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

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).