мг/дм`; железо, мг/дм`; жесткость, общая жесткость (в градусах жесткости); кальций,
мг/дм`; кислород раствор., мгОэ/дм`; магний, мг/дм?; марганец, мг/дм?; медь, мг/дм?;
нефтепродукты, мг/дм°; никель, мг/дм°; нитраты, мг/дм; нитриты, мг/дм*; общее
содержание ионов (минерализация), мг/дм?; прозрачность, см; сульфаты, мг/дм®;
температура,°С; фенол, мг/дм?; фосфат ион, мг/дм?; ХПК, мг/дм?; хлориды, мг/дм?; цинк,
мг/дм`; электропроводность, мкСм/сдм.
Для выделения особенностей химического состава вод использовались методы
нейросетевого кластерного анализа. С помощью кластерного анализа можно произвести
выборку данных, имеющих, в заданном формате, общие (похожие) свойства. Если
данные внутри своего класса должны быть максимально идентичны друг другу, то
данные, относящиеся к различным классам, должны быть максимально не похожими
друг на друга (Сап, 2007; Тпотаз, 2018; Ви 1., 2020). На начальном этапе имеющиеся
наборы 
измеренных 
гидрохимических 
показателей 
различных 
водных 
объектов
конкретного водного бассейна кластеризуются, то есть распределяются на более или
менее 
однородные группы. 
Оценка 
степени детализации 
разбиения 
проводится
экспертом (специалистом в данной предметной области). Таким образом, с учетом
мнения — эксперта — определяются — классы — природных 
вод 
с 
— однородными
гидрохимическими — показателями 
и 
с 
заданной 
степенью — детализации. 
Как
рассматривалось ранее, кластеризация проведена с применением нейронных сетей
Кохонена, 
преимуществом 
которых 
является 
способность 
к 
дообучению 
при
поступлении новых данных, и выделение неоднородных групп с заданной степенью
точности с применением алгоритма подобного алгоритму К-средних. Кроме того,
достоинством 
данной 
модели 
является 
простота 
визуализации, 
что 
упрощает
качественную интерпретацию для экспертов в дальнейшем (Сивоголовко, 2011). В
результате разведывательных 
экспериментов 
по 
сравнению 
точности 
алгоритмов
кластеризации (К-теапс, иерархическая агломеративная и делительная кластеризация и
ЗОМ), точность алгоритма ЗОМ оказалась выше на 11%. Сравнение проводилось по
критериям разделяемости (ЕМ-критерий) и плотности ($\/С-критерий) кластеризации
(Кремлёва и др., 2018).
Разработанный метод нейросетевой кластеризации с нечеткими элементами и
экспертным 
оцениванием 
для 
классификации 
поверхностных 
вод 
и 
выделения
региональных пороговых значений гидрохимических показателей состоит из трех
вычислительных блоков и двух блоков проверки условий. Первый вычислительный блок
представляет — собой — кластеризующий — алгоритм 
с 
последующей — двумерной
визуализацией 5ОМ-картами. В этом блоке осуществляется предварительная обработка
входных 
векторов, 
производится 
грубое 
разбиение 
значений 
гидрохимических
показателей на группы. Алгоритм может использоваться как самостоятельно, так и в
качестве элемента второго вычислительного блока.
Второй блок для вычисления представлен деревом кластеризующих алгоритмов
на основе нейросети Кохонена, являющихся последовательными и упорядоченными.
Они, по мере необходимости, осуществляют более глубокую детализацию группировок.
Этот блок применяется для группировки данных с повышенной точностью.
Третий вычислительный блок является вспомогательным, в нем осуществляется
кодирование данных типа «дата-время» для адекватного расчета расстояний между
кластеризуемыми 
векторами, 
для учета 
сезонности, 
он 
не 
может использоваться
самостоятельно.
Для адекватного расчета расстояний между такими векторами данных был
разработан специальный метод кодирования, который позволяет представить каждую
отдельную дату в виде четырехмерного вектора. Каждый элемент такого вектора
показывает, в какой степени данная дата относится к одному из четырех сезонов. Для
524