Современные аспекты применения искусственного интеллекта для прогнозирования стихийных бедствий на реках Российской Федерации (на примере реки Амур)

Обложка

Цитировать

Полный текст

Аннотация

Среди всех наблюдаемых природных стихийных бедствий катастрофы, связанные с водой, наиболее частые и несут серьезную опасность для людей и социально-экономического развития. Для России наибольшую актуальность представляют речные паводки, важность борьбы с которыми, в частности на Дальнем Востоке, неоднократно подчеркивал президент РФ В.В. Путин. Изучено качество работы различных методов искусственного интеллекта по предсказанию речных паводков в бассейне реки Амур. Уникальность исследования заключается в том, что прежде подобных изысканий для этой реки не проводилось. Основная задача состояла в последующем практическом применении полученных результатов в системах прогнозирования паводков и управления их риском. С этой целью поиск наилучшего метода выполнялся среди широко используемых на рынке методов, обладающих богатым выбором вспомогательных решений: градиентный бустинг на деревьях, линейная регрессия без регуляризации и нейронные сети. В дизайне исследования сделан упор на достижение максимальной воспроизводимости результатов. В итоге наивысшее качество показал градиентный бустинг над деревьями в отечественной реализации CatBoost. Полученные результаты могут быть экстраполированы и на другие реки, сравнимые как по площади, так и по объему собранных данных.

Об авторах

Никита Эдуардович Александров

Российский университет дружбы народов

Email: 1042210208@rudn.ru
ORCID iD: 0000-0001-8183-0257

аспирант, департамент инновационного менеджмента в отраслях промышленности, Инженерная академия

Российская Федерация, 117198, Москва, ул. Миклухо-Маклая, д. 6

Дмитрий Николаевич Ермаков

Российский университет дружбы народов; АО «НИИ „Полюс“ имени М.Ф. Стельмаха»

Email: ermakov-dn@rudn.ru
ORCID iD: 0000-0002-0811-0058

доктор политических наук, доктор экономических наук, кандидат исторических наук, доцент департамента инновационного менеджмента в отраслях промышленности, Инженерная академия

Российская Федерация, 117198, Москва, ул. Миклухо-Маклая, д. 6

Алла Ефимовна Бром

Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)

Email: allabrom@bmstu.ru
ORCID iD: 0000-0003-3633-1197

доктор технических наук, профессор кафедры промышленной логистики, факультет инженерного бизнеса и менеджмента

Российская Федерация, 105005, Москва, ул. 2-я Бауманская, д. 5, стр. 1

Ирина Николаевна Омельченко

Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)

Email: logistic@ibm.bmsru.ru
ORCID iD: 0000-0003-4707-1079

доктор технических наук, доктор экономических наук, декан факультета инженерного бизнеса и менеджмента

Российская Федерация, 105005, Москва, ул. 2-я Бауманская, д. 5, стр. 1

Сергей Всеволодович Шкодинский

Российский университет дружбы народов; Московский государственный областной университет

Автор, ответственный за переписку.
Email: sh-serg@bk.ru
ORCID iD: 0000-0002-5853-3585

доктор экономических наук, профессор, заведующий кафедрой экономического и финансового образования, Московский государственный областной университет; профессор департамента инновационного менеджмента в отраслях промышленности, Инженерная академия, Российский университет дружбы народов

Российская Федерация, 141014, Мытищи, ул. Веры Волошиной, д. 24; Российская Федерация, 117198, Москва, ул. Миклухо-Маклая, д. 6

Список литературы

  1. Yoganath A, Junichi Y. Global trends in water related disasters: an insight for policymakers. Tsukuba: International Centre for Water Hazard and Risk Management (UNESCO); 2009.
  2. Arduino G, Reggiani P, Todini E. Recent advances in flood forecasting and flood risk assessment. Hydrology and Earth Sciences. 2005;9(4):280-284.
  3. Moore R, Bell V, Jones D. Forecasting for flood warning. Comptes Rendus Geosciences. 2005;337(1-2): 203-217.
  4. Tullos D. Assessing environmental impact assessments: a review and analysis of documenting environmental impacts of large dams. Journal of Environmental Management. 2008;90:208-223.
  5. DiFrancesco K, Tullos D. Flexibility in water resources management: review of concepts and development of assessment measures for flood management systems. Journal of the American Water Resources Association. 2014;50(6):1527-1539.
  6. Makhinov AN, Kim VI, Voronov BA. Flooding in the Amur basin in 2013: causes and consequences. Vestnik of the Far East Branch of the Russian Academy of Sciences. 2014;(2(174)):5-14. (In Russ.)
  7. Ramírez J. Prediction and modeling of flood hydrology and hydraulics. In: Wohl EE. (ed.) Inland Flood Hazards: Human, Riparian and Aquatic Communities. Cambridge: Cambridge University Press; 2010. p. 498.
  8. Sahraei S, Asadzadeh M, Unduche F. Signature-based multi-modelling and multi-objective calibration of hydrologic models: application in flood forecasting for Canadian Prairies. Journal of Hydrology. 2020;588:125095. https://doi.org/10.1016/j.jhydrol.2020.125095
  9. Aqil M, Kita I, Yano A. Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool. Journal of Environmental Management. 2007;85(1):215-223.
  10. Chang FJ, Hsu K, Chang LC, Yu Y. Flood forecasting using machine learning methods. MDPI AG; 2019.
  11. Dipanjan S, Raghav B, Tushar S. The Python machine learning ecosystem. In: Practical Machine Learning with Python: A Problem-Solver’s Guide to Building Real-World Intelligent Systems. New York: Apress; 2002. p. 67-118.
  12. Carvalho D, Pereira E, Cardoso J. Machine learning interpretability: a survey on methods and metrics. Electronics. 2019;8(8):832. https://doi.org/10.3390/electronics8080832
  13. Prokhorenkova L, Gusev G, Vorobev A, Dorogush AV, Gulin A. CatBoost: unbiased boosting with categorical features. 32nd Conference on Neural Information Processing Systems (NeurIPS 2018). Montréal; 2018. p. 6638-6648. https://doi.org/10.48550/arXiv.1706.09516
  14. Novorotsky PV. The Amur’s flow rate fluctuations for the last 110 years. Geography and Natural Resources. 2007;(4):86-90. (In Russ.)
  15. Makhinov AN. Amur terrigene and chemical discharge formation. Proceedings of the International Kyoto Symposium. Kyoto; 2005. p. 61-65.
  16. Demidenko E. Linear and non linear regression. Finance and statistics. Moscow; 1981. p. 302. (In Russ.)
  17. Rumelhart DE, Hinton GE, Williams RJ. Learning representations by back-propagating errors. Nature. 1986;323:533-536.
  18. Hinton GE, Nair V. Rectified linear units improve restricted Boltzmann machines. Proceedings of the 27th International Conference on Machine Learning. Haifa; 2010. p. 807-814.
  19. Nash J, Sutcliffe JV. River flow forecasting through conceptual models. Part I. A discussion of principles. Journal of Hydrology. 1970;10(3):282-290.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».