.png)
.png)
.png)
Послать статью по эл. почте 
Применение методов машинного обучения для моделирования толщины снежного покрова
https://doi.org/10.15356/2076-6734-2017-1-34-44
Аннотация
Список литературы
1. Brun E., Durand Y., Martin E., Braun L. Snow modelling as an efficient tool to simulate snow cover evolution at different spatial scales // IAHS PublicationsSeries of Proceedings and Reports-Intern Assoc Hydrological Sciences. 1994. V. 223. P. 163–176.
2. Gusev E.M., Nasonova O.N., Dzhogan L.Y., Ayzel G.V. Simulating the formation of river runoff and snow cover in the northern West Siberia // Water Resources. 2015. V. 42. №. 4. P. 460–467. doi: 10.1134/S0097807815040065.
3. Гельфан А.Н., Морейдо В.М. Динамико-стохастическое моделирование формирования снежного покрова на Европейской территории России // Лёд и Снег. 2014. Т. 54. № 2. С. 44–52. doi: 10.15356/2076-6734-2014-2-44-52.
4. Singh P., Spitzbart G., Hübl H., Weinmeister H.W. Hydrological response of snowpack under rain-on-snow events: a field study // Journ. of Hydrology. 1997. V. 202. № 1. P. 1–20. doi: 10.1016/S0022-1694(97)00004-8.
5. СНиП 2.01.07–85. Нагрузки и воздействия. М.: изд. Минстроя России, 1996. 82 с.
6. Борзенкова А.В., Шмакин А.Б. Изменения толщины снежного покрова и суточной интенсивности снегопадов, влияющие на расходы по уборке магистралей в российских городах // Лёд и Снег. 2012. Т. 52. № 2. С. 59–70. doi: 10.15356/2076-6734-2012-2-59-70.
7. Armstrong R.L., Brun E. Snow and Climate. Physical Processes, Surface Energy Exchange and Modeling. Cambridge: Cambridge Univ. Press, 2008. 222 p.
8. Сократов В.С., Шмакин А.Б. Численное моделирование снежного покрова на о. Гукера (архипелаг Земля Франца-Иосифа) // Лёд и Снег. 2013. Т. 53. № 3. С. 55–62. doi: 10.15356/2076-6734-2013-3-55-62.
9. Anderson E.A. National Weather Service river forecast system: Snow accumulation and ablation model. V. 17. US Department of Commerce, National Oceanic and Atmospheric Administration, National Weather Service, 1973. 217 p.
10. Etchevers P., Martin E., Brown R., Fierz C., Lejeune Y., Bazile E., Boone A., Dai Y.J., Essery R., Fernandez A.,Gusev Y., Jordan R., Koren V., Kowalczyk E., Nasonova O., Pyles R.D., Schlosser A., Shmakin A.B., Smirnova T.G., Strasser U., Verseghy D., Yamazaki T., Yang Z.L. Validation of the energy budget of an alpine snowpack simulated by several snow models (SnowMIP project) // Annals of Glaciology. 2004. V. 38. № 1. P. 150–158. doi: 10.3189/172756404781814825.
11. Henderson-Sellers A., Pitman A.J., Love P.K., Irannejad P., Chen T.H. The project for intercomparison of land surface parameterization schemes (PILPS): Phases 2 and 3 // Bulletin of the American Meteorological Society. 1995. V. 76. №. 4. P. 489–503. doi: 10.1175/1520-0477(1995)076<0489:TPFIOL>2.0.CO;2.
12. Gusev E.M., Nasonova O.N., Dzhogan L.Y. Physically based modeling of many-year dynamics of daily streamflow and snow water equivalent in the Lena R. basin // Water Resources. 2016. V. 43. № 1. P. 21–32. doi: 10.1134/S0097807816010085.
13. Айзель Г.В. Расчеты речного стока для неизученных бассейнов: потенциал применения гидрологической модели и аппарата искусственных нейронных сетей // Инженерные изыскания. 2014. № 7. С. 60–66.
14. Elder K., Michaelsen J., Dozier J. Small basin modeling of snow water equivalence using binary regression tree methods // IAHS Publications-Series of Proceedings and Reports-Intern Assoc Hydrological Sciences. 1995. V. 228. P. 129–140.
15. Gharaei-Manesh S., Fathzadeh A., Taghizadeh-Mehrjardi R. Comparison of artificial neural network and decision tree models in estimating spatial distribution of snow depth in a semi-arid region of Iran // Cold Regions Science and Technology. 2016. № 122. P. 26–35. doi: 10.1016/j.coldregions.2015.11.004.
16. Balk B., Elder K. Combining binary decision tree and geostatistical methods to estimate snow distribution in a mountain watershed // Water Resources Research. 2000. V. 36. № 1. P. 13–26. doi: 10.1029/1999WR900251.
17. Волчек А.А., Костюк Д.А., Петров Д.О. Оценка водного эквивалента снега по данным пассивного микроволнового сканирования земной поверхности с использованием искусственных нейронных сетей для территории Российской Федерации // Лёд и Снег. 2016. Т. 56. № 1. С. 43–51. doi: 10.15356/2076-6734-2016-1-43-51.
18. Электронный ресурс: Buitinck L., LouppeG., Blondel M., Pedregosa F., Mueller A., Grisel O., Niculae V., Prettenhofer P., Gramfort A., Grobler J., Layton R., VanderPlas J., Joly A., Holt B., Varoquaux G. API design for machine learning software: experiences from the scikit-learn project // arXiv preprint. 2013. http://arxiv.org/abs/1309.0238.
19. Электронный ресурс: Morin S., Lejeune Y., Lesaffre B., Panel JM., Poncet D., David P., Sudul M. A 18-years long (1993-2011) snow and meteorological dataset from a mid-altitude mountain site (Col de Porte, France, 1325 altitude). 2012. https://doi.pangaea.de/10.1594/PANGAEA.774249.
20. Электронный ресурс: Arctic research centre of Finnish Meteorological Institute: observations on Sodankyla station (Finland). http://litdb.fmi.fi/index.php.
21. Wayand N.E., Massmann A., Butler C., Keenan E., Stimberis J., Lundquist J.D. A meteorological and snow observational data set from Snoqualmie Pass (921 m), Washington Cascades, USA // Water Resources Research. 2015. V. 51. №12. P. 10092–10103. doi: 10.1002/2015WR017773.
22. Breiman L., Friedman J., Stone C.J., Olshen R.A. Classification and regression trees. CRC press, 1984. 360 p.
23. Hastie T., Tibshirani R., Friedman J., Franklin J. The elements of statistical learning: data mining, inference and prediction. Springler, 2005. 758 p.
24. Freund Y., Schapire R.E. A decision-theoretic generalization of on-line learning and an application to boosting // Journ. of computer and system sciences. 1997. V. 55. № 1. P. 119–139. doi: 10.1007/3-540-59119-2_166.
25. Schapire R.E., Freund Y. Boosting: Foundations and algorithms. MIT press, 2012. 528 p.
26. Friedman J.H. Greedy function approximation: a gradient boosting machine // Annals of Statistics. 2001. V. 29. № 5. P. 1189–1232.
27. Kohavi R. A study of cross-validation and bootstrap for accuracy estimation and model selection // Intern. Joint Conf. on Artificial Intelligence (Ijcai). 1995. V. 14. № 2. P. 1137–1145.
28. Jonas T., Marty C., Magnusson J. Estimating the snow water equivalent from snow depth measurements in the Swiss Alps // Journ. of Hydrology. 2009. V. 378. №. 1. P. 161–167. doi: 10.1016/j.jhydrol.2009.09.021.
29. Hinkler J., Pedersen S.B., Rasch M., Hansen B.U. Automatic snow cover monitoring at high temporal and spatial resolution, using images taken by a standard digital camera // Intern. Journ. of Remote Sensing. 2002. V. 23. № 21. P. 4669–4682. doi: 10.1080/01431160110113881.
30. Muller C.L., Chapman L., Johnston S., Kidd C., Illingworth S., Foody G., Overeem A., Leigh R.R. Crowdsourcing for climate and atmospheric sciences: current status and future potential // Intern. Journ. of Climatology. 2015. V. 35. № 11. P. 3185–3203. doi: 10.1002/joc.4210.
Дополнительные файлы
Для цитирования: Айзель Г.В. Применение методов машинного обучения для моделирования толщины снежного покрова. Лёд и Снег. 2017;57(1):34-44. https://doi.org/10.15356/2076-6734-2017-1-34-44
For citation: Ayzel G.V. Use of machine learning techniques for modeling of snow depth. Ice and Snow. 2017;57(1):34-44. (In Russ.) https://doi.org/10.15356/2076-6734-2017-1-34-44
Обратные ссылки
- Обратные ссылки не определены.
ISSN 2076-6734 (Print)
ISSN 2412-3765 (Online)