moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2019.27.4.044 688 СТРУКТУРИЗАЦИЯ ЭКОЛОГИЧЕСКОЙ ИНФОРМАЦИИ С ПРИМЕНЕНИЕМ ГЕОИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ STRUCTURIZATION OF ENVIRONMENTAL INFORMATION WITH APPLICATION OF GEOINFORMATION TECHNOLOGIES Федутинов Константин Александрович Fedutinov Konstantin Aleksandrovich fedutinovv@gmail.com aff-1 Воронежский государственный университет Voronezh State University 01 01 2026 1 1 10.26102/2310-6018/2019.27.4.044 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В статье рассматриваются вопросы разработки управленческих решений по улучшению состояния окружающей среды на основе внедрения геоинформационных технологий, включающих методы оценки и прогнозирования экологической ситуации на основе мониторинговых подходов. Развитие технологий обработки больших данных определило тенденции широкого внедрения систем мониторинга, функционирующих в реальном времени. В связи с этим, задачу мониторинга природных объектов предлагается решать как задачу определения и контроля свойств и состояний сложного объекта в режиме реального времени и активного взаимодействия с окружающей средой, а также выработки управленческих решений и рекомендаций. В качестве математического аппарата для структуризация экологической информации предлагается использовать нейронную сеть Fuzzy ART, хорошо зарекомендовавшую себя при обработке данных в режиме реального времени. Для визуализации получаемой информации и интеграции результатов работы сети сети Fuzzy ART в геоинформационную систему предлагается использовать Python-библиотеку Folium, предназначенную для графического отображения географических данных, и содержащую всю необходимую картографическую информацию. С помощью Folium результаты структуризации экологических данных можно изображать непосредственно на Google-картах, что дает возможность при увеличении масштаба карты визуально определять границы кластеров и возможные буферные зоны.

The article discusses the development of managerial decisions to improve the environment through the introduction of geographic information technologies, including methods for assessing and predicting the environmental situation based on monitoring approaches. The development of big data processing technologies has identified trends in the widespread implementation of real-time monitoring systems. In this regard, the task of monitoring natural objects is proposed to be solved as the task of determining and controlling the properties and states of a complex object in real time and actively interacting with the environment, as well as developing managerial decisions and recommendations. It is proposed to use the Fuzzy ART neural network as a mathematical apparatus for structuring environmental information, which has proven itself in real-time data processing. To visualize the received information and integrate the results of the network operation of the Fuzzy ART network into a geographic information system, it is proposed to use the Folium Python library, which is intended for graphical display of geographic data and contains all the necessary cartographic information. Using Folium, the results of the structuring of environmental data can be displayed directly on Google maps, which makes it possible to visually determine the boundaries of clusters and possible buffer zones when the map is scaled up.

 нейронная сеть кластеризация машинное обучение теория адаптивного резонанса сеть fuzzy art гис-система neural network clustering machine learning adaptive resonance theory fuzzy art network gis system Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Положение о государственном экологическом мониторинге (государственном мониторинге окружающей среды) и государственном фонде данных государственного экологического мониторинга (государственного мониторинга окружающей среды) (утверждено постановлением Правительства Российской Федерации от 9 августа 2013 года N 681). G. A. Carpenter, S. Grossberg, and D. B. Rosen, Fuzzy ART: Fast stable learning and categorization of analog patterns by an adaptive resonance system. Neural Networks. 1991;4:759–771. Каширина И.Л., Львович Я.Е., Сорокин С.О. Нейросетевое моделирование формирования кластерной структуры на основе сетей ART. Информационные технологии. 2017;23(3):228-232. Иванов Д. В. Взаимодействие компонентов природной среды на территории Воронежской области. ArcReview. 2005;3(34):1–3. Леденева Т.М., Умывакин В.М., Швец А.В. Методологические основы построения неаддитивных квалиметрических моделей интегральной оценки экологического состояния природно-хозяйственных геосистем. Вопросы науки. 2016;1:58-73. Зибров Г.В., Умывакин В.М., Минаев В.А., Матвиец Д.А., Швец А.В. Оценка состояния окружающей среды природно-антропогенных объектов в категориях экологической безопасности и риска. Технологии техносферной безопасности. 2015;2(60):252-262. Федеральное бюджетное учреждение здравоохранения «Центр гигиены и эпидемиологии в Воронежской области» [Электронный ресурс]. – Режим доступа: http://www.36rospotrebnadzorfguz.ru/index.htm Каширина И.Л., Федутинов К.А. Применение сети Fuzzy ARTMAP в интеллектуальных системах обнаружения вторжений. Моделирование, оптимизация и информационные технологии. 2018;6(3). Доступно по: https://moit.vivt.ru/?p=7165&lang=ru Folium. Режим доступа: https://python-visualization.github.io/folium/ (дата обращения 22.11.2019 на англ). Карлин Л.Н. Управление энвиронментальными и экологическими рисками. СПб. : Изд-во РГГМУ, 2006.

The authors declare that there are no conflicts of interest present.