ПРОСТРАНСТВЕННО-ВРЕМЕННОЙ АНАЛИЗ ЭВОЛЮЦИИ ПЛОЩАДИ ТЕРМОКАРСТОВЫХ ОЗЕР С ИСПОЛЬЗОВАНИЕМ КОСМИЧЕСКОГО ЗОНДИРОВАНИЯ ЗЕМНОЙ ПОВЕРХНОСТИ И ПРОЦЕДУР РАНДОМИЗИРОВАННОГО МАШИННОГО ОБУЧЕНИЯ И ПРОГНОЗИРОВАНИЯ

Обложка

Цитировать

Полный текст

Аннотация

Работа посвящена проблеме прогнозирования эволюции площади термокарстовых озер в зоне вечной мерзлоты Арктики на примере анализа тестовых участков из нескольких географических регионов. Предлагаемый в работе подход основан на методе Рандомизированного машинного обучения для построения математических моделей динамики площади озер в условиях климатических изменений, ее обучения на реальных данных и дальнейшего прогнозирования. Приводятся и сравниваются результаты моделирования динамики площадей озер с помощью линейных статических и динамических моделей. Показано, что использование динамической модели площади озер позволяет значительно уменьшить среднюю ошибку моделирования.

Список литературы

  1. Дубнов Ю. А. Энтропийное оценивание в задачах классификации // Автоматика и телемеханика. — 2019. — № 3. — С. 138—151. — doi: 10.1134/S0005231019030097.
  2. Дубнов Ю. А. и Булычев А. В. Байесовская идентификация смешанных гауссовских моделей // Информационные технологии и вычислительные системы. — 2017. — № 1. — С. 101—114.
  3. Дубнов Ю. А., Полищук В. Ю., Попков А. Ю. и др. Энтропийно-рандомизированное прогнозирование эволюции площади термокарстовых озёр // Челябинский физико-математический журнал. — 2021a. — Т. 6, № 3. — С. 384—396. — doi: 10.47475/2500-0101-2021-16312.
  4. Дубнов Ю. А., Полищук В. Ю., Попков Ю. С. и др. Метод энтропийно-рандомизированного восстановления пропу- щенных данных // Автоматика и телемеханика. — 2021b. — С. 140—160. — doi: 10.31857/S0005231021040061.
  5. Дубнов Ю. А., Попков А. Ю., Полищук В. Ю. и др. Алгоритмы рандомизированного машинного обучения для прогнозирования эволюции площади термокарстовых озер в зонах вечной мерзлоты // Автоматика и телемеханика. — 2023. — № 1. — doi: 10.31857/S0005231023010051.
  6. Миронов М. С., Шорникова А. В., Сидорина И. Е. и др. Изучение эмиссии метана в термокарстовых озерах полуострова Ямал с помощью методов дистанционного зондирования Земли и наземных исследований // Материалы 20-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». — Москва : Институт космических исследований РАН, 2022. — doi: 10.21046/20DZZconf-2022a.
  7. Полищук В. Ю., Муратов И. Н., Куприянов М. А. и др. Моделирование полей термокарстовых озер в зоне вечной мерзлоты на основе геоимитационного подхода и спутниковых снимков // Математические заметки СВФУ. — 2020. — Т. 27, № 1. — С. 101—114. — doi: 10.25587/SVFU.2020.75.78.007.
  8. Полищук В. Ю., Муратов И. Н. и Полищук Ю. М. Проблемы моделирования пространственной структуры полей термокарстовых озер в зоне вечной мерзлоты на основе спутниковых снимков // Вестник Югорского государственного университета. — 2018. — Т. 3, № 50. — С. 88—100. — doi: 10.17816/byusu2018088-100.
  9. Попков А. Ю. Рандомизированное машинное обучение нелинейных моделей с применением к прогнозированию развития эпидемического процесса // Автоматика и телемеханика. — 2021. — № 6. — С. 149—168. — doi: 10.31857/S0005231021060064.
  10. Попков Ю. С. Рандомизация и энтропия в обработке данных, динамических системах, машинном обучении. — Москва : ЛЕНАНД, 2023.
  11. Попков Ю. С. и Дубнов Ю. А. Энтропийно-робастное рандомизированное прогнозирование при малых объемах ретроспективных данных // Автоматика и телемеханика. — 2016. — № 5. — С. 109—127.
  12. Попков Ю. С., Дубнов Ю. А. и Попков А. Ю. Прогнозирование развития эпидемии COVID-19 в странах Европейского союза с использованием энтропийно-рандомизированного подхода // Информатика и автоматизация. — 2021. — Т. 20, № 5. — С. 1010—1033. — doi: 10.15622/20.5.1.
  13. Попков Ю. С., Попков А. Ю. и Дубнов Ю. А. Рандомизированное машинное обучение при ограниченных наборах данных: от эмпирической вероятности к энтропийной рандомизации. — Москва : ЛЕНАНД, 2019.
  14. Попков Ю. С., Попков А. Ю. и Дубнов Ю. А. Элементы рандомизированного прогнозирования и его применение для предсказания суточной электрической нагрузки энергетической системы // Автоматика и телемеханика. — 2020. — № 7. — С. 148—172. — doi: 10.1134/S0005231019070107.
  15. Степаненко В. М., Мачульская Е. Е., Глаголев М. В. и др. Моделирование эмиссии метана из озёр зоны вечной мерзлоты // Известия РАН. Физика атмосферы и океана. — 2011. — Т. 47, № 2. — С. 275—288.
  16. Феллер В. Введение в теорию вероятностей и ее приложения. — Москва : Мир, 1967.
  17. Фельдман Г. М. Термокарст и вечная мерзлота. — Новосибирск : Наука, 1984.
  18. Golan A., Judge G. G. and Miller D. Maximum entropy econometrics. Robust estimation with limited data. — New York : Wiley, 1996. — 307 p.
  19. Jaynes E. T. Information theory and statistical mechanics // Physical review. — 1957. — Vol. 106, no. 4. — P. 620–630.
  20. Kapur J. N. Maximum-entropy models in science and engineering. — John Wiley & Sons, 1989.
  21. Karlsson J., Lyon S. and Destouni G. Temporal Behavior of Lake Size-Distribution in a Thawing Permafrost Landscape in Northwestern Siberia // Remote Sensing. — 2014. — Vol. 6, no. 1. — P. 621–636. — doi: 10.3390/rs6010621.
  22. Kirpotin S. N., Polishchuk Y. and Bryksina N. Abrupt changes of thermokarst lakes in Western Siberia: impacts of climatic warming on permafrost melting // International Journal of Environmental Studies. — 2009. — Vol. 66,no. 4. — P. 423–431. — doi: 10.1080/00207230902758287.
  23. Kullback S. and Leibler R. A. On information and sufciency // The annals of mathematical statistics. — 1951. — Vol. 22, no. 1. — P. 79–86.
  24. Levine R. D. and Tribus M. Maximum entropy formalism // Maximum Entropy Formalism Conference. — Massachusetts Institute of Technology, 1978.
  25. Neumann J. von. Various Techniques Used in Connection With Random Digits // Journal of Research of the National Bureau of Standards, Appl. Math. Series. — 1951. — Vol. 12. — P. 36–38.
  26. Nocedal J. and Wright S. Numerical optimization. — Springer Science & Business Media, 2006.
  27. Popkov Yu. S., Dubnov Yu. and Popkov A. New Method of Randomized Forecasting Using Entropy-Robust Estimation: Application to the World Population Prediction // Mathematics. — 2016. — Vol. 4, no. 1. — P. 16. — doi: 10.3390/math4010016.
  28. Popkov Yu. S., Popkov A. Yu., Dubnov Yu. A., et al. Entropy-Randomized Forecasting of Stochastic Dynamic Regression Models // Mathematics. — 2020. — Vol. 8, no. 7. — P. 1119. — doi: 10.3390/math8071119.
  29. Popkov Yu. S., Popkov A. Yu., Dubnov Yu. A., et al. Entropy Randomization in Machine Learning. — Chapman, Hall/CRC, 2022. — doi: 10.1201/9781003306566.
  30. Sudakov I. and Vakulenko S. A. A mathematical model for a positive permafrost carbon-climate feedback // IMA Journal of Applied Mathematics. — 2014. — Vol. 80, no. 3. — P. 811–824. — doi: 10.1093/imamat/hxu010.
  31. Verpoorter Ch., Kutser T., Seekell D. A., et al. A global inventory of lakes based on high-resolution satellite imagery // Geophysical Research Letters. — 2014. — Vol. 41, no. 18. — P. 6396–6402. — doi: 10.1002/2014GL060641.
  32. Walter K. M., Smith L. C. and Stuart Chapin F. Methane bubbling from northern lakes: present and future contributions to the global methane budget // Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. — 2007. — Vol. 365, no. 1856. — P. 1657–1676. — doi: 10.1098/rsta.2007.2036.
  33. Zabelina S. A., Shirokova L. S., Klimov S. I., et al. Carbon emission from thermokarst lakes in NE European tundra // Limnology and Oceanography. — 2020. — Vol. 66, S1. — doi: 10.1002/lno.11560.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Дубнов Ю.А., Попков А.Ю., Попков Ю.С., Куприянов М.А., Полищук В.Ю., Мельников А.В., Полищук Ю.М., 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».