By this author

Registering Changes in the Prognostic Parameters of the 2024 Kamchatka M = 5.0–7.0 Earthquakes from Space

Issue number 4 from 21.03.2026

Проанализированы спутниковые данные с целью выявления изменений, происходивших в литосфере, атмосфере и ионосфере, в период подготовки и протекания землетрясений с магнитудами M = 5.0-7.0, происходивших в районе Курило-Камчатской дуги с мая по август 2024 г. Для этих сейсмических событий выявлены аномалии линеаментных систем, температуры подстилающей поверхности, уходящего длинноволнового излучения и полного электронного содержания ионосферы. Установлено, что эти аномалии проявлялись в виде вариаций значений отношений суммарных длин локальных линеаментов разных направлений за 4–21 день до землетрясений, противобразных колебаний и изменений температуры подстилающей поверхности, а также уходящего длинноволнового излучения за 8–10 дней до землетрясений, резкого повышения/снижения относительных значений полного электронного содержания ионосферы, проявлявшихся за 1–10 дней до землетрясений. Выявлены взаимосвязи между изменениями линеаментных систем, температуры подстилающей поверхности, уходящего длинноволнового излучения и полного электронного содержания ионосферы при подготовке землетрясения с магнитудой M = 7.0, произошедшего в августе 2024 г.

86 0

Classification of Sources of Climate-Active Gas Emissions Based on Satellite Data Using Machine Learning Methods

Issue number 6 from 21.03.2026

С использованием методов машинного обучения по атрибутивным данным спутниковых информационных продуктов проведена классификация тепловых аномалий, связанных с природными пожарами и газовыми факелами на территории Восточной Сибири и Дальнего Востока. На основании проведенного анализа производительности семи различных моделей машинного обучения выбраны три модели с наилучшими метриками качества (Случайный лес, Экстремальный градиентный бустинг и Категориальный бустинг). Введение дополнительных признаков, таких как метеоданные и пространственно-временные характеристики тепловых аномалий, позволило улучшить метрики качества обучения выбранных моделей на 12–25% для спутниковых данных MODIS и на 12–21% для спутниковых данных VIIRS. Для повышения эффективности классификации были использованы подходы к построению ансамблевых моделей. Лучшие две ансамблевые модели были протестированы на новых данных. Модель для данных MODIS с применением подхода Boosting правильно классифицировала 88.6% природных пожаров и 86.4% газовых факелов. Модель для данных VIIRS с применением подхода Stacking правильно классифицировала 97.6% природных пожаров и 97.2% газовых факелов. Полученные результаты позволяют исключить тепловые аномалии, вызванные газовыми факелами, ложно определяемыми как природные пожары, при анализе пожарной активности и повысить точность оценок эмиссий климатически активных газов и аэрозолей, связанных с пожарами.

4 0