Моделирование пространственно-временной динамики площади водоёма (на примере Каттакурганского водохранилища) на основе индексов NDWI, NDVI, EVI и ансамблевых методов обучения

Н. Равшанов; Х.Э. Рахманов; Д.А. Фаттаева

doi:10.71310/pcam.6_70.2025.05

Авторы

Н. Равшанов Научно-исследовательский институт развития цифровых технологий и искусственного интеллекта Автор
Х.Э. Рахманов Самаркандский филиал Ташкентского университета информационных технологий Автор
Д.А. Фаттаева Самаркандский филиал Ташкентского университета информационных технологий Автор

DOI:

https://doi.org/10.71310/pcam.6_70.2025.05

Ключевые слова:

моделирование, прогноз площади водохранилища, индексы, методы машинного обучения, пространственно-временная динамика

Аннотация

В статье моделируется пространственно-временная динамика площади Каттакурганского водохранилища на основе спутниковых индексов водности и растительности и ансамблевых методов машинного обучения. Использованы многолетние ряды NDWI, NDVI и EVI, а также метеопараметры (температура, влажность, осадки) из наборов ERA5 и CHIRPS на платформе Google Earth Engine за 2018–2023 гг. Площадь водного зеркала оценивалась по спутниковым данным и применялась как целевая переменная при обучении и тестировании модели Random Forest. Выполнены разбиение данных на обучающую и тестовую выборки, настройка гиперпараметров и оценка качества по метрикам R², RMSE и MAE. Результаты показывают высокую точность: для прогноза NDWI R² = 0,962, а для площади водохранилища – значения, близкие к 1, при RMSE порядка 5–7 км² и MAE 3–5 км². Получены прогнозы динамики NDWI и площади водохранилища на 2024 год, что позволяет оценить ожидаемые изменения водной поверхности и поддержать решения в управлении водными ресурсами и адаптации к климатическим изменениям.

Библиографические ссылки

Yousefi E., Sayadi M.H., Chamanehpour E. Google Earth Engine platform to calculate the hydrometeorology and hydrological water balance of wetlands in arid areas and predict future changes // Journal of Applied Research in Water and Wastewater. – 2022. – Vol. 9, Issue 1. – P. 52-68.

Conde¸ca J.V., Nascimento J.P., Barreiras N. Monitoring the storage volume of water reservoirs using Google Earth Engine // Water Resources Research. – 2022. – Vol. 58. – Art. e2021WR030026. – doi: http://dx.doi.org/10.1029/2021WR030026.

Yue L., Li B., Zhu S., Yuan Q., Shen H. A fully automatic and high-accuracy surface water mapping framework on Google Earth Engine using Landsat time-series // International Journal of Digital Earth. – 2023. – Vol. 16, Issue 1. – P. 210-233. – doi: http://dx.doi.org/10.1080/17538947.2023.2166606.

Anand V., Oinam B., Wieprecht S. Machine learning approach for water quality predictions based on multispectral satellite imageries // Ecological Informatics. – 2024. – Vol. 84. – Art. 102868. – doi: http://dx.doi.org/10.1016/j.ecoinf.2024.102868.

McFeeters S.K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features // International Journal of Remote Sensing. – 1996. – Vol. 17, Issue 7. – P. 1425-1432.

Khamdamov R., Rakhmanov K., Fattaeva D. Algorithm for calculating vegetation indices NDVI for time series of Landsat 8 multispectral satellite images on Google Earth Engine platform // Proc. International Conference on Information Science and Communications Technologies (ICISCT). – 2021. – P. 1-3. – doi: http://dx.doi.org/10.1109/ICISCT52966.2021.9670365.

Hamdamov R., Rakhmanov H. Remote monitoring of agricultural land using multispectralsatellite imagery Sentinel-2 by contour analysis // Journal of Physics: Conference Series. – 2019. – Vol. 1260. – Art. 102005.

Khamdamov R., Saliev E., Rakhmanov K. Classification of crops by multispectral satellite images of Sentinel-2 based on the analysis of vegetation signatures // Journal of Physics: Conference Series. – 2020. – Vol. 1441. – Art. 012143. – doi: http://dx.doi.org/10.1088/1742-6596/1441/1/012143.

Gorelick N., Hancher M., Dixon M. et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone // Remote Sensing of Environment. – 2017. – Vol. 202. – P. 18-27. – doi: http://dx.doi.org/10.1016/j.rse.2017.06.031.

Feyisa G.L., Meilby H., Fensholt R., Proud S.R. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery // Remote Sensing of Environment. – 2014. – Vol. 140. – P. 23-35. – doi: http://dx.doi.org/10.1016/j.rse.2013.08.029.

Pekel J.-F., Cottam A., Gorelick N., Belward A.S. High-resolution mapping of global surface water and its long-term changes // Nature. – 2016. – Vol. 540, Issue 7633. – P. 418-422. – doi: http://dx.doi.org/10.1038/nature20584.

DeVries B., Huang C., Lang M.W. et al. Automated quantification of surface water inundation in wetlands using optical satellite imagery // Remote Sensing. – 2017. – Vol. 9, Issue 8. – Art. 807. – doi: http://dx.doi.org/10.3390/rs9080807.

Wang C., Jia M., Chen N., Wang W. Long-term surface water dynamics analysis based on Landsat imagery and the Google Earth Engine platform: A case study in the Middle Yangtze River Basin // Remote Sensing. – 2018. – Vol. 10, Issue 10. – Art. 1635. – doi: http://dx.doi.org/10.3390/rs10101635.

Tesfaye M., Breuer L. Performance of water indices for large-scale water resources monitoring using Sentinel-2 data in Ethiopia // Environmental Monitoring and Assessment. – 2024. – Vol. 196, Issue 5. – Art. 467. – doi: http://dx.doi.org/10.1007/s10661-024-12630-1.

Miura Y., Shamsudduha M., Suppasri A., Sano D. A global multi-sensor dataset of surface water indices from Landsat-8 and Sentinel-2 satellite measurements // Scientific Data. – 2025. – Vol. 12, Issue 1. – Art. 1253. – doi: http://dx.doi.org/10.1038/s41597-025-05562-z.

Cai Y., Shi Q., Liu X. Spatiotemporal mapping of surface water using Landsat images and spectral mixture analysis on Google Earth Engine // Journal of Remote Sensing. – 2024. – Vol. 4, Issue 2. – Art. 0117. – doi: http://dx.doi.org/10.34133/remotesensing.0117.

Wang Y., Li Z., Zeng C. et al. Dynamic surface water fraction (DSWF): Global surface water fraction mapping at 10-meter spatial resolution with Sentinel-2 imagery in Google Earth Engine // International Journal of Applied Earth Observation and Geoinformation. – 2025. – Vol. 143. – Art. 104813. – doi: http://dx.doi.org/10.1016/j.jag.2024.104813.

Islam K.I., Elias E., Carroll K.C., Brown C. Exploring Random Forest machine learning and remote sensing data for streamflow prediction: An alternative approach to a processbased hydrologic modeling in a snowmelt-driven watershed // Remote Sensing. – 2023. – Vol. 15, Issue 16. – Art. 3999. – doi: http://dx.doi.org/10.3390/rs15163999.

Jin H., Fang S., Chen C. Mapping of the spatial scope and water quality of surface water based on the Google Earth Engine cloud platform and Landsat time series // Remote Sensing. – 2023. – Vol. 15, Issue 20. – Art. 4986. – doi: http://dx.doi.org/10.3390/rs15204986.

Santecchia V., Bovenga F., Refice A., Nutricato R., Lovergine F.P., Nitti D.O. Assessment of Landsat-8 and Sentinel-2 water indices for surface water extent monitoring in a Mediterranean reservoir // Journal of Imaging. – 2023. – Vol. 9, Issue 5. – Art. 99. – doi: http://dx.doi.org/10.3390/jimaging9050099.

Wang Y., Li Z., Zeng C. et al. An urban water extraction method combining deep learning and Google Earth Engine // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. – 2020. – Vol. 13. – P. 769-782. – doi: http://dx.doi.org/10.1109/JSTARS.2020.2971783.