Модель сигма-пи нейронной сети для кластеризации данных

Селевые потоки представляют собой один из наиболее разрушительных геологических процессов, сложность прогнозирования которых обусловлена их многофакторной природой и сильными нелинейными зависимостями между определяющими факторами. Традиционные методы моделирования ограничены в интерпретируемости и способности учитывать взаимодействия признаков, что требует разработки новых подходов.

Цель исследования. Разработка и апробация архитектуры сигма-пи нейронной сети для кластеризации селевых потоков с учетом морфометрических и генетических характеристик, а также выявление ключевых факторов и их комбинаций, определяющих формирование различных типов селей.

Материалы и методы. В качестве исходных данных использовались кадастровые сведения о селевых процессах юга европейской части России. Для анализа применялась сигма-пи нейронная сеть, способная учитывать как линейные признаки, так и их взаимодействия второго порядка. Для выбора числа кластеров использовался коэффициент силуэта. Проведено сравнение с результатами кластеризации, полученными методом самоорганизующихся карт Кохонена (SOM).

Результаты. Модель выделила три устойчивых кластера, соответствующих грязевым, каменным и грязекаменным типам селей. Анализ значимости признаков показал, что наибольший вклад в формирование кластеров вносят площадь бассейна, уклон русла, максимальный объем отложений и их попарные комбинации. Сравнение с SOM подтвердило более высокую интерпретируемость предложенной модели и ее способность выявлять скрытые нелинейные зависимости.

Выводы. Применение сигма-пи нейронных сетей позволяет не только повысить качество кластеризации селевых потоков, но и обеспечить интерпретируемость результатов за счет анализа значимости признаков и их комбинаций. Такой подход перспективен для инженерной геологии и может быть использован в системах геоэкологического мониторинга и прогнозирования опасных процессов.