Обнаружение аномалий с использованием автоэнкодеров в мониторинге загрязнений атмосферы

Abstract

В статье рассматривается инновационный подход в системах экологического мониторинга. с использованием автоэнкодеров для повышения точности и надежности анализа. Целью работы является создание интеллектуальной системы для автоматического обнаружения аномалий в данных мониторинга загрязнений атмосферы с использованием автоэнкодеров, с элементами информационной безопасности. В работе использованы методы, с многослойным перцептроном (архитектура 4-2-4), для определения порога аномальности использован 95-й процентиль распределения ошибок восстановления, что позволило адаптироваться к естественным колебаниям данных и минимизировать ложные срабатывания. Для обеспечения информационной безопасности применяли шифрование данных Fernet, хэширование SHA-256. Эксперименты на реальных данных мониторинга качества воздуха в промышленном районе, включающих уровни CO, NO2, SO2 и PM2.5, показали, что модель автоэнкодера достигла точности обнаружения аномалий до 92%. Приведены результаты работы системы, включая автоматическое формирование отчетов. Подтверждена эффективность автоэнкодеров для задач экологического мониторинга, обоснована возможность интеграции с методами информационной безопасности. Показано, что внедрение данной технологии может значительно повысить уровень экологической безопасности и оперативность реагирования на экологические угрозы, что особенно важно в условиях строгих нормативных требований. The article discusses an innovative approach in environmental monitoring systems. It uses autoencoders to improve the accuracy and reliability of analysis. The goal of this work is to create an intelligent system for automatically detecting anomalies in atmospheric pollution monitoring data using autoencoders, with elements of information security. The work uses methods based on a multilayer perceptron (4-2-4 architecture), and the 95th percentile of the reconstruction error distribution is used to determine the threshold of abnormality, which allows for adaptation to natural data fluctuations and minimizes false positives. To ensure information security, we used Fernet data encryption and SHA-256 hashing. Experiments on real air quality monitoring data in an industrial area, including CO, NO2, SO2, and PM2.5 levels, showed that the autoencoder model achieved an anomaly detection accuracy of up to 92%. The results of the system's operation, including automatic generation of reports, are presented. The effectiveness of autoencoders for environmental monitoring tasks has been confirmed, and the possibility of integrating them with information security methods has been justified. It has been shown that the implementation of this technology can significantly improve environmental safety and the speed of response to environmental threats, which is especially important in the context of strict regulatory requirements.