By this author

Satellite Monitoring of Wildfire Intensity and Wildfire-Induced Emissions of Climate-Active Gases and Aerosols in the Russian Far East

Issue number 5 from 21.03.2026

По результатам спутникового мониторинга исследуются различные типы природных пожаров для 6 групп растительности (хвойные леса бореальной зоны, смешанные и лиственные леса умеренного пояса, кустарники, лесотундра, травянистая растительность и сельскохозяйственные угодья), происходивших на территории Дальнего Востока России в пожароопасный сезон (апрель–октябрь) за период с 2020 по 2024 годы. На основании обработки спутниковых данных с использованием информационного продукта MCD64A1 определены площади природных пожаров и рассчитаны ежегодные объемы вызываемых ими эмиссий углеродосодержащих газов CO, CO, CH и мелкодисперсных аэрозолей PM. Установлено, что 2021 год был аномальным по площади выгоревших участков (90.2 тыс. км), а 2024 характеризувался рекордным объемом пожарных эмиссий климатически активных газов и мелкодисперсных аэрозолей, который составил 257.6 млн тонн. По данным спутникового информационного продукта MCD14 выявлены вариации значений мощности излучения FRP (Fire Radiative Power) для пожаров, происходивших на исследуемой территории с различными типами растительного покрова. Рассчитан показатель FRE (Fire Radiative Energy), позволяющий оценить интегрированную по времени энергию пожара для выгоревших участков с разными группами растительности.

3 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