НЕПАРАМЕТРИЧЕСКАЯ ОЦЕНКА ПРОГНОСТИЧЕСКОЙ ТОЧНОСТИ МОДЕЛЕЙ НА ПРИМЕРЕ ВРЕМЕННЫ́Х РЯДОВ КОНЦЕНТРАЦИЙ МЕТАНА В АТМОСФЕРНОМ ВОЗДУХЕ АРК­ТИЧЕСКОГО ОСТРОВА БЕЛЫЙ

Анализ неопределенности прогнозов изменения выбросов парниковых газов приобретает серьезное значение в связи с катастрофическими последствиями изменения климата. Оценка точности моделей прогнозов содержания парниковых газов в атмосфере требует особого внимания и специальных подходов. В данной работе предложено использовать идеологию проверки статистических гипотез для оценки производительности предсказательной модели временно́го ряда. Данные для исследования получены при проведении мониторинга динамики приземной концентрации основных парниковых газов на арк­тическом острове Белый (Ямало-Ненецкий автономный округ, Россия). Три модели на основе авторегрессионных нейронных сетей с внешним входом NARX предсказывали изменение концентрации метана. Показано, что размеры эффекта не всегда определяют статистическую значимость различий.

1. Summary for Policymakers. Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. V. Masson-Delmotte, P. Zhai, A. Pirani, S. L. Connors, C. Péan, S. Berger, N. Caud, Y. Chen, L. Goldfarb, M. I. Gomis, M. Huang, K. Leitzell, E. Lonnoy, J. B. R. Matthews, T. K. Maycock, T. Waterfield, O. Yelekçi, R. Yu., B. Zhou (eds.). Cambridge, New York, Cambridge Univ. Press, 2021, pp. 3—32. Available at: https://doi.org/10.1017/9781009157896.001.

2. Summary for Policymakers. Climate Change 2023: Synthesis Report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. H. Lee and J. Romero (eds). Geneva, 2023, pp. 1—34. DOI: 10.59327/IPCC/AR6-9789291691647.001.

3. Гурлев И. В., Макоско А. А., Малыгин И. Г. Экологические проблемы Арктической зоны России на примере Ямало-Ненецкого автономного округа // Арктика: экология и экономика. — 2024. — Т. 14, № 3. — С. 370—383. — DOI: 10.25283/2223-4594-2024-3-370-383.

4. Богоявленский В. И., Никонов Р. А., Богоявленский И. В. Новые данные об интенсивной дегазации Земли в Арктике на севере Западной Сибири: термокарстовые озера с кратерами выбросов газа и грязевыми вулканами // Арктика: экология и экономика. — 2023. — Т. 13, № 3. — С. 353—368. — DOI: 10.25283/2223-4594-2023-3-353-368.

5. Rakhmatova A., Sergeev A., Shichkin A., Buevich A., Baglaeva E. Three-day forecasting of greenhouse gas CH4 in the atmosphere of the Arctic Belyy Island using discrete wavelet transform and artificial neural networks. Neural Comput & Applic, 2021, vol. 33, pp. 10311—10322. Available at: https://doi.org/10.1007/s00521-021-05792-3.

6. Radersma R., Sheldon B. C. A new permutation technique to explore and control for spatial autocorrelation. Methods Ecol Evol, 2015, vol. 6, pp. 1026—1033. Available at: https://doi.org/10.1111/2041-210X.12390.

7. Ross S. M. Simulation, bootstrap statistical methods, and permutation tests. Introduction to Probability and Statistics for Engineers and Scientists. [S. l.], 2021, pp. 619—647. DOI: 10.1016/B978-0-12-824346-6.00024-7.

8. Berry K. J., Johnston J. E., Mielke P. W. A Primer of Permutation Statistical Methods. Cham, Switzerland,  Springer-Verlag, 2019, 476 p. DOI: 10.1007/978-3-030-20933-9.

9. Berry K. J., Johnston J. E., Mielke P. W., Johnston L. A. Permutation methods. Part II. Wiley Interdisciplinary Reviews: Computational Statistics, 2018, vol. 10 (3), e1429. DOI: 10.1002/wics.1429.

10. Поддубный В. А., Наговицына Е. С., Маркелов Ю. И. и др. Оценка пространственного распределения концентрации метана в районе Баренцева и Карского морей в летний период 2016—2017 гг. // Метеорология и гидрология. — 2020. — № 3. — С. 77—86. — URL: https://doi.org/10.15372/AOO20230204.

11. Субботина И. Е., Буевич А. Г., Сергеев А. П. и др. Двухшаговый комбинированный алгоритм повышения точности прогнозирования концентрации метана в атмосферном воздухе на основе нейронной сети NARX и последующего прогнозирования невязок // Арктика: экология и экономика. — 2020. — № 2 (38). — С. 59—67. — URL: https://doi.org/10.25283/2223-4594-2020-2-59-67.

12. Buevich A., Sergeev A., Shichkin A., Baglaeva E. A two-step combined algorithm based on NARX neural network and the subsequent prediction of the residues improves prediction accuracy of the greenhouse gases concentrations. Neural Computing and Applications, 2021, vol. 33 (1), pp. 1547—1557. DOI: 10.1007/s00521-020-04995-4.

13. Cai L. Multi-response permutation procedure as an alternative to the analysis of variance: An SPSS implementation. Behavior Research Methods, 2006, vol. 38 (1), pp. 51—59. Available at: https://doi.org/10.3758/BF03192749.

14. Fişek M. H., Barlas Z. Permutation tests for goodness-of-fit testing of mathematical models to experimental data. Social Science Research, 2013, vol. 42 (2), pp. 482—495. DOI: 10.1016/j.ssresearch.2012.09.010.

15. Hart J. D. A., Weiss M. N., Brent L. J. N., Franks D. W. Common permutation methods in animal social network analysis do not control for non-independence. Behav Ecol Sociobiol, 2022, vol. 76, p. 151. Available at: https://doi.org/10.1007/s00265-022-03254-x.

16. Kończak G. Applications of Permutation Methods in the Analysis of Associations. Argumenta Oeconomica Cracoviensia, 2020, vol. 1 (22), pp. 31—45. Available at: https://doi.org/10.15678/AOC.2020.2203.

17. Mielke P. W., Berry K. J. Permutation Methods. A Distance Function Approach. Springer Series in Statistics. New York, Springer, 2001, 446 p. DOI: 10.1007/978-1-4757-3449-2/.

18. Taylor A. B., MacKinnon D. P. Four applications of permutation methods to testing a single-mediator model. Behavior Research Methods, 2012, vol. 44 (3), pp. 806—844. DOI: 10.3758/s13428-011-0181-x/.

19. Fekete A., Fuchs S., Garschagen M., Hutter G., Klepp S., Lüder C., Neise T., Sett D., von Elverfeldt K., Wannewitz M. Adjustment or transformation? Disaster risk intervention examples from Austria, Indonesia, Kiribati and South Africa. Land Use Policy, 2022, vol. 120, p. 106230. Available at: https://doi.org/10.1016/j.landusepol.2022.106230.

20. Willmott C. J., Ackleson S., Davis R., Feddema J., Klink K., Legates D., O’Donnell J., Rowe C. Statistics for the Evaluation and Comparison of Models. J. of Geophysical Research, 1985, vol. 90, no. С5, pp. 8995—9005. Available at: https://doi.org/10.1029/JC090iC05p08995.

21. Трофимова И. Е., Балыбина А. С. Классификация климатов и климатическое районирование Западно-Сибирской равнины // География и природ. ресурсы. — 2014. — № 2. — C. 11—21. (In Russian).

22. Daneshfaraz R., Norouzi R., Abbaszadeh H., Azamathulla H. Theoretical and experimental analysis of applicability of sill with different widths on the gate discharge coefficients. Water Science & Technology Water Supply, 2022, vol. 22, pp. 7767—7781. DOI: 10.2166/ws.2022.354.

23. Эдельгериев Р. С. Х., Романовская А. А. Новые подходы к адаптации к изменению климата на примере Арктической зоны Российской Федерации // Метеорология и гидрология. — 2020. — № 5. — C. 12—28. (In Russian).

24. Богоявленский В. И., Богоявленский И. В., Каргина Т. Н., Никонов Р. А. Цифровые технологии дистанционного выявления и мониторинга развития бугров пучения и кратеров катастрофических выбросов газа в Арктике // Арктика: экология и экономика. — 2020. — № 4 (40). — С. 90—105. — URL: https://doi.org/10.25283/2223-4594-2020-4-90-105.

25. Tan Z., Zhuang Q. Arctic lakes are continuous methane sources to the atmosphere under warming conditions. Environmental Research Letters, 2015, vol. 10. P. 054016.

26. Zona D., Gioli B., Commane R. et. al. Cold season emissions dominate the Arctic tundra methane budget. Proceedings of the National Academy of Sciences USA, 2016, vol. 113, pp. 40—45.