2026 г., Том 31, № 5, с.54-76

В работе обсуждаются новые результаты расчетов валовой первичной продукции (gross primary production — GPP) для территории юга Западной Сибири, полученные по данным спектрорадиометра MODIS, реанализа ERA5 и цифровой модели рельефа SRTM с использованием методов машинного обучения. Величина GPP является важным индикатором углеродного обмена между атмосферой и подстилающей поверхностью, на количественном уровне характеризует прирост биомассы растительного покрова в вегетационный период. Для получения значений GPP используются шесть методов машинного обучения: случайный лес, Adaboost, XGBoost, LightGBM, деревья решений с градиентным бустингом и нейросетевая модель на основе многослойного перцептрона. Обучающая и тестовые выборки моделей для вегетационного сезона 2024 г. включают 14 признаков, к которым по данным независимых исследований валовая первичная продукция наиболее чувствительна. В результате анализа метрик машинного обучения установлены наиболее оптимальные конфигурации моделей, а также признаки, оказывающие наибольшее влияние на качество получаемых оценок GPP для территории Алтайского края и Новосибирской области.