DCDaniker Chepashev

Daniker Chepashev

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Daniker Chepashev has a total of 33 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    ASSESSMENT OF WILDFIRE DANGER IN KAZAKHSTAN USING THE FWI AND FFDI INDICES

    by Gulsezim Zhussupova, Daniker Chepashev, Dias Merekeyev, Elmira Zhilkibayeva, Dastan Amankeshuly

    The article presents the results of calculating fire danger indices for the territory of Kazakhstan for the period of July 20…31, 2025, based on meteorological data and satellite observations of active fires. It also presents an analysis of forecast meteorological data from the Global Forecast System model for the period April-September 2025; the calculations took into account key meteorological parameters: air temperature, relative humidity, wind speed, and precipitation amount. Validation of the obtained results was carried out using thermal anomaly (hotspot) data recorded by MODIS and VIIRS satellite sensors. A comparative analysis was conducted for two widely used fire danger indices: the Australian Forest Fire Danger Index (FFDI) and the Canadian Fire Weather Index system (FWI). The results indicate that maximum fire danger levels were observed in July, driven by a combination of high temperatures (up to 30...36 °C), low relative humidity (down to 13...15 %), and precipitation deficit. Spatial analysis revealed elevated fire danger in the southern, southeastern, and central regions, whereas northern territories were characterized predominantly by low to moderate risk levels. The comparison of indices showed that the FWI system demonstrates greater sensitivity to the combined effects of meteorological factors, including fuel dryness accumulation and prolonged drought conditions, while the FFDI is more responsive to short-term extreme weather variations, particularly wind speed. Analysis across seven Koppen–Geiger climate zones confirmed a statistically significant (p < 0.001) agreement between the FWI and FFDI indices (r = 0.86…0.98) regardless of climate type. The results confirm the validity of the combined use of these indices to improve the accuracy of fire danger forecasting and support their integration into early warning systems for wildfires, taking into account regional climatic characteristics of Kazakhstan.

  • Satellite-based snow cover monitoring in Kazakhstan using modis time series

    by А. А. Kalybekova, D. V. Ismailov, V. F. Grichshenko, D. V. Chepashev, Y. A. Maximkina, G. Zhussupova, G. M. Henebry

    This study presents a satellite-based approach to monitoring snow cover dynamics in Kazakhstan using long-term MODIS observations. The methodology enables the extraction of key snow season metrics, including first snowfall date (FSD), snowfall duration (SDC), and last snowfall date (LSD). The approach was applied to representative regions of southeastern Kazakhstan, including the Tien Shan, Kolsai Lakes, Bartogay Reservoir, and Lake Balkhash. A spatiotemporal analysis of snow cover variability for 2001–2024 was conducted, and relationships with global climate indices (ENSO and AO) were identified. The results demonstrate significant regional differences in snow cover stability and highlight the sensitivity of low-lying regions to climate variability.

  • Open Access

    Wildfires in the Altyn Dala State Nature Reserve and their potential impact on ungulate migrations

    by Tatyana Bragina, Gulzhiyan Kabdulova, Daniker Chepashev, Arsen Shinguzhinov, Gulsezim Zhussupova, Dias Merekeyev, Yelizaveta Maksimkina, Anar Baiteliyeva

    Степи и полупустыни являются аридными экосистемами, которые отличаются сезонным климатом, ограниченными водными ресурсами и высоким риском возгораний. Государственный природный резерват «Алтын Дала» расположен в Южно-Тургайской физико-географической провинции степной Евразии, где находится северо-западная часть наиболее крупной по ареалу бетпакдалинской популяции сайгака. В регионе располагаются традиционные места окота и пути миграций сайгака, а в малоснежные зимы часть животных остается и в зимний период. Кроме того, проводятся работы по реинтродукции лошади Пржевальского и куланов в сухих и опустыненных степях Казахстана. Поэтому изучение экологической обстановки в регионе является важным и актуальным. Цель данной работы -анализ возгораний в ГПР «Алтын Дала» и возможного их влияния на миграции копытных. В задачи работы входил комплексный анализ частоты и площадей пожаров в ГПР «Алтын Дала» в период 2000-2025 гг. методами дистанционного зондирования Земли. В изучаемый период в границах резервата произошёл 51 пожар, выгорело 1376299 га площади. Увеличение численности бетпакдалинской популяции сайгаков, засухи и пожары вызвали массовые миграция сайгаков в северные регионы Костанайской области, нанесшие значительный урон полям зерновых культур. Для снижения ущерба от пожаров необходима ранняя диагностика на основе применения современных технологий спутниковых наблюдений.

  • Open Access

    Анализ динамики пожаров в Наурзумском природном заповеднике и прилегающих территориях с использованием спутниковых данных

    by Т. Брагина, Г. Кабдулова, D. Chepashev, G. Zhusupova, A. Shinguzhinov, R. Zhilkibaev, Е. Максимкина, Ye. Maximkina

    Пожары являются одним из мощных факторов краткосрочного и долгосрочного изменения экосистем, в том числе на особо охраняемых природных территориях. Число и интенсивность пожаров значительно возросли под влиянием освоения человеком земель, изменений климата, социально-экономического состояния населения. Основная цель данных исследований заключалась в долгосрочном анализе (2000–2024 гг.) частоты возгораний и площадей пожаров в пределах границ Наурзумского государственного природного заповедника (2000–2025) и на прилегающих к заповеднику землях. Особое значение данному исследованию придает высокий статус Наурзумского государственного природного заповедника как части объекта Всемирного наследия ЮНЕСКО «Сырыарка – Степи и Озера Северного Казахстана (UNESCO World Heritage Site «Saryarka – Steppe and Lakes of Northern Kazakhstan»). Для выполнения работ использовались современные технологии анализа спутниковых снимков в базах данных Landsat 8 и Sentinel-2. Учитывались термальные точки, даты наблюдений, площади пожаров. Впервые было показано, что за период с 2000 по 2024 гг. произошло 29 пожаров, суммарная площадь возгораний составила 833 589 га, из них в пределах границ заповедника 236 300 га. Для минимизации последствий пожаров предлагаются профилактические меры через постоянный контроль и мониторинг состояния ценных объектов природного наследия с использованием современных технологий дистанционного зондирования Земли. Результатами исследований стали количество и площади выгоревших территорий, влияющих на биоразнообразие заповедника за длительный период времени.


  • Open Access

    Анализ динамики пожаров в Наурзумском природном заповеднике и прилегающих территориях с использованием спутниковых данных

    by Т. Брагина, Г. Кабдулова, Д. Чепашев, Г. Жусупова, А. Шингужинов, Р. Жилкибаев, Е. Максимкина

    Пожары являются одним из мощных факторов краткосрочного и долгосрочного изменения экосистем, в том числе на особо охраняемых природных территориях. Число и интенсивность пожаров значительно возросли под влиянием освоения человеком земель, изменений климата, социально-экономического состояния населения. Основная цель данных исследований заключалась в долгосрочном анализе (2000–2024 гг.) частоты возгораний и площадей пожаров в пределах границ Наурзумского государственного природного заповедника (2000–2025) и на прилегающих к заповеднику землях. Особое значение данному исследованию придает высокий статус Наурзумского государственного природного заповедника как части объекта Всемирного наследия ЮНЕСКО «Сырыарка – Степи и Озера Северного Казахстана (UNESCO World Heritage Site «Saryarka – Steppe and Lakes of Northern Kazakhstan»). Для выполнения работ использовались современные технологии анализа спутниковых снимков в базах данных Landsat 8 и Sentinel-2. Учитывались термальные точки, даты наблюдений, площади пожаров. Впервые было показано, что за период с 2000 по 2024 гг. произошло 29 пожаров, суммарная площадь возгораний составила 833 589 га, из них в пределах границ заповедника 236 300 га. Для минимизации последствий пожаров предлагаются профилактические меры через постоянный контроль и мониторинг состояния ценных объектов природного наследия с использованием современных технологий дистанционного зондирования Земли. Результатами исследований стали количество и площади выгоревших территорий, влияющих на биоразнообразие заповедника за длительный период времени.


  • Open Access

    RECOGNITION OF THE WATER SURFACE ACCORDING TO ICEYE DATA USING MACHINE LEARNING

    by Daniker Chepashev, Yelizaveta Maximkina, Gulsezim Zhussupova, Ruslan Zhilkibayev, Dias Merekeyev

    The growing frequency of floods and the resulting socio-economic losses highlight the need for accurate and automated tools for detecting and monitoring water surfaces. This study presents a methodology for automatic water surface recognition based on high-resolution ICEYE synthetic aperture radar (SAR) data. The algorithm is implemented in the Google Earth Engine environment and uses the Random Forest machine-learning model trained on manually labeled “water” and “land” classes derived directly from the radar imagery. Preprocessing, performed in ESA SNAP, included radiometric calibration, Range-Doppler terrain correction, and speckle filtering to ensure accurate backscatter representation. The trained model was applied to ICEYE VV-polarized images acquired over Uralsk, Kazakhstan, on April 20–21, 2024, during a major regional flood. To validate the results, the Random Forest–derived masks were compared with those obtained using traditional methods such as Otsu and fixed-threshold classification, as well as optical masks generated from Sentinel-2 NDWI and MNDWI indices. Quantitative evaluation showed an overall accuracy of 76.8 % and a kappa coefficient of 0.535, while the area under the ROC curve (AUC = 0.91) indicated strong discriminatory capability. The Random Forest model demonstrated greater spatial precision and reduced false-positive mapping compared to threshold-based methods, confirming its suitability for operational flood monitoring. The proposed approach highlights the potential of ICEYE data for near-real-time water surface mapping, especially under cloud-covered conditions where optical sensors are ineffective. Moreover, the developed workflow ensures reproducibility and can be integrated into automated flood-response systems for rapid situation assessment. In the future, incorporating additional polarimetric and texture features is expected to further enhance model performance and extend its applicability to diverse hydrological environments.

  • Open Access

    Использование БПЛА при изучении лавиноопасных территорий Восточно-Казахстанской области

    by Н. Денисова, О. Петрова, Г. Даумова, D. Chepashev, R. Zhilkibayev, Г. Кабдулова

    При изучении лавинной опасности в горных районах Восточно-Казахстанской области» (ВКО) использовались современные технологии дистанционного зондирования – беспилотные летательные аппараты (БПЛА). Наиболее распространенными факторами лавинообразования являются: геоморфологические (рельеф, экспозиция склона и другие параметры), геоботанические (тип ландшафта) и метеофакторы (вид, количество и интенсивность осадков, скорость ветра, оттепели). В данной статье исследования посвящены в основном геоморфологическому фактору. БПЛА использовались для детального изучения рельефа местности как одного из основных факторов при образовании лавин, так как геоморфология ландшафта влияет на устойчивость снежного покрова и возникновение лавин. Морфометрические характеристики рельефа, такие, как уклон, высота и экспозиция склонов рельефа определяют условия образования лавин. Снежные лавины в ВКО - распространенное природное явление, представляющее угрозу местному населению и наносящее ущерб инфраструктуре территории области. При проведении работ по изучению лавин очень важно иметь детальные цифровые модели рельефа (ЦМР) на исследуемую территорию, которые можно получить после обработки данных БПЛА, обеспечивающих получение точных характеристик рельефа, таких, как высота, уклоны и экспозиция склонов. Одним из распространенных методов защиты от лавин считается прогнозирование лавинной опасности территории. Чем детальнее и точнее будет информация о рельефе, тем точнее будет прогнозирование. Результатами исследования стали создание высокоточных ЦМР, цифровых моделей местности (ЦММ), ортофотопланов и 3D-моделей лавиносборов, что позволило повысить достоверность выбора приоритетных участков для размещения мониторинговых систем лавинной опасности. Результаты работ способствуют оптимизации размещения мониторинговых систем и повышению точности прогнозов лавинной угрозы.

  • Open Access

    Bulletin WKU

    by Наталья Денисова, Гульсезим Жусупова, Петрова Ольга, Даникер Чепашев, Гульжан Даумова, Камшат Темирбаева

    The aim of this study is to develop an approach for mapping vegetation in the East Kazakhstan region using machine learning methods based on Landsat 8 satellite imagery. The paper examines data preprocessing stages, the selection of optimal classification algorithms, and the evaluation of their effectiveness for different vegetation types. The process of pre-processing and classification of data was carried out on the Google Earth Engine cloud platform. In addition to 17 auxiliary layers containing information about the terrain, training samples were formed during the data collection process and distributed into 10 classes: broadleaf trees, conifers, herbaceous vegetation, shrubs, open land, agricultural land, wetlands, built-up land, snow and ice, and water bodies. Various machine learning algorithms were applied and compared in the study, including Support Vector Machines (SVM), Classification and Regression Trees (CART), Gradient Tree Boosting (GTB), and Random Forest (RF). The GTB and RF algorithms demonstrated the best results, with an Overall accuracy of 92% and a Kappa coefficient of 91%, indicating the high quality of integrating remote sensing data with machine learning methods. The obtained research results highlight the potential of machine learning methods for ecosystem monitoring, environmental planning, natural resource management, and emergency response in the region. Целью данного исследования является разработка подхода к картографированию растительности Восточно-Казахстанского региона с использованием методов машинного обучения на основе спутниковых снимков Landsat 8. В статье рассматриваются этапы предобработки данных, выбор оптимальных алгоритмов классификации и оценка их эффективности для различных типов растительности. Процесс предварительной обработки и классификации данных выполнялись на облачной платформе Google Earth Engine. Помимо 17 вспомогательных слоев, содержащих информацию о рельефе местности, в процессе сбора данных были сформированы обучающие выборки, распределенные по 10 классам: широколиственные деревья, хвойные деревья, травянистая растительность, кустарники, открытые земли, сельскохозяйственные угодья, водно-болотные территории, застроенные земли, снег и лед, водные объекты. В рамках исследования были применены и сравнены различные алгоритмы машинного обучения, такие как метод опорных векторов (SVM), деревья решений (CART), градиентный бустинг деревьев (GTB) и случайный лес (RF). Алгоритмы GTB и RF показали наилучшие результаты с Общей точностью 92% и коэффициентом Каппа 91%, что свидетельствует о высоком качестве интеграции данных дистанционного зондирования с методами машинного обучения. Полученные результаты исследования подчеркивают потенциал методов машинного обучения для мониторинга состояния экосистем, планирования природоохранных мероприятий, управления природными ресурсами и чрезвычайными ситуациями в регионе. Бұл зерттеудің мақсаты – Landsat 8 спутниктік суреттері негізінде машиналық оқыту әдістерін қолдана отырып, Шығыс Қазақстан облысының өсімдіктерін картаға түсіру тәсілін әзірлеу. Мақалада мәліметтерді алдын ала өңдеу кезеңдері, жіктеудің оңтайлы алгоритмдерін таңдау және өсімдіктердің әртүрлі түрлері үшін олардың тиімділігін бағалау қарастырылады. Деректерді алдын ала өңдеу және жіктеу процесі Google Earth Engine бұлттық платформасында жүзеге асты. Жер бедері туралы ақпаратты қамтитын 17 көмекші қабаттардан басқа, деректерді жинау барысында зерттеу аймағы үшін оқу үлгілері де жасалып, 10 класқа жіктелді: жалпақ жапырақты ағаштар, қылқан жапырақты ағаштар, шөптесін өсімдіктер, бұталар, ашық жерлер, ауылшаруашылық жерлері, сулы-батпақты жерлер, елді мекендер, қар мен мұздар, су объектілері. Зерттеу барысында векторлық қолдау әдісі (SVM), шешім ағаштары (CART), градиенттік бустинг ағаштары (GTB) және кездейсоқ орман (RF) сияқты әртүрлі машиналық оқыту алгоритмдері қолданылып, салыстырылды. GTB және RF...

  • Open Access

    Dependence of Avalanche Risk on Slope Insolation Level and Albedo

    by Natalya Denissova, Serik Nurakynov, Olga Petrova, Gulzhan Daumova, Daniker Chepashev, Marua Alpysbay, Ruslan Chettykbayev

    The formation of avalanche hazards in mountainous regions is largely influenced by slope insolation and albedo. This paper presents a quantitative analysis of how solar radiation, surface reflectivity (albedo), temperature, and snow cover affect avalanche formation depending on slope aspect (north-, south-, east-, and west-facing). This study is based on remote sensing data from MODIS, ERA5-Land, CHIRPS, and a digital terrain model for the winter periods from 2000 to 2024. The results show that north-facing slopes have higher albedo values (up to 0.95) and greater snow cover stability (30–50%), which contributes to increased avalanche risk, especially at temperatures above −5 °C. South-facing slopes are characterized by lower albedo values (around 0.20–0.40) and more intense snowmelt, which reduces the likelihood of avalanches. Regression analysis revealed a strong positive correlation between snow depth and avalanche risk (r = 0.87), as well as a moderate negative correlation between temperature and snow cover stability (r = −0.25). The influence of albedo on avalanche risk was found to be indirect, acting through its impact on the surface energy balance. The resulting avalanche risk map demonstrated high accuracy (overall agreement: 86%; Kappa coefficient: 0.72), highlighting the effectiveness of an integrated approach based on geophysical and climatic parameters. The data obtained can be used to support avalanche safety management and slope assessment in the context of climate change.


  • Open Access

    Remote Sensing Techniques for Assessing Snow Avalanche Formation Factors and Building Hazard Monitoring Systems

    by Natalya Denissova, Serik Nurakynov, Olga Petrova, Daniker Chepashev, Gulzhan Daumova, Alena Yelisseyeva

    Snow avalanches, one of the most severe natural hazards in mountainous regions, pose significant risks to human lives, infrastructure, and ecosystems. As climate change accelerates shifts in snowfall and temperature patterns, it is increasingly important to improve our ability to monitor and predict avalanches. This review explores the use of remote sensing technologies in understanding key geomorphological, geobotanical, and meteorological factors that contribute to avalanche formation. The primary objective is to assess how remote sensing can enhance avalanche risk assessment and monitoring systems. A systematic literature review was conducted, focusing on studies published between 2010 and 2025. The analysis involved screening relevant studies on remote sensing, avalanche dynamics, and data processing techniques. Key data sources included satellite platforms such as Sentinel-1, Sentinel-2, TerraSAR-X, and Landsat-8, combined with machine learning, data fusion, and change detection algorithms to process and interpret the data. The review found that remote sensing significantly improves avalanche monitoring by providing continuous, large-scale coverage of snowpack stability and terrain features. Optical and radar imagery enable the detection of crucial parameters like snow cover, slope, and vegetation that influence avalanche risks. However, challenges such as limitations in spatial and temporal resolution and real-time monitoring were identified. Emerging technologies, including microsatellites and hyperspectral imaging, offer potential solutions to these issues. The practical implications of these findings underscore the importance of integrating remote sensing data with ground-based observations for more robust avalanche forecasting. Enhanced real-time monitoring and data fusion techniques will improve disaster management, allowing for quicker response times and more effective policymaking to mitigate risks in avalanche-prone regions.