ПРИМЕНЕНИЕ РЕГРЕССИОННЫХ УРАВНЕНИЙ В ЛИМНОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ: ПРЕИМУЩЕСТВА ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ | APPLICATION OF REGRESSION EQUATIONS IN LIMNOLOGICAL RESEARCHES: ADVANTAGES OF USING ARTIFICIAL NEURAL NETWORKS

Русский. В настоящей работе на основе литературных данных проведен анализ точности предсказания регрессионных моделей некоторых важных параметров биологических озерных экосистем (первичная продукция, концентрация хлорофилла а, биомасса зоопланктона и зообентоса). Было показано, что точность предсказания, измеряемая как средняя абсолютная ошибка в процентах (MAPE) практически во всех случаях составляет 60-100%, что не позволяет использовать эти модели для экспертных оценок экосистемных параметров озёр. Использовав литературные данные, с помощью технологии искусственных нейронных сетей были сгенерированы множественные регрессионные модели. Проверка точности этих моделей производилась на независимых данных, которые не использовались для построения конкретной модели. Нейросетевые регрессионные модели оказались более точны – их средняя абсолютная ошибка в процентах не превышала 25%. Таким образом, по нашему мнению, дальнейшее применение регрессионных нейросетевых моделей в лимнологических исследованиях представляется весьма перспективным.

Английский. In the present paper the accuracy of regression models prediction of some important parameters of lake ecosystems (primary production, chlorophyll a concentration, zooplankton and zoobenthos biomass) is analyzed on the basis of literature data. It was shown that the prediction accuracy, measured as the mean absolute percentage error (MAPE), in almost all cases reaches 60-100%, what does not allow these models to be used for expert assessments of the ecosystem parameters of lakes. Using the literary data, multiple regression models were generated on the base of artificial neural network technology. Verification of the accuracy of these models was performed on independent data that were not used to build this model. Neural network regression models turned out to be more accurate – their mean absolute percentage error did not exceed 25%. Thus, in our opinion, the advantage of using regression neural network models in limnological studies is very perspective.