2026: Сборник статей Международной конференции MMIT'26
487-493
2026-06-06
Открытый доступ

ЭФФЕКТИВНЫЕ АЛГОРИТМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЭКОЛОГИЧЕСКОМ МОНИТОРИНГЕ

Негматов Улугбек, Исомаддинов Усмонали, Муроджон Хасанов, Турсунов Иброхимжон
https://doi.org/10.61587/

Получена: 2026-05-30

Опубликована: 2026-06-06

PDF (узбекский (латиница))
Crossmark Crossmark

Аннотация

В статье анализируются теоретические и практические аспекты использования алгоритмов искусственного интеллекта в экологическом мониторинге. В условиях цифровизации высокая стоимость, значительная продолжительность и относительно низкая точность традиционных методов наблюдения усиливают потребность в оперативной и надёжной обработке экологических данных. Авторы показывают, что искусственный интеллект может применяться для мониторинга воды, воздуха, почвы и опасных природных явлений, а также для определения концентраций загрязняющих веществ. В исследовании сравниваются SVM, SVR, деревья решений, случайные леса, RNN, CNN и гибридные модели, оцениваются их сильные и слабые стороны. Также выявляются проблемы, связанные с качеством данных, вычислительными ресурсами, интерпретируемостью моделей, безопасностью, способностью к обобщению и энергопотреблением. Делается вывод о том, что эффективные решения на основе искусственного интеллекта в экологическом мониторинге следует рассматривать не только как техническое достижение, но и как комплексный инструмент управления, способствующий экологической устойчивости.


 

Ключевые слова

Список литературы

  1. The Fourth Industrial Revolution. What It Means and How to Respond. By Klaus Schwab. December 12, 2015. URL: https://www.foreignaffairs.com/world/fourth-industrial-revolution (дата звернення: 14.02.2025).

  2. Hameed, M., Sharqi, S.S., Yaseen, Z.M., Afan, H.A., Hussain, A., Elshafie, A. Application of artificial intelligence (AI) techniques in water quality index prediction: a case study in tropical region, Malaysia. Neural Comput. Appl. 2017. № 28. S. 893–905. DOI: https://doi.org/10.1007/s00521-016-2404-7.

  3. Li, Y., Feng, Z., Chen, S., Zhao, Z., Wang, F. Application of the artificial neural network and support vector machines in forest fire prediction in the Guangxi autonomous region, China. Discrete Dyn. Nat. Soc. 2020. № 1. S. 1–14. DOI: https://doi.org/10.1155/2020/5612650.

  4. Zagajewski, B., Kluczek, M., Raczko, E., Njegovec, A., Dabija, A., Kycko, M. Comparison of random forest, support vector machines, and neural networks for post-disaster forest species mapping of the krkonoše/karkonosze transboundary biosphere reserve. Remote Sens. 2021. № 13(13), 2581. DOI: https://doi.org/10.3390/rs13132581.

  5. Ye, Z., Yang, J., Zhong, N., Tu, X., Jia, J., Wang, J. Tackling environmental challenges in pollution controls using artificial intelligence: A review. Sci. Total Environ. 2020. № 699:134279. DOI: https://doi.org/10.1016/j.scitotenv.2019.134279.

  6. El-Magd, S.A.A., Soliman, G., Morsy, M., Kharbish, S. Environmental hazard assessment and monitoring for air pollution using machine learning and remote sensing. Int. J. Environ. Sci. Technol. 2022. № 20 (6), S. 6103–6116. DOI: https://doi.org/10.1007/s13762-022-04367-6.

  7. Zhang, H., Zhang, L., Wang, S., Zhang, L. Online water quality monitoring based on UV–Vis spectrometry and artificial neural networks in a river confluence near Sherfield-on-Loddon. Environ. Monit. Assess. 2022. № 194:630. DOI: https://doi.org/10.1007/s10661-022-10118-4.

  8. Ghorbani, Z., Behzadan, A.H. Monitoring offshore oil pollution using multi-class convolutional neural networks. Environ. Poll. 2021. № 289:117884. DOI: https://doi.org/10.1016/j.envpol.2021.117884.

  9. Almalawi, A., Alsolami, F., Khan, A.I., Alkhathlan, A., Fahad, A., Irshad, K., Qaiyum, S., Alfakeeh, A.S. An IoT based system for magnify air pollution monitoring and prognosis using hybrid artificial intelligence technique. Environ. 2022. № 206:112576. DOI: https://doi.org/10.1016/j.envres.2021.112576.

  10. Rowley, A., Karakus¸, O. Predicting air quality via multimodal AI and satellite imagery. Remote Sens. Environ. 2023. № 293:113609. DOI: https://doi.org/10.1016/j.rse.2023.113609.

  11. Baniecki H., Biecek, P. Adversarial attacks and defenses in explainable artificial intelligence: a survey. Information Fusion. 2024. № 107(5):102303. DOI: https://doi.org/10.1016/j.inffus.2024.102303.

  12. Sarker, I.H. AI-based modeling: techniques, applications and research issues towards automation, intelligent and smart systems. SN Computer Science. 2020. № 3:158. DOI: https://doi.org/10.1007/s42979-022-01043-x.

  13. Kernbach, J.M., Staartjes, V.E. (2022). Foundations of machine learning-based clinical prediction modeling: part II–Generalization and overfitting. In: Staartjes, V.E., Regli, L., Serra, C. (eds). Machine Learning in Clinical Neuroscience: Acta Neurochirurgica Supplement. 2022. № 134. S. 15–21. DOI: https://doi.org/10.1007/978-3-030-85292-4_3.

  14. Ryo, M., Angelov, B., Mammola, S., Kass, J.M., Benito, B.M., Hartig, F. Explainable artificial intelligence enhances the ecological interpretability of blackbox species distribution models. Ecography. 2020. № 44 (2). S. 199–205. DOI: https://doi.org/10.1111/ecog.05360.

  15. Bloomfield, P., Clutton-Brock, P., Pencheon, E., Magnusson, J., Karpathakis, K. Artificial Intelligence in the NHS: Climate and Emissions. J. Clim. Change Health. 2021. № 4:100056. DOI: https://doi.org/10.1016/j.joclim.2021.100056.

Об авторах

Негматов Улугбек, Исомаддинов Усмонали, Муроджон Хасанов, Турсунов Иброхимжон
murodjon19955@gmail.com
Namangan davlat texnika universiteti

Лицензия

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Как цитировать

ЭФФЕКТИВНЫЕ АЛГОРИТМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЭКОЛОГИЧЕСКОМ МОНИТОРИНГЕ. (2026). MMIT Proceedings, 487-493. https://doi.org/10.61587/

Похожие статьи

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.