Ключевые слова
углекислый газ
изменение климата
случайный лес
градиентный бустинг
нейросетевая модель долгой краткосрочной памяти
Как цитировать
Аннотация
рост концентрации углекислого газа в атмосфере, обусловленный как природными, так и антропогенными воздействиями, является одной из ключевых причин изменения климата, что делает проблему точного долгосрочного прогнозирования выбросов принципиально важным вопросом современной науки. В работе выполнен сравнительный анализ эффективности различных методов машинного обучения для прогнозирования временных рядов концентрации углекислого газа на основе данных научной обсерватории «Станция высотной мачты» в Центральной Сибири за период 2009–2022 гг. Рассмотрены ансамблевые модели: случайный лес, градиентный бустинг — и рекуррентная нейронная сеть с архитектурой долгой краткосрочной памяти. В качестве предикторов использованы интенсивность пожаров, лаговая переменная (количество дней от начала наблюдений) и метеорологические параметры: температура воздуха, максимальная и минимальная температура за день, температура точки росы, относительная влажность, скорость ветра, атмосферное давление, количество осадков. Показано, что архитектура нейронной сети долгой краткосрочной памяти обеспечивает более высокую точность прогноза на валидационной выборке по сравнению с ансамблевыми методами (средняя абсолютная ошибка: 2,87, среднеквадратичная ошибка: 3,91, коэффициент детерминации: 0,83). Установлено, что наиболее значимыми предикторами являются температура воздуха, относительная влажность, температура точки росы и скорость ветра.
Литература
Timokhina A. V., Prokushkin A. S., Panov A. V., Kolosov R. A., Sidenko N. V., Lavric J., Heimann M. Interannual Variability of Atmospheric CO2 Concentrations over Central Siberia from ZOTTO Data for 2009–2015. Russian Meteorology and Hydrology. 2018;43(5):288-294. DOI: 10.3103/S1068373918050023.
Liu W., Niu Z., Feng X., Zhou W., Liang D., Wang G., Liu L. Determining the Key Meteorological Factors Affecting Atmospheric CO2 and CH4 Using Machine Learning Algorithms at a Suburban Site in China. Urban Climate. 2025;59:102312. DOI: 10.1016/j.uclim.2025.102312.
Rezaei Z., Samghabadi S. S., Amini M. A., Shi D., Banad Y. M. Predicting Climate Change: A Comparative Analysis of Time Series Models for CO2 Concentrations and Temperature Anomalies. Environmental Modelling & Software. 2025;192:106533. DOI: 10.1016/j.envsoft.2025.106533.
Dieu Anh T., Gerbig C., Rödenbeck C., Panov A., Prokushkin A., Winderlich J., Lavrič J., Heimann M., Seifert T., Schultz U., Schmidt S., Zaehle S. Zotino Tall Tower Observatory (ZOTTO) Hourly CO2 Measurement Dataset. Edmond. Режим доступа: https://doi.org/doi:10.17617/3.YBPFG2.
NASA FIRMS: Fire Information for Resource Management System. Режим доступа: https://firms.modaps.eosdis.nasa.gov/.
NASA POWER: Prediction of Worldwide Energy Resources. Режим доступа: https://power.larc.nasa.gov/.
Biau G., Scornet E. A Random Forest Guided Tour. Test. 2016;25(2):197–227. DOI: 10.1007/s11749-016-0481-7.
Xie Y., Tummala S. P. Machine Learning for Sensor Analytics: A Comprehensive Review and Benchmark of Boosting Algorithms in Healthcare, Environmental, and Energy Applications. Sensors. 2025;25(23):7294. DOI: 10.3390/s25237294.
Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997;9(8):17351780.
Старовойтов В. В., Голуб Ю. И. Нормализация данных в машинном обучении. Информатика. 2021;18(3):83–96. DOI: 10.37661/1816-0301-2021-18-3-83-96.
Brassington G. Mean Absolute Error and Root Mean Square Error: Which Is the Better Metric for Assessing Model Performance? EGU General Assembly Conference Abstracts. 2017;19:3574.
Pearson K. On Lines and Planes of Closest Fit to Systems of Points in Space. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science. 1901;2(11):559–572. DOI: 10.1080/14786440109462720.
Hauke J., Kossowski T. Comparison of Values of Pearson’s and Spearman’s Correlation Coefficients on the Same Sets of Data. Quaestiones Geographicae. 2011;30(2):87–93. DOI: 10.2478/v10117-0110021-1.