Везде

Президиум РАНИсследование Земли из космоса Earth Research from Space

  • ISSN (Print) 0205-9614
  • ISSN (Online) 3034-5405

ЛАГРАНЖЕВ АНАЛИЗ СПУТНИКОВЫХ ДАННЫХ ДЛЯ ОЦЕНКИ БИОМАССЫ ТРЕСКИ В ЗАПАДНО-БЕРИНГОВОМОРСКОЙ ЗОНЕ

Вы можете
Код статьи
S3034540525040061-1
DOI
10.7868/S3034540525040061
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Кулик В.В.
  • Аффилиация: Тихоокеанский филиал, Всероссийский научно-исследовательский институт рыбного хозяйства и океанографии (ТИНРО)
Будянский М.В.
  • Аффилиация: Тихоокеанский океанологический институт им. В.И. Ильичева ДВО РАН
Улейский М.Ю.
  • Аффилиация: Тихоокеанский океанологический институт им. В.И. Ильичева ДВО РАН
Пранц С.В.
  • Аффилиация: Тихоокеанский океанологический институт им. В.И. Ильичева ДВО РАН
Том/ Выпуск
Том / Номер выпуска 4
Страницы
73-93
Аннотация
На основе спутниковых альтиметрических данных о скорости геострофических течений для каждого дня с 2000 по 2023 г. рассчитаны траектории движения пассивных маркеров, регулярно распределенных по сетке в Беринговом море. Рассчитаны лагранжевы индикаторы – длины траекторий этих маркеров (L) и показатель Ляпунова (Λ), накопленные за месяц назад во времени к местам проведения научных донных тралений (ДТ). Показано, что метод машинного обучения "леса случайных деревьев" (random forest), среди прочих методов бэггинга и бустинга, наилучшим образом связывает логарифм плотности трески в научных ДТ (т/км) до 2021 г. с лагранжевыми индикаторами, описывая более 51% дисперсии в наборе для валидации. Стандартная для вычисления динамики биомассы трески в Западно-Беринговоморской зоне векторная авторегрессионная пространственно-временная модель описывает в идентичном тестировании на 6% дисперсии меньше, а обобщенная аддитивная модель на 20% дисперсии меньше. Все испытанные модели в своих оптимальных конфигурациях включали значимо положительный эффект L и нелинейный эффект Λ в дополнение к известным куполообразному эффекту глубины места ДТ и пороговому эффекту придонной температуры.
Ключевые слова
Берингово море треска спутниковая альтиметрия лагранжевы индикаторы показатель Ляпунова VAST GAM random forest
Дата публикации
16.12.2025
Год выхода
2025
Всего подписок
0
Всего просмотров
26

Библиография

  1. 1. Будянский М.В., Пранц С.В., Самко Е.В., Улейский М.Ю. Выявление и лагранжев анализ океанографических структур перспективных для промысла кальмара Бартрама (Ommastrephes bartramii) в районе Южных Курил // Океанология. 2017. № 5. С. 720–730.
  2. 2. Budyansky M.V., Prants S.V., Samko E.V., Uleysky M.Yu. Vyyavlenie i lagranzhev analiz okeanograficheskikh struktur perspektivnykh dlya promysla kal’mara Bartrama (Ommastrephes bartramii) v rayone Yuzhnykh Kuril [Identification and Lagrangian analysis of oceanographic structures promising for the fishery of the Bartram squid (Ommastrephes bartramii) in the South Kuriles] // Okeanologiya. 2017. № 5. P. 720–730. (In Russian).
  3. 3. Кулик В.В., Савин А.Б. Векторные авторегрессионные пространственно-временные (VAST) модели распределения биомассы трески Gadus macrocephalus (Gadidae) с учетом придонной температуры воды в Западно-Беринговоморской зоне // Изв. ТИНРО. 2024. Т. 204, вып. 3. С. 722–744. https://doi.org/10.26428/1606-9919-2024-204-722-744
  4. 4. Kulik V.V., Savin A.B. Vector Autoregressive Spatio-Temporal (VAST) models for biomass distribution of pacific cod Gadus macrocephalus (Gadidae) considering water temperature at the sea bottom in the West Bering Sea zone // Izv. TINRO. 2024. V. 204. Vyp. 3. P. 722–744. (In Russian with English abstract). https://doi.org/10.26428/1606-9919-2024-204-722-744
  5. 5. Савин А.Б. Запасы и промысел трески (Gadus macrocephalus, Gadidae) северо-западной части Берингова моря в 1965–2022 гг. // Изв. ТИНРО. 2023. Т. 203. № 3. С. 465–489. https://doi.org/10.26428/1606-9919-2023-203-465-489
  6. 6. Savin A.B. Resources of fish in bottom biotopes on the shelf and the upper continental slope in the northwestern Bering Sea // Izv. TINRO. 2018. V. 192. P. 15–36. (In Russian with English abstract). https://doi.org/10.26428/1606-9919-2018-192-15-36
  7. 7. Пранц С.В., Будянский М.В., Улейский М.Ю. Лагранжевы фронты в океане // Изв. РАН. Физика атмосферы и океана. 2014. Т. 50. № 3. C. 323–330.
  8. 8. Prants S.V., Budyanskiy M.V., Uleyskiy M.Yu. Lagranzhevy fronty v okeane [Lagrangian fronts in the ocean] // Izv. RAN. Fizika atmosfery i okeana. 2014. V. 50. № 3. P. 323–330. (In Russian).
  9. 9. Пранц С.В., Кулик В.В., Будянский М.В., Улейский М.Ю. О связи мест промысла сайры с крупномасштабными когерентными структурами в океане по спутниковым данным // Исслед. Земли из космоса. 2020. № 4. С. 18–26. https://doi.org/10.31857/S0205961420040053
  10. 10. Prants S.V., Kulik V.V., Budyanskiy M.V., Uleyskiy M.Yu. O svyazi mest promysla sayry s krupnomasshtabnymi kogerentnymi strukturami v okeane po sputnikovym dannym [On the connection of saury fishing grounds with large-scale coherent structures in the ocean according to satellite data] // Issled. Zemli iz kosmosa. 2020. № 4. P. 18–26. (In Russian).
  11. 11. Пранц С.В., Улейский М.Ю., Будянский М.В. Лагранжевы когерентные структуры в океане благоприятные для рыбного промысла // Доклады АН. 2012. Т. 447. № 1. С. 93–97.
  12. 12. Prants S.V., Uleyskiy M.Yu., Budyanskiy M.V. Lagranzhevy kogerentnye struktury v okeane blagopriyatnye dlya rybnogo promysla [Lagrangian coherent structures in the ocean favorable for fisheries] // Doklady AN. 2012. V. 447. № 1. P. 93–97. (In Russian).
  13. 13. Budyansky M.V., Kulik V.V., Kivva K.K., Uleysky M.Yu, Prants S.V. Lagrangian Analysis of Pacific Waters in the Sea of Okhotsk Based on Satellite Data in Application to the Alaska Pollock Fishery // Izv., Atmos. Ocean. Phys. 2022. V. 58. № 12. P. 1427–1437. https://doi.org/10.1134/S0001433822120088
  14. 14. Chen T., He T., Benesty M., Khotilovich V., Tang Y., Cho H., Chen K., Mitchell R., Cano I., Zhou T., Li M., Xie J., Lin M., Geng Y., Li Y., Yuan J. xgboost: Extreme Gradient Boosting. 2024. R package version 1.7.8.1. https://CRAN.R-project.org/package=xgboost
  15. 15. Dorogush A., Ershov V., Gulin A. CatBoost: gradient boosting with categorical features support. 2018. https://arxiv.org/abs/1810.11363
  16. 16. Hastie T., Tibshirani R. Generalized Additive Models // Statist. Sci. 1986. V. 1. №. 3. P. 297–318. https://doi.org/10.1214/ss/1177013604
  17. 17. Kearney K., Hermann A., Cheng W., Ortiz I., Aydin K. A coupled pelagic-benthic-sympagic biogeochemical model for the Bering Sea: documentation and validation of the BESTNPZ model (v2019.08.23) within a high-resolution regional ocean model // Geosci. Model Dev. 2020. V. 13. № 2. P. 597–650. https://doi.org/10.5194/gmd-13-597-2020
  18. 18. Kulik V., Prants S.V., Uleysky M.Yu., Budyansky M.V. Lagrangian characteristics in the western North Pacific help to explain variability in Pacific saury fishery // Fisheries Research. V. 252. 2022. 106361. https://doi.org/10.1016/j.fishres.2022.106361
  19. 19. Kursa M.B., Rudnicki W.R. Feature Selection with the Boruta Package // J. of Statistical Software. 2010. V. 36. № 11. P. 2–12. https://doi.org/10.18637/jss.v036.i11
  20. 20. Prants S.V. Chaotic Lagrangian transport and mixing in the ocean // The European Phys. J. Special Topics. 2014. V. 223. № 13. P. 2723–2743. https://doi.org/10.1140/epjst/e2014-02288-5
  21. 21. Prants S.V., Budyansky M.V., Ponomarev V.I., Uleysky M.Y. Lagrangian study of transport and mixing in a mesoscale eddy street // Ocean modeling. 2011. V. 38. № 1–2. P. 114–125. https://doi.org/10.1016/j.ocemod.2011.02.008
  22. 22. Prants S.V., Budyansky M.V., Uleysky M.Yu. Identifying Lagrangian fronts with favourable fishery conditions // Deep Sea Research I. 2014. V. 90. P. 27–35. https://doi.org/10.1016/j.dsr.2014.04.012
  23. 23. Prants S.V., Uleysky M.Y., Budyansky M.V. Lagrangian Oceanography: Large-scale Transport and Mixing in the Ocean. Physics of Earth and Space Environments. NY: Springer, 2017. 273 p.
  24. 24. Prants S.V. Marine life at Lagrangian fronts // Progress in Oceanography. 2022. V. 204. 102790. https://doi.org/10.1016/j.pocean.2022.102790
  25. 25. Prants S.V. Fisheries at Lagrangian fronts // Fisheries Research. 2024. V. 279. 107125. https://doi.org/10.1016/j.fishres.2024.107125
  26. 26. R Core Team. R: A Language and Environment for Statistical Computing. Vienna, Austria. 2024. https://www.R-project.org/
  27. 27. Ruczyński H., Kozak A., Słowakiewicz P., Grudzień A., Biecek P. forester: Quick and Simple Tools for Training and Testing of Tree-Based Models. R package version 1.6.1. 2024. commit c9762775ff31ae0268bbd1bca915bfb485ef4a78, https://github.com/ModelOriented/forester
  28. 28. Sakamoto Y., Ishiguro M., Kitagawa G. Akaike Information Criterion Statistics. 1986. D. Reidel Publishing Company.
  29. 29. Shi Y., Ke G., Soukhavong D., Lamb J., Meng Q., Finley T., Wang T., Chen W., Ma W., Ye Q., Liu T., Titov N., Cortes D. lightgbm: Light Gradient Boosting Machine. R package version 4.5.0. 2024. https://CRAN.R-project.org/package=lightgbm
  30. 30. Venables W.N., Dichmont C.M. GLMs, GAMs and GLMMs: an overview of theory for applications in fisheries research // Fish. Res. 2004. Vol. 70. Iss. 2–3. P. 319–337. https://doi.org/10.1016/j.fishres.2004.08.011
  31. 31. Wood S.N. Thin plate regression splines // J. R. Stat. Soc. Ser. B (Statistical Methodol.). 2003. V. 65. Iss. 1. P. 95–114. https://doi.org/10.1111/1467-9868.00374
  32. 32. Wood S.N. Stable and Efficient Multiple Smoothing Parameter Estimation for Generalized Additive Models // J. Am. Stat. Assoc. 2004. V. 99. Iss. 467. P. 673–686. https://doi.org/10.1198/016214504000000980
  33. 33. Wood S.N. Generalized Additive Models: An Introduction with R (2nd edition). London: Chapman and Hall/CRC Press, 2017. 496 p.
  34. 34. Wright M.N., Ziegler A. ranger: A Fast Implementation of Random Forests for High Dimensional Data in C++ and R // Journal of Statistical Software. 2017. V. 77(1). P. 1–17. https://doi.org/10.18637/jss.v077.i01
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека