ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ В ИЗУЧЕНИИ ПРИРОДНЫХ ОПАСНОСТЕЙ
Аннотация
Статья посвящена применению искусственного интеллекта и машинного обучения при прогнозировании снежных лавин и селевых потоков. В течение многих лет в Институте географии и водной безопасности проводятся работы по оценке и прогнозу природного риска. Для этого был изучен передовой мировой опыт в этой области и принято решение применить технологии интеллектуального анализа данных. В работе использовано программное обеспечение от мировых лидеров – «StatSoft». Симулятор нейронной сети был обучен на архивных данных о погодных условиях за период 1950-2023 гг. Качество нового метода было протестировано на практике и составило 85-95 %, что является хорошим показателем на уровне мировых прогностических центров. Разработанная автоматическая экспертная система упрощает работу инженера прогнозиста и улучшает качество прогнозов стихийных явлений. А это очень важно для обеспечения безопасности населения и объектов в горах. Была разработана концепция региональной системы оценки и прогноза снежных лавин и селевых потоков. Полученный нами опыт может быть полезен в других областях науки, где необходимо обрабатывать большие массивы входящей информации.
Ключевые слова:
искусственный интеллект, машинное обучение, управление рисками, оценка, риска прогноз, природные опасности, снежные лавины, селевые потокиБиблиографические ссылки
1 Ada M, San BT. (2018). Comparison of machine-learning techniques for landslide susceptibility mapping using two-level random sampling (2LRS) in Alakir catchment area, Antalya, Turkey. Nat Hazards, 90, 237–263.
2 Akgun A, и др. (2012). An easy-to-use MATLAB program (MamLand) for the assessment of landslide susceptibility using a Mamdani fuzzy algorithm. Comput Geosci, 38(1), 23–34.
3 Баймолдаев Т., Виноходов В.Н. (2007). Казселезащита – оперативные меры до и после стихии, Алматы: изд-во «Бастау», 284.
4 Бишоп Кристофер М. (2020). Распознавание образов и машинное обучение. Пер. с англ. Д. А. Клюшина. Москва; Санкт-Петербург: Диалектика, 960.
5 Боровиков В.П. (2018). Популярное введение в современный анализ данных и машинное обучение на Statistica. Москва, Изд-во «Горячая линия – Телеком», 354.
6 Бурова О. А., Судакова А. А. 2020. Искусственный интеллект – помощник статистики будущего. Наука о данных: Материалы международной научно-практической конференции, Санкт-Петербург, 5-7 февраля 2020 года. Санкт-Петербург: Санкт-Петербургский гос. эконом. университет, 74-76.
7 Виноградов Ю.Б. и др. (1976). Селевой поток 15 июля 1973 г. на Малой Алматинке. КазНИГМИ. Селевые потоки, 1, 60–72.
8 Информация о погоде и климате по данным метеостанций. URL:http://www.rp5.ru [Электрон. ресурс]. (дата обращения 10.10.2024)
9 Ежедневный селевой бюллетень. URL:https://www.kazhydromet.kz/ru/selevedenie-str/ezhednevnyy-byulleten-selevoy-opasnosti-dozhdevogo-genezisa. [Электронный ресурс]. (Дата обращения 30.09.2024).
10 Cagnati A., Valt M., Soratroi G., Gavaldà J. and SelléS C. G. (1998). A field method for avalanche danger-level verification. Ann. Glaciology, 26, 130-134. doi: 10.3189/1998AoG26-1-343-346.
11 Lutsenko E. V. (2022). Automated system-cognitive analysis of the level of consistency of natural numbers as systems of prime factors. E. V. Lutsenko. Text: electronic. Polythematic Online Scientific Journal of Kuban State Agrarian University, 179, 96-177.
12 А. В. Аргучинцева. (2007). Методы статистической обработки и анализа гидрометеорологических наблюдений: учеб. пособие. Иркутск: Иркут. гос. ун-т, 105.
13 Метеорологическая база данных РГП «Казгидромет». [Электрон. ресурс]. https://meteo.kazhydromet.kz/database_meteo/ (дата обращения 10.10.2024)
14 Ponziani M. и др. (2023). The use of machine learning techniques for a predictive model of debris flows triggered by short intense rainfall. Nat. Hazards, 117, 143–162.
15 Черников Н.Г. (1990). Руководство селестоковым станциям и гидрографическим партиям. РД 52.30.238–89. Вып.1. Организация и проведение работ по изучению селей. Москва: Гидрометеоиздат., 198.
16 Schweizer J., Mitterer C., Techel1 F., Stoffel1 A., and Reuter B. (2020). On the relation between avalanche occurrence and avalanche danger level. The Cryosphere, 14, 737–750. https://doi.org/10.5194/tc-14-737-2020.
17 Сайт российского представительства фирмы StatSoft. URL:http://www.StatSoft.ru [Электрон. ресурс]. (дата обращения 10.10.2022 г.).
18 Сайт Министерства по чрезвычайным ситуациям. URL:https://www.gov.kz/memleket/entities/emer/press/article/1?lang=en [Электрон. ресурс] (дата обращения 10.10.2024 г.).
19 Степанов Б.С. (2023). Вклад национальной гидрометеорологической службы республики Казахстан в селевую безопасность страны. Гидрометеорология и экология, 4, 113-123. DOI: 10.54668/2789-6323-2023-111-4-113-123.
20 Северский И., Благовещенский В. и др. (2006). Снежный покров и лавины Тянь-Таня. Алматы, 184.
21 Таланов Е.А. (2001). Селевые явления и зоны, подверженные их воздействию в бассейне реки Б. Алматинка. Современные проблемы геоэкологии и созологии: Доклады Международной научно-практической конференции 22-23 января 2001, Алматы. Под редакцией М.М. Буракова, Л.М. Павличенко, Е.А. Таланова, Алматы: изд-во Шартарап, 410.
22 Tang W. (2021). Artificial Neural Network-based prediction of glacial debris flows in the ParlungZangbo Basin, southeastern Tibetan Plateau, China. J. Mt. Sci, 18, 51–67.
23 Yang L. и др. (2024). Machine-Learning-Based Prediction Modeling for Debris Flow Occurrence: A Meta-Analysis. Water, 16, 923-943. https://doi.org/10.3390/w16070923
24 Zhao H., Wei A., Ma F. et al. (2024). Comparison of debris flow susceptibility assessment methods: support vector machine, particle swarm optimization, and feature selection techniques. J.Mt.Sci., 21, 397–412. https://doi.org/10.1007/s11629-023-8395-9
25 Черепанов Ф.М. (2013). Исследовательский симулятор нейронных сетей, обзор его приложений и возможности применения для создания системы диагностики заболеваний сердечно-сосудистой системы. Современные проблемы науки и образования, 1; URL: www.science-education.ru/107-8392 (in Russian)
26 Чернышева Л.С., Платонова В.А. (2009). Расчёт и интерпретация основных климатических показателей отдельных метеорологических величин. Уч.-метод. пособие. Владивосток: Изд-во Дальневост. ун-та, 88.
