Применение методов усвоения и фильтрации данных спутникового зондирования водоемов для прогнозного моделирования процессов эволюции планктонных популяций
https://doi.org/10.23947/2587-8999-2020-1-1-1-11
Аннотация
Работа посвящена анализу и реализации высокотехнологичных методов усвоения и фильтрации данных спутниковых наблюдений, применяемых при разработке и верификации математических моделей гидродинамики и биологической кинетики мелководных водоемов. В работе рассматривается возможность применения нейронных сетей и описываются различные методы фильтрации изображений, полученных на основе данных спутникового зондирования Земли. Рассматривается математическая модель эволюции планктонных популяций в Азовском море. Её калибровка и верификация проводится с использованием методов усвоения спутниковых наблюдений. Целью работы является создание программного инструментария, применяемого на предварительном и финальном этапах математического моделирования гидробиологических процессов мелководного водоема.
Ключевые слова
математическое моделирование,
эволюция фито-планктона,
мелководный водоем,
данные спутникового зондирования,
нейронные сети,
методы фильтрации
При поддержке: Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 19-31-51017.
Об авторах
А. Л. Леонтьев
Южный федеральный университет; Общество с ограниченной ответственностью «Научно-исследовательский центр супер-ЭВМ и нейрокомпьютеров»; Научно-технологический университет «Сириус»
Россия
Россия
Леонтьев Антон Леонидович, Аспирант кафедры Интеллектуальных и многопроцессорных систем
г. Таганрог, ул. Чехова, 2
8(918)510 29 20
А. В. Никитина
Южный федеральный университет; Общество с ограниченной ответственностью «Научно-исследовательский центр супер-ЭВМ и нейрокомпьютеров»; Научно-технологический университет «Сириус»
Россия
Россия
Никитина Алла Валерьевна, Доктор технических наук, профессор, профессор кафедры Интеллектуальных и многопроцессорных систем
г. Таганрог, ул. Чехова, 2
8(951)516 85 38
М. И. Чумак
Научно-технологический университет «Сириус»; Донской государственный технический университет
Россия
Россия
Чумак Маргарита Игоревна, Магистрант кафедры математики и информатики
г. Ростов-на-Дону, пл. Гагарина, 1
8(908)182 03 69
Список литературы
1. Lotka A.J. Contribution to the energetics of evolution // Proc. Natl. Acad. Sci. 1922. No. 8. P. 147-150.
2. Volterra V. Variations and fluctuations of the number of individuals in animal species living together // Rapp. P. – V. Reun. Cons. Int. Explor. Mer. 1928. Vol. 3. P. 3-51.
3. Logofet D.O., Lesnaya E.V. The mathematics of Markov models: what Markov chains can really predict in forest successions // Ecological Modelling. 2000. Vol. 126. P. 285-298.
4. Monod J. Recherches sur la croissance des cultures bacteriennes. Paris: Hermann. 1942. 210 p.
5. Mitscherlich E.A. Das Gesert des Minimums und das Gesetz des abnehmenden Bodenertrags // Landw. Jahrb. 1909. 595 p.
6. Odum H.T. System Ecology. New York: Wiley, 1983. 644 p.
7. Gause G.F. Experimental studies on the struggle for existence: 1. Mixed population of two species of yeast // Journal of Experimental Biology. 1932. V. 9. P. 389-402.
8. Vinberg G.G. Some results of practical application of production-hydrobiological methods // Production of populations and communities of aquatic organisms and methods of its study. Sverdlovsk: Ural center of the USSR Academy of Sciences, 1985, P. 13-18.
9. Abakumov A.I. Signs of stability of water ecosystems in mathematical models // Proceedings Of the Institute of system analysis of the Russian Academy of Sciences. System analysis of the problem of sustainable development, Moscow: ISA RAS, 2010, Vol. 54, P. 49-60.
10. Menshutkin V.V., Rukhovets L.A., Filatov N.N. Modeling of freshwater lake ecosystems (review). 2. Models of freshwater lake ecosystems. resources. 2013. Vol. 41. No. 1. P. 24-38.
11. Astrakhantsev G.P., Egorova N.B., Rukhovets L.A. Mathematical modeling of impurity distribution in reservoirs // Meteorology and hydrology. 1988. no. 6. Pp. 71-79.
12. Vorovich I.I., Gorelov A.S., Gorstko A.B., Dombrovsky Yu.A., Zhdanov Yu.A., Surkov F.A., Epstein L.V. Rational use of water resources of the Azov sea basin: mathematical models / Ed. by I.I. Vorovich. Moscow: Nauka, 1981. 360 p.
13. Marchuk G.I., Sarkisyan A.S. Mathematical modeling of ocean circulation. Moscow: Nauka, 1988. 304 p.
14. Jorgensen S.E., Mejer H., Firiis M. Examination of a lake model // Ecological Modelling. 1978. Vol. 4. P. 253-278.
15. Steele J.H. The structure of marine ecosystems. – Cambrige (Massachusets): Harv. Univ. Press, 1974. – 110 p.
16. Dubois D.M. A model of patchines for prey-predator plankton populations // Ecol. Modeling. 1975. № 1. P. 67-80.
17. Sukhinov A.I., Nikitina A.V., Chistyakov A.E. Using multichannel satellite images for predictive modelling the "bloom" phytoplankton processes in shallow waters on supercomputer // Computational Mathematics and Information Technologies. 2017. V. 1. No. 2. P. 1-13.
18. Nikitina A.V., Semenyakina A.A. Mathematical modeling of eutrophication processes in Azov Sea on supercomputers // Computational Mathematics and Information Technologies. 2017. V. 1. No 1. P. 82-101.
19. Sukhinov A.I., Sidoryakina V.V., Nikitinа A.V., Chistyakov A.E., Filina A.A., Litvinov V.N. Mathematical modeling of nonlinear effects in dynamic of interacting plankton and fish populations of Azov Sea // Computational Mathematics and Information Technologies. 2019. V. 2. No 2. P. 83-103.
20. Nikitina A.V., Kozlov V.M., Filina A.A. Mathematical modeling of the delay process in regulation of population dynamics based on the theory of cellular automation // Computational Mathematics and Information Technologies. 2019. V. 1. No 1. P. 35-49.
21. Nikitina A.V., Kamyshnikova T.V. Mathematical modeling of pollution propagation processes and phytoplankton evolution in relation to the Taganrog Bay area. 2001. - 48 p.
22. Suykens F., Willems Y. Adaptive filtering for progressive Monte Carlo image rendering // WSCG, February, 2000.
23. Gastal E., Oliveira Adaptive manifolds for real-time high-dimensional filtering // ACM Transactions on Graphics (TOG), 31(4), 33, 2012.
24. Dammertz H., Sewtz D., Hanika J., Lensch H. Edge-Avoiding À-Trous Wavelet Transform for fast Global Illumination Filterin // High Performance Graphics, 2010.
25. Hachicuka T., Wojciech J., Weistroffer R., Dale K., Humphreys G., Zwicker M., Jensen H. Multidimensional Adaptive Sampling and Reconstruction for Ray Tracing // ACM Transactions on Graphics, Vol. 27, No. 3, Article 33, August, 2008.
26. Bauszat P., Eisemann M., Magnor M. Guided Image Filtering for Interactive High‐quality Global Illumination // Computer Graphics Forum, Vol. 30, No. 4. – Р. 1361 - 1368.
27. Doidge I., Jones. Probabilistic illumination-aware filtering for Monte Carlo rendering // The Visual Computer, 29(6 - 8). – Р. 707 - 716, 2013. Blackwell Publishing Ltd, June, 2011.
28. Chen Y., Lin Z., Zhao X., Wang G., Gu Y. Deep learning-based classification of hyperspectral data, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, v. 7, n. 6, pp. 2094–2107, 2014.
29. Zhen Z., Wang. G. Learning discriminative hierarchical features for. object recognition, IEEE Signal Process. Lett., vol. 21, no. 9, pp. 1159–1163, 2014.
Рецензия
Для цитирования:
Леонтьев А.Л., Никитина А.В., Чумак М.И. Применение методов усвоения и фильтрации данных спутникового зондирования водоемов для прогнозного моделирования процессов эволюции планктонных популяций. Computational Mathematics and Information Technologies. 2020;4(1):1-11. https://doi.org/10.23947/2587-8999-2020-1-1-1-11
For citation:
Leontyev A.L., Nikitina A.V., Chumak M.I. Application of assimilation and filtration methods for satellite water sensing data for plankton population evolution processes predictive modeling. Computational Mathematics and Information Technologies. 2020;4(1):1-11. https://doi.org/10.23947/2587-8999-2020-1-1-1-11
Просмотров:
227
Послать статью по эл. почте 