Дата публикации

 

УДК 556.5 (470.62)

ББК 26.222 (2 Рос-4Кра)

П 63

Варшанина Т.П., Плисенко О.А., Коробков В.Н.,

Зорин В.П., Теплоухов С.В., Евтюхов Е.Н.

Центр интеллектуальных геоинформационных технологий НИИ комплексных проблем АГУ

 

ПОСТПРОГНОЗ КАТАСТРОФИЧЕСКОГО ПАВОДКА 2012 ГОДА

В ГОРОДЕ КРЫМСКЕ

Разработан и верифицирован на примере паводка 2012 г. в г. Крымске способ точечного прогнозирования за 3-е суток времени наступления и уровня паводка.

Ключевые слова: точечное прогнозирование паводков, нейросетевая модель, точечное прогнозирование гидрометеорологических явлений.

Varshanina T.P., Plisenko O.A., Korobkov V.N.,

Zorin V.P., Teploukhov S.V., Evtyukhov E.N.

 

THE POST-FORECAST OF THE 2012

CATASTROPHIC HIGH WATER IN KRYMSK

This work discusses a technique of dot forecasting developed and verified using an example of the 2012 high water in Krymsk three days before its onset and high water level.

Keywords: dot forecasting of high waters, neural network model, dot forecasting of the hydrometeorological phenomena.

Точечное прогнозирование – на конкретный пункт, опасных гидрометеорологических событий до настоящего времени остается слабо решенной задачей, в то время как заблаговременно 1-3 суток прогноз опасного события для населенного пункта или инженерного сооружения позволяет избежать жертв и снизить экономический ущерб.

Способ точечного прогнозирования времени наступления и уровня паводка (патент № 2010140576) основан на методе представления географического пространства в виде иерархии объектов структурно подобных порождающим их интегральным, космопланетарным энергетическим полям [1]. В настоящее время отсутствуют способы регистрации в фокусе земной поверхности интегральных геофизических полей, вследствие этого в данной работе используется возможность вычисления их структуры и динамики методом структурной маски [2], заключающимся в отображении структуры энергетических геополей через направление и величину градиентов структурообразующих параметров географических объектов, порождаемых этими полями.

Например, структуру и динамику поля энергии приземной атмосферы, которое формируется в результате взаимодействия энергетических потоков экзогенной и эндогенной энергии, можно воспроизвести через структуру и динамику градиентных полей приземной температуры. Направление и величина градиента температуры в каждой точке земной поверхности характеризует силовые линии энергетического поля приземной атмосферы, которое создается под влиянием всего комплекса физико-географических факторов в границах синоптических объектов.

Способ точечного прогнозирования времени наступления и уровня паводка основан на том очевидном факте, что ход гидрометеорологических процессов обусловлен структурой поля энергии приземных слоёв атмосферы.

Так как от структуры и динамики поля энергии приземного слоя атмосферы непосредственно зависят структура и динамика поля температуры у земной поверхности, через эту связь возможно вычисление прогноза даты наступления и экстремальных уровней воды паводков. Вследствие того, что связь между динамикой энергетического поля атмосферы и ходом гидрометеорологического процесса является опосредованной, для прогнозирования используются нейронные сети.

Нейросетевая модель способа точечного прогнозирования времени наступления и уровня паводка, оптимизированная под паводочный режим годового стока рек Адыгеи (имеющих дождевое, снеговое и ледниковое питание), была разработана в 2003 году при финансовой поддержке Комитета по ГО и ЧС Республики Адыгея в Центре интеллектуальных геоинформационных технологий Адыгейского госуниверситета (ЦИГИТ АГУ).

В результате экспериментов, проведенных в 2002-2003 годах, была определена структура гибридной прогнозирующей нейронной сети. Архитектура прогнозирующей сети включает два уровня: первый уровень – сеть Кохонена, определяющая типы гидрометеорологической ситуации по режиму хода регионального градиента температуры, характеризующего состояние энергетического поля приземной атмосферы в точке прогнозирования; второй уровень – трехслойный персептрон, моделирующий значение уровня подъема воды на гидропост в прогнозируемую дату.

Были определены архитектура нейронной сети, размерность входного вектора на каждом из слоев, количества нейронов каждого слоя, функции активации и т.д., которые обеспечили успешность прогнозирования экстремальных уровней на реках Адыгеи (рис. 1), [3].

В 2013 году для осуществления экспериментального постпрогноза катастрофического паводка 2012 года в г. Крымске ЦИГИТ АГУ при поддержке РГО были предоставлены данные хода среднесуточных температур на метеостанцию г. Крымск и ежесуточных уровней воды на гидропост на р. Адагум за период с 01.01.1992г. по 12.12.2012г.

Данные были предоставлены Северо-Кавказским управлением по гидрометеорологии и мониторингу окружающей среды и Краснодарским центром по гидрометеорологии и мониторингу окружающей среды.

j1 1

Рисунок 1 – График прогноза значений уровня подъема воды (гидропост

х. Грозный р. Белая, 2004 год)

В результате эксперимента установлено, что для вычисления ежесуточных значений регионального градиента температуры в границы области прогнозирования на гидропост р. Адагум следует включить те же гидрометеорологические пункты, что и в варианте модели для гидропостов Республики Адыгея. Таким образом, границы области прогнозирования определены по пунктам: Сочи, Анапа, Ростов-на-Дону, Армавир. Площадь области прогнозирования по размерам соответствует размерам барических образований. Данные по среднесуточным температурам в указанных пунктах были получены с сайтов http://meteo.infospace. тru/win/wcarch/, html/r_day_stn.sht?num=2598 и http://thermo. karelia.ru/graphs/graphs_ krd1_3m.shtml.

На основе среднесуточных температур по пунктам Сочи, Анапа, Ростов-на-Дону, Армавир для каждого дня двадцатилетнего периода, предшествующего паводку, был вычислен региональный градиент температуры в точке прогнозирования (г. Крымск) и представлен в полярной системе координат.

Анализ режима годового хода уровней на гидропост р. Адагум за период с 01.01.1992г. по 12.12.2012г. выявил перманентное смещение событий максимальных уровней с холодного времени года к теплому, особенно выраженное в пятилетие, предшествующее паводку 2012 года.

С помощью пакета «STATISTICA» на основе спектрального анализапостроена периодограмма режима годового хода уровней на гидропост р. Адагум за период с 01.01.1992г. по 12.12.2012г. Установлено, что период повторяемости максимальных уровней составляет 373 дня (рисунок 2).

j1 2

Рисунок 2 – Периодограмма повторяемости максимальных уровней воды на гидропост р. Адагум.

Проведены эксперименты построения прогноза времени наступления и уровня паводка 2012 г. для г. Крымска с помощью нейросетевого модуля, разработанного в ЦИГИТ АГУ для рек Адыгеи. Эксперименты включали обучение сети с различными комбинациями таких параметров как количество итераций при обучении каждого слоя, периодичность встряски весов, условие остановки обучения, и этап прогнозирования. Анализ результатов позволяет сделать вывод, что разработанная для рек Адыгеи нейронная сеть определяет общую форму зависимости уровня подъема воды от хода градиента температуры на гидропост р. Адагум, однако критические уровни на нём прогнозируются с большой ошибкой (относительная погрешность 44%). Следовательно, структура нейронной сети с заданными в программе для рек Адыгеи глобальными параметрами не подходит для режима годового хода уровней р. Адагум. Это свидетельствует о том, что в программный продукт прогнозирования гидрометеорологических явлений необходимо включать глобальные средства настройки структуры и параметров нейросети на конкретные физико-географические условия (режимы годового хода уровней и значений регионального градиента температуры).

Для ручной настройки нейронной сети к режиму годового хода уровней р. Адагум был использован стандартный программный продукт «STATISTICA» v.10 фирмы StatSoft с модулем моделирования нейронных сетей «NeuralNetworks». На основе анализа за 20-летний период временного ряда значений уровней воды гидропоста на р. Адагум, была предложена следующая структура нейронной сети.

Первый уровень – самоорганизующийся слой Кохонена, входной вектор которого содержит уровень подъема воды за определенный день и соответствующее значение градиента (угол и длина). Целью работы слоя Кохонена является определение по подобию и преобладанию основных типов хода регионального градиента температуры в точке прогнозирования. На выходе слоя Кохонена получаем номер кластера, описывающего данную ситуацию.

Второй уровень – двухслойная персептронная сеть, на которую подаются значения уровня подъема воды и номер кластера (как параметрическая переменная) за предшествующие дню прогнозирования семь дней. На выходе персептрона имеем прогнозируемое значение уровня подъема воды на следующий день.

Модель протестирована на различных наборах данных. Данные для обучения, тестирования и валидации выбирались в соотношении 70%:15%:15%.

Произведено обучение нейросети за период с 2007 по 2011 гг. и прогноз на 2012г. (рисунок 3 а, б). Отсутствие инструментов (разработанных в своё время для Адыгеи) оптимизации нейросети для прогнозирования точной даты события увеличила погрешность прогноза максимального уровня на периоде прогнозирования, которая, на самом деле, составляет около 6%.

j1 3

Рисунок 3а – График обучения нейросети за пять лет (с 2007-2011 гг.) и прогноза на 2012г.

j1 4

Рисунок 3б – Детализированный график прогноза на 2012г. после обучения нейросети за пять лет (с 2007-2011 гг.). Максимальная погрешность на всём периоде – 20,3137%.

j1 5

Рисунок 4а – График обучения за период (с 1992-2011 гг.) и прогноза на 2012г.

 

Обучение нейросети по данным за весь 20-летний период, включающих периоды с различным режимом годового хода высоких уровней прогноз на 2012г., показал погрешность прогноза уровня воды паводка 2012г. – 14%(рис. 4а, 4б). Оптимизация прогноза даты события эту погрешность снизит.

j1 6

Рисунок 4б – Детализированный график прогноза за 01.01.2012 – 31.08.2012г. Максимальная погрешность на периоде без настройки нейросети на дату – 14,044%.

Результаты произведенного экспериментального постпрогноза показали, что для создания универсального программного продукта прогнозирования времени наступления и уровня паводка, позволяющего настраивать нейронную сеть на конкретную территорию и генерировать прогноз на любую гидрометеорологическую ситуацию необходимо:

- тестирование разработанного способа на территории с различающимися режимами годового хода уровней воды;

- разработкаспециализированных модулей подбора и оптимизации архитектуры сети на основе данных конкретной территории (алгоритмы выявления зависимости, определения количества нейронов в различных слоях, определения входного вектора, начального задания весов и т.д.);

- разработка алгоритмов:

б) проверки и анализа исходных данных (процедуры восстановления однородности рядов согласно принятым в гидрометеорологии методам);

в) глобальной оптимизации функций ошибки при обучении нейронной сети (включает пакет алгоритмов).

Разработанный метод позволяет прогнозировать полный спектр неблагоприятных и опасных гидрометеорологических явлений, в том числе точечное прогнозирование осадков.

Литература:

  1. 1.Варшанина Т.П. Геоинформационная модель географической оболочки на основе метода структурной маски энергетических полей ландшафтов./ Т.П. Варшанина // Геоинформационное картографирование в регионах России: материалы IV (заочной) Всероссийской научно-практической конференции. Воронеж: 2012 г. С. 31-34.
  2. 2.Варшанина Т.П. Разработка хорошо структурированной модели геопространства на основе метода структурной маски энергетических полей. / Т.П. Варшанина // Вестник Адыгейского государственного университета. Серия «Естественно-математические и технические науки». Майкоп: изд-во АГУ, 2012. – Вып. 4 (110). С 176-180.
  3. 3.Нейросетевая модель прогноза паводков на малых реках Адыгеи / Т.П. Варшанина, Д.В. Митусов, О.А. Плисенко и др. // Известия РАН. Серия географическая, 2007. - №6. С. 87-93.

________________________________________________________________________________

Варшанина Татьяна Павловна, доцент, кандидат биологических наук, заведующая Центром интеллектуальных геоинформационных технологий, Федеральное государственное образовательное учреждение высшего профессионального образования Адыгейский государственный университет, 385000,г. Майкоп, ул. Первомайская 208, 8 (8772) 59-39-44, Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. "> Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. .

Плисенко Ольга Анатольевна, зав. сектором Центра интеллектуальных геоинформационных технологий, Федеральное государственное образовательное учреждение высшего профессионального образования Адыгейский государственный университет, 385000,г. Майкоп, ул. Первомайская 208, 8 (8772) 59-39-44, Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. "> Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. .

Коробков Виктор Николаевич, программист Центра интеллектуальных геоинформационных технологий, Федеральное государственное образовательное учреждение высшего профессионального образования Адыгейский государственный университет, 385000,г. Майкоп, ул. Первомайская 208, 8 (8772) 59-39-44, Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. "> Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. .

Зорин Виталий Павлович, программист Центра интеллектуальных геоинформационных технологий, Федеральное государственное образовательное учреждение высшего профессионального образования Адыгейский государственный университет, 385000,г. Майкоп, ул. Первомайская 208, 8 (8772) 59-39-44, Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. "> Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. .

Теплоухов Семен Васильевич, программист Центра интеллектуальных геоинформационных технологий, Федеральное государственное образовательное учреждение высшего профессионального образования Адыгейский государственный университет, 385000,г. Майкоп, ул. Первомайская 208, 8 (8772) 59-39-44, Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. "> Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. .

Евтюхов Евгений Николаевич, программист Центра интеллектуальных геоинформационных технологий, Федеральное государственное образовательное учреждение высшего профессионального образования Адыгейский государственный университет, 385000,г. Майкоп, ул. Первомайская 208, 8 (8772) 59-39-44, Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. "> Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. .

Центр интеллектуальных геоинформационных технологий НИИ комплексных проблем АГУ

 

Яндекс.Метрика
© Адыгейский государственный университет. НИИ комплексных проблем.