Экология и использование регрессионных анализов для оценки биомассы лесных насаждений, а также методы картирования и визуализации углеродных запасов в среде машинного обучения
Как цитировать
Аннотация
Изучение способности лесов аккумулировать углерод вышло на мировой уровень, а оценка поглощения парниковых газов на карбоновых полигонах стала особо востребованной. Авторы создали и опубликовали три собственные базы данных, отражающие биологическую продуктивность лесов Евразии. Разработан алгоритм расчета приходной части углеродного цикла (ЧПП) лесов Уральского региона, который лежит в основе использования машинного обучения ML.NET. Настоящее исследование направлено на дальнейшее развитие моделей и алгоритмов использования упомянутых баз данных в среде машинного обучения для решения острых глобальных климатических проблем современности.
Ключевые слова
Библиографические ссылки
Ануреев А. Что мешает использовать формальные методы для верификации ИИ? // Математика Al 2025: мат. Межд. конф., посв. математике в искусственном интеллекте (24-28 марта 2025 года, Сочи). 2025. rutube.ru/video/ad09740477e5dd2b1df496fa54441746/
Воронов М.П., Усольцев В.А., Часовских В.П. Исследование методов и разработка информационной системы определения и картирования депонируемого лесами углерода в среде Natural: моногр. 2 изд. испр. и доп. Екатеринбург: Уральский государственный лесотехнический университет, 2015. 192 с.
Лабунец В.Г., Часовских В.П. Является ли мозг классическим компьютером, работающим в алгебре Клиффорда? Математические основы теории. Екатеринбург: Изд-во ООО «Акдениз», 2022. 178 с.
Усольцев В.А. Лесная биомасса и первичная продукция для лесов Евразии: моногр. 3-е изд., доп. Екатеринбург: Уральский государственный лесотехнический университет, 2020.
Усольцев В.А., Норицин Д. В., Маленко А.А. Регрессионные модели и таблицы для оценки структуры фитомассы деревьев при дистанционном зондировании сосняков РФ // Вестник Алтайского государственного аграрного университета. 2016. № 1(135).
Capellman J. Hands-on machine learning with ML.NET: Getting started with Microsoft ML.NET to implement popular machine learning algorithms in C#. PACKT. 2020. 296 p.
Esposito D., Esposito F. Programming ML.NET // Microsoft press. 2022. 256 p.
Kattge J., Bonisch G., Diaz S., Lavorel S., Prentice I.C., Leadley P., Tautenhahn S. TRY plant trait database – Broader coverage and open access // Global change biology. 2020. Vol. 26. pp. 119-188.
Knowles T., McCall M., Skutsch M., Theron L. Readying community forestry for REDD+: involving local communities in mapping and MRV tasks // Pathways for Implementing REDD+: insights from carbon markets and communities. UNEO. Perspectives series. Ed. by X. Zhu. 2010. pp. 141-151.
Labunets V.G., Chasovskikh V.P., Smetanin J.G., Ostheimer E. Novel multi-parameter Golay 2-complementary sequences and transforms // Journal of рhysics: сonf. series. 2018. Vol. 1096. Iss. 1. Art. 12043.
Ripple W.J., Wolf Ch., Newsome T.M., Barnard P., Moomaw W.R. World scientists’ warning of a climate emergency // BioScience. 2020. Vol. 70. № 1. pp. 8-12.
Schaphoff S., Lucht W., Gerten D., Sitch S., Cramer W., Prentice I.C. Carbon storage in the terrestrial biosphere under varying climate scenarios // Climatic сhange. 2006. № 74(1). 97-122