Daniker Chepashev

Dr. Daniker Chepashev

orcid

Research Focus & Metrics

Academic Career Length

4Years (2023-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
9 November 2024 in Atmosphere
Verified
Journal Article
Open access
PDF file
NDNatalya Denissova
Natalya Denissova
SNSerik Nurakynov
Serik Nurakynov
OPOlga Petrova
Olga Petrova
DCDaniker Chepashev
Daniker Chepashev
Gulzhan DaumovaGulzhan Daumova
Gulzhan Daumova
AYAlena Yelisseyeva
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.

18 April 2023 in Remote Sensing
Verified
Journal Article
Open access
PDF file
SNSerik Nurakynov
Serik Nurakynov
AKAzamat Kaldybayev
Azamat Kaldybayev
Kanat Bazarbayevich ZulpykharovKanat Bazarbayevich Zulpykharov
Kanat Bazarbayevich Zulpykharov
NSNurmakhambet Sydyk
Nurmakhambet Sydyk
Aibek Aitollaevich MerekeyevAibek Aitollaevich Merekeyev
Aibek Aitollaevich Merekeyev
Gonghuan FANGGonghuan FANG
Gonghuan FANG
An updated glacier inventory is important for understanding the current glacier dynamics in the conditions of actual accelerating glacier retreat observed around the world. Here, we present a detailed analysis of the glaciation areas of the Zhetysu Alatau Range (Tien Shan) for 1956–2016 using well-established semiautomatic methods based on the band ratios. The total glacier area decreased by 49 ± 2.8% or by 399 ± 11.2 km2 from 813.6 ± 22.8 km2 to 414.6 ± 11.6 km2 during 1956–2016, while the number of glaciers increased from 985 to 813. Similar rates of area change characterized the periods 1956–2001, 2001–2012, 2012–2016, and 2001–2016: −296.2 ± 8.3 (−0.8% a−1), −63.7± 1.8 (−1.1% a−1), −39.1 ±1.1 (−2.2% a−1) and −102.8 ± 2.9 (−1.3% a−1) km2, respectively. The mean glacier size decreased from 0.57 km2 in 2001 to 0.51 km2 in 2016. Most glaciation areas of the Zhetysu Alatau faced north (north, northwest, and northeast), covered 390.35 ± 11 km2, and were located in altitudes between 3000 and 4000 m.a.s.l. With shrinkage rates of about −0.8% and −1.3% a−1 for the periods of 1956–2001 and 2001–2016, our results show that study area has the highest shrinkage rate compared to other glacierized areas of Central Asian mountains, including Altai, Pamir, and even the inner ranges of Tien Shan. It was found that a significant increase in temperature (0.12 °C/10 years) plays a main role in the state of glaciers.

7 May 2025 in Atmosphere
Verified
Journal Article
Open access
PDF file
NDNatalya Denissova
Natalya Denissova
SNSerik Nurakynov
Serik Nurakynov
OPOlga Petrova
Olga Petrova
Gulzhan DaumovaGulzhan Daumova
Gulzhan Daumova
DCDaniker Chepashev
Daniker Chepashev
RCRuslan Chettykbayev
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.

24 December 2025 in BULLETIN of the L.N. Gumilyov Eurasian National University. Chemistry. Geography Series
Verified
Journal Article
Open access
PDF file
TBTatyana Michailovna Bragina
Tatyana Michailovna Bragina
ГКГ. Кабдулова
Г. Кабдулова
DCDaniker Chepashev
Daniker Chepashev
GZG. Zhusupova
G. Zhusupova
ASA. Shinguzhinov
A. Shinguzhinov
YMYe. Maximkina
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.

24 December 2025 in BULLETIN of the L.N. Gumilyov Eurasian National University. Chemistry. Geography Series
Verified
Journal Article
Open access
TBTatyana Michailovna Bragina
Tatyana Michailovna Bragina
ГКГ. Кабдулова
Г. Кабдулова
DCDaniker Chepashev
Daniker Chepashev
ГЖГ. Жусупова
Г. Жусупова
АША. Шингужинов
А. Шингужинов
YMYelizaveta Maximkina
Yelizaveta 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.

25 June 2025
Verified
Dataset
Open access
PDF file
НДНаталья Денисова
Наталья Денисова
ГЖГульсезим Жусупова
Гульсезим Жусупова
OPOlga Petrova
Olga Petrova
DCDaniker Chepashev
Daniker Chepashev
Gulzhan DaumovaGulzhan Daumova
Gulzhan Daumova
KTKamshat Temirbayeva
Kamshat Temirbayeva
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...