Применение нейросетевого моделирования в задачах прогнозирования уровня паводка рек
https://doi.org/10.25205/1818-7900-2023-21-2-39-50
Аннотация
Цель данной статьи – рассмотреть теоретические и практические вопросы разработки нейросетевых моделей для прогнозирования паводка рек (на примере реки Белая в районе г. Уфы), а также реализовать соответствующую нейронную сеть на языке Python. Для построения обучающей выборки были использованы архивные данные метеослужб и сайтов метеонаблюдений за паводковые периоды реки Белая (Агидель) 2018–2022 годов. Были собраны и проанализированы следующие показатели: уровень воды, температура воды, дневная и ночная температура воздуха, осадки, высота снежного покрова, включая сведения о предпаводковом состоянии снежного покрова. Программная реализация нейронной сети выполнялась с использованием библиотеки глубокого обучения PyTorch; кроме этого, использовались модули библиотек Matplotlib и Pandas. Была изучена устойчивость работы данной нейронной сети при изменении следующих параметров: используемых оптимизаторов (Adam, Adamax и Rprop); коэффициента скорости обучения; количества нейронов в скрытом слое; количество эпох обучения. Делается вывод, что разработанная нейронная сеть может использоваться для моделирования уровня паводка при создании краткосрочных прогнозов. Для перехода в перспективе к более долговременным прогнозам предполагается в дальнейшем расширить размер факторов в обучающей выборке.
Об авторе
Т. М. Шамсутдинова
Башкирский государственный аграрный университет
Россия
Россия
Шамсутдинова Татьяна Михайловна, кандидат физико-математических наук, доцент кафедры цифровых технологий и прикладной информатики
Уфа
Список литературы
1. Афонин Л. А. Проблемы прогнозирования паводков и наводнений // Наука. Инновации. Технологии. 2014, № 1. С. 145–152.
2. Jahangir M. H., Reineh S. M. M., Abolghasemi M. Spatial predication of flood zonation mapping in Kan River Basin, Iran, using artificial neural network algorithm. Weather and Climate Extremes, 2019, vol. 25, 100215. DOI: 10.1016/j.wace.2019.100215
3. Ткаченко П. Н., Вакорин М .В. Анализ проблемной ситуации использования информационных систем для прогнозирования паводка органами управления МЧС России // Сибирский пожарно-спасательный вестник. 2019, № 4 (15). С. 49–54.
4. Варшанина Т. П., Митусов Д. В., Плисенко О. А., Стародуб И. В. Нейросетевая модель прогноза паводков на малых реках Адыгеи // Известия Российской академии наук. Серия: Географическая. 2007, № 6. С. 87–93.
5. Великанова Л. И. Прогноз уровня воды при прохождении паводков на горных реках с применением нейросетевых технологий и прогноза метеослужбы // Проблемы автоматики и управления. 2013, № 1 (24). С. 66–73.
6. Hag-Elsafi S. Artificial Neural Networks (ANNs) for flood forecasting at Dongola Station in the River Nile, Sudan, Alexandria. Engineering Journal, 2014, vol. 53, issue 3, p. 655-662. DOI: 10.1016/j.aej.2014.06.010
7. Лариошкин В. В. Методика прогноза дождевых паводков в бассейне верхнего Амура (на примере р. Онон) // Известия Томского политехнического университета. Инжиниринг георесурсов. 2016. Т. 327, № 11. С. 105–115.
8. Гребнев Я. В., Яровой А. В. Мониторинг и прогнозирование паводков на территории Красноярского края использованием нейросетевых алгоритмов // Сибирский пожарно-спасательный вестник. 2018, № 3 (10). С. 13–16.
9. Napolitano G., See L., Calvo B., Savi F., Heppenstall A. A conceptual and neural network model for real-time flood forecasting of the Tiber River in Rome. Physics and Chemistry of the Earth, Parts A/B/C, 2010, vol. 35, issues 3–5, p. 187-194. DOI: 10.1016/j.pce.2009.12.004
10. Castangia M., Grajales L.M.M., Aliberti A., Rossi C., Macii A., Macii E., Patti E. Transformer neural networks for interpretable flood forecasting. Environmental Modelling & Software, 2023, vol. 160, 105581. DOI: 10.1016/j.envsoft.2022.105581
11. Буянов Д. И., Федотов Р. С., Ткаченко П. Н. Прогнозирование подъема уровня воды на реке Обь в Томской области на основе регрессионного анализа // Научные и образовательные проблемы гражданской защиты. 2015, № 2 (25). С. 112–118.
12. Шамсутдинова Т. М. Проблемы нейросетевого и регрессионного прогнозирования уровня паводка рек // Сибирский пожарно-спасательный вестник. 2021, № 2 (21). С. 99–105. DOI: 10.34987/vestnik.sibpsa.2021.79.13.017
13. Li Z., Tanaka G. HP-ESN: Echo State Networks Combined with Hodrick-Prescott Filter for Nonlinear Time-Series Prediction. 2020 International Joint Conference on Neural Networks (IJCNN), Glasgow, UK, 2020, p. 1-9. DOI: 10.1109/IJCNN48605.2020.9206771
14. Kingma D. P., Ba J. Adam: A Method for Stochastic Optimization. 3rd International Conference on Learning Representations (ICLR), San Diego, 2015. DOI: 10.48550/arXiv.1412.6980
15. Igel C., Hüsken M. Empirical Evaluation of the Improved Rprop Learning Algorithms. Neurocomputing, 2003, vol. 50, p. 105-123. DOI: 10.1016/S0925-2312(01)00700-7
Рецензия
Для цитирования:
Шамсутдинова Т.М. Применение нейросетевого моделирования в задачах прогнозирования уровня паводка рек. Вестник НГУ. Серия: Информационные технологии. 2023;21(2):39-50. https://doi.org/10.25205/1818-7900-2023-21-2-39-50
For citation:
Shamsutdinova T.M. Application of Neural Network Modeling in Problems of Predicting the Level of River Floods. Vestnik NSU. Series: Information Technologies. 2023;21(2):39-50. (In Russ.) https://doi.org/10.25205/1818-7900-2023-21-2-39-50
Просмотров:
201
Послать статью по эл. почте 