Непараметрические байесовские сети как инструмент комплексирования данных мультимасштабного анализа временных рядов и дистанционного зондирования

Введение. Непараметрические байесовские сети представляют собой перспективный инструмент для анализа, визуализации, интерпретации и прогнозирования структурных и динамических характеристик сложных систем. Современные междисциплинарные исследования подразумевают комплексную обработку разнородных данных, получаемых с помощью датчиков различной физической природы. При исследовании лесного фонда широко применяются методы как непосредственных дендрологических измерений, так и дистанционного наблюдения с использованием беспилотных летательных аппаратов. Информацию, полученную с помощью этих методов, необходимо анализировать во взаимосвязи с данными гидрометеорологического мониторинга.
Цель работы. Исследование возможности автоматизации мониторинга благополучия лесного фонда на основе комплексирования данных наземных исследований, дистанционных мультиспектральных измерений и гидрометеорологических наблюдений с использованием математического аппарата непараметрических байесовских сетей.
Материалы и методы. Для оценки долговременной совместной динамики природно-климатических показателей и радиального прироста деревьев использован модифицированный метод мультимасштабного взаимного корреляционного анализа с удалением фонового тренда, описываемого моделью скользящего среднего. Взаимосвязи между различными показателями оценивались на основе безусловных и условных непараметрических коэффициентов корреляции Спирмена, которые использовались для реконструкции и параметризации непараметрической байесовской сети.
Результаты. Построена мультимасштабная непараметрическая байесовская сеть, характеризующая безусловные и условные статистические взаимосвязи между параметрами, полученными в результате дистанционного зондирования, гидроклиматических и дендрологических измерений. Предложенная модель показала хорошее качество прогнозирования состояния растительного фонда. Коэффициенты корреляции между наблюдаемыми и предсказываемыми показателями превышают значения 0.6, а при предсказании тренда прироста годичных колец деревьев коэффициент корреляции составляет 0.77.
Заключение. Предложенная непараметрическая байесовская сетевая модель отражает взаимосвязи между различными факторами, влияющими на лесную экосистему. Байесовская сеть может использоваться для оценки рисков и улучшения планирования экологического управления.

1. Monitoring cliff erosion with LiDAR surveys and Bayesian network-based data analysis / P. Terefenko, D. Paprotny, A. Giza, O. Morales-Nápoles, A. Kubicki, S. Walczakiewicz // Remote Sens. 2019. № 11. P. 843. doi: 10.3390/rs11070843

2. Paprotny D., Morales-Nápoles O. Estimating extreme river discharges in europe through a Bayesian network // Hydrology and Earth System Sciences. 2017. Vol. 21, № 6. P. 2615–2636. doi: 10.5194/hess-21-2615-2017

3. A continuous Bayesian network for earth dams’ risk assessment: An application / D.-J. Delgado-Hernández, O. Morales-Nápoles, D. De-León-Escobedo, J.-C. Arteaga-Arcos // Structure and Infrastructure Engineering. 2014. Vol. 10, № 2. P. 225–238. doi: 10.1080/15732479.2012.731416

4. Morales Nápoles O., Steenbergen R. Analysis of axle and vehicle load properties through Bayesian networks based on weigh-in-motion data // Reliability Engineering & System Safety. 2014. Vol. 125. P. 153–164. doi: 10.1016/j.ress.2014.01.018

5. Cooke R. M., Wielicki B. Probabilistic reasoning about measurements of equilibrium climate sensitivity: Combining disparate lines of evidence // Climatic Change. 2018. № 151. P. 541–154. doi: 10.1007/s10584-018-2315-y

6. Overview on Bayesian Network applications for dependability, risk analysis and maintenance areas / P. Weber, G. Medina-Oliva, C. Simon, B. Iung // Engineering Applications of Artificial Intelligence. 2012. Vol. 25, № 4. P. 671–682. doi: 10.1016/j.engappai.2010.06.002

7. Hanea A., Morales Nápoles O., Ababei D. Nonparametric Bayesian networks: Improving theory and reviewing applications // Reliability Engineering & System Safety. 2015. Vol. 144. P. 265–284. doi: 10.1016/j.ress.2015.07.027

8. Morales O., Kurowicka D., Roelen A. Eliciting conditional and unconditional rank correlations from conditional probabilities // Reliability Engineering & System Safety. 2008. Vol. 93, № 5. P. 699–710. doi: 10.1016/j.ress.2007.03.020

9. Baba K., Shibata R., Sibuya M. Partial correlation and conditional correlation as measures of conditional independence // Australian & New Zealand J. of Statistics. 2004. Vol. 46, № 4. P. 657–664. doi: 10.1111/j.1467-842X.2004.00360.x

10. Baba K., Sibuya M. Equivalence of Partial and Conditional Correlation Coefficients // J. of the Japan Statistical Society. 2005. Vol. 35, № 1. P. 1–19. doi: 10.14490/JJSS.35.1

11. Detrended partial-cross-correlation analysis: a new method for analyzing correlations in complex system / N. Yuan, Z. Fu, H. Zhang, L. Piao, J. Luterbacher // Scientific reports. 2015. Vol. 5, № 1. P. 8143. doi: 10.1038/srep08143

12. Detrended Partial Cross-Correlation Analysis of Two Nonstationary Time Series Influenced by Common External Forces / X.-Yu. Qian, Y.-M. Liu, Zh.-Q. Jiang, B. Podobnik, W.-X. Zhou, H. E. Stanley // Physical Review. 2015. Vol. 91. P. 06281. doi: 10.1103/PhysRevE.91.062816

13. Zhou W. X. Multifractal detrended cross-correlation analysis for two nonstationary signals // Physical Review E. 2008. Vol. 77. P. 066211. doi: 10.1103/PhysRevE.77.066211

14. Horvatic D., Stanley H. E., Podobnik B. Detrended cross-correlation analysis for non-stationary time series with periodic trends // Europhysics Let. 2011. Vol. 94, № 1. P. 18007. doi: 10.1209/0295-5075/94/18007

15. Alvarez-Ramirez J., Rodriguez E., Echeverría J. C. Detrending fluctuation analysis based on moving average filtering // Physica A: statistical mechanics and its applications. 2005. Vol. 354. P. 199–219. doi: 10.1016/j.physa.2005.02.020

16. Rinn F. TSAP-Win time series analysis and presentation for dendrochronology and related applications // User Reference Version 0.53. Heidelberg: Rinntech, 2005. P. 1–88.

17. Article Evaluating Multispectral Images and Vegetation Indices for Precision Farming Applications from UAV Images / S. Candiago, F. Remondino, M. De Giglio, M. Dubbini, M. Gettelli // Remote Sens. 2015. Vol. 7, № 4. P. 4026–4047. doi: 10.3390/rs70404026

18. Pyataev A. S., Vais A. A. Pine Crown and Trunk Diameter Dependence Research // CEUR Workshop Proc. 2019. P. 160–165.