COMPARATIVE ANALYSIS OF CLUSTERING ALGORITHMS FOR URBAN AIR QUALITY ZONING: MOSCOW CASE

МЦНП «НОВАЯ НАУКА» КЛАСТЕРИЗАЦИЯ СТАНЦИЙ МОНИТОРИНГА КАЧЕСТВА ВОЗДУХА В МОСКВЕ С ИСПОЛЬЗОВАНИЕМ МНОЖЕСТВЕННЫХ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ Староверов Игорь Николаевич старший преподаватель Есипов Иван Владимирович старший преподаватель ФГБОУ ВО «МИРЭА -Российский технологический университет» Аннотация: в работе представлен комплексный подход к анализу пространственной гетерогенности загрязнения атмосферного воздуха в Москве.На основе данных 23 автоматических станций контроля загрязнения атмосферы (АСКЗА) за период январь 2023 -ноябрь 2025 гг.проведено сравнение пяти методов кластеризации: K-Means, иерархической кластеризации, DBSCAN, автоэнкодеров и глубокой встраиваемой кластеризации (DEC).Применение нейросетевых методов позволяет выявлять нелинейные паттерны загрязнения, недоступные для традиционных статистических подходов.Идентифицированы две основные зоны качества воздуха с различными профилями загрязняющих веществ.Применение усовершенствованных нейросетевых методов (ResNet Autoencoder с функцией потерь Focal Loss) позволило выявить нелинейные паттерны загрязнения, недоступные для традиционных статистических подходов.Идентифицированы две основные зоны качества воздуха.Статистическая верификация подтвердила разделяющую способность нейросетевых методов: размер эффекта по Коэну составил 2.56 для и 0.86 для , что превосходит результаты линейных алгоритмов на 8-25%.