Одной из основных проблем при решении задачи экстраполяции in situ измерений характеристик углеродного цикла на региональный и глобальный масштабы методами машинного обучения является дефицит данных вследствие их коротких временных рядов. В работе проведена оценка возможности аугментации точечных наблюдений этих параметров на примере спутниковых данных. Используются результаты восстановления месячных значений валовой первичной продукции, биофизических индикаторов растительности и параметров окружающей среды по спутниковым данным MODIS, VIIRS и TROPOMI за период 2018-2025 гг. в вегетационный период (с мая по сентябрь) в районе обсерватории «Фоновая» в Томской области. Рассмотрены следующие методы аугментации: гауссовские копулы, генеративно-состязательная нейронная сеть, вариационный автоэнкодер и байесовская нейронная сеть.
углеродный цикл, аугментация, спутниковые данные, нейронная сеть
1. Liu S., Zhang Z., Zhou H., Chen X. A generative model-based network framework for ecological data reconstruction // Computers, Materials and Continua. 2025. V. 82(1). P. 929-948. https://doi.org/10.32604/cmc.2024.057319.
2. Аршинов М.Ю., Белан Б.Д., Давыдов Д.К., Козлов А.В., Фофонов А.В. Эмиссия и поглощение парниковых газов луговой экосистемой южной тайги Западной Сибири: оценка вклада почвенной составляющей по данным наблюдений 2023 г. // Оптика атмосферы и океана. 2024. Т. 37(9). С. 760–772. https://doi.org/10.15372/AOO20240906.
3. Скороходов А.В., Журавлева Т.Б. Фотосинтетическая активность различных типов растительности юга Западной Сибири и ее взаимосвязь с параметрами окружающей среды по данным реанализа и спутниковых наблюдений // Оптика атмосферы и океана. 2026. Т. 39(3). С. 266–276. https://doi.org/10.15372/AOO20260311.
