CC BY
26
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2023. No 1
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ТЕЛЕКОММУНИКАЦИИ INFORMATION TECHNOLOGIES AND TELECOMMUNICATIONS
Научная статья УДК 004.896
doi: 10.17213/1560-3644-2023-1-23-29
АНАЛИЗ РИСКОВ ЛИВНЕЙ И НАВОДНЕНИЙ С ПОМОЩЬЮ ГИБРИДНОГО АЛГОРИТМА PSO-SVR
Э.В. Кулиев, Ю.А. Кравченко, Д.Ю. Запорожец, М.М. Семенова
Южный федеральный университет, г. Таганрог, Россия
Аннотация. Создана модель прогнозирования на основе гибридного алгоритма машинного обучения PSO-SVR для улучшения навыков прогнозирования ливней и наводнений. Для решения проблемы прогнозирования потерь от бедствий, включающую нелинейные многомерные факторы, построена гибридная модель PSO-SVR ливней и наводнений. Результаты исследования показали, что гибридная модель прогнозирования ливней и наводнений PSO-SVR эффективней, чем модели GA-SVR, SVR и ВРЫЫ. Представлена модель оценки и прогнозирования ливней и наводнений в Москве, Ростове-на-Дону и Сочи.
Ключевые слова: наводнения, ливни, оценка рисков, PSO-SVR
Благодарности: исследование выполнено за счёт гранта Российского научного фонда №№ 22-71-10121, https://rscf.ru/project/22-71-10121/ в Южном федеральном университете
Для цитирования: Кулиев Э.В., Кравченко Ю.А., Запорожец Д.Ю., Семенова М.М. Анализ рисков ливней и наводнений с помощью гибридного алгоритма PSO-SVR // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2023. № 1. С. 23-29. http://dx.doi.org/10.17213/1560-3644-2023-1-23-29
Original article
RAIN AND FLOOD RISK ANALYSIS USING THE PSO-SVR HYBRID ALGORITHM
E.V. Kuliev, Yu.A. Kravchenko, D. Yu. Zaporozhets, M.M. Semenova
Southern Federal University, Taganrog, Russia
Abstract. A forecasting model based on the hybrid machine learning algorithm PSO-SVR has been created to improve the skills of forecasting heavy rains andfloods. To solve the difficult situation of forecasting losses from disasters, including nonlinear multidimensional factors, a hybrid PSO-SVR model of showers andfloods is constructed. The results of the study show that the hybrid rain and flood forecasting model PSO-SVR is better than the GA-SVR, SVR and BPNN models. A model for assessing and forecasting heavy rains and floods in Moscow, Rostov-on-Don and Sochi is presented.
Keywords: floods, heavy rains, risk assessment, PSO-SVR
Acknowledgments: the research was funded by the Russian Science Foundation project No. 22-71-10121, https://rscf.ru/project/22-71-10121/ implemented by the Southern Federal University
For citation: Kuliev E.V., Kravchenko Yu.A., Zaporozhets D.Yu., Semenova M.M. Rain and Flood Risk Analysis Using the PSO-SVR hybrid Algorithm. Izv. vuzov. Sev.-Kavk. region. Techn. nauki=Bulletin of Higher Educational Institutions. North Caucasus Region. Technical Sciences. 2023; (1):23-29. (In Russ.). http://dx.doi.org/ 10.17213/1560-3644-2023-1-23-29
© Кулиев Э.В., Кравченко Ю.А., Запорожец Д.Ю., Семенова М.М., 2023
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION.
Введение
С увеличением высокоинтенсивной инженерной деятельности человека тенденция к глобальному потеплению климата становится все более значимой, а экстремальные погодные явления происходят часто и вызывают серию бедствий.
Согласно отчету о глобальных рисках, опубликованному Всемирным экономическим форумом (ВЭФ), экстремальные погодные катаклизмы с 2017 по 2020 гг. занимали первое место по вероятности возникновения десяти основных глобальных рисков четыре года подряд.
Под влиянием таких факторов, как глобальное повышение температуры, повышение уровня моря и оседание поверхности в некоторых районах, частые и широко распространенные проблемы ливней и наводнений становятся все более заметными. Ливни и наводнения стали одними из самых распространенных и серьезных стихийных бедствий во многих крупных городах мира. В последние годы города различных стран пострадали от проливных дождей.
Наводнения представляют собой серьезную проблему и несут мощную угрозу, которую нельзя искоренить, но которой необходимо управлять. Экстремальность затрагивает неисчислимое количество людей, облагая налогом экономику, нарушая производство продуктов питания, вызывая беспорядки и провоцируя миграцию. Стихийные бедствия являются источником уязвимости для человека, они приводят к вспышке заболеваний, нарушению энергоснабжения, связи и транспортной инфраструктуры и высокому уровню смертности. В последнее время наводнения приобретают все более глобальное значение в результате их разрушительного характера и человеческих и денежных потерь.
Неблагоприятное воздействие природных явлений может быть значительно уменьшено, если будут разработаны и реализованы соответствующие инструменты, которые смогут прогнозировать риски наводнений и ливней, что приведет к обеспечению готовности необходимых служб, а также предпринимаемым мерам по смягчению последствий.
Понимание пространственных изменений в результате наводнения и знание методов управления будут способствовать подготовке долгосрочного плана управления стихийными бедствиями.
TECHNICAL SCIENCES. 2023. No 1
Актуальность проблемы климатических изменений
В середине июня 2022 г. за три дня в горах Йеллоустонского национального парка выпало до 127 мм осадков [1-3]. Когда дождь и талая вода хлынули в ручьи и реки, возникло наводнение, которое повредило дороги, жилые дома, инженерные коммуникации и вынудило эвакуироваться более 10 000 человек. Река Йеллоустоун побила свой предыдущий рекорд и достигла самого высокого уровня воды, зарегистрированного с момента начала мониторинга почти 100 лет назад.
Хотя наводнения являются естественным явлением, изменение климата, вызванное деятельностью человека, приводит к более частым катаклизмам. Одним из последствий изменения климата является то, что более теплая атмосфера вызывает более интенсивные осадки.
Увеличение количества экстремальных осадков происходит не только в таких регионах, как Йеллоустоун, но и по всему миру. Тот факт, что в последние годы в мире произошло несколько рекордных наводнений, в том числе катастрофические наводнения в Австралии, Западной Европе и Китае, не является совпадением. Изменение климата делает более вероятными рекордно экстремальные осадки.
Последний оценочный отчет, опубликованный Межправительственной группой экспертов по изменению климата, показывает, что эта модель сохранится в будущем, поскольку глобальные температуры продолжают расти.
В более холодных районах, особенно в горных или высоких широтах, изменение климата влияет на наводнения. В этих регионах многие из крупнейших исторических наводнений были вызваны таянием снега. Однако с более теплыми зимами осадки выпадают не в виде снега, а в виде дождя.
Такие изменения климата могут иметь серьезные последствия для наводнений. Снег обычно тает медленно, поздней весной или летом, а дождь создает сток, который быстрее течет в реки. Исследования показали, что наводнения, вызванные дождем, могут быть намного больше тех, которые обусловлены таянием снега, и что переход от снега к дождю увеличивает общий риск наводнений. Наводнения, вызванные дождями, становятся все более распространенными. В некоторых местах риск наводнений из-за перехода от снега к дождю может быть даже больше, чем эффект от увеличения интенсивности осадков.
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION.
TECHNICAL SCIENCES. 2023. No 1
Изменение климата также усугубляют лесные пожары, создавая еще один риск во время ливней: оползни. Выгоревшие территории более подвержены оползням и селевым потокам во время сильных дождей как из-за отсутствия растительности, так и из-за изменений в почве, вызванных пожаром. В 2018 г. в Южной Калифорнии сильный дождь на границе пожара «Томаса» 2017 г. вызвал сильные оползни, которые разрушили более 100 домов и привели к гибели более 20 человек [3]. Огонь изменяет почву таким образом, что она впитывает меньше воды, поэтому больше дождевой воды попадает в ручьи и реки, что приводит к наводнению.
С увеличением числа лесных пожаров из-за изменения климата все больше и больше районов подвергаются этим рискам. Такое сочетание лесных пожаров, за которыми следуют сильные дожди, в будущем станет более частым. Здесь особенно важно провести научно обоснованную оценку риска ливней и наводнений.
Цель настоящего исследования - разработка модели прогнозирования ливней и наводнений в сочетании с гибридным алгоритмом PSO-SVR, а также оценка ее эффективности. Постановка задачи проводимого исследования формулируется следующим образом: осуществить реализацию и разработку модели прогнозирования ливней и наводнений на основе алгоритма оптимизации роя частиц (PSO), объединенного с алгоритмом с SVR для создания гибридной модели PSO-SVR, которая обеспечит научную основу для всесторонней оценки ливней и наводнений, учитывая множество различных факторов.
Гибридный алгоритм ГЗй-ЗУК
кластеризации с неравным весом
Гибридный алгоритм кластеризации с неравным весом PSO-SVR представляет собой интегрированный алгоритм машинного обучения. Основная идея состоит в том, чтобы сначала выполнить пошаговую регрессию и обработку данных с уменьшением размерности, а затем выполнить кластеризацию после обработки неравных весов. Данные небольшой выборки могут лучше отражать превосходство алгоритма PSO-SVR.
Принцип алгоритма SVR. SVM относится к общему дискриминированному методу. В соответствии с принципом SRM он демонстрирует уникальные преимущества при работе с небольшими выборками и проблемами многомерного пространства признаков. SVM сначала используется для решения проблем распознавания моделей, но недавно он также применялся для решения
задач оценки нелинейной регрессии путем введения нечувствительной функции потерь в [4-6]. Для решения проблем регрессии SVM называется регрессией опорных векторов (SVR), и основное назначение SVR заключается в отображении набора данных Xi(i = 1, ..., n) к многомерному пространству признаков через нелинейную функцию. Конкретное отношение может быть выражено как
fx) = югф(х) + b,
где fx) - выходное значение; ю и b - коэффициенты; ф(х) - функция нелинейного отображения, которая может преобразовывать входное значение в многомерное пространство признаков. Нормативное значение ю и b обозначается как
Min,
1 Т
œ,b, e.,eRe,(œ, S*,s)=2 <»J <Х> + C = i(s*+s),
!уг — югф(хг) - Ь < 6+8*, 7 = 1,2,3,...,И, —У;+Ф(Х;) - Ь < 6+6*, 7 = 1,2,3,.,И, 6*,6г > 0, 7 = 1,2,3,.,И,
где Rв() - эмпирический риск; С - параметр регуляризации; 6* - ошибка больше, чем в; в, - ошибка меньше, чем в.
Вышеупомянутая функция обозначает задачу квадратичной оптимизации, которая может быть преобразована в двойственную задачу. Учитывая это, окончательное уравнение SVR имеет вид [7]:
/ (х)=!И=1(Р* — Р-КМ) + ь,
*
где Р7 и в - коэффициенты Лагранжа; К(х,, х;) -функция ядра SVR, которая обозначает внутренний продукт двух векторов. Функция ядра векторов Х;, Ху может быть определена как
К(х,, х) = ф(х,)ф(ху).
Используется несколько типов функций ядра, включая как линейную функцию ядра, так и функцию ядра Гаусса. Функция ядра Гаусса, как одна из наиболее часто используемых, также называется радиальной базисной функцией (РБФ). Эта функция способна отображать данные в бесконечных измерениях и имеет относительно меньшую вычислительную сложность.
Поэтому в исследовании используется РБФ в качестве функции ядра SVR, и эта функция может быть определена как
K(xi , Xj )=exp( где у - параметр Гаусса.
Ilx-xir
2Y2
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION.
TECHNICAL SCIENCES. 2023. No 1
Комбинация параметров SVR является ключом к реализации высокоточного прогнозирования. В статье используется алгоритм PSO для определения параметров, включая у.
Принцип алгоритма PSO. PSO представляет собой технологию расчета, разработанную на основе итерационной оптимизации [8]. Его первым шагом является инициализация группы частиц. Затем скорость и местоположение этих частиц в следующей итерации можно обновить, отслеживая два экстремума (одиночный экстремум Pibest и глобальный экстремум Pgbest). Когда эти два экстремума будут найдены, алгоритм PSO будет использован для распознавания скорости и расстояния каждой частицы.
Предположим, что в d-мерном пространстве поиска есть m частиц. Частица ith обозначается xi = (xii, ..., xid), где i = 1, ..., m. Другими словами, положение частицы ith равно x¿. Скорость частицы ith также является вектором, выражаемым как v¿ = (v¿i, ..., Vid). Оптимальное расположение частицы p¿ = (pn, ..., pid), а оптимальное размещение всей популяции равно Pg = (Pgi, • •, Pgd). Стандартный алгоритм PSO обновляет существующий алгоритм PSO, который определяется как
vfk+l = ravfk+c^ (pPfk - xfk)+c2r2(Pdg,k - xk);
xd = xd +vd xi, k+1= xi, k+vi, k+1
Алгоритм PSO-SVR включает следующие шаги:
1. Создание матрицы данных.
Перед выполнением пошаговой регрессии и уменьшения размерности предполагается, что в экспериментальных данных существуют выборочные данные и независимые переменные (переменные данные после обработки признаков). Набор может быть выражен как X = (Xi, ..., Xn), зависимая переменная в этом исследовании обозначается X, а модель записывается следующим образом:
Y = Pq + PX + в, i = 1, ..., n.
При вычислении коэффициента регрессии Xi, F - тестовые статистические значения соответствующих коэффициентов (F, ..., Fn) с максимальным значением. При заданном уровне значимости а = 0,05 соответствующее критическое значение равно F(1). Когда FT1 > F- 1},XT1 добавляется в модель регрессии и Si представляется выбранным набором индексов переменных.
2. Создание модели бинарной регрессии [9].
Установить модель бинарной регрессии зависимой переменной У и подмножества независимых переменных {ХТ1, Х\ },.. .,{ХТ1, Хп}. Всего имеется п - 1 подмножеств. Коэффициент регрессии и соответствующая статистика ^-теста рассчитываются как F|'(k € ^1), где F■í2 относится к максимальному значению. При заданном уровне значимости а = 0,05 соответствующее критическое значение равно Когда > F(2), затем ХТ2 добавляется в регрессионную модель. В противном случае процесс введения переменной завершается.
3. Повторение вышеописанной операции.
Повторить операцию шага 2, чтобы получить окончательную требуемую модель уравнения этого исследования следующим образом:
Yt=
i=l
k < n.
4. Выбор центроидов.
Необходимо выбрать 1 центроид, умножить исходные данные с кодировкой признаков на соответствующий коэффициент рг- и ввести новый набор данных Ух в алгоритм кластеризации ^-средних, чтобы получить 1 набор данных. Это М1, ..., и е Яп, Yг.6Я", / = 1, ..., с . Рассчитывается евклидово расстояние от каждой выборки в наборе данных Ут до центроида щ. Центроид коллекции постоянно обновляется, и она классифицируется на I коллекций. Конкретная формула расчета записывается следующим образом:
!С=1 Yz,
^¿=argmin
Si=J=l,...¿
: 14=11 \s,=J
5. Тест модели.
Возьмем 10 % каждого набора Si в качестве тестового набора и введем его в модель PSO-SVR, чтобы получить S(S;, P(c,y,s)) как прогнозируемый результат.
Метод оценки и обсуждение
Логистическая бинарная регрессия, встроенная в SPSS 26.0 (IBMSPSS Statistics - статистическое программное обеспечение, используемое для решения деловых и исследовательских задач с помощью специального анализа, проверки гипотез и прогнозной аналитики) используется для предварительного скрининга соответствующих факторов, влияющих на возникновение ливней и наводнений, а затем карта анализа четырех факторов ясно показывает характеристики каждого региона [1, 9-11]. Для дальнейшего прогнозирования ливневых бедствий в этом исследовании
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION.
TECHNICAL SCIENCES. 2023. No 1
выбираются накопленные осадки за 24 ч (ежедневные осадки), количество ливней и наводнений (выбирается количество дней, когда количество осадков превышает 60 мм в месяц) в Москве, Ростове-на-Дону и Сочи с 2011 по 2021 гг., которые используются в качестве целевых переменных для участия в построении гибридной модели PSO-SVR. Данные взяты с сайта http://www.pogodaiklimat.ru/. В качестве обучающей выборки выбраны данные с 2011 по 2020 гг., а данные за 2021 г. используются для проверки точности предсказания модели. Чтобы более объективно проанализировать точность гибридной модели PSO-SVR при прогнозировании ливней и наводнений, модель SVR без алгоритма оптимизации параметров, модель GA-SVR и модель искусственной нейронной сети BPNN построены из одних и тех же экспериментальных выборок для сравнительной проверки.
Для сравнения выбрана модель SVR без алгоритма оптимизации параметров [12], которая в основном используется для выделения влияния оптимизации параметров на результаты прогнозирования. Модель GA-SVR выбрана для сравнения и подтверждения того, что PSO более применим к этой модели, чем алгоритм GA, из-за его лучшего влияния параметров оптимизации. Модель BPNN в искусственной нейронной сети выбрана главным образом потому, что модель все еще может гарантировать эффекты звукового прогнозирования за счет создания относительно стабильной обобщенной регрессионной нейронной сети с использованием радиальных базисных и линейных нейронов, даже когда имеет ограниченные экспериментальные данные. Исследование выбирает среднеквадратичную ошибку (RMSE) и среднюю абсолютную процентную ошибку (MAPE) для проверки предложенной гибридной модели:
RMSE = n Jz?=i(x* - Xi)2.
(1)
Здесь RMSE - средний квадратный корень из квадратной суммы ошибок соответствующих точек прогнозируемого результата и реального значения. Чем меньше значение RMSE, тем выше точность модели прогнозирования:
MAPE=
п
I
100
:— . (2)
Значение MAPE часто используется в качестве статистического индекса для измерения точности предсказания: MAPE меньше, точность модели прогнозирования лучше, а отклонение от
реального значения меньше, где представляет количество моментов времени и прогнозируемые результаты и реальное значение в формулах (1) и (2).
E. Becker и др. в [4] изучили навыки NMME и проверили их по наблюдениям во всем мире. Они обнаружили, что для количества осадков и температуры поверхности моря навык NMME выше, чем для любой отдельной модели, хотя может быть много региональных и сезонных вариаций. NMME обычно дает лучшие прогнозы, чем большинство, если не все отдельные модели. Однако как потенциальная предсказуемость, так и реальная точность прогноза варьируются в зависимости от географического региона и времени года.
S.S. Monira и др. [5] использовали модели случайного леса, модели LogitBoosting и метод опорных векторов методом наименьших квадратов (SVM) для краткосрочного прогнозирования осадков в Индии. Экспериментальные результаты и оценка этих моделей показали, что методы позволяют предсказать точное количество краткосрочных осадков. Однако данный метод не учитывает всевозможные факторы для более точного прогнозирования.
Анализ результатов
Согласно раздельному анализу ливней и наводнений, чтобы объяснить результат, в этом исследовании для анализа выбраны данные городов Москва, Ростов-на-Дону и Сочи [12-15]. Сравнение производительности каждой модели показано в табл. 1. RMSE и MAPE рассчитывают среднесуточное количество осадков за 15 дней.
Таблица 1 / Table 1 Сравнение производительности моделей по среднесуточному выпадению осадков / Comparison of model performance by average
Модель Город
Москва Ростов-на-Дону Сочи
PSO-SVR (RMSE/MAPE) 7,34 11,27 8,05 14,83 7,75 13,22
GA-SVR 9,08 11,53 11,04
(RMSE/MAPE) 17,71 18,82 18,31
SVR 18,91 21,44 23,02
(RMSE/MAPE) 30,17 30,25 30,77
BPNN 14,05 17,32 21,64
(RMSE/MAPE) 20,03 23,51 27,35
Примечание. В числителе - абсолютное значение RMSE, в знаменателе - значение MAPE, %
Гибридная модель PSO-SVR запускается компилятором Python, и рассчитываются RMSE и MAPE каждой модели. Можно видеть, что четыре модели хорошо работают в прогнозировании
X
X
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION.
дневных осадков, при этом ЯМБЕ контролируется в пределах 24, а МАРЕ - 31 %. Среди них гибридная модель РБО-БУЯ работает лучше всего со ЯМБЕ ниже 10 и МАРЕ ниже 15 %. Эффект модели ОА-БУЯ с оптимизацией параметров ниже, чем у гибридной модели РБО-БУЯ, за которой следуют модель BPNN и исходная модель БУЯ соответственно. В то же время предсказание гибридной РБО-БУЯ числа бедствий и экономического ущерба от бедствий все же точнее других моделей. Видно, что предсказанные результаты гибридного РБО-БУЯ ближе всего к реальному значению, т.е. модель имеет лучшую способность к обучению и к обобщению данных о ливнях и наводнениях.
В условиях стремительного развития глобального изменения климата и урбанизации все большее число городов страдают от сильных ливней и наводнений, которые наносят огромный ущерб жизни людей и социально-экономическому строительству. Поэтому очень важно проводить оценку риска и прогнозирование ливней и наводнений, что поможет улучшить возможности регионального прогнозирования чрезвычайных ситуаций, уменьшить потери, вызванные ливнями и наводнениями. Чтобы расширить применимый объем модели, эксперименты гибридной модели РБО-БУЯ будут протестированы в большем количестве городов, и в непрерывный экспериментальный процесс будут внесены улучшения, чтобы обеспечить более точный анализ.
Выводы
Представлена новая модель прогнозирования ливней и наводнений в сочетании с гибридным алгоритмом РБО-БУЯ. Построена модель оценки и прогнозирования ливней и наводнений в Москве, Ростове-на-Дону и Сочи. Рассчитанные значения ЯМБЕ и МАРЕ меньше, чем ОА-БУЯ, традиционные модели БУЯ и BPNN. Это подтверждает превосходство модели, предложенной в исследовании, и ее практическую ценность. Чтобы решить сложную ситуацию прогнозирования потерь от бедствий, включающую нелинейные многомерные факторы, построена гибридная модель РБО-БУЯ ливней и наводнений. Результаты исследования показывают, что гибридная модель прогнозирования ливней и наводнений РБО-БУЯ эффективней, чем модели ОА-БУЯ, БУЯ и BPNN. Четыре модели, участвовавшие в эксперименте, лучше прогнозируют дневное количество осадков,
TECHNICAL SCIENCES. 2023. No 1
чем количество стихийных бедствий и прямых экономических потерь. Гибридный PSO-SVR больше всего подходит для высоких пиковых значений прогнозирования ливней и наводнений, включающих сложные многомерные факторы.
Список источников
1. Симонов К.В., Москвичев В.В. Статистические модели опасности наводнений // Проблемы безопасности и чрезвычайных ситуаций, 2008. № 4. С. 11-19.
2. Кусатов К.И. Наводнения на реках Якутии // Материалы общерос. науч.-практ. конф. «Защита населения и объектов экономики от водной стихии северных рек». 28-29 июня 2014 г. Якутск. Якутск, 2013. С. 90-94.
3. Xu H. Modification of Normalised Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery // International Journal of Remote Sensing. 2006. Vol. 27, no. 14. P. 3025-3033.
4. Becker E., Van den Dool H., and Zhang Q. Predictability and forecast skill in NMME // Journal of Climate. 2014. Vol. 27, no 15. Р. 5891-5906.
5. Monira S.S., Faisal Z.M. and Hirose H. Comparison of artificially intelligent methods in short term rainfall forecast. 2010, 13th International Conference on Computer and Information Technology (ICCIT). 2010. P. 39-44.
6. НичепорчукВ.В. Модель формирования сценариев паводковых чрезвычайных ситуаций // Тр. I Всерос. конф. по финансово актуальной математике и смежным вопросам. Красноярск: ИВМ СО РАН, 2002. T. 2. С. 205-210.
7. Порфирьев Б.Н. Экономические последствия катастрофического наводнения на Дальнем Востоке в 2013 г. // Регион: экономика и социология. 2015. № 3 (87). С. 257-272.
8. Акимов В.А., НовиковВ.Д., РадаевН.Н. Природные и техногенные чрезвычайные ситуации: опасности, угрозы, риски. М.: ЗАО ФИД «Деловой экспресс», 2001. 344 с.
9. Мун Д.В., Попета В.В. Предупреждение техногенных катастроф: управление рисками и потенциалом «человеческого фактора». Москва; Берлин: Директмедиа Пабли-шинг, 2022. Кн. 1: уроки истории. 288 с.
10. ИваньоЯ.М. Экстремальные природные явления: методология, моделирование и прогнозирование. Иркутск: Изд-во ИрГСХА, 2007. 266 с.
11. Бендик Н.В., Иваньо Я.М. О модернизации информационной системы моделирования природных событий // Материалы междунар. науч.-практ. конф. «Природопользование и аграрное производство». Иркутск: Изд-во ИрГСХА, 2012. С. 166 - 172.
12. Катцков В.М., Кобышева Н.В., Мелешко В.П. [и др.] Оценка макроэкономических последствий изменения климата на территории Российской Федерации. М.: Д'АРТ: Главная геофизическая обсерватория, 2011. 252 с.
13. Золина О.Г., Булыгина О.Н. Современная климатическая изменчивость характеристик экстремальных осадков в России // Фундаментальная и прикладная климатология. 2016. Т. 1. С. 84-103.
14. Панов В.Д., Лурье П.М., Ларионов Ю.А. Климат Ростовской области. Ростов н/Д.: Донской изд. дом, 2006. 487 с.
15. Андреева Е.С. К вопросу о применении вероятностно-географического метода прогнозирования рисков возникновения опасных явлений погоды равнин юга России // Естеств. и техн. науки. 2008. № 2. С. 261-262
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2023. No 1
References
1. Simonov K.V., Moskvichev V.V. Statistical Models of Flood Hazard. Problems of Safety and Emergency Situations. 2008; (4):1-19. (In Russ.).
2. Kusatov K.I. Floods on the Rivers of Yakutia. Materials Obscheros. Scientific-practical. conf. "Protection of the Population and Objects of the Economy from the Water Element of the Northern Rivers." June 28-29, 2014 Yakutsk. Yakutsk. 2013. Pp. 90-94.
3. Xu H. Modification of Normalised Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery. International Journal of Remote Sensing. 2006; (14):3025-3033.
4. E. Becker, H. Van den Dool, Q. Zhang. Predictability and Forecast Skill in NMME. Journal of Climate. 2014; 27(15):5891-5906.
5. Monira S. S., Faisal Z. M., Hirose H. Comparison of Artificially Intelligent Methods in Short Term Rainfall Forecast. 2010 13th International Conference on Computer and Information Technology (ICCIT). 2010. Pp. 39-44.
6. Nicheporchuk V. V. Model for the Formation of Flood Emergency Scenarios. Tr. I All-Russian conf. on Financially Relevant Mathematics and Related Issues. Krasnoyarsk: IVM SO RAN. 2002; (2):205-210.
7. Porfir'ev B.N. Economic Consequences of the Catastrophic Flood in the Far East in 2013. Region: Economics and Sociology. 2015; (3):257-272. (In Russ.).
8. Akimov V.A., Novikov V.D., Radaev N.N. Natural and Technogenic Emergencies: Dangers, Threats, Risks. Moscow; 2001.
9. Mun D.V., Popeta V.V. Prevention of Man-made Disasters: Risk Management and the Potential of the "Human Factor". Moscow; Berlin: Direktmedia Pablishing; 2022. Kn. 1: uroki istorii. 288p.
10. Ivan'o Ya.M. Extreme Natural Phenomena: Methodology, Modeling and Forecasting. Irkutsk: Publ. IrGSKHA;2007. 266 p.
11. Bendik N.V. Ivan'o Ya.M. On the Modernization of the Information System for Modeling Natural Events. Proceedings of the Intern. Scientific-Practical. Conf. "Nature Management and Agricultural Production". Irkutsk: Publ. IrGSKHA; 2012. Pp. 166-172. (In Russ.).
12. Katckov V.M., Kobysheva N.V., Meleshko V.P. [et al.] Assessment of the Macroeconomic Consequences of Climate Change on the Territory of the Russian Federation. Moscow: D' ART: Glavnaya Geofizicheskaya Observatoriya; 2011. 252 p.
13. Zolina O.G., Bulygina O.N. Modern Climatic Variability of Extreme Precipitation Characteristics in Russia. Fundamental and Applied Climatology. 2016; (1):84-103. (In Russ.).
14. Panov V.D., Lur'e P.M., Larionov Yu.A. The Climate of the Rostov Region. Rostov-on-Don: Donskoj izd. Dom; 2006. 487 p.
15. Andreeva E.S. To the Question of the Application of the Probabilistic-geographical Method for Predicting the Risks of Occurrence of Hazardous Weather Phenomena in the Plains of the South of Russia. Natural and technical sciences. 2008;(2):261-262. (In Russ.).
Сведения об авторах
Кулиев Эльмар Валерьевичв - канд. техн. наук, доцент, кафедра «Систем автоматизированного проектирования», ekuliev@sfedu.ru
Кравченко Юрий Алексеевич - д-р техн. наук, доцент, кафедра «Систем автоматизированного проектирования», yakravchenko@sfedu.ru
Запорожец Дмитрий Юрьевич - канд. техн. наук, доцент, кафедра «Систем автоматизированного проектирования», duzaporozhets@sfedu.ru
Семенова Марина Максимовна - магистрант, кафедра «Систем автоматизированного проектирования», bogomolova@sfedu.ru
Information about the authors
Kuliev Elmar V. - Candidate of Technical Sciences, Associate Professor, Department «Computer-Aided Design Systems», ekuliev@sfedu.ru
Kravchenko Yuri A. - Doctor of Technical Sciences, Associate Professor, Department «Computer-Aided Design Systems», yakravchenko@sfedu.ru
Zaporozhets Dmitriy Yu. - Candidate of Technical Sciences, Associate Professor, Department «Computer-Aided Design Systems», duzaporozhets@sfedu.ru
Semenova Marina M. - Master Student, Department «Computer-Aided Design Systems», bogomolova@sfedu.ru
Статья поступила в редакцию/the article was submitted 14.10.2022; одобрена после рецензирования / approved after reviewing 31.01.2023; принята к публикации / acceptedfor publication 09.02.2023.
