SPATIOTEMPORAL ANALYSIS OF THE TERMOKARST LAKES EVOLUTION USING REMOTE SENSING AND RANDOMIZED MACHINE LEARNING AND FORECASTING

Cover Page

Cite item

Full Text

Abstract

The work is devoted to the problem of forecasting the evolution of the area of thermokarst lakes in the Arctic permafrost zone using the analysis of test areas from several geographical regions. The approach proposed in the work is based on the Randomized Machine Learning method for constructing mathematical models of lake area from climate indicators, learning the model on real data and further forecasting. The results of modeling the dynamics of lake areas using linear static and dynamic models are presented and compared. It is shown that proposed dynamic model can significantly reduce the average modeling error

References

  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.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2024 Дубнов Ю.A., Попков А.Y., Попков Ю.S., Куприянов М.A., Полищук В.Y., Мельников А.V., Полищук Ю.M.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.