ОПЫТ УЛУЧШЕНИЯ ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ ДАННЫХ СПУТНИКОВОЙ ГРАВИМЕТРИИ GRACE ДЛЯ БАССЕЙНА РЕКИ ЖАЙЫК (УРАЛ) С ПРИМЕНЕНИЕМ МАШИННОГО ОБУЧЕНИЯ
Article Sidebar
Main Article Content
Аннотация
Представлено исследование по использованию машинного обучения для улучшения пространственного разрешения спутниковых гравиметрических данных GRACE для бассейна реки Жайык (Урал). Работа направлена на решение проблемы низкого пространственного разрешения данных GRACE, что затрудняет детальный анализ водных ресурсов на региональном уровне. Методология исследования использует статистический метод уменьшения масштаба с использованием модели Random Forest. Для улучшения пространственного разрешения использовались дополнительные наборы данных, включающие цифровую модель рельефа, индексы растительности (NDVI) и индексы водной поверхности (NDWI). Результаты исследования продемонстрировали эффективность предлагаемой методологии: улучшенные данные обеспечивают более точное распределение эквивалентной толщины водного слоя при сохранении общих статистических свойств. Коэффициент корреляции Пирсона составил 0,9424, что означает существенную степень надежности результатов. Практическая значимость этого исследования заключается в перспективном применении разработанного подхода для улучшения оценки водных ресурсов, прогнозирования гидрологических событий и разработки планов по адаптации к изменению климата в бассейне реки Жайык.
Article Details
Библиографические ссылки
Chen J., et al, Global Ocean Mass Change From GRACE and GRACE Follow-On and Altimeter and Argo Measurements // Geophys Res Lett, Blackwell Publishing Ltd. – 2020. − Vol. 47. − № 22.
Плеханов П. А., Гидрологические риски природного характера и их предупреждение в Казахстане // Центрально-азиатский журнал исследований водных ресурсов. − 2017, – Вып, 3, – № 1, – С, 19–25,
Tulemisova G., et al, Ecological state of the river Ural // Chemical Bulletin of Kazakh Nation-al University. − 2017. − № 2. − P. 18–24.
Plekhanov P. A., Medeu N. N., Skufin P, Hydrological risks and their prevention in Kazakh-stan // International Journal of Hydrology. − 2019. − Vol. 3. − № 1.
Gyawali B., et al, Filling Temporal Gaps within and between GRACE and GRACE-FO Ter-restrial Water Storage Records: An Innovative Approach // Remote Sens (Basel). − 2022. − Vol 14. − № 7. − P. 1565.
Revilla-Romero B., et al, On the use of global flood forecasts and satellite-derived inundation maps for flood monitoring in data-sparse regions // Remote Sens (Basel), Multidisciplinary Digital Publishing Institute. − 2015. − Vol. 7. − № 11. − P. 15702–15728.
Chang L., Sun W., Consistency analysis of GRACE and GRACE-FO data in the study of global mean sea level change // Geod Geodyn, KeAi Communications Co. − 2022. − Vol. 13. − № 4. − P. − 321–326.
Liu Y., G. W., F. J., Z. K. A Summary of Methods for Statistical Downscaling of Meteoro-logical Data // Advances in Earth Science. − 2011. – Vol. 26. − № 8. − P, 837.
Chen L. et al. Downscaling of GRACE-derived groundwater storage based on the random forest model // Remote Sens (Basel), MDPI AG. − 2019. − Vol. 11. − № 24.
Hu Z, et al, Temporal and spatial variations in the terrestrial water storage across Cen-tral Asia based on multiple satellite datasets and global hydrological models // J Hydrol (Amst), 2021. − Vol. 596. − P. 126013.
Peng Y. et al. Future challenges of terrestrial water storage over the arid regions of Central Asia // International Journal of Applied Earth Observation and Geoinformation. − 2024. − Vol. 132. − P. 104026.
Mannig B. et al. Dynamical downscaling of climate change in Central Asia // Glob Planet Change. − 2013. − Vol. 110. − P. 26–39.
Yin W. et al. Improving the resolution of GRACE-based water storage estimates based on machine learning downscaling schemes // J Hydrol (Amst). − 2022. − Vol. 613. − P. 128447.
Jyolsna P.J., Kambhammettu B.V.N.P., Gorugantula S. Application of random forest and multi-linear regression methods in downscaling GRACE derived groundwater storage changes // Hydrological Sciences Journal. − 2021. − Vol. 66. − № 5.
Lehner B., Verdin K., Jarvis A., HydroSHEDS Technical Documentation. World Wildlife Fund US. Washington. HydroSHEDS Technical Documentation. World Wildlife Fund US. Washington. 2006.
Jet Propulsion Laboratory (JPL). GRACE/GRACE-FO Monthly Mass Grids - JPL Global Mascons.
Saberi A. et al. Accuracy assessment and improvement of SRTM. ASTER. FABDEM. and MERIT DEMs by polynomial and optimization algorithm: A case study (Khuzestan Province. Iran) // Open Geosciences. − 2023. − Vol. 15. − № 1.
Davis E.. Wang C.. Dow K. Comparing Sentinel-2 MSI and Landsat 8 OLI in soil sa-linity detection: a case study of agricultural lands in coastal North Carolina // Int J. Remote Sens. Taylor & Francis. − 2019. − Vol. 40. − № 16. − P. 6134–6153.
Maselli F. et al. Evaluation of Terra/Aqua MODIS and Sentinel-2 MSI NDVI data for predicting actual evapotranspiration in Mediterranean regions // Int J Remote Sens. Taylor & Francis. − 2020. − Vol. 41. − № 14. − P. 5186–5205.
Yang X. et al. Mapping of urban surface water bodies from sentinel-2 MSI imagery at 10 m resolution via NDWI-based image sharpening // Remote Sens (Basel). − 2017. − Vol. 9. − № 6. − P. 1–19.
Kumar L., Mutanga O. Google Earth Engine Applications // Google Earth Engine Ap-plications. − 2019.
Breiman L. Random forests // Mach Learn. Springer. − 2001. − Vol. 45. − № 1. − P. 5–32.