В. А. Малинников

Детальная_Инф:  Да
Автор1:  Н. В. Попов
Афиилиация1:  Институт глобального климата и экологии имени академика Юрия Антониевича Израэля, г. Москва, Российская Федерация
Автор2:  В. А. Малинников
Афиилиация2:  Московский государственный университет геодезии и картографии, г. Москва, Российская Федерация
Название статьи:  Разработка статистических моделей оценки концентрации метана в приземном слое атмосферы по материалам космической съемки в зимний период
Рубрика:  Дистанционное зондирование земли, фотограмметрия
Начало_Страница:  77
Конец_Страница:  85
УДК:  528.71:551.510.5
DOI:  10.33764/2411-1759-2025-30-3-77-85
Год:  2025
Номер:  3
Том:  30
Ключевые слова_RU:  Sentinel 2, метан, коэффициент корреляции Пирсона, спутники, парниковые газы, мониторинг, системы наблюдений, концентрации, метеостанция Тикси
Ключевые слова_EN:  Sentinel 2, methane, Pearson correlation coefficient, satellite, greenhouse gases, monitoring, observations, concentrations, Tiksi
Библиографический список:  1. Rutherford, J. S., Sherwin, E. D., Ravikumar, A. P., Heath, G. A., Englander, J., Cooley, D., Lyon, D., Omara, M., Langfitt, Q., Brandt, A. R. (2021). Closing the methane gap in US oil and natural gas production emissions inventories // Nature communications. – 2021. – Vol. 12(1) No. 4715. – DOI 10.1038/s41467-021-25017-4.
2. IPCC, 2014. Climate Change 2014: Mitigation of Climate Change. Contribution of Working Group III to Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Edenhofer, O., R. Pichs-Madruga, Y. Sokona, E. Farahani, S. Kadner, K. Seyboth, A. Adler, I. Baum, S. Brunner, P, Eickemeier, B. Kriemann, J. Savolainen, S. Schlömer, C. von Stechow, T. Zwickel and J. C. Minx (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA; 2014. – 1419 pp.
3. Hu, H., Hasekamp, O., Butz, A., Galli, A., Landgraf, J., Aan de Brugh, J., Borsdorff, T., Scheepmaker, R., and Aben, I.: The operational methane retrieval algorithm for TROPOMI // Atmospheric Measurement Techniques. – 2016. – Vol. 9, No. 11. – P. 5423–5440. – DOI 10.5194/amt-9-5423-2016. – EDN XTZHFP.
4. Jacob, D. J., Varon, D. J., Cusworth, D. H., Dennison, P. E., Frankenberg, C., Gautam, R., Guanter, L., Kelley, J., McKeever, J., Ott, L. E., Poulter, B., Qu, Z., Thorpe, A. K., Worden, J. R., and Duren, R. M.: Quantifying methane emissions from the global scale down to point sources using satellite observations of atmospheric methane // Atmospheric Chemistry and Physics. – 2022. – Vol. 22, No. 14. – P. 9617–9646. – DOI 10.5194/acp-22-9617-2022. – EDN JTGQIX.
5. Varon, D. J., Jervis, D., McKeever, J., Spence, I., Gains, D., and Jacob, D. J.: High-frequency monitoring of anomalous methane point sources with multispectral Sentinel-2 satellite observations, // Atmospheric Measurement Techniques. – 2021. – Vol. 14, No. 4. – P. 2771–2785. – DOI 10.5194/amt-14-2771-2021. – EDN NNJOCO.
6. Zhang, Z., Sherwin, E. D., Varon, D. J., and Brandt, A. R.: Detecting and quantifying methane emissions from oil and gas production: algorithm development with ground-truth calibration based on Sentinel-2 satellite imagery // Atmos. Meas. Tech. – Vol. 15. – Pp. 7155–7169. – DOI 10.5194/amt-15-7155-2022, 2022.
7. Родионова Н. В. Корреляция наземных и спутниковых значений концентрации метана в приземном слое атмосферы в районе Тикси // Всероссийские открытые Армандовские чтения: Современные проблемы дистанционного зондирования, радиолокации, распространения и дифракции волн : сб. материалов конференции. – 2022. – № 1. – С. 349–356.
8. Арабаджян Д. К., Парамонова Н. Н., Макарова М. В., Поберовский А. В. Анализ временной изменчивости концентраций метана в атмосфере по данным наземных наблюдений // Вестник Санкт-Петербургского университета. Физика и химия. – 2015. – Т. 2 (60), № 3. – С. 204-215. – EDN UNNPEJ.
9. Семенов С. М., Говор И. Л., Уварова Н. Е. Роль метана в современном изменении климата. – М. : Институт глобального климата и экологии имени академика Ю. А. Израэля, 2018. – 106 с. – ISBN 978-5-9631-0687-7. – EDN TZBKQY.
10. Виноградова А. А., Гинзбург А. С., Губанова Д. П. Изменчивость концентрации метана в приземном воздухе Москвы на разных временных масштабах // Известия Российской академии наук. Физика атмосферы и океана. – 2022. – Т. 58, № 2. – С. 205–217. – DOI 10.31857/S0002351522020110. – EDN TLTOXB.
11. Ивахов В. М., Парамонова Н. Н., Привалов В. И., Зинченко А. В. Анализ данных непрерывных наблюдений атмосферной концентрации метана на арктической станции Тикси с 2010 по 2015 гг. // Труды главной геофизической лаборатории им. А. И. Воейкова. – 2016. – № 582. – С. 261–280.
12. Tuomas Laurila (FMI), Ed Dlugokencky (NOAA), Viktor Ivakhov (MGO), Juha Hatakka (FMI), Atmospheric CH4 at Tiksi by Finnish Meteorological Institute, dataset published as CH4_TIK_surfaceinsitu_FMI_data1 at WDCGG, ver.2022-07-08-2150. – DOI 10.50849/WDCGG_0025-2002-1002-01-01-9999 (reference date: 2024/07/09).
13. World Meteorological Organization Guide to Meteorological Instruments and Methods of Observation, 2008 edition updated 2010. Geneva, Switzerland, WMO, 716pp. (WMO No. 8). – 2012. – DOI 10.25607/OBP-1528.
14. Стародубцев В. С., Соловьёв В. С. Особенности вариаций метана на арктическом побережье в летне-осенний период // Современные проблемы дистанционного зондирования Земли из космоса. – 2021. – Т. 18, № 6. – С. 253–264. – DOI 10.21046/2070-7401-2021-18-6-253-264. – EDN ZXSCSJ.
15. Джордж Грекукис. Методы и практика пространственного анализа / пер. с англ. А. Н. Киселева. – М. : ДМК Пресс, 2021. – 540 с.
Образец цитирования:  Попов Н. В., Малинников В. А. Разработка статистических моделей оценки концентрации метана в приземном слое атмосферы по материалам космической съемки в зимний период // Вестник СГУГиТ. – 2025. – Т. 30, № 3. – С. 77–85. – DOI 10.33764/2411-1759-2025-30-3-77-85
Ссылка:  /upload/vestnik/sborniki/2025/30_3/77-85.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  Д. Т. Куен
Афиилиация1:  Московский государственный университет геодезии и картографии, г. Москва, Российская Федерация
Автор2:  В. А. Малинников
Афиилиация2:  Московский государственный университет геодезии и картографии, г. Москва, Российская Федерация
Автор3:  Т. Э. Сереке
Афиилиация3:  Московский государственный университет геодезии и картографии, г. Москва, Российская Федерация
Автор4:  С. Х. Нго
Афиилиация4:  Государственный университет по землеустройству, г. Москва, Российская Федерация
Название статьи:  Картографирование приливно-отливных отмелей вдоль побережья Вьетнама с использованием методов глубокого обучения на основе изображения Sentinel-1
Рубрика:  Дистанционное зондирование земли, фотограмметрия
Начало_Страница:  70
Конец_Страница:  82
УДК:  528.8:528.9+551.465.433(597)
DOI:  10.33764/2411-1759-2024-29-6-70-82
Год:  2024
Номер:  6
Том:  29
Ключевые слова_RU:  приливно-отливные отмели, дистанционное зондирование, глубокое обучение, сеть U-Net, Sentinel-1, Вьетнам, водно-болотные угодья, морфология приливно-отливных отмелей, геоинформационное картографирование, карты водно-болотных угодий
Ключевые слова_EN:  tidal flats, remote sensing, deep learning, U-Net network, Sentinel-1, Vietnam, wetlands, tidal flats morphology, geoinformation mapping, wetland maps
Библиографический список:  1. Miththapala S. Mangrove Coastal Ecosystem Series // Ecosystem and Livelihoods Groups Aisia IUCN. – 2008. –Vol. 2.
2. McLean R. F., Tsyban A., Burkett V. Coastal zones and marine ecosystems // Climate change. – 2001. – P. 343–379.
3. Klein G. D. Intertidal flats and intertidal sand bodies // Coastal sedimentary environments. New York. – 1985. – P. 187–224.
4. Tong S. S., Deroin J. P., Pham T. L. An optimal waterline approach for studying tidal flat morphological changes using remote sensing data: A case of the northern coast of Vietnam // Estuarine, Coastal and Shelf Science. – 2020. –Vol. 4. – DOI 10.1016/j.ecss.2020.106613.
5. Perillo G., Wolanski E., Cahoon D. R., Hopkinson C. S. Coastal wetlands: an integrated ecosystem approach // Elsevier. –2018.
6. Morris J. T., Sundareshwar P. V., Nietch C. T., Kjerfve B., Cahoon D. R. Responses of coastal wetlands to rising sea level // Ecology. – 2002. – Vol. 83(10). – P. 2869–2877. – DOI 10.1890/0012-9658(2002)083[2869:ROCWTR]2.0.CO;2.
7. Murray N.J., Phinn S. R., Clemens R. S., Roelfsema, C. M., Fuller R. A. Continental scale mapping of tidal flats across East Asia using the Landsat archive. Remote Sensing. – 2012. – Vol. 4 (11). – P. 3417–3426. DOI 10.3390/rs4113417.
8. Zhao B., Guo H., Yan Y., Wang Q., Li B. A simple waterline approach for tidelands using multi-temporal satellite images: A case study in the Yangtze Delta // Estuarine, Coastal and Shelf Science. – 2008. – Vol. 77 (1). – P. 134–142. – DOI 10.1016/j.ecss.2007.09.022.
9. Khan AI., Al-Habsi S. Machine learning in computer vision // Procedia Computer Science. – 2020. – Vol. 167. – P. 444–1451. – DOI 10.1016/j.procs.2020.03.355.
10. Аш Е. В. Общие принципы и методика создания карты береговых морфосистем на основе анализа данных дистанционного зондирования Земли // Исследование Земли из космоса. – 2014. – № 6. – С. 40. – DOI 10.7868/S0205961414050029.
11. Куен Д. Т., Малинников В. А. Классификация устьевых и прибрежных водно-болотных угодий по снимкам Planet NICFI на основе сверточных нейронных сетей и трансферного обучения // Геодезия и картография. – 2024. – № 6. – С. 31–42. – DOI 10.22389/0016-7126-2024-1008-6-31-42.
12. Siddique N., Paheding S., Elkin CP., Devabhaktuni V. U-net and its variants for medical image segmentation: A review of theory and applications // Ieee Access. – 2021. –Vol. 9. – P. 82031–82057. – DOI 10.1109/ACCESS.2021.3086020.
13. Pan Z., Xu J., Guo Y., Hu Y., Wang G. Deep learning segmentation and classification for urban village using a worldview satellite image based on U-Net // Remote Sensing. – 2020.– Vol. 12 (10). – P. 1574. – DOI 10.3390/rs12101574.
14. Fan X., Yan C., Fan J., Wang N. Improved U-net remote sensing classification algorithm fusing attention and multiscale features // Remote Sensing. – 2022. – Vol. 14(15). – P. 3591. – DOI 10.3390/rs1415359.
15. Xu Y., Zhang H., Li Y. A Comparative Analysis of Water Indices for Delineating Water Bodies from Landsat TM Imagery // Remote Sensing. – 2017. – Vol. 9(2). – P. 141. – DOI 10.3390/rs902014.
16. Байкин Д. А. Анализ влияния разлива нефтепродуктов на состояние природных объектов по данным дистанционного зондирования Sentinel-2 в условиях Восточной Сибири // Интерэкспо ГЕО-Сибирь. XVII Междунар. науч. конгр., 19–21 мая 2021 г., Новосибирск : сб. материалов в 8 т. Т. 6 : Магистерская научная сессия «Первые шаги в науке». – Новосибирск : СГУГиТ, 2021. – С. 24–31. – DOI 10.33764/2618-981X-2021-6-24-31.
17. Zhang S., Xu Q., Wang H., Kang Y., Li X. Automatic waterline extraction and topographic mapping of tidal flats from SAR images based on deep learning // Geophysical Research Letters. – 2022. – Vol. 49(2). – DOI 10.1029/2021GL096007
18. Yadav R., Nascetti A., Ban Y. Deep attentive fusion network for flood detection on uni-temporal Sentinel-1 data // Frontiers in Remote Sensing. – 2022. – Vol. 3. – DOI 10.3389/frsen.2022.1060144.
19. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // Medical image computing and computer-assisted intervention–MICCAI 2015. – 2015. – P. 234–241.
20. Andrew O., Apan A., Paudyal DR. Convolutional Neural Network-Based Deep Learning Approach for Automatic Flood Mapping Using NovaSAR-1 and Sentinel-1 Data // ISPRS International Journal of Geo-Information. – 2023. – Vol 12 (5). – DOI 10.3390/ijgi12050194.
21. Murray, N. J., Phinn, S. R., Clemens, R. S, Roelfsema, C. M., Fuller, R. A. Continental scale mapping of tidal flats across East Asia using the Landsat archive. Remote Sensing. – 2012. – Vol. 4 (11). – P. 3417–3426. – DOI 10.3390/rs4113417.
22. Kim K., Jung H. C., Choi J. K., Ryu J. H. Statistical analysis for tidal flat classification and topography using multitemporal SAR backscattering coefficients. Remote Sensing. – 2021. – Vol. 13 (24). – P. 5169. – DOI 10.3390/rs13245169.
23. Колесников А. А. Анализ методов и средств искусственного интеллекта для анализа и интерпретации данных активного дистанционного зондирования // Вестник СГУГиТ. – 2022. – Т. 27, № 3. – С. 74–94. – DOI 10.33764/2411-1759-2022-27-3-74-94.
Образец цитирования:  Куен Д. Т., Малинников В. А., Сереке Т. Э., Нго С. Х. Картографирование приливно-отливных отмелей вдоль побережья Вьетнама с использованием методов глубокого обучения на основе изображения Sentinel-1 // Вестник СГУГиТ. – 2024. – Т. 29, № 6. – С. 70–82. – DOI 10.33764/2411-1759-2024-29-6-70-82
Ссылка:  /upload/vestnik/sborniki/2024/29_6/70-82.pdf
Читать далее