CC BY
30«C@yL@qyiym-J©yrMaL»#17î41),2©19 / EARTH SCIENCES
13
УДК: 556.5
Холматов Ш.Р., Сарафанов М.И.
Санкт-Петербургский государственный университет DOI: 10.24411/2520-6990-2019-10553 ПРОГНОЗИРОВАНИЕ УРОВНЯ ВОДЫ ВО ВРЕМЯ ПОЛОВОДЬЯ С ИСПОЛЬЗОВАНИЕМ ДАННЫХ «NASA GLOBAL LAND DATA ASSIMILATION SYSTEM» НА ПРИМЕРЕ РЕКИ
ПЕЧОРА
Holmatov Sh.R., Sarafanov M. I.
Saint Petersburg State University
PREDICTION OF THE LEVEL OF WATER IN FLOOD USING DATA FROM THE «NASA GLOBAL LAND DATA ASSIMILATION SYSTEM» ON THE PECHORA RIVER
Аннотация
В работе приведена методика использования данных модели «NASA Global Land Data Assimilation System» (GLDAS-2.1) для прогнозирования уровня воды в реке Печора с заблаговременностью около 1 месяца. Коэффициенты детерминации R2 построенной многофакторной регрессионной модели, в качестве входных параметров в которой использовались данные GLDAS-2.1, оказались равны 0.87 на обоих контрольных постах (Усть-Уса и Усть-Цильма). Полученные результаты позволяют рассчитывать на успешное использование данных модели для прогнозирования уровня подъема воды в половодье в качестве вспомогательного инструмента для более сложных и точных моделей и прогнозов.
Abstract
There is a methodology of using the data of the NASA Global Land Data Assimilation System (GLDAS-2.1) model for predicting the water level in the Pechora river with time lag of 1 month. The determination coefficients R2 of the constructed multivariate regression model, using GLDAS-2.1 data as input parameters, turned out to be 0.87 at both control posts (Ust-Usa and Ust-Tsilma). The results obtained make it possible to count on the successful use of the model data to predict the level of water rise in floods as an auxiliary tool for more complex and accurate models and forecasts.
Ключевые слова: Половодье, уровень воды, прогноз, модель, регрессия. Key words: High water, water level, forecast, model, regression.
Введение
В область интересов гидрологических наук входит мониторинг и прогноз опасных гидрологических явлений, в том числе, наводнений. Естественно, что лучше знать заранее, произойдет ли неблагоприятное событие, и если произойдет, то с какими последствиями. В качестве инструмента для данных целей широко используются прогнозные модели [1, 2, 3]. Однако, их использование сопряжено с получением данных, которые служат входными параметрами модели. Даже если входные параметры не задаются явно, а используется вероятностный подход, то основу распределений параметров модели, как правило, составляют эмпирические данные, которые также необходимо получить.
Современное развитие технологий позволяет решить нехватку в данных. Так, данные зондирования Земли, различные сетки реанализа и другие продукты [4, 5, 6] предоставляют исследователям возможность использовать большие объемы данных для научных изысканий.
Нередким способом представления пространственной информации стало использование картографических web-сервисов. Примером подобной
реализации является NASA Global Land Data Assimilation System (GLDAS-2.1). Представленная модель использует данные метеонаблюдений для предоставления информации об осадках, почвенной влаге, суммарном испарении, стоке, высоте снежного покрова и водном балансе территории. Нами выдвинуто предположение, что данные GLDAS-2.1 могут быть применимы в целях укрупненного прогнозирования уровня воды реки в половодье.
Представленный массив данных было решено использовать в качестве входных данных для уравнения регрессии, где откликом выступал бы уровень реки на гидропосте. Таким образом, цель данной работы - построить достаточно точную многофакторную регрессионную модель, предназначенную для прогнозирования уровня реки Печора во время половодья. Стоит отметить, что заблаговременность представленных в работе прогнозов составляет от 15 дней до одного месяца.
Материалы и методы
Данные были скачаны с web-сервиса с данными модели GLDAS-2.1 [7] для 30 точек в формате «.csv». Данные точки расположены в водосборном бассейне реки Печора (рис. 1).
14
EARTH SCIENCES /
Рисунок 1. Карта расположения точек. Составлено авторами
Обработка производилась написанными на языке Python программами, с помощью которых осуществлялся выбор необходимых параметров из csv-файлов, их осреднение по 30 точкам. Таким образом, были получены 227 среднемесячных значений (средних для бассейна по 30 точкам) для 6 показателей, то есть всего было получено и обработано 40860 значений. Полученные в результате использования GLDAS-2.1 ряды данных выглядят следующим образом (рис. 2).
1 I 1 I I I I I I I I I I I 1 I I I I I I I ! I 1 I I 1 1 I I I I I I I 1 I I I I I I I I I I I I I I I I I I 1 I I I 1 I I I I I I I I I I I 1 I I I I
Время наблюдений
Рисунок 2 Изменчивость водного баланса с 2000 по 2018 годы для бассейна река Печоры.
Составлено авторами
Таким же образом были получены ряды для остальных 5 показателей: осадков, почвенной влаги, стока, суммарного испарения и высоты снежного покрова, - предикторов в уравнении регрессии. В качестве отклика было решено использовать уровень воды на двух гидрологических станциях: Усть-Уса и Усть-Цильма (данные РОСГидромета). Использовались максимальные за год показатели уровня (подавляющее большинство приходились на май - июнь).
Значения уровня воды заносились в общую таблицу с данными предикторов напротив соответ-
ствующего месяца. Значение максимально высокого уровня воды заносилось напротив предикторов за предыдущий месяц. Например, если максимальный за год уровень воды в реке фиксировался 10го мая, то предполагалось, что на данный показатель в большей степени повлияли условия (количество осадков, испарение и т.д.) апреля, нежели чем майские параметры, поэтому выбранное значение сопоставлялось апрельским значениям предикторов.
Если же считать, что именно в мае наибольшая вероятность появления самого большого за год пре-
«C@yL@qyiym-J©yrMaL»#17i41),2©19 / EARTH SCIENCES 15
воды в реке с 2000 по 2016 гг. Для подготовки и вы-
вышения уровня над нулем гидропоста, то в качестве предикторов возможно использовать значения параметров за апрель. В таком случае, точность модели несколько падает, - коэффициент детерминации R2 для станции Усть-Цильма при предикторах сток, почвенная влага, высота снежного покрова, осадки принимает значение 0.80. Однако в таком случае не возникает неопределенности с выбором значений предикторов (за какой месяц выбирать значения).
Таким образом, было занесено 17 значений максимальных за каждый год значений уровня
бора наилучшей модели был использован язык программирования R.
Результаты
Многофакторная регрессионная зависимость для прогноза максимальных уровней воды в реке показала хорошие результаты, R2=0.87, при предикторах: осадки, сток, высота снежного покрова, почвенная влага. Результаты наилучшей модели для двух станций можно увидеть на рисунке 3.
Рисунок 3. Результаты сравнения фактических и предсказанных по многофакторной регрессионной модели максимальных значений уровня воды в реке Печора на станциях Усть-Цильма и Усть-Уса.
Составлено авторами
В ходе анализа так же подбирались и другие комбинации предикторов. Для определения «успешности» модели использовался скорректированный коэффициент детерминации R2. Результаты сравнения линейных многофакторных моделей занесены в таблицу 1.
Таблица 1
Скорректированные коэффициенты детерминации для различных моделей.
№ Набор предикторов R2 (Усть-Уса) R2 (Усть-Цильма)
1 Сток, Почвенная влага, Высота снежного покрова, Осадки 0.87 0.87
2 Сток, Испарение, Почвенная влага, Осадки 0.81 0.85
3 Сток, Испарение, Высота снежного покрова, Осадки 0.76 0.83
4 Сток, Испарение, Осадки 0.75 0.83
5 Сток, Испарение, Высота снежного покрова, Почвенная влага 0.72 0.77
Валидация регрессии с набором предикторов №1 показала, что отклонение предсказанных по модели значений от действительных не превышает 6% и в среднем составило 3%.
Заключение
В ходе проделанной работы были получены удовлетворительные результаты для многофакторной регрессионной модели, предназначенной для прогнозирования максимального уровня воды в
16 EARTH SCIENCES / <<Ш1ШМУМ~^©УГМа1>#Щ4]])),2(0]9
реке Печора в период половодья. Коэффициент де-
терминации R2 составил 0.87 на двух гидропостах (Усть-Цильма и Усть-Уса), при предикторах осадки, сток, высота снежного покрова, почвенная влага по данным GLDAS-2.1. Построенная регрессионная зависимость проста и легкореализуема, что позволяет использовать и адаптировать её для различных рек с той лишь оговоркой, что использовать данный подход лучше всего стоит в связке с другими, более «тяжеловесными» моделями и методами.
Можно говорить о том, что представленные данные в модели GLDAS-2.1 могут применяться, как было показано в статье, для предсказания максимального уровня воды в реке в половодье. Естественно, использование в качестве откликов не максимальных превышений уровня воды над нулем гидропоста, а осредненных значений для некоторого периода (например, за месяц), позволит строить более точные зависимости, что позволит использовать построенные модели в качестве хороших вспомогательных инструментов при прогнозировании.
Список литературы
1. Инишев Н.Г., Мерзликин О.Ф., Модель расчёта гидрографа весеннего половодья на малых реках, стекающих с Васюганского болота // Вестник
Томского государственного педагогического университета, №3 (81), с. 137-142, 2009.
2. Денисова Ю.В., Перевощиков А.А., Построение прогнозной модели зоны затопления пос. Киз-нер средствами ГИС-технологий // Вестник Удмуртского университета. Серия «Биология. Науки о Земле», №1, с. 171-178, 2009.
3. Ильков А.В., Белоусов Р.Л. Оценивание и прогнозирование максимального заторного уровня воды на реках севера европейской части России // Научные и образовательные проблемы гражданской защиты, №4 (27), с. 65-72, 2015.
4. Кошкарев А.В., Медведев А.А., Вишняков Ю.С., Поликарпов С.А., Сотников А.Н. Виртуальная ГИС-лаборатория как инструмент анализа пространственных данных // Труды института системного программирования РАН, Том 23, с. 245-256, 2012.
5. Global Flood Monitoring System (GFMS), URL: http://flood.umd.edu/, дата обращения: 21.07.2019
6. Precipitation and Applications Viewer, URL: https://pmm.nasa.gov/precip-apps, дата обращения 21.07.2019
7. Картографический web-сервис, NASA Global Land Data Assimilation System, URL: https://liv-ingatlas.arcgis.com/waterbalance/, дата обращения 10.08.2019
