bhuvana R., Maheshwari S., Sasikala S. Outliers-Detection & Implementation Using Machine Learning Algorithm // 13th International Conference on System Modeling & Advancement in Research Trends (SMART). IEEE. 2024. P. 235–238. DOI:https://doi.org/10.1109/SMART63812.2024.10882474

14. Комплект данных для прогнозирования загрязнения водных объектов на основе использования нейросетевых моделей: свидетельство о регистрации базы данных № 2025623540 Рос. Федерация / Патрикеев Д.Н.; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Пензенский государственный технологический университет». № 2025623144; заявл. 15.07.2025; опубл. 28.08.2025.

15. Игнатьев Н.А., Турсунмуротов Д.Х. Об эффективности метрических алгоритмов распознавания на базе k ближайщих соседей // Проблемы вычислительной и прикладной математики. 2024. № 4 (58). С. 117–125.

16. Ayejoto D.A., Egbueri J.C. Human health risk assessment of nitrate and heavy metals in urban groundwater in Southeast Nigeria // Ecological Frontiers. 2024. Vol. 44. № 1. P. 60–72. DOI:https://doi.org/10.1016/j.chnaes.2023.06.008

17. Significantly enhanced effects of heavy metals on the toxicity, bioconcentration and biomagnification under combined exposure / Q. Cheng [et al.] // Comparative Biochemistry and Physiology Part C: Toxicology & Pharmacology. 2025. P. 110346. DOI:https://doi.org/10.1016/j.cbpc.2025.110346

18. Орешкин В.Н., Хрисанов В.Р. О распространённости фоновых и техногенно-зависимых концентраций тяжёлых металлов в речных водах // Жизнь Земли. 2024. Т. 46. № 4. С. 406–417. DOI:https://doi.org/10.29003/m4330.0514-7468.2020_46_4/406-417

19. Миронова К.В., Савватеева О.А., Денисова Е.А. Воздействие на поверхностные воды территории г. Кашин и оценка их состояния // Международный студенческий научный вестник. 2016. № 3-4. С. 25. EDN: https://elibrary.ru/WXAXRT.

20. Плетенкова А.Д., Соколов А.Н. Применение двухэтапного метода кластеризации на основе самоорганизующейся карты Кохонена для обнаружения аномалий в синтетических наборах данных // Вестник УрФО. Безопасность в информационной сфере. 2024. Т. 4. № 54. С. 49–60. DOI:https://doi.org/10.14529/secur240406

21. Cybersecurity analysis of an electric vehicle based on its performance using hybrid KNN-SOM-DT model / R. Gomathi [et al.] // Hybrid and Advanced Technologies. CRC Press. 2025. P. 155–160. DOI:https://doi.org/10.1201/9781003559115-27

Войти или Создать
* Забыли пароль?