География и геология/ Гидрология и водные ресурсы
д-р техн.
наук, проф. Н.Н. Красногорская, аспирант Э.В. Нафикова
ФГБОУ ВПО Уфимский государственный
авиационный технический университет, Россия
Разработка
оперативного прогноза экстремальных гидрологических ситуаций с использованием
элементов искусственного интеллекта
С ростом экономической значимости водных
ресурсов для производства и жилых комплексов возле водотоков растут крупные
промышленные центры, жизнедеятельность которых становится все более зависимой от экстремальных гидрологических ситуаций
(ЭГС): периода малой и высокой водности. Эффективность
принятия решений по повышению безопасности населения и территорий от поражающих
факторов ЭГС определяется достоверностью подготовленного гидрологического прогноза.
Прогнозирование параметров наводнений реки
Белая является важной задачей ввиду увеличения вероятности и масштабов
наводнений в последние годы в Республике Башкортостан, а также ввиду того, что
крупные промышленные центры Республики расположены в зоне возможного
затопления.
При разработке модели прогноза
экстремальных гидрологических ситуаций существующими методами математического
моделирования учет всех факторов, влияющих на условия формирования режима водных
объектов, сложен и трудоемок. Поэтому при разработке методов гидрологических
прогнозов приходится существенно упрощать реальные процессы, что приводит к
снижению точности методов классического прогнозирования [1].
Методы элементов искусственного
интеллекта, в частности искусственные нейронные сети (ИНС), обладают
способностью в ряду квазициклических данных (как, например, гидрологические)
учитывать скрытые периодичности и строить алгоритмы обработки информации,
обладающие уникальной способностью обучаться на примерах и “узнавать” в потоке
“зашумленной” и противоречивой информации характер ранее встреченных образов и
ситуаций [2]. Это приобретает исключительную важность при прогнозировании
количественных характеристик водных объектов, обусловленных региональными
природными, антропогенными, климатическими особенностями территории.
В связи с этим в настоящей работе для
оперативного прогнозирования экстремальных гидрологических ситуаций р.Белая (крупнейшей
водной артерии Республики Башкортостан) предлагается использование
искусственных нейронных сетей, широко распространенных в медицине, экономике и
биологии [3,4].
Для отбора и ранжирования значимых
гидрометеорологических и астрономических входных параметров прогнозной модели
ИНС в настоящей работе впервые апробировано применение генетических алгоритмов
(ГА).
В качестве исходных данных для
прогнозирования гидрологических показателей использовались данные наблюдений за
метеорологическими показателями, водным режимом р. Белой Башкирского
территориального управления по гидрометеорологии и мониторингу окружающей среды
(Баш.УГМС); параметры вращения Земли по данным Международной службы вращения
Земли (International Earth Rotation and Reference System Service); эфемериды
Солнца и Луны, представленные в «Астрономических ежегодниках», издаваемых
Российской Академией наук; аргументы для расчета астрономических показателей по
данным обзора резолюций Генеральной Ассамблеи Международного астрономического
союза и решений Генеральных Ассамблей Международного геодезического и
геофизического союза (ГА МГГС) [6-8].
С помощью ГА в программе Statistica 7.0 из 17 заданных (входных): скорость течения,
температура воздуха, количество осадков, температура воды, глубина промерзания
почвы, максимальные запасы воды в снеге, осеннее увлажнение почвы, приливной
потенциал, высота статического прилива, геоцентрическое расстояние, фаза Луны,
склонение Луны, гелиоцентрическое расстояние, расход-приход лучистой энергии
Солнца, склонение Солнца угловая скорость вращения Земли, изменение
географической координаты местности выявлены и проранжированы наиболее значимые
параметры для расхода воды в период
половодья, осенне-летней и зимней межени.
Процесс генетического отбора и
ранжирования параметров по степени важности проводился аналогично работам [3,4]
по методу «ГА-штраф за элемент».
Для примера результаты отбора
и ранжирования значимых показателей для прогноза расходов воды р. Белая в
створе г. Уфа представлены в таблице 1.
Таблица 1 – Отбор и ранжирование ГА
входных параметров для прогнозирования расходов воды р. Белая – г. Уфа
|
Выходные
параметры |
Скорость течения |
Температура
воздуха |
Количество
осадков |
Температура воды |
Глубина
промерзания почвы |
Макс.
запасы воды в снеге |
Осеннее
увлажнение почвы |
Приливной
потенциал |
Высота
статического прилива |
Геоцентрическое
расстояние |
Фаза Луны |
Склонение
Луны |
Гелиоцентрическое
расстояние |
Расход-приход
лучистой энергии |
Склонение Солнца |
Угловая
скорость вращения Земли |
Изменение
географ координаты местности |
|
Половодье |
- |
2 |
3 |
6 |
5 |
1 |
4 |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
|
Осенне-летняя
межень |
- |
2 |
1 |
3 |
- |
- |
- |
6 |
5 |
- |
- |
- |
- |
4 |
- |
- |
- |
|
Зимняя
межень |
- |
3 |
1 |
2 |
4 |
- |
- |
- |
5 |
- |
- |
- |
- |
- |
- |
- |
- |
*1-наиболее
значимый параметр,…n – наименее значимый параметр.
Анализ отбора
и ранжирования генетическими алгоритмами входных параметров для прогнозирования
расходов воды р. Белая – г. Уфа показал, что:
-
значимыми показателями
для расхода воды в период половодья являются: максимальные запасы воды в снеге,
температура воздуха, осадки, осеннее увлажнение почвы, глубина промерзания
почвы;
-
для периода половодья в
числе значимых для расхода воды р.Белая не отобраны астрономические параметры,
по-видимому, это связанно с слабой корреляцией с астрономическими параметрами и большим влиянием климатических
параметров в этот период;
-
для периода
осенне-летней межени значимыми для прогноза расходов воды р. Белая ГА отобраны:
количество осадков, температура воздуха, температура воды и в т.ч.
астрономические показатели: расход лучистой энергии, высота статического
прилива, приливной потенциал;
-
для периода зимней
межени значимыми для прогноза расходов воды р.Белая ГА отобраны: количество
осадков, температура воды, температура воздуха, глубина промерзания почвы, в
т.ч. астрономический показатель: высота статического прилива;
-
наиболее значимыми
входными параметрами для расходов воды в каждую фазу водного режима являются
температура воздуха и осадки.
Результаты
отбора ГА значимых параметров для периода половодья аналогичны работе [5],
выполненной с помощью ИНС для р. Ай, однако ранжирование этих параметров по
степени значимости для р. Белая отличается. По-видимому, это связанно с
различием физико-географических условий расположения и особенностями
формирования стока р. Ай и р. Белая.
Отобранные с помощью
генетических алгоритмов входные параметры прогнозной модели использовались для
прогноза экстремальных гидрологических ситуаций в каждый период водности
посредством искусственных нейронных сетей.
Обзор различных
топологий нейронных сетей (Campolo, M., Soldati, A., et al., 2000; Andreussi,
P., 2005; Jain, S.K., et al.,
2005; Dandy, G.C., Simpson, A.R., 2006 и др.)
и их пригодность для прогнозирования гидрологических параметров показал
целесообразность использования для прогнозирования расходов воды р. Белой GRNN-сети.
Обученная нейронная сеть
затем использована для прогнозирования расходов речной воды на 2008 г. (т.е.
данные 2008г использованы в качестве контрольной выборки для валидации модели).
Результаты прогнозирования и реальные
значения расходов воды на 2008 г. графически интерпретированы на рисунке 1.
Рис.1 - Реальные и
прогнозируемые расходы речной воды
(р. Белая – г.Уфа, 2008 г)
Анализ валидации модели
долгосрочного прогноза ЭГС показал, что относительная
ошибка прогнозирования расходов воды р.
Белая в створе г. Уфа не превышает 34% (22.12.2008), что показывает
высокую степень достоверности прогноза гидрологических ситуаций с помощью ИНС.
Следует отметить, что ошибка
прогноза для осенне-летней межени наибольшая, по-видимому, это связанно с тем,
что р. Белая имеет слабо выраженные дождевые паводки в осенне-летнюю межень,
где влияние нескольких значимых для расходов воды параметров зашумляется
взаимным влиянием или сказывается антропогенное влияние.
Таким образом, интеграция
элементов искусственного интеллекта: генетических алгоритмов и искусственных
нейронных сетей при прогнозировании экстремальных гидрологических ситуаций
позволяет ускорить процесс и повысить эффективность прогнозирования, что
особенно актуально в условиях, когда необходимо принимать оперативные решения
по предупреждению и ликвидации чрезвычайных ситуаций, вызванных экстремальными
гидрологическими ситуациями на водотоке.
Библиографический
список:
1. Георгиевский Ю.М., Шаночкин С.В. Гидрологические прогнозы.
– Спб.: РГГМУ, 2007.- 436 с
2. Хайкин С. Нейронные сети. Полный курс. - Вильямс, 2006. - 1104c.
3.
Maier, H.R., Dandy, G.C., 2006. The use of artificial neural networks
for the prediction of water quality parameters. Water Resources Research 32
(4), 1013–1022.
4.
Shaw Elizabeth. Hydrology in Practice. Taylor &
Francis e-Library, 2010. – 613p
5. Ганцева Е.М. Управление безопасностью социально-экономических
комплексов в экстремальных ситуациях. Дисс. Канд.техн. наук.- Воронеж, 1999.-
216с.
6. http://www.iers.org/IERS/EN/Science/science.html - International
Earth Rotation and Reference System Service (дата обращения 19.07.2011)
7. http://iau.org/science/publications/proceedings_rules/units/ - International
Astronomical Unions (19.07.2011)
8. Гидрологические ежегодники за 1936-2009гг. – Т.4,выпуск 5-7.