Застосування методів нелінійної просторово-часової регуляризації для аналізу даних метеорологічних спостережень

Костюченко, ЮВ, Білоус, ЮГ, Мовчан, ДМ, Ющенко, МВ, Артеменко, ІГ, Попадюк, ЛВ
Косм. наука технол. 2013, 19 ;(5):42–49
https://doi.org/10.15407/knit2013.05.042
Мова публікації: українська
Анотація: 

На основі аналізу особливостей розподілу досліджуваних показників було запропоновано метод статистичного аналізу даних спостережень, у тому числі архівних записів та спостережень з різних джерел, що дозволяє отримувати розподіли в одиницях, інваріантних відносно типів даних. Для отримання регуляризованих у просторі та часі розподілів метеорологічних показників на регіональному рівні запропоновано алгоритм, що базується на методі кернель-аналізу головних компонентів. Проведено аналіз регіональних розподілів кліматичних показників за багаторічними метеорологічними вимірюваннями та зіставлено з даними реаналізу відомих загальноприйнятих моделей NCEP/NCAR. За результатами аналізу визначено просторово-часові особливості змін кліматичних параметрів на регіональному рівні. Отримані результати проаналізовано у порівнянні зі змінами показників продуктивності рослинного покриву та атмосферних концентрацій парникових газів, визначених за даними ДЗЗ. Встановлено, що використання запропонованого методу дає можливість оцінювати регіональні параметри ризику і безпеки на більш коректному рівні.

Ключові слова: зміни кліматичних параметрів, надзвичайні ситуації, парникові гази, супутникові дані
References: 
  1. Костюченко Ю. В., Копачевський І. М., Соловйов Д. М. та ін. Використання даних супутникових спостережень для оцінки регіональних гідролого-гідрогеологічних ризиків // Космічна наука і технологія. — 2011. — 17, № 6. — С. 19—29.
  2. Костюченко Ю. В., Мовчан Д. М., Ющенко М. В. Оцінка стану безпеки територій за даними статистичного аналізу розподілів надзвичайних ситуацій // Комплексне моделювання управління безпечним використанням продовольчих, водних і енергетичних ресурсів з метою сталого соціального, економічного і екологічного розвитку / За ред. А. Г. Загороднього, Ю. М. Єрмольєва. — Київ, 2013. — C. 54—63.
  3. Лялько В. І., Мовчан Д. М., Костюченко Ю. В., Копачевський І. М. Контроль параметрів динаміки регіональної рослинності на основі даних ДЗЗ з метою підвищення ефективності довгострокового управління гідролого-гідрогеологічними ризиками // Геоінформатика. — 2012. — 1(41). — С. 50—56.
  4. Adger W. N. Vulnerability // Global Environ. Change. — 2006. — 16, N 3. — P. 268—281.
  5. Christianini N., Shawe-Taylor J. An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods. — Cambridge: University Рress, UK, 2000. — 212 р.
  6. Cowpertwait P. S. P. A generalized spatial-temporal model of rainfall based on a clustered point process // Proc. Roy. Soc. London A. — 1995. — 450. — P. 163—175.
  7. Fowler H. J., Kilsby C. G., O’Connell P. E. Modeling the impacts of climatic change and variability on the reliability, resilience and vulnerability of a water resource system // Water Resour. Res. — 2003. — 39. — P. 1222.
  8. IPCC 2001: Climate Change 2001: The Scientific Basis. Contribution of Working Group I to the Third Assessment Report of the Intergovernmental Panel on Climate Change / Eds J. T. Houghton, Y. Ding, D. J. Griggs, et al. — Cambridge: University Press, 2001. — 881 p.
  9. IPCC  2007: Climate change 2007: Impacts, adaptation and vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change / Eds M. L. Parry, O. F. Canziani, J. P. Palutikof, et al. — Cambridge: University Press, 2007. — 976 p.
10. Kalnay E., Kanamitsu M., Kistler R., et al. The NCEP/NCAR 40-year reanalysis project // Bull. Amer. Meteor. Soc. — 1996. — 77. — P. 437—470.
11. Kanamitsu M., Ebisuzaki W., Woollen J., et al. NCEPDOE AMIP-II Reanalysis (R-2) // Bull. Amer. Meteor. Soc. — 2002. — 83. — P.1631—1643.
12. Lee J.-M., Yoo C. K., Choi S. W., et al. Nonlinear process monitoring using kernel principal component analysis // Chem. Eng. Sci. — 2004. — 59. — P. 223—234.
13. Lloyd C. D. Local models for spatial analysis. — CRC Press, Taylor & Francis Group, 2007. — 244 p. — (ISBN 0-415-31681-2).
14. Mika S., Scheolkopf B., Smola A. J., et al. Kernel PCA and de-noising in feature spaces // Adv. Neural Inform. Process. Syst. – 1999.– 11. – P. 536–542.
15. Mudelsee M., Bцrngen M., Tetzlaff G. On the estimation of trends in the frequency of extreme weather and climate events // Wiss. Mitt. Meteorol. Inst. Univ. Leipzig. — 2001. — 22. — P. 78—88. — (Eds A. Raabe, K. Arnold).
16. National Research Council. America’s Climate Choices: Adapting to the impacts of climate change. — Washington, DC: National Academies Press, 2010. — 292 p.
17. Romdhani S., Gong S., Psarrou A. A multi-view nonlinear active shape model using kernel PCA // Proceedings of BMVC. — UK, 1999. — P. 483—492.
18. Scheolkopf B., Smola A. J., Muller K. Nonlinear component analysis as a kernel eigenvalue problem // Neural Computation. — 1998. — 10, N 5. — P. 1299—1399.

19. Villez K., Ruiz M., Sin G., et al. Combining multiway principal component analysis (MPCA) and clustering for efficient data mining of historical data sets of SBR processes // Water Science & Technology. — 2008. — 57, N 10. —P. 1659—1666.