Правильная ссылка на статью:
Фролов Д.М., Селиверстов Ю.Г., Кошурников А.В., Гагарин В.Е., Николаева Е.С..
Использование машинного обучения для классификации стратиграфических слоев снежной толщи по данным устройства snow micro pen
// Арктика и Антарктика. – 2024. – № 1.
– С. 1-11.
DOI: 10.7256/2453-8922.2024.1.69404.
DOI: 10.7256/2453-8922.2024.1.69404
Читать статью
Аннотация: Наблюдение за снежным покровом на площадке метеообсерватории сотрудниками географического факультета МГУ ведутся уже длительное время. В статье описываются особенности снегонакопления и стратиграфических исследований. В момент пришедшего в ночь с 14 на 15 декабря 2023 года в Москву третьего с начала снегонакопления циклона, была большая высота сугробов – на метеостанции ВДНХ высота снежного покрова составляла 31 см. За сутки до 15 декабря добавилось ещё 7 см и цифра 38 см стала рекордно большой. На метеостанции МГУ фиксировалась отметка в 49 см. Температура воздуха при этом к вечеру воскресенья 17 декабря поднялась и в последующие дни колебалась от 0 до +2 градусов. Последовала долгая оттепель, дождь и снеготаяние. На 21 декабря на метеостанции ВДНХ снежный покров осел до 24 см (то есть на 15 см), на метеообсерватории МГУ снежный покров осел до 28,5 см (с 49 см – почти на 20,5 см). Трудности классификации слоёв в снежной толще исследовались и исследуется многими практикующими метеорологами, что также рассмотрено в данной работе. Были использованы методы искусственного интеллекта (ИИ) для классификации стратиграфических слоев снежной толщи по данным измерений устройства snow micro pen. Получающиеся в результате метаморфизма формы ледяных кристаллов в снежной толще (округлые–>огранённые–>талые) различаются как по плотности, так и по параметрам, получаемым в результате обработки данных прибора Snowmicropen (MPF(N) – средняя сила сопротивления SD(N)- её стандартное отклонение, и cv- её ковариация). Это даёт возможность кластеризации обработанных данных прибора и произведения типизации новых данных измерений без привлечения результатов непосредственного ручного шурфования. Были обработаны полученные от прибора данные, и путем сравнения с данными непосредственного шурфования снега, делалось сопоставление классифицированных стратиграфических слоев снежной толщи. В дальнейшем по имеющимся классифицированным данным прибора стратиграфических слоев снежной толщи методом кластеризации K-ближайших соседей оказалось возможным производить классификацию стратиграфических слоев по новым полученным данным прибора без привлечения дополнительного ручного шурфования.
Ключевые слова: снежный слой, зимний сезон, метеоплощадка, снежная толща, МГУ, пространственно- временные неоднородности, cнежный покров, зимний период, исследование, неоднородность снежного покрова
Библиография:
Johnson, J. B. and Schneebeli, M. Snow strength penetrometer. US Patent 5. 1998. 831, 161.
Löwe, H. and Van Herwijnen, A.: A Poisson shot noise model for micro-penetration of snow // Cold Regions Science and Technology. 2012. 70, 62–70.
Schneebeli, M. and Johnson, J. B.: A constant-speed penetrometer for high-resolution snow stratigraphy // Annals of Glaciology. 1998. 26, 107–111.
Lemaître, G., Nogueira, F., and Aridas, C. K. Imbalanced-learn: A python toolbox to tackle the curse of imbalanced datasets in machine learning // The Journal of Machine Learning Research. 2017. 18, 559–563. 2017.
Kaltenborn, J., Macfarlane, A. R., Clay, V., and Schneebeli. Automatic snow type classification of snow micropenetrometer profiles with machine learning algorithms // Geosci. Model Dev., 2023.16, 4521–4550, https://doi.org/10.5194/gmd-16-4521-2023.
Nguyen, N. and Guo, Y.: Comparisons of sequence labeling algorithms and extensions. // Proceedings of the 24th international co