Использование машинного обучения для классификации стратиграфических слоев снежной толщи по данным устройства snow micro pen
- Авторы: Фролов Д.М.1, Селиверстов Ю.Г.2, Кошурников А.В.2, Гагарин В.Е.1, Николаева Е.С.2
-
Учреждения:
- Московский государственный университет имени М.В. Ломоносова
- Московский Государственный университет имени М.В. Ломоносова
- Выпуск: № 1 (2024)
- Страницы: 1-11
- Раздел: Статьи
- URL: https://journals.rcsi.science/2453-8922/article/view/365634
- EDN: https://elibrary.ru/GDSACR
- ID: 365634
Цитировать
Полный текст
Аннотация
Наблюдение за снежным покровом на площадке метеообсерватории сотрудниками географического факультета МГУ ведутся уже длительное время. В статье описываются особенности снегонакопления и стратиграфических исследований. В момент пришедшего в ночь с 14 на 15 декабря 2023 года в Москву третьего с начала снегонакопления циклона, была большая высота сугробов – на метеостанции ВДНХ высота снежного покрова составляла 31 см. За сутки до 15 декабря добавилось ещё 7 см и цифра 38 см стала рекордно большой. На метеостанции МГУ фиксировалась отметка в 49 см. Температура воздуха при этом к вечеру воскресенья 17 декабря поднялась и в последующие дни колебалась от 0 до +2 градусов. Последовала долгая оттепель, дождь и снеготаяние. На 21 декабря на метеостанции ВДНХ снежный покров осел до 24 см (то есть на 15 см), на метеообсерватории МГУ снежный покров осел до 28,5 см (с 49 см – почти на 20,5 см). Трудности классификации слоёв в снежной толще исследовались и исследуется многими практикующими метеорологами, что также рассмотрено в данной работе. Были использованы методы искусственного интеллекта (ИИ) для классификации стратиграфических слоев снежной толщи по данным измерений устройства snow micro pen. Получающиеся в результате метаморфизма формы ледяных кристаллов в снежной толще (округлые–"огранённые–"талые) различаются как по плотности, так и по параметрам, получаемым в результате обработки данных прибора Snowmicropen (MPF(N) – средняя сила сопротивления SD(N)- её стандартное отклонение, и cv- её ковариация). Это даёт возможность кластеризации обработанных данных прибора и произведения типизации новых данных измерений без привлечения результатов непосредственного ручного шурфования. Были обработаны полученные от прибора данные, и путем сравнения с данными непосредственного шурфования снега, делалось сопоставление классифицированных стратиграфических слоев снежной толщи. В дальнейшем по имеющимся классифицированным данным прибора стратиграфических слоев снежной толщи методом кластеризации K-ближайших соседей оказалось возможным производить классификацию стратиграфических слоев по новым полученным данным прибора без привлечения дополнительного ручного шурфования.
Об авторах
Денис Максимович Фролов
Московский государственный университет имени М.В. Ломоносова
Email: denisfrolovm@mail.ru
научный сотрудник;
Юрий Германович Селиверстов
Московский Государственный университет имени М.В. Ломоносова
Email: yus5@yandex.ru
научный сотрудник Географический факультет;
Андрей Викторович Кошурников
Московский Государственный университет имени М.В. Ломоносова
Email: koshurnikov@msu-geophysics.ru
научный сотрудник Географический факультет кафедра криолитологии и гляциологии;
Владимир Евгеньевич Гагарин
Московский государственный университет имени М.В. Ломоносова
Email: gagar88@yandex.ru
научный сотрудник кафедры геокриологии;
Елизавета Сергеевна Николаева
Московский Государственный университет имени М.В. Ломоносова
Email: nikolaeva_lizaveta@mail.ru
студент; кафедра криолитологии и гляциологии географического факультета;
Список литературы
Frolov D.M., Seliverstov Y.G., Sokratov S.A., Koshurnikov A.V., Gagarin V.E., Nikolaeva E.S. Investigation of the Spatio-Temporal Heterogeneity of Snow Thickness at the Meteorological Site of the Lomonosov MSU in the Winter of 2022/2023 // Arctic and Antarctic. – 2023. – № 1. – P. 1-13. doi: 10.7256/2453-8922.2023.1.40448.2 EDN: PGRHXP URL: https://en.nbpublish.com/library_read_article.php?id=40448 D.M. Frolov, G.A. Rzhanitsyn, S.A. Sokratov, et. al., Monitoring of seasonal variations in ground temperature at the observation site of Lomonosov MSU // E3S Web of Conferences 371, 03004 (2023). doi: 10.1051/e3sconf/202337103004 Proksch M., Rutter N., Fierz Ch., Schneebeli M. Intercomparison of snow density measurements: bias, precision, and vertical resolution // The Cryosphere. 2016, 10(1), 371–384. https://doi.org/10.5194/tc-10-371-2016 Sturm M., Holmgren J., Liston G.L. A seasonal snow cover classification system for local to global applications // Journ. of Climate. 1995, 8 (5 (Part 2)): 1261–1283. https://doi.org/10.1175/1520-0442(1995)0082.0.CO;2 Fierz Ch., Armstrong R.L., Durand Y., Etchevers P., Greene E., McClung D.M., Nishimura K., Satyawali P.K., Sokratov S.A. The international classification for seasonal snow on the ground (UNESCO, IHP (International Hydrological Programme) // VII, Technical Documents in Hydrology, No 83; IACS (International Association of Cryospheric Sciences), 2009. Colbeck, S.: A review of the metamorphism and classification of seasonal snow cover crystals, IAHS Publication. 1987, 162, 3–24. Ménard, C. B., Essery, R., Barr, A., Bartlett, P., Derry, J., Dumont, M., Fierz, C., Kim, H., Kontu, A., Lejeune, Y., et al.: Meteorological and evaluation datasets for snow modelling at 10 reference sites: description of in situ and bias-corrected reanalysis data, Earth System Science Data. 2019. 11, 865–880. King, J., Howell, S., Brady, M., Toose, P., Derksen, C., Haas, C., and Beckers, J.: Local-scale variability of snow density on Arctic sea ice // The Cryosphere. 2020. 14, 4323–4339. Kaltenborn, J., Macfarlane, A. R., Clay, V., and Schneebeli. Pre-trained Models for SMP Classification and Segmentation. 2022. https://doi.org/10.5281/zenodo.7063521. Kaltenborn, J., Macfarlane, A. R., Clay, V., and Schneebeli. Automatic snow type classification of snow micropenetrometer profiles with machine learning algorithms // Geosci. Model Dev., 2023.16, 4521–4550, https://doi.org/10.5194/gmd-16-4521-2023. Nguyen, N. and Guo, Y.: Comparisons of sequence labeling algorithms and extensions. // Proceedings of the 24th international conference on Machine learning, 2007. P. 681–688. Lemaître, G., Nogueira, F., and Aridas, C. K. Imbalanced-learn: A python toolbox to tackle the curse of imbalanced datasets in machine learning // The Journal of Machine Learning Research. 2017. 18, 559–563. 2017. Schneebeli, M. and Johnson, J. B.: A constant-speed penetrometer for high-resolution snow stratigraphy // Annals of Glaciology. 1998. 26, 107–111. Löwe, H. and Van Herwijnen, A.: A Poisson shot noise model for micro-penetration of snow // Cold Regions Science and Technology. 2012. 70, 62–70. Johnson, J. B. and Schneebeli, M. Snow strength penetrometer. US Patent 5. 1998. 831, 161.
Дополнительные файлы
