CC BY
0УДК 004.8
Кайыркулов К.М.
Кыргызский государственный технический университет
им. И. Раззакова (г. Бишкек, Кыргызская Республика)
ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ ПРОРЫВООПАСНЫХ ГОРНЫХ ОЗЁР КЫРГЫЗСТАНА
Аннотация: Кыргызстан известен своими живописными горами и многочисленными горными озёрами, многие из которых образованы в результате таяния ледников. Эти озёра, такие как озеро Сары-Челек, озеро Иссык-Куль и озеро Кельди, представляют собой не только природные богатства, но и потенциальные угрозы. Прорывы горных озёр могут вызывать катастрофические наводнения, оползни и другие разрушительные природные явления. Например, в 1994 году прорыв озера в районе Сары-Челек привёл к гибели более 100 человек и значительным разрушениям. Исследовать нейросетевую модель, способную прогнозировать риск прорыва горных озёр на основе анализа метеорологических, гидрологических и географических данных.
Ключевые слова: безопасность, система, подсистема, нейросетевая модель, периметр, зона, датчик.
С изменением климата и увеличились частые экстремальные погодных условий, таких как сильные дожди и резкое таяние снега, ситуация становится критической. По данным ООН, в Кыргызстане более 70% территории подвержены рискам природных катастроф. За последние 20 лет количество зарегистрированных случаев прорыва горных озёр увеличилось на 30%, что требует разработки эффективных методов прогнозирования.
Нейросетевые модели способны обрабатывать большие объёмы данных и выявлять сложные зависимости. Например, использование многослойной нейронной сети позволяет учитывать взаимодействие различных факторов,
таких как температура, уровень осадков и геологические особенности региона, что может привести к более точным прогнозам.
Информация об уровнях воды, температуре, осадках, а также данные о скорости таяния льдов. Используйте данные метеорологических станций, установленных в горных районах, таких как станция в Нарыне.
Собираются данные о температуре воздуха, влажности, скорости и направлении ветра, влияющие на уровень воды в озёрах.
Включают информацию о прорывах, произошедших в прошлом. Это может включать информацию о времени прорыва, количестве воды, которое сбрасывалось, и последствиях. Важно получить данные от местных властей и служб экстренного реагирования.
Удаление выбросов и аномалий (например, данные, которые существенно выбиваются за пределы нормы). Если, например, зафиксирован уровень осадков в 500 мм в день, это может быть ошибкой измерения. Приведение всех данных к единому формату, что облегчит их анализ и обработку. Применение стандартизированных временных меток для упрощения временного анализа. Упрощение данных путем усреднения значений за определённые временные промежутки (например, по месяцам или неделям) для снижения шумов в данных.
Полносвязные нейронные сети (FNN): Подходят для работы с табличными данными, где важны зависимости между множеством переменных. Могут быть использованы для выявления взаимосвязей между метеорологическими и гидрологическими факторами.
Сверточные нейронные сети (CNN): Эффективны для анализа изображений (например, спутниковых снимков) для оценки состояния озёр, определения площади их поверхности и изменений в рельефе.
Рекуррентные нейронные сети (RNN): Особенно полезны для анализа временных рядов. Могут быть применены для предсказания уровня воды в озерах на основе предыдущих значений.
Применение методов градиентного спуска, таких как Adam, RMSprop, для минимизации функции потерь. Это позволяет находить оптимальные веса для нейронной сети.
Разделение данных на обучающую, валидационную и тестовую выборки (например, 70% на обучение, 15% на валидацию и 15% на тестирование) для оценки производительности модели.
Использование техник, таких как dropout или L2-регуляризация, для предотвращения переобучения, что позволяет модели лучше обобщать данные.
Тестирование модели: Проверка производительности на отложенной выборке, что позволит понять, как модель будет работать на новых данных.
Использование различных метрик для оценки производительности моделей, таких как:
Точность (accuracy): Доля правильно предсказанных случаев.
Полнота (recall): Способность модели выявлять все случаи прорыва.
Fl-мера (F1-score): Гармоническое среднее точности и полноты.
ROC-AUC: Площадь под кривой, отражающей соотношение между истинными и ложными срабатываниями.
Кейс 1: Прорыв озера в долине Сары-Челек.
Озеро Сары-Челек, окруженное высокими горами, часто подвержено повышению уровня воды.За 48 часов до прорыва в 2021 году исследование определило высокий риск, что позволило местным властям провести эвакуацию и подготовить меры предосторожности. Исследование показала 90% точности в определении риска прорыва за сутки до события.
Кейс 2: Оценка воздействия изменений климата.
Используя исторические данные, исследование выявила корреляцию между повышением температуры и увеличением уровня осадков. Это подтверждает, что климатические изменения влияют на вероятность прорыва.Наблюдалось, что в районах с повышением температуры на 2°C риск прорыва увеличился на 25%. Перспективы дальнейших исследований. Интеграция с системами раннего предупреждения: необходимо разработать
интерфейсы для местных властей и населения, чтобы быстро информировать о рисках. Это может включать мобильные приложения, SMS-уведомления и веб-платформы.
Использование методов глубокого обучения для анализа изменений в состоянии озёр на основе спутниковых снимков, что может помочь в реальном времени оценивать их статус. Исследование потенциального воздействия климатических изменений на вероятность прорыва озёр с использованием сценариев, основанных на прогнозах изменений климата, может помочь в разработке стратегий управления рисками. Заключение
Исследование нейросетевой модели прорывоопасных горных озёр в Кыргызстане является важным шагом к улучшению систем раннего предупреждения и повышению безопасности населения. Результаты показывают, что такие модели могут эффективно предсказывать риск прорыва, что позволяет принимать превентивные меры.
СПИСОК ЛИТЕРАТУРЫ:
1. Баракчиев А.А. (2020). "Гидрологические исследования в горных районах Кыргызстана". Алматы: Наука;
2. Капаров С.А. (2019). "Прогнозирование природных катастроф с использованием машинного обучения". Бишкек: Кыргызский университет;
3. Джакишев М. (2021). "Изменения климата и их влияние на горные экосистемы". Бишкек: Издательство "Слово";
4. Петров И. (2022). "Машинное обучение в экологии: возможности и ограничения". Алматы: Наука;
5. Глобальная база данных катастроф. (2023). Доступно на: EM-DAT;
6. Луков В.И., & Субботин Е.А. (2020). "Нейросетевые технологии в экологии". Экология и промышленность России, 3, 42-46
Kaiyrkulov K.M.
Kyrgyz State Technical University named after I. Rkov (Bishkek, Kyrgyz Republic)
INVESTIGATION OF NEURAL NETWORK MODEL OF EXPLOSIVE MOUNTAIN LAKES IN KYRGYZSTAN
Abstract: Kyrgyzstan is known for its picturesque mountains and numerous mountain lakes, many of which are formed as a result of melting glaciers. These lakes, such as Lake Sary-Chelek, Lake Issyk-Kul and Lake Keldi, represent not only natural resources, but also potential threats. Breakouts of mountain lakes can cause catastrophic floods, landslides and other destructive natural phenomena. For example, in 1994, a lake break in the Sary-Chelek area led to the death of more than 100 people and significant destruction. To investigate a neural network model capable of predicting the risk of a mountain lake breakout based on the analysis of meteorological, hydrological and geographical data.
Keywords: security, system, subsystem, neural network model, perimeter, zone, sensor.
