ИСПОЛЬЗОВАНИЕ КЛИМАТИЧЕСКИХ ДАННЫХ В ЗАДАЧЕ

УДК 504.064: 004.424.6
ИСПОЛЬЗОВАНИЕ КЛИМАТИЧЕСКИХ ДАННЫХ В ЗАДАЧЕ
НЕЙРОСЕТЕВОГО ПРОГНОЗИРОВАНИЯ ПОЛОВОДИЙ
А.А. Волчек, Д.А. Костюк, Д.О. Петров, Н.Н. Шешко
Представлена методика составления ближнего прогноза развития весеннего
половодья на основе нейросетевого подхода, учитывающего значения расхода
воды на гидрологическом посту, а также дополнительную климатическую
информацию. В ходе апробации на данных для поймы р. Припять
продемонстрированы преимущества в сравнении с использованными ранее
подходами к прогнозированию уровня воды на гидрологических данных.
Введение
Ежегодно значительные территории во многих странах, не исключая и
Беларусь, оказываются в зоне паводка, на ликвидацию последствий которого
расходуются значительные средства. Прогноз рисков затопления является одной
из задач, которую приходится решать подразделениям гражданской обороны и
чрезвычайных ситуаций. Это сложная, комплексная задача, для решения
которой требуется большое количество информации и работа многих
специалистов. Особенно ощутимо, а в отдельные годы катастрофично, влияние
паводков в Беларуси проявляется в пойме р. Припять и ее притоках.
Стихийность возникновения, повышенная вероятность паводков, особенно
катастрофических, тяжелые экономические и социальные их последствия дают
все основания относить значительную часть Полесья к территории с часто
повторяющимися чрезвычайными ситуациями.
Прогноз развития паводка является сложной задачей, требующей учета
комплекса различных факторов. В частности, водный режим р. Припять (и ряда
других рек, питание которых также относится к смешанному типу с
преобладанием снегового) характеризуется длительным весенним половодьем.
Поэтому учет динамики накопления снегозапасов позволяет существенно
повысить точность прогноза и тем самым эффективнее провести
организационно-технические мероприятия по нивелированию последствий
паводка.
В ряде работ рассматривается применение нейросетевого подхода при
прогнозировании паводка, основанное на построении временного ряда по
предыдущим значениям гидрографа, подаваемым на вход нейронной сети [1, 2].
Исследователи, применявшие этот подход, отмечали удовлетворительные
результаты прогнозирования при большинстве ситуаций, с отдельными
случаями, когда нейронная сеть давала сбой. Вместе с тем, механизм
нейронных сетей крайне удобен для учета дополнительной релевантной
информации об источнике данных, позволяющей повысить точность прогноза.
Ниже нами исследована результативность учета в данной задаче следующих
дополнительных факторов: данные о ежедневном изменении запасов воды в
снеге и выпадении осадков при положительной среднесуточной термпературе
воздуха.
1 Задача учёта снегозапасов и климатических данных
Основным источником формирования максимальных расходов, которые
могут повлечь материальный и социальный ущерб, являются запасы снега на
начало периода активного снеготаяния [3]. Кроме количества снега,
значительный вклад в формирование весеннего половодья оказывают погодные
условия. Таким образом, имея оценку количества воды, накопившейся в виде
снега на водосборе, можно спрогнозировать объем весеннего стока реки. В
свою очередь, используя прогноз температур и осадков на среднесрочную
перспективу, можно оценить интенсивность снеготаяния и соответственно
максимальный расход реки в период половодья [4].
а)
б)
Рис. 1. Расход воды на гидропосту Мозырь и и запасы воды в снежном покрове (а, б),
динамика водного эквивалента снежного покрова и выпадение жидких осадков на
водосборной площади 1996 г. (а) и 1999 г. (б)
Применительно к пойме р. Припять анализ гидрографов совместно с
динамикой накопления воды в снежном покрове за период с 1980 по 2002 г.г.
позволил выявить два примечательных года: 1996 и 1999. В 1996 году был
зарегистрирован максимум накопления воды в снежном покрове на
водосборной площади р. Припять, составивший 14,3 км3. Картина изменения
расхода воды на гидропосту, дополненная динамикой водного эквивалента
снежного покрова и выпадения осадков, наблюдавшаяся в этом году, показана
на рис. 1-а . Низкие значения расхода воды по нашему мнению объясняются
малой степенью увлажнения почвы за осенний период, в результате чего
стаявший снег «ушел в землю». Второй характерный случай приведен на рис. 1б. В 1999 году произошел выдающийся паводок с максимальным расходом воды
по гидропосту г. Мозырь в 3270 м3/с. Для 1999 года характерен
продолжительный период таяния снега с практически постоянной скоростью
потери водных запасов снежным покровом в течение 51 дня. Из рис. Также
видно, что в зимне-весенний период 1999 г. по сравнению с 1996 г. выпало
значительное количество жидких осадков.
2. Архитектура нейронной сети и оценка результатов прогнозирования
В качестве нейронной сети для прогнозирования, аналогично [2], нами
использован многослойный персептрон с одним скрытым слоем. Архитектура
представлена на рис. 2.
Рис. 2. Архитектура нейронной сети, использованной для прогнозирования
Прогнозирование выполнялось в режиме использования n предыдущих
дней для прогнозирования n последующих; в различных вариантах численного
эксперимента n=3;5;7. Нейронная сеть обучалась на прогнозирование в
соответствии с методом скользящего окна, с использованием алгоритма
обратного распространения ошибки. В качестве отправной точки для
исследования выполнялся прогноз без учета стаивания и осадков. Далее он
сравнивался с результатами прогноза с учетом стаивания, а также прогноза с
учетом как стаивания так и осадков.
Рис. 3-а показывает результаты прогноза на пять дней без учета стаивания
и осадков (на основе анализа зависимостей прогноза на три и пять дней был
сделан вывод об оптимальности пятидневного прогноза). Рис 3-б показывает
кривую, полученную при составлении аналогичного прогноза с учётом
стаивания и осадков, которая демонстрирует существенно меньшее количество
артефактов.
Численная оценка качества прогноза выполнялась на основе
коэффициента корреляции Пирсона (табл. 1).
а)
б)
Рис. 3. Прогноз временного ряда расходов воды на гидропосту (а) и прогноз расходов воды с
учетом ставивания снега и выпадения осадков (б)
Таблица 1
Оценка качества прогноза по гидропосту г. Мозырь, данные 1999 г.
Размер
окна
7 дней
5 дней
Учёт
снегозапасов
+
+
+
+
Учёт
осадков
+
+
Значение коэффициента
корреляции
0.986
0.988
0.990
0.990
0.992
0.998
3 дня
+
+
0.997
Корреляция прогноза расхода воды на гидропосту для различных случаев
приведена на рис. 4. Верхний ряд графиков соответствует размеру окна 7 дней,
а нижний ряд – 5 дней. Слева приведены результаты прогноза без учёта
стаивания и осадков, по центру – с учётом стаивания, а справа – с учётом как
стаивания, так и осадков.
Рис. 4. Корреляция прогнозируемого расхода воды на гидропосту г. Мозырь для данных
1999 г.
Использование в качестве входных данных сразу двух климатических
показателей позволило максимально увеличить точность при различной
величине горизонта прогноза нейронной сети. Результат подтверждает не
только что все входящие в обучающую выборку данные описывают общую
природную систему, но что эта взаимосвязь устойчиво выявляется нейронной
сетью, выливаясь в устойчивое повышение эффективности использования
данного механизма прогнозирования.
Список литературы
1. Volchak A., Kostiuk D., Lavrentieva S. Neuralnet based forecasts for integrated
flood monitoring system // Proceedings of 6th International Scientific
Conference on the Global Energy and Water Cycle and 2nd Integrated Land
Ecosystem — Atmosphere Processes Study (iLEAPS) Science Conference, 2428 August 2009, Melbourne, Australia. Vol. II - Pp. 713-714.
2. Волчек А.А., Костюк Д.А. Нейросетевые средства прогнозирования для
контроля паводка // Материалы Международной научно-практической
конференции «Обеспечение экологической безопасности — путь к
устойчивому развитию Казахстана», 23–24 февраля 2010. / Тараз:
«Сенiм», 2010. – С. 83–16.
3. Volchak A., Sheshko N., Kostiuk D., Petrov D. Snow storage formation
specifics for the Neman river basin // International 7th Study Conference on
Baltex, Borgholm, Sweden, 2013. – pp. 39-40.
4. Volchak A., Kostiuk D., Petrov D., Sheshko N. Determination of the snow
melting intensity in nowadays climate conditions by example of the Neman
river basin // 2nd International conference on Climate Change – The
environmental and socio-economic response in the Southern Baltic region.
Szczecin, Poland, 12-15 May 2014. – P. 37–38.
Волчек Александр Александрович, декан факультета инженерных систем
и экологии Брестского государственного технического университета, доктор
географических наук, профессор, [email protected]
Костюк Дмитрий Александрович, доцент кафедры электронных
вычислительных машин и систем Брестского государственного технического
университета, кандидат технических наук, [email protected]
Петров Дмитрий Олегович, старший преподаватель кафедры
электронных вычислительных машин и систем Брестского государственного
технического университета, [email protected]
Шешко Николай Николаевич, доцент кафедры природообустройства
Брестского государственного технического университета, кандидат
технических наук, [email protected]