НЕЛИНЕЙНЫЕ ТРЕНДЫ ЧИСТОЙ ПЕРВИЧНОЙ ПРОДУКЦИИ РАСТИТЕЛЬНОСТИ ЮГА КРАСНОЯРСКОГО КРАЯ ПО СПУТНИКОВЫМ ДАННЫМ: МЕТОДЫ И ПОДХОДЫ : научное издание | Научно-инновационный портал СФУ

НЕЛИНЕЙНЫЕ ТРЕНДЫ ЧИСТОЙ ПЕРВИЧНОЙ ПРОДУКЦИИ РАСТИТЕЛЬНОСТИ ЮГА КРАСНОЯРСКОГО КРАЯ ПО СПУТНИКОВЫМ ДАННЫМ: МЕТОДЫ И ПОДХОДЫ : научное издание

Перевод названия: NON-LINEAR TRENDS OF PLANTS NET PRIMARY PRODUCTION IN SOUTH OF KRASNOYARSK KRAI WITH SATELLITE DATA: METHODS AND APPROACHES

Тип публикации: статья из журнала

Год издания: 2015

Ключевые слова: растительность, plants, net primary production, Non-linear trends, trends, satellite data, dynamics, чистая первичная продукция, нелинейные тренды, тренды, спутниковые данные, динамика

Аннотация: Работа посвящена изучению пространственного распределения нелинейных трендов чистой первичной продукции (ЧПП) растительности, полученных различными методами на основе данных дистанционного зондирования Земли (ДЗЗ). Исследование проводилось на территории юга Красноярского края, обладающего большим разнообразием природных ландшафтов от степей до высокогорных альпийских лугов Саянских гор. В работе использовались методы STL (Seasonal-Trend Decomposition Procedure Based on Loess) и ССА (сингулярный спектральный анализ). Сравнение результатов, полученных с помощью этих методов, показало, что для декомпозиции временных рядов данных ДЗЗ и последующего анализа полученных трендов больше подходит метод STL. Этот метод имеет гибкие настройки и позволяет выявлять краткосрочные циклы. Метод ССА не подходит для изучения трендов на коротких временных рядах, однако может быть использован для прогнозирования. This is a study of the spatial distribution of non-linear trend of net primary production (NPP) of vegetation obtained by different methods based on remote sensing. The study was conducted in the south of the Krasnoyarsk Territory, has a large variety of natural landscapes from the steppes to the high alpine meadows of the Sayan Mountains. We used methods of STL (Seasonal-Trend Decomposition Procedure Based on Loess) and ССА (Singular Spectrum Analysis). Comparison of the results obtained by these methods has shown that the decomposition of time series of remote sensing data and further analysis of the trends is more suitable method of STL. This method has a flexible configuration and can detect short-term cycles. ССА method is not suitable for studying trends in short time series, but may be used for prediction.

Ссылки на полный текст

Издание

Журнал: Фундаментальные исследования

Выпуск журнала: 3-0

Номера страниц: 106-110

ISSN журнала: 18127339

Место издания: Пенза

Издатель: Общество с ограниченной ответственностью "Издательский Дом "Академия Естествознания"

Авторы

Вхождение в базы данных

Информация о публикациях загружается с сайта службы поддержки публикационной активности СФУ. Сообщите, если заметили неточности.

Вы можете отметить интересные фрагменты текста, которые будут доступны по уникальной ссылке в адресной строке браузера.