?
A Semi-empirical Approach for Decomposition of Remotely Sensed Leaf Area Index into Overstory and Understory Components over Russian Forests
IEEE Transactions on Geoscience and Remote Sensing. 2023. Vol. 61. Article 4405717.
Shabanov N., Sergey A. Bartalev, Kobayashi H., Shin N., Khovratovich T., Vasily O. Zharko, Andrei A. Medvedev, Natalya O. Telnova
Karpova Irina Petrovna, Pattern Recognition and Image Analysis 2025 Vol. 35 No. 4 P. 1138–1144
Добавлено: 29 апреля 2026 г.
Добавлено: 28 апреля 2026 г.
Добавлено: 27 апреля 2026 г.
Tsareva O. O., Malova H. V., V. Yu. Popov и др., Plasma Physics Reports 2026 Vol. 52 No. 2 P. 179–185
Добавлено: 27 апреля 2026 г.
Кивалов С. Н., Fitzjarrald D., Boundary-Layer Meteorology 2018 Vol. 166 No. 2 P. 165–198
Добавлено: 24 апреля 2026 г.
Кивалов С. Н., Fitzjarrald D., Boundary-Layer Meteorology 2019 Vol. 173 No. 1 P. 1–52
Добавлено: 24 апреля 2026 г.
Addressing effects of environment on eddy-covariance flux estimates at a temperate sedge-grass marsh
Добавлено: 24 апреля 2026 г.
Добавлено: 24 апреля 2026 г.
Оценка дыхания почвы - одного из основных источников углекислого газа в атмосферу – необходима для корректного определения углеродного баланса в наземных экосистемах. Сравнение пульсационного и камерного методов измерения дыхания почвы, проведенные в березняке постагрогенном в регионе южного Подмосковья, показывает хорошую сопоставимость этих методов с коэффициентом детерминации R2=0.75 (p-value=7.546e-12). С учетом высокой пространственной и временной неоднородности ...
Добавлено: 24 апреля 2026 г.
Добавлено: 24 апреля 2026 г.
NY: Association for Computing Machinery (ACM), 2026.
Добавлено: 23 апреля 2026 г.
Кычкин А. В., Черницин И. А., Прикладная информатика 2026 Т. 21 № 1 С. 40–58
Представлены результаты разработки программного микросервиса, встраиваемого в системы мониторинга качества атмосферного воздуха для поддержки процессов идентификации промышленных источников загрязнений. Выброс и последующее распространение вредных веществ в приземистых слоях атмосферы происходит в динамике и характеризуется высокой неопределенностью из‑за особенностей технологических установок, их режимов работы, влияния рельефа местности, зданий и метеофакторов. Зависимости между местоположением источника выброса и ...
Добавлено: 23 апреля 2026 г.
IEEE, 2026.
Добавлено: 21 апреля 2026 г.
O. I. Vendina, A. V. Sheludkov, Gritsenko A. A., Regional Research of Russia 2024 Vol. 14 No. Suppl 1 P. S10–S30
Добавлено: 10 октября 2025 г.
Добавлено: 4 августа 2025 г.
Ibragimov R., Distaso W., Skrobotov A. и др., Plos One 2022 Vol. 17 No. 12 P. e0275516–0
Добавлено: 16 ноября 2024 г.
Скроботов А. А., Dependence Modeling 2023 Vol. 11 No. 1 Article 20220152
Добавлено: 16 ноября 2024 г.
Skrobotov A., Скроботов А. А., Communications in Statistics-Theory and Method 2022 Vol. 52 No. 17 P. 5952–5965
Добавлено: 16 ноября 2024 г.
Kurozumi E., Скроботов А. А., Journal of Time Series Analysis 2023 Vol. 44 No. 4 P. 359–373
In this study, we extend the three-regime bubble model of Pang et al. (2021, Journal of Econometrics, 221(1):227–311) to allow the forth regime followed by the unit root process after recovery. We provide the asymptotic and finite sample justification of the consistency of the collapse date estimator in the two-regime AR(1) model. The consistency allows us to ...
Добавлено: 16 ноября 2024 г.
Kurozumi E., Скроботов А. А., Tsarev A., Journal of Financial Econometrics 2023 Vol. 21 No. 4 P. 1282–1307
This paper is devoted to testing for bubbles under time-varying non-stationary volatility. Because the limiting distribution of the seminal Phillips, Wu, and Yu (2011) test depends on the variance function and usually requires a bootstrap implementation under heteroskedasticity, we construct the test based on a deformation of the time domain. The proposed test is asymptotically pivotal under ...
Добавлено: 16 ноября 2024 г.
Skrobotov A., Скроботов А. А., Economics Letters 2022 Vol. 212 P. 110276–0
Добавлено: 16 ноября 2024 г.
Yu. A. Dubnov, A. Yu. Popkov, Polishchuk V. Y. и др., Automation and Remote Control 2023 Vol. 84 No. 1 P. 64–81
Рандомизированное машинное обучение ориентировано на задачи, сопровождаемые значительной неопределенностью в данных и моделях. Алгоритмы машинного обучения формулируются в терминах функциональной задачи энтропийно-линейного программирования. Рассматривается методика их адаптации к задачам прогнозирования на примере временной эволюции площади термокарстовых озер в зонах вечной мерзлоты, которые являются генераторами метана — одного из парниковых газов, влияющих на изменения климата. Предлагаются ...
Добавлено: 5 февраля 2024 г.