Прогнозирование индекса экологического состояния регионов Узбекистана с использованием методов машинного обучения и искусственного интеллекта

Н. Равшанов; Ахмад Тирта Дхару Вахью Памбуди; Мухаммад Сафари; Ф. Камолиддинова

doi:10.71310/pcam.2_72.2026.04

Авторы

Н. Равшанов Научно-исследовательский институт развития цифровых технологий и искусственного интеллекта Автор
Ахмад Тирта Дхару Вахью Памбуди Университет Мухаммадии в Сидоарджо Автор
Мухаммад Сафари Университет Мухаммадии в Сидоарджо Автор
Ф. Камолиддинова ООО "UZINFOCOM" – Единый интегратор по созданию и поддержке государственных информационных систем в Республике Узбекистан Автор

DOI:

https://doi.org/10.71310/pcam.2_72.2026.04

Ключевые слова:

машинное обучение, Random Forest, экологическое прогнозирование, климатические факторы, региональный анализ, устойчивое развитие

Аннотация

Значительные климатические изменения и рост антропогенной нагрузки во всем мире, включая Узбекистан, требуют объективной региональной оценки экологической ситуации. В данном исследовании предложен подход к прогнозированию индекса экологического состояния (ИЭС) на основе интеграции статистических методов и алгоритмов машинного обучения. Многолетние метеорологические данные по 13 регионам республики были нормированы для формирования ИЭС, а для учета нелинейных зависимостей и прогнозирования применен алгоритм Random Forest. Качество модели подтверждено метриками MAE, MSE и ????2. Впервые для регионов Узбекистана разработан ИЭС на основе климатических факторов с использованием data-driven подхода и автоматического определения весов признаков. Результаты подтверждают устойчивую связь между климатом и экологией, указывая на риски ухудшения состояния ряда регионов при сохранении текущих тенденций.

Библиографические ссылки

IPCC. Climate Change 2021: The Physical Science Basis: Contribution of Working Group I to the Sixth Assessment Report of the IPCC. – Cambridge: Cambridge University Press, 2021. – 3949 p.

World Meteorological Organization (WMO). State of the Global Climate 2023. – Geneva: WMO, 2024. – 55 p.

United Nations Environment Programme (UNEP). Global Environment Outlook – GEO-6. – Cambridge: Cambridge University Press, 2019. – 745 p.

World Health Organization (WHO). Ambient Air Pollution: A Global Assessment of Exposure and Burden of Disease. – Geneva: WHO Press, 2016. – 131 p.

Breiman L. Random Forests // Machine Learning. – 2001. – Vol. 45. – No. 1. – P. 5-32.

Friedman J.H. Greedy Function Approximation: A Gradient Boosting Machine // Annals of Statistics. – 2001. – Vol. 29. – No. 5. – P. 1189-1232.

Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. – 2nd ed. – New York: Springer, 2009. – 745 p.

Pedregosa F., Varoquaux G., Gramfort A., et al. Scikit-learn: Machine Learning in Python // Journal of Machine Learning Research. – 2011. – Vol. 12. – P. 2825-2830.

Zender C.S., Newman D., Torres O. Spatial heterogeneity in aeolian erodibility: the DEAD model // Journal of Geophysical Research: Atmospheres. – 2003. – Vol. 108. – No. 14. – P. 1-19.

Prospero J.M., Ginoux P., Torres O., et al. Environmental characterization of global sources of atmospheric soil dust // Reviews of Geophysics. – 2002. – Vol. 40. – No. 1. – P. 1-31.

Goudie A.S. Desert dust and human health // Philosophical Transactions of the Royal Society A. – 2011. – Vol. 369. – P. 4021-4040.

Shao Y. Physics and Modelling of Wind Erosion. – Berlin; Heidelberg: Springer, 2008. – 452 p.

Renard K.G., Foster G.R., Weesies G.A., et al. RUSLE: Revised Universal Soil Loss Equation. – Washington, D.C.: USDA, 1997. – 404 p.

Nearing M.A., Yost R.S., et al. WEPP Model Documentation. – Washington, D.C.: USDAARS, 2011. – 298 p.

Yale Center for Environmental Law Policy; CIESIN (Columbia University). Environmental Performance Index 2024. – New Haven, CT: Yale University, 2024. – 142 p.

Li F., Liu X., Zhu Y., et al. Artificial Intelligence for Air Quality Forecasting: A Review // Atmosphere. – 2020. – Vol. 11. – No. 9. – P. 1-28.

Bishop C.M. Pattern Recognition and Machine Learning. – New York: Springer, 2006. – 738 p.

Banerjee T., Srivastava R.K. Evaluation of Models for Air Pollution Forecasting // Aerosol and Air Quality Research. – 2011. – Vol. 11. – No. 1. – P. 1-10.

Chen L., Ho Y., et al. Random-forest-based PM2.5 Prediction under Complex Meteorology // Atmospheric Environment. – 2020. – Vol. 220. – P. 1-12.

Jiang N., Li Q. Hybrid Machine Learning Models for AQI Forecasting // Environmental Modelling Software. – 2021. – Vol. 140. – P. 1-12.

Indoitu R., Orlovsky L., Orlovsky N. Dust storms in Central Asia: spatial and temporal variations // Journal of Arid Environments. – 2012. – Vol. 85. – P. 62-70.

Issanova G., Abuduwaili J. Aeolian Processes as Dust Storms in Central Asia. – Cham: Springer, 2017. – 293 p.

Mishra A.K., Shibata T. Climatology of aerosol over Central Asia // Atmospheric Environment. – 2012. – Vol. 47. – P. 307-315.

Kutuzov S., Lavrentiev I., et al. Climate variability in Central Asia during the last decades // Quaternary International. – 2019. – Vol. 526. – P. 16-28.

Breiman L. Random Forests // Machine Learning. – 2001. – Vol. 45. – No. 1. – P. 5-32.

Государственный комитет Республики Узбекистан по экологии и охране окружающей среды. Ежегодный экологический доклад. – Ташкент: ГКЭООС, 2022. – 120 с.

FAO. Land Degradation and Desertification in Central Asia. – Rome: Food and Agriculture Organization, 2019. – 110 p.

World Bank. Uzbekistan: Climate Risk Country Profile. – Washington, D.C.: World Bank Group, 2022. – 36 p.

Ho T.K. Random Decision Forests // Proc. 3rd Int. Conf. on Document Analysis and Recognition (ICDAR). – 1995. – Vol. 1. – P. 278-282.

Quinlan J.R. C4.5: Programs for Machine Learning. – San Mateo, CA: Morgan Kaufmann, 1993. – 302 p.

Vapnik V.N. Statistical Learning Theory. – New York: Wiley, 1998. – 736 p.

Cortes C., Vapnik V. Support-Vector Networks // Machine Learning. – 1995. – Vol. 20. – No. 3. – P. 273-297.

Dietterich T.G. Ensemble Methods in Machine Learning // Multiple Classifier Systems. – Berlin; Heidelberg: Springer, 2000. – P. 1-15.

Wang Y., Zhang Q., Liu H., et al. Dust emission and long-range transport in arid regions: observations and modeling // Atmospheric Research. – 2020. – Vol. 231. – P. 1-12.

Liu Y., Chen J. Machine-learning-assisted environmental monitoring and control // Environmental Pollution. – 2021. – Vol. 268. – P. 1-14.