CC BY
27
ВЕСТНИК УДМУРТСКОГО УНИВЕРСИТЕТА
127
Социально-экономические исследования
УДК 551.59
Н.А. Калинин, О.Ю. Булгакова, К.А. Казакова, О.Г. Пенский
УСЛОВИЯ АДАПТАЦИИ ТРАНСПОРТНЫХ СЕТЕЙ К ПОГОДНО-КЛИМАТИЧЕСКОЙ НЕУСТОЙЧИВОСТИ НА ТЕРРИТОРИИ ПЕРМСКОГО КРАЯ
Получены уравнения множественной регрессии между значениями видимости и такими метеорологическими явлениями, как туман, дымка, метель, ливневой и обложной снег, морось, ливневой и обложной дождь. Была проведена проверка полученных уравнений связи на независимой выборке. На основании оценки результатов оправдываемости были отобраны 4 уравнения с наилучшей оправдываемостью для рекомендации их применения в оперативной практике.
Ключевые слова: транспортные сети, метеорологические явления, дальность видимости, модель прогноза.
В условиях изменения климата возрастает потребность в изучении погодно-климатических ресурсов и проведении региональных исследований метеорологической уязвимости в отношении отдельных хозяйственных отраслей. Цель таких исследований заключается в изучении условий адаптации транспортных отраслей к нарастающей климатической неустойчивости [1-4].
Транспортная сеть включает в себя авиационный, железнодорожный, водный и автомобильный транспорт. Все перечисленные отрасли подвержены прямому воздействию окружающей среды. Погодные факторы влияют как непосредственно на транспорт, так и на все транспортные магистрали. Необходимым условием для проведения планирования перевозок и организации ремонтных работ является прогнозирование комплекса метеорологических элементов [5-8].
Эффективность функционирования транспортного комплекса проявляется как в производственной, так и в социальной сфере. Влияние транспортной составляющей в отраслях экономики целесообразно оценивать с точки зрения социально-экономических и коммерческих последствий.
При выборе параметров и характеристик транспортных сетей в процессе проектирования, строительства, ремонта и содержания необходим учет многообразных погодно-климатических факторов, их интенсивности, продолжительности и вероятности появления, который направлен на поиск оптимальных решений, обеспечивающих повышение безопасности движения, уменьшение себестоимости перевозок, снижение затрат на ремонт и содержание, повышение экологической безопасности близлежащих территорий. В целом повышение эффективности функционирования транспортных сетей должно осуществляться на основе выбора оптимальных управленческих решений при использовании различных видов гидрометеорологической информации.
Одним из существенных погодных факторов, влияющих на эффективность работы транспорта, являются условия ограниченной видимости в атмосфере. Ухудшение видимости приводит не только к замедлению передвижения транспортных объектов, но и, что наиболее важно, к аварийности, а также к ухудшению экологической безопасности. Транспортные аварии наносят экономике России значительный ущерб, составляющий весомую долю в валовом внутреннем продукте [1; 8].
Под метеорологической дальностью видимости (МДВ) понимается расстояние, на котором днем становятся неразличимы очертания предмета, а ночью источники света определенной интенсивности [9; 10].
Между фоном и объектом необходим яркостный контраст К, который определяется следующим образом:
(1)
При этом
(2) (3)
0 < K < 1,
2011. Вып. 4
БИОЛОГИЯ. НАУКИ О ЗЕМЛЕ
где Вф - яркость фона; Воб - яркость объекта.
Минимальный яркостный контраст - порог контрастной чувствительности £ - находится из выражения
В
£ = 1--06 . (4)
ВФ
Уравнение дальности видимости имеет следующий вид:
^ =—1л1, (5)
т
а £
где Sm - МДВ, а - коэффициент ослабления для воздуха.
Ухудшение видимости в нижнем слое атмосферы обусловлено конденсацией водяного пара, возникающей вследствие двух основных процессов: охлаждения воздуха и испарения влаги. При сильных морозах дополнительным процессом является поступление пара и ядер конденсации антропогенного фактора.
При охлаждении воздуха до состояния насыщения дальнейшее понижение температуры происходит в результате трансформационной потери тепла при перемещении воздушной массы на более холодную подстилающую поверхность (адвективное охлаждение), потери тепла вследствие эффективного излучения деятельной поверхности (радиационное охлаждение) или в результате адиабатического расширения воздуха при вынужденном подъеме (адиабатическое охлаждение).
Адвективное и трансформационное изменение обычно определяется разностью величин (температуры и радиационного баланса) в конечной и начальной точках 24-часовой траектории. С увеличением скорости переноса трансформация воздушной массы ослабевает. Ночью адвективное охлаждение усиливается радиационным [9; 10].
В Предуралье наиболее часто туманы наблюдаются в осенне-зимний период и носят адвективный характер [11].
Для выявления синоптико-статистических синхронных связей между изменениями видимости при различных атмосферных явлениях на территории Перми была сформирована электронная база данных на основе наблюдений на аэродроме Пермь Большое Савино с дискретностью в 30 мин за период 1996 - 2009 гг. с сентября по февраль. Выявлялись простые корреляционные связи между значениями видимости и такими метеорологическими явлениями, как туман, дымка, метель, ливневой и обложной снег, морось, ливневой и обложной дождь. По каждому метеорологическому явлению был сформирован отдельный массив данных, пороговым критерием при этом было значение метеорологической дальности видимости, равное 2000 м. В основу данного анализа был положен метод наименьших квадратов, минимизирующий средний квадрат ошибки прогностических уравнений и используемый для оценки неизвестных величин по результатам измерений, содержащих случайные ошибки [12]. Предварительно была проведена проверка метеорологических рядов на нормальность их распределения и однородность. Были выявлены неоднородности, связанные с заменой эксплуатационных приборов, поэтому для обучающей выборки был выбран период с 2004 по 2007 г., являющийся однородным. Также использовался синоптический метод построения траектории частиц на 24 ч [9].
В результате проделанного анализа выявлено, что ухудшение видимости до 2000 м и менее происходит чаще всего при снеге и метели (68%). Около 20% случаев приходится на туманы и дымки, а в 7% случаев видимость ухудшалась при дожде. При этом ухудшение видимости до 500 м и менее отмечалось лишь в 10% случаев.
Решение системы уравнений производилось пошаговым способом. Рассчитывались уравнения связи, множественный коэффициент корреляции и детерминации, критерий Фишера, стандартная ошибка и другие показатели, с помощью которых оценивалась надежность уравнения связи. На каждом шаге проводился сравнительный анализ величин статистических показателей с предыдущими значениями.
Чем выше величина коэффициентов множественной корреляции, детерминации и критерия Фишера и чем ниже величина стандартной ошибки, тем точнее уравнение связи описывает зависимости между исследуемыми показателями. Если добавление следующих предикторов не улучшало оценочных показателей связи, то они отбрасывались, что позволяло выбрать наиболее оптимальный вариант [12].
В результате проделанной работы были получены следующие уравнения множественной регрессии:
у = -44,712 V + 0,487Н + 4,157 V + 2,480.0 - 2,043 Та -1006,787, (6)
снег ' Земля ' нго ' круг > 'а ' ' ^ '
у, = 0,634- 9,130 / - 4,320Р + 31,326 V + 6,546, (7)
дымка 5 Земля 5 Л 5 впп ^ земля э ? \ /
у = -65,559 V + 3,739Р - 21,418/ -1,443^ + 5,443^ +18,009 Т, + 408,520, (8)
метель ' Земля ' впп > ^ > земля ' круг > а ' ? \ /
у =-139,268/ - 0,713^ + 5,350Н + 225,015 V +14225,752, (9)
морось круг нго земля
У = 5,432Н + 4,841 V + 0,255^ -1,499/ + 3,178 Та + 4,4750 - 4358,199, (10)
туман ' нго ^ земля ' земля ' ^ ' а '
У = 1,420Р + 9,7260 - 0,667V - 262,467Т, - 14,578V +
лив. снег > впп ' ' круг ' а ' земля
+ 578,545а +107611,0Т -11399,333 , (11)
Уд д = 121,558/-183,295Т, +187,657Т + 0,705Н -31,283V -10430,217. (12)
дождь > ^ > а ' > нго ' земля ' V '
Здесь/- относительная влажность воздуха, %; Та - температура точки росы, оС; О - дефицит точки росы, оС; Т - температура воздуха, оС; Ннго - высота нижней границы облаков, м; Кземля - скорость ветра у земли, м/с; Ккруг - скорость ветра на высоте круга, м/с; а - абсолютная влажность воздуха, г/м3; ^¡емля - направление ветра у земли, градусы; — направление на высоте круга, градусы; Рвпп -давление на взлетно-посадочной полосе (ВПП), гДя.
Дисперсионный анализ основывается на следующих гипотезах [12]:
• нулевая гипотеза: коэффициенты регрессии для всех предикторов равны нулю;
• альтернативная гипотеза: по крайней мере, один из коэффициентов регрессии не равен нулю.
В основе проверки значимости регрессии лежит идея разложения дисперсии (разброса) результативного признака на факторную и остаточную дисперсии, то есть объясненную (за счет независимых факторов) часть дисперсии и часть, оставшуюся необъясненной, в рамках данной модели (критерий Фишера). Для каждого значения F можно вычислить соответствующую вероятность. Если значение этой вероятности меньше принятого уровня значимости р (здесь это 5%), гипотеза об отсутствии линейной связи между результативным и факторными признаками отклоняется и регрессия признается значимой. Иными словами, нулевую гипотезу можно отвергнуть на уровне статистической значимости 5% и принять альтернативную гипотезу о том, что, по крайней мере, один из коэффициентов регрессии не равен нулю. Если же F-отношение не имеет достаточную статистическую значимость, то нет смысла в дальнейшем интересоваться остальными результатами анализа. Из табл. 1 следует, что во всех рассмотренных случаях эта вероятность гораздо ниже 0,05, то есть регрессионные модели имеют статистическую значимость на уровне 5%.
Таблица 1
Дисперсионный анализ
Характеристика Метео юлогические явления
Обложной снег Дымка Метель Морось Туман Ливневой снег Обложной дождь
F 55,055 3,312 28,920 20,815 28,095 5,613 6,798
Значимость F 0,000 0,013 0,000 0,000 0,000 0,000 0,000
В табл. 2 приведены статистические параметры регрессии. Коэффициент множественной корреляции R описывает взаимосвязь между прогнозируемой переменной, то есть метеорологической дальностью видимости и линейной комбинацией предикторов. Например, в случае ухудшения види-
2011. Вып. 4
БИОЛОГИЯ. НАУКИ О ЗЕМЛЕ
мости при мороси коэффициент множественной корреляции R = 0,861. Коэффициент детерминации R2 показывает, насколько изменения зависимого признака (в процентах) объясняются изменениями совокупности независимых признаков. В данном случае R2 = 0,742, что свидетельствует о том, что учтенные в модели факторные признаки объясняют результативный признак на 74%. Другими словами, 74% изменчивости видимости за осенне-зимний период объясняется в рамках данной модели, а оставшийся процент объясняется случайными отклонениями.
Таблица 2
Регрессионная статистика
Характеристика Метеорологические явления
Обложной снег Дымка Метель Морось Туман Ливневой снег Обложной дождь
R 0,413 0,332 0,550 0,861 0,629 0,506 0,625
R2 0,171 0,110 0,302 0,742 0,396 0,256 0,391
Стандартная ошибка 364,441 278,738 402,265 301,821 170,154 398,929 219,270
Значение стандартной ошибки выражает стандартное отклонение дальности видимости после компенсации изменений предикторов, то есть показывает стандартное отклонение от среднего.
Следующим этапом работы была проверка полученных уравнений связи на независимой выборке (2008 - 2009 гг.). Проверка производилась в соответствии с ведомственной методикой оценки оправдываемости авиационных прогнозов (табл. 3) [10]. Полученные результаты приведены в табл. 4.
Таблица 3
Допустимые отклонения
Прогнозируемый элемент Диапазон точности прогнозов
Видимость +/- 200 м до 700 м +/- 30% от 700 м до 10 км
Таблица 4
Оправдываемость уравнений
Явление, ухудшающее видимость Оправдываемость, %
Обложной снег 97
Дымка 88
Метель 81
Морось 71
Туман 59
Ливневой снег 52
Обложной дождь 44
На основании оценки результатов оправдываемости были отобраны четыре уравнения связи с наилучшей оправдываемостью для рекомендации их применения в оперативной практике. Для упрощения расчетов, а также для эффективного использования построенной синоптико-статистической модели прогноза видимости на ВПП была подготовлена программа Meteosoft для расчета видимости в обложном снеге, дымке, метели и мороси. Программа написана в среде программирования Delphi с использованием языка программирования Object Pascal.
СПИСОК ЛИТЕРАТУРЫ
1. Альшанский Я.Ю., Бедрицкий А.И., Вимберг Г.П., Коршунов А.А., Шаймарданов М.З. Влияние погоды и климата на экономическую безопасность России // Метеорология и гидрология. 1999. №6. С. 5-9.
2. Бедрицкий А.И., Коршунов А.А., Хандожко Л.А., Шаймарданов М.З. Показатели влияния погодных условий на экономику: адаптивность потребителей // Метеорология и гидрология. 1999. № 9. С. 17-25.
3. Хандожко Л.А. Экономическая метеорология. СПб.: Гидрометеоиздат, 2005. 492 с.
4. Калинин Н.А., Ермакова Л.Н., Аликина И.Я. Особенности формирования высокой температуры воздуха в сентябре-октябре 2003 г. на Среднем и Южном Урале // Метеорология и гидрология. 2005. № 5. С. 82-89.
5. Загребина Т.А. Гидрометеорологические риски и их последствия // Экологический ежемесячник. Н. Новгород, 2006. № 3. С. 25-30.
6. Загребина Т.А., Шаймарданов М.З., Коршунов А.А. Филиппов И.А. Опасные явления погоды и их влияние на экономику России // Великие реки: Междунар. науч.-промыш. форум. Н. Новгород, 2006. С. 361, 362.
7. Калинин Н.А., Кислов А.В., Бабина Е.Д., Ветров А.Л. Оценка качества воспроизведения моделью ММ5 температуры воздуха в июле на Урале // Метеорология и гидрология. 2010. № 10. С. 15-22.
8. Калинин Н.А., Смирнова А.А. Определение водности и водозапаса кучево-дождевой облачности по информации метеорологического радиолокатора // Метеорология и гидрология. 2011. № 2. С. 30-43.
9. Руководство по краткосрочным прогнозам погоды. Л.: Гидрометеоиздат, 1964. Ч. 1. 520 с.
10. Руководство по прогнозированию метеорологических условий для авиации / под ред. К.Г. Абрамович, А.А. Васильева. Л.: Гидрометеоиздат, 1985. 304 с.
11. Руководство по краткосрочным прогнозам погоды. Ч. 2, вып.2: Урал и Сибирь. Л.: Гидрометеоиздат, 1986. 198 с.
12. Подрезов О.А. Методы статистической обработки и анализа гидрометеорологических наблюдений. Бишкек: Изд-во Кыргызско-Российского Славянского университета, 2003. 262 с.
Поступила в редакцию 20.09.11
N.А. Kalinin, O. Yu. Bulgakova, K.A. Kazakova, O. G. Penskiy
The conditions of transport networks to adapt to weather and climatic instability in the territory of the Perm region
The equations of multiple regression in relation to values of visibility range on the one hand, and such meteorological phenomena as fog, smoke, blizzard, snow storm, continuous snow, drizzle, heavy rain and continuous rain on the other hand are obtained. We carried out the independent sample test for the coupling equations obtained. On the basis of the estimated results we selected 4 equations with the best justifications to be applied in practice.
Keywords: transport networks, the meteorological phenomena, visibility range, forecasting model.
Калинин Николай Александрович, доктор географических наук, профессор E-mail: kalinin@psu.ru
Булгакова Ольга Юрьевна, кандидат географических наук, доцент Казакова Ксения Анатольевна, соискатель Пенский Олег Геннадьевич, доктор технических наук, доцент E-mail: meteo@psu.ru
Kalinin N.A., doctor of geography, professor E-mail: kalinin@psu.ru
Bulgakova O.Yu., candidate of geography, associate professor Kazakova K.A., postgraduate
Penskiy O.G., doctor of technical sciences, associate professor E-mail: meteo@psu.ru
Perm State National Research University 614990, Russia, Perm, Bukireva st. 15
ФГБОУ ВПО «Пермский государственный национальный исследовательский университет» 614990, Россия, г. Пермь, ГСП, ул. Букирева, 15
