CC BY
20
УДК 51-7:528.9:614.87
СОВМЕСТНОЕ ИСПОЛЬЗОВАНИЕ БАЙЕСОВСКИХ СЕТЕЙ И ГИС ДЛЯ ОЦЕНКИ РИСКОВ ШТОРМОВЫХ НАГОНОВ В ДЕЛЬТЕ Р. ДОН
Валерий Валерьевич Кулыгин
Южный научный центр РАН, 344006, Россия, г. Ростов-на-Дону, ул. Чехова, 41, кандидат технических наук, старший научный сотрудник, тел. (863)250-98-05, e-mail: kulygin@ssc-ras.ru
Опасные гидрологические явления приводят к существенному экономическому ущербу и представляют угрозу жизни и здоровью населения. Для принятия эффективных решений с целью минимизации их последствий крайне важно располагать соответствующими методами расчета рисков, основанными как на информации о зонах опасности, так и характеристиках подверженных объектов. В работе рассматривается подход к оценке риска опасных нагонных явлений с использованием байесовских сетей и ГИС, обеспечивающий моделирование всех требуемых параметров, их причинно-следственных связей в пространственно-явной форме. Обсуждаются возможности явного учета неопределенности факторов, участвующих в оценке риска. Представлен расчет риска нагонных явлений в дельте р. Дон разного периода повторяемости. В соответствии с величиной возможного ущерба были выделены и охарактеризованы четыре группы населенных пунктов. Согласно расчетам суммарный ущерб для всех населенных пунктов дельты р. Дон для 50-летнего нагона составил около 190 млн руб. за единичное событие; для 100-летнего нагона - 680 млн руб. соответственно. Предложенная модель может рассматриваться как основа для разработки унифицированного подхода к оценке рисков опасных природных явлений.
Ключевые слова: байесовские сети, ГИС, опасные природные явления, штормовые нагоны, наводнения, риски, ущербы, дельта р. Дон.
Введение
В начале XXI в. отмечается увеличение количества опасных природных явлений и техногенных катастроф. Для того чтобы справиться с ростом затрат, связанных с ущербом зданиям, сооружениям, и избежать смертельных случаев, лицам, принимающим решения, нужны подходящие методы оценки рисков опасных явлений. Это особенно актуально для прибрежных районов, таких как побережье Азовского моря, где в последнее десятилетие сильные штормы (например, экологическая катастрофа в Керченском проливе 2007 г. [1]) и наводнения (например, нагоны в дельте р. Дон в 2013, 2014 гг. [2, 3]) привели к высоким издержкам.
Морское пространственное планирование (МПП) рассматривается как перспективный подход к управлению множеством видов хозяйственной деятельности в целях устойчивого развития территорий, имеющих прямой выход к морю, и в интересах социально-экономического благополучия проживающего там населения. Одним из разделов МПП является оценка опасных природных и антропогенных явлений (ОЯ), которые могут существенно влиять на морскую хозяйственную деятельность. В инструментах поддержки принятия решений по развитию территорий широко используются геоинформационные системы
(ГИС). При этом одной из самых распространенных задач является поиск участка территории, удовлетворяющего определенным критериям. Также возникает задача сравнения разных участков в ГИС, в том числе и с учетом рисков ОЯ.
Современный анализ риска ОЯ базируется на определении риска как произведения оценки тяжести последствий опасного события на величину вероятности осуществления этого события, количественно отражающую возможность наступления неблагоприятной ситуации. При этом трудности возникают как при оценке вероятности ОЯ, так и при оценке тяжести последствий. В первом случае это связано с тем, что, согласно классическому определению, вероятность вводится как частота однородных событий, происходящих в неизменных внешних условиях, чего при фактическом управлении территорией достичь почти невозможно. С другой стороны, мало внимания уделено оценке ожидаемых последствий, которая основана на комбинации наблюдений и мнений экспертов. Как следствие, отсутствуют количественные исследования неопределенностей, связанных с этой частью анализа риска. Неспособность включить неопределенности в расчет риска может привести к существенным несоответствиям или создать ложную уверенность в достоверности полученных оценок.
В последние десятилетия было разработано большое количество ГИС-приложений для ОЯ. До сих пор, несмотря на существование неопределенности в пространственных моделях и данных, результаты их работы в основном являются детерминистическими. В то же время современные исследования природных опасностей требуют учета неопределенностей, возникающих из-за ограниченного знания о протекающих процессах, ошибок измерений, неполных наблюдений и внутренней случайности управляющих процессов.
Байесовские сети (БС) известны как один из способов явного моделирования неопределенностей в вероятностной форме. Потенциал использования БС для оценки ОЯ заключается не только в способности БС моделировать различные взаимозависимости, но и в их интуитивно понятном формате: представление зависимостей между используемыми переменными в виде графической сети позволяет улучшить понимание взаимоотношений внутри системы ОЯ и характера ее функционирования.
БС применялись для оценки различных ОЯ: землетрясений [4], цунами [5], наводнений [6], оползней [7], снежных лавин [8] и др.
Несмотря на хорошую теоретическую изученность БС, их применение к реальным данным вызывает определенные трудности. Основной проблемой является обработка неполных наблюдений и работа с непрерывными переменными. Кроме того, за исключением работ [6, 8], при использовании БС не рассматривается пространственный аспект, что крайне важно в задачах пространственного планирования.
В данной статье работе рассматривается подход к оценке риска ОЯ методами вероятностного вывода в среде ГИС на примере нагонных явлений в дельте р. Дон. Оценка выполняется с использованием геомодели [9], основанной на БС.
Материалы и методы исследований
Байесовские сети (БС) являются одной из форм вероятностных графических (графовых) моделей. Это ориентированные ациклические графы, в которых узлы представляют собой случайные величины, а дуги - зависимости между ними. Дуги характеризуют отношения «причина-следствие» между случайными величинами и задаются условными распределениями вероятностей (значение в дочернем узле обусловлено набором значений его родительских узлов). Таким образом, БС обеспечивают графическое представление совместного распределения вероятностей Р(Х) набора случайных величин (X = х1, ..., хп), определяемого, как
п
р(х) = Р(хь x2, ...хп ) = П Р(х 1 Ра(х
г=1
где ра(х) - это множество родительских узлов для хг. Распределения хг могут иметь любую форму, но эффективные алгоритмы точного вероятностного вывода существуют только для случая, когда узлы имеют дискретные или нормальные распределения. В данной статье мы ограничимся переменными с дискретными состояниями.
БС могут быть построены как в результате экспертного оценивания, так и путем определения распределений вероятности на основе данных.
Процедура анализа ОЯ с использованием БС заключается в следующем:
- построение структуры БС;
- определение распределений вероятностей для узлов (маргинальные распределения) и дуг (условные распределения);
- расчет априорного распределения целевой переменной (например, ущерб от ОЯ);
- расчет постериорных распределений вероятности для конкретных ситуаций/сценариев путем замены априорных распределений некоторых переменных на конкретные значения, наблюдающиеся в этой ситуации.
Оценка риска с использованием байесовских сетей. Риски, рассматриваемые в этой статье, включают стоимость поврежденных зданий, а также расходы, связанные с социальными потерями. Из последних мы рассматриваем случаи потерь здоровья и смерти населения в зданиях. Потери на сельскохозяйственных участках, травмы птицы и скота, затраты на очистку, ущерб инфраструктуре и сооружениям не включены в анализ; добавление этих факторов в модель на более позднем этапе работ является несложным процессом.
На рис. 1 показана БС для процедуры оценки риска наводнений. Зеленым цветом выделены входные узлы, оранжевые узлы - переменные, введенные для представления причинно-следственных связей в системе, а синие узлы характеризуют итоговое выражение риска. В разделе «Область исследования и источ-
ники данных» (см. стр. 97) представлено описание распределений вероятностей, соответствующих каждому узлу.
Рис. 1. Байесовская сеть для оценки последствий наводнения
в дельте р. Дон
В общем виде структура вероятностной оценки риска ОЯ может быть представлена тремя компонентами: «опасность», «подверженность» и «уязвимость». Компонент «опасность» описывает вероятность возникновения потенциально опасных явлений. В предложенной БС он выражается как годовая вероятность подъема уровня воды в дельте до определенной отметки (узел «Уровень воды»). Подверженность системы описывается вероятностью того, что здание будет затоплено. Несколько узлов моделируют уязвимость системы, т. е. тяжесть последствий воздействия наводнения на здания или людей. Наконец, узлы, определяющие ожидаемый ущерб в зависимости от числа пострадавших людей и степени физического повреждения домов, выражены в монетарных оценках.
Интеграция с ГИС. Связь ГИС и БС основана на геопространственном представлении региона исследования. Для этого геосистема делится на пространственные единицы так, чтобы они естественным образом отражали пространственные особенности воздействия ОЯ на геосистему и специфику хозяйственной деятельности. Каждая пространственная единица представляет собой геообъект, который может рассматриваться как отдельный элемент, сложившийся в результате взаимодействия геологических, геоморфологических, океанографических, климатических и антропогенных факторов [10]. Размеры геообъектов уточняются в зависимости от детальности анализа и имеющейся информации.
При растровой форме представления геоинформации элементарными пространственными объектами являются ячейки растра, имеющие некоторую
площадь. Таким образом, выбранная область представляется в виде множества непересекающихся ячеек, снабженных атрибутивной информацией.
Векторная форма представления позволяет работать на уровне объектов, для которых представлена атрибутивная информация (населенные пункты, кадастровые участки, отдельные здания и т. д.).
Таким образом, информационная составляющая геоинформационной модели представляет собой группу пространственных наборов данных с единым разбиением области исследования на элементарные пространственные объекты (элементы).
Для каждого элементарного пространственного объекта задается свой экземпляр БС и выполняется статистический вывод.
1. Входные узлы БС инициализируются значениями из пространственных наборов данных.
2. Для каждого пространственного элемента сначала производится означивание случайных переменных, представленных пространственными наборами данных, а затем - вероятностный вывод.
3. Значения целевых переменных БС для каждого пространственного элемента возвращаются в ГИС и могут быть отображены на карте.
Схематично этот процесс представлен на рис. 2.
Рис. 2. Схема связи ГИС и системы байесовского вывода
Область исследования и источники данных. Областью исследования является дельта р. Дон, граничащая с Таганрогским заливом Азовского моря. Площадь дельты составляет около 538 км . В этом районе преобладающими являются ветра восточной и западной составляющей. Сгонно-нагонные явления очень сильно развиты в Азовском море, а колебания уровня могут достигать 6 м. Как правило, опасные для экосистемы Таганрогского залива и дельты р. Дон подъемы уровня вызываются юго-западными воздушными потоками над Азовским морем. Они возникают из-за значительных величин градиента давления и высокой скорости ветра (15-20 м/с и более) [11].
Оценка риска выполнялась для населенных пунктов, так как именно там сосредоточено подавляющее большинство зданий, основное имущество и объекты, подверженные риску. Всего в регионе дельты р. Дон расположены 23 сельских поселения и город Азов.
Для выбранных населенных пунктов были охарактеризованы узлы предложенной БС.
Для узла «Уровень воды» были определены четыре состояния, соответствующие сценариям подъема уровня воды с различным периодом повторяемости: 1 год / 10 лет / 50 лет / 100 лет. По данным наблюдений за уровнем моря, на гидропостах на основе методов экстремальной статистики были определены значения уровня воды, соответствующие каждому сценарию, и их вероятности, составившие 0,87; 0,10; 0,02 и 0,01 соответственно. Величины подъема уровня составили 0,85; 2,12; 2,50 и 2,90 м Балтийской системы высот (БСВ) соответственно. Следует отметить, что для характеристики интенсивности наводнений в дельте р. Дон Росгидрометом определены две отметки «неблагоприятного явления» и «опасного явления», равные 1,1 м и 2 м БСВ. Это означает, что «опасные» наводнения в среднем возникают как минимум один раз в 10 лет.
При подготовке информации о зданиях каждого населенного пункта использовались данные кадастровой оценки Ростовской области [12], материалы Ореп81хее1Мар [13] и "^ЫМар1а [14]. Некоторая информация (о типе конструкции и этажности зданий) уточнялась по свободным данным публичной кадастровой карты (ПКК) Росреестра [15]. Невозможность полноценно использовать интернет-сервис ПКК в качестве единственного источника связана с несколькими причинами:
- здания (в отличие от кадастровых участков) в ПКК представлены недостаточно полно (что неоднократно отмечалось, например, в [16]) - для исследуемого региона по грубым оценкам в ПКК присутствует информация только о 10 % зданий;
- информация в ПКК не всегда является актуальной;
- лицензионное соглашение об условиях использования ПКК существенно ограничивает возможности работы с этими данными.
При подготовке списка зданий крупных населенных пунктов, большая часть территории которых находится на возвышенности (г. Азов, с. Кагальник), рассматривались только объекты, попадающие в прибрежную область.
В соответствии с уровнями подъема воды для узла «Уровень здания» были выбраны следующие градации высот уровня поверхности грунта в месте строительства здания (далее для краткости будем называть это уровнем здания): менее 0,85 м, от 0,85 до 2,12 м, от 2,12 до 2,50 м, от 2,50 до 2,90 м БСВ. Для определения высот использовалась цифровая модель рельефа дельты р. Дон с разрешением 10 м. Оценка распределений для каждого населенного пункта выполнялась по фактическим гистограммам уровня зданий.
Узел «Уровень затопления» представлен четырьмя категориями, характеризующими величину слоя воды над застроенной территорией и, соответственно, степень опасности: «Подтопление», «Наводнение», «Сильное наводнение», «Катастрофическое наводнение». Таблица условных вероятностей заполнялась экспертно на основе разности между уровнем подъема воды и уровнем зданий.
Рассматриваемые типы использования зданий и их конструкций представлены в табл. 1, 2 соответственно. Оценка распределений выполнялась по гистограммам. Для каждого населенного пункта было построено свое распределение по типам зданий. Из-за ограниченного объема доступной информации условное распределение типа конструкции от типа здания было общее для всех пунктов. Подобное упрощение допустимо, так как весьма вероятным выглядит предположение об использовании единых конструкторских решений при строительстве зданий в одном регионе.
Таблица 1
Типы использования зданий
№ п/п Тип здания
1 Производственные здания, строения промышленности, коммунального хозяйства, материально-технического, продовольственного снабжения
2 Образовательные учреждения
3 Объекты здравоохранения и социального обеспечения
4 Жилые дома
5 Объекты досуга, искусства, культуры, религии
6 Гостиницы, отели
7 Объекты торговли, общественного питания и бытового обслуживания
8 Подсобные, хозяйственные постройки
9 Административные и офисные здания
Таблица 2
Тип конструкции зданий
№ п/п Тип конструкции
1 Деревянные дома
2 Кирпичные малоэтажные здания (1-2 этажа)
3 Кирпичные дома повышенной этажности (3 этажа и более)
4 Здания с тяжелым металлическим или железобетонным каркасом
В качестве стоимости зданий использовались значения кадастровой оценки по данным [12]. В пределах выбранных населенных пунктов были построены гистограммы стоимости зданий разных типов, на основе которых получены таблицы условных распределений.
Таким образом, для каждого населенного пункта были получены собственные распределения уровней зданий, их типов и стоимости.
Узел «Повреждение здания» выражает оценку уязвимости. Для него были выделены четыре возможных состояния: «нет повреждений», «незначительные», «средние», «значительные». Величины уязвимости зданий разных конструкций к затоплению разной интенсивности определялись согласно рекомендациям МЧС [17] и составили в долях от стоимости здания 0; 0,1; 0,3; 0,7 соответственно.
Ущерб зданию выражался как произведение доли повреждения здания (уязвимости) на его стоимость.
Узел «Наличие людей в здании» имеет два состояния: «да» и «нет». Распределение вероятностей определялось по формуле
Рг (да) = (Чг • Дг )/(24 • 7) Рг(нет) =1 - Рг (да)
где Ч - средняя продолжительность присутствия в зданиях типа г в часах в течение дня, Д - средняя продолжительность присутствия в зданиях типа г в днях в течение недели, г = 1...9.
Распределения для узла «Число людей в здании» представлены гистограммами, сгенерированными из нормальных распределений, для которых среднее значение задавалось как среднее число людей в здании определенного типа, а среднее квадратическое отклонение определялось экспертно.
Для узла «Вред населению» были определены три состояния: «не причинен», «потеря здоровья» и «смерть». В качестве показателя среднего вреда здоровью одного человека выбрана средняя страховая сумма выплат при наступлении несчастного случая, связанного с потерей трудоспособности в России (48 тыс. руб. на душу населения [18]). В качестве оценки ущерба в случае смерти выбрана выплата при потере кормильца семьи (примерно 2 млн руб. [18]).
Социальный ущерб определялся как произведение числа жителей, присутствующих в здании, на величины ущерба, определенные для разного типа вреда населению.
Суммарный ущерб рассчитывался как сумма ущерба для зданий и социального ущерба.
При оценке каждого пространственного объекта на вход сети подавались распределения, полученные для соответствующего населенного пункта. На выходе получались распределения вероятности ущерба для зданий, социального и общего ущерба. В этом итоговом распределении общего ущерба выражено
суммарное воздействие неопределенности каждого фактора, используемого при расчете. Оценить неопределенность в каждом населенном пункте можно, определив границы 95 % байесовского доверительного интервала общего ущерба, рассчитываемого на основе распределения, как [Р-1(0,025), ^(0,975)], где Г1 -обратная функция распределения вероятности общего ущерба.
Результаты и обсуждение
Среднегодовые величины ущербов, рассчитанные с использованием БС, представлены на рис. 3. Было выделено несколько групп населенных пунктов в соответствии с величиной ущерба.
Рис. 3. Среднегодовой риск населенным пунктам дельты р. Дон:
1 - х. Обуховка; 2 - х. Рогожкино; 3 - х. Курган; 4 - г. Азов; 5 - х. Казачий Ерик; 6 - х. Усть-Койсуг; 7 - ст. Елизаветинская; 8 - х. Дугино; 9 - х. Колу-заево; 10 - х. Узяк; 11 - х. Шмат; 12 - х. Коса; 13 - х. Полушкин; 14 - х. Городище; 15 - х. Донской; 16 - с. Кагальник; 17 - х. Лагутник; 18 - пос. Топольки; 19 - х. Петровский; 20 - х. Калинин; 21 - х. Недвиговка; 22 - х. Хап-ры; 23 - с. Синявское; 24 - х. Морской Чулек
В группу с самым незначительным ущербом (не превышающим 100 тыс. руб./год) попали населенные пункты, расположенные на правом (северном) высоком берегу: с. Синявское, х. Морской Чулек, х. Недвиговка, х. Хапры, х. Калинин. В эту группу также попал х. Петровский, но уже в силу общего малого числа зданий и их сравнительно невысокой стоимости.
Вторую группу (среднегодовой ущерб до 500 тыс. руб./год) составляют небольшие, но регулярно затапливаемые населенные пункты, расположенные в передней части дельты (х. Донской, х. Полушкин, х. Лагутник, п. Топольки, с. Кагальник), вдоль основного рукава Дона (х. Коса, х. Шмат) и х. Городище, находящийся на относительной возвышенности.
В третью группу (среднегодовой ущерб до 1 млн руб./год) попали населенные пункты, расположенные в центральной части дельты. Основное отличие в величине ущербов между пунктами заключается в разном количестве объектов, подверженных воздействию, и их стоимости.
В четвертой группе сосредоточены поселения с наиболее высокими вероятными среднегодовыми ущербами (более 1 млн руб./год). В г. Азове в зону подтопления попадает портово-промышленная зона и район г. Задонье, расположенный на правом берегу рукава Старый Дон. Наибольшие ущербы получены для х. Рогожкино (1,6 млн руб./год) и х. Обуховка (1,7 млн руб./год). Полученное пространственное распределение ущербов частично отражает тот факт, что наибольшее воздействие нагона обычно приходится на правобережные наветренные участки водотоков дельты.
Помимо представления пространственных особенностей распределения риска БС позволяют рассчитывать среднегодовой риск в регионе, связанный с разной интенсивностью ОЯ. В данной статье интенсивность ОЯ выражена в форме дискретных сценариев наводнений с разным периодом повторяемости. В табл. 3 представлены результаты расчета ущербов по населенным пунктам для трех сценариев. Для большинства пунктов характерно, что самый низкий риск связан с меньшими наводнениями, что отражает тот факт, что частые, но слабые наводнения не достигают зданий. В некоторых пунктах, напротив, наибольшие среднегодовые риски связаны с самыми частыми событиями. Это объясняется тем, что количество объектов, подверженных затоплению в этих пунктах как при сильных, так и при слабых наводнениях, меняется незначительно, поэтому среднегодовой риск для более редких событий снижается.
Таблица 3
Среднегодовой ущерб (тыс. руб./год) по населенным пунктам дельты р. Дон для сценариев наводнения с разным периодом повторяемости
№ п/п Населенный пункт Е ериод повторяемости
10 лет 50 лет 100 лет
1 х. Обуховка 254 483 843
2 х. Рогожкино 180 459 879
3 х. Курган 243 402 642
Окончание табл. 3
№ п/п Населенный пункт Е ериод повторяемости
10 лет 50 лет 100 лет
4 г. Азов 144 332 604
5 х. Казачий Ерик 179 253 368
6 х. Усть-Койсуг 158 248 381
7 ст. Елизаветинская 49 236 500
8 х. Дугино 91 233 475
9 х. Колузаево 30 212 539
10 х. Узяк 155 188 244
11 х. Шмат 142 133 129
12 х. Коса 20 120 291
13 х. Полушкин 80 116 170
14 х. Городище 41 103 221
15 х. Донской 72 99 145
16 с. Кагальник 39 83 155
17 х. Лагутник 44 57 78
18 пос. Топольки 8 39 84
19 х. Петровский 1 12 29
20 х. Калинин 10 6 3
21 х. Недвиговка 6 3 5
22 х. Хапры 11 2 1
23 с. Синявское 3 2 1
24 х. Морской Чулек 3 1 1
Всего 1 963 3 820 6 787
Суммарный ущерб для всех населенных пунктов дельты р. Дон для 50-летнего нагона составил около 3,8 млн руб./год, или 190 млн руб. за единичное событие; для 100-летнего нагона - около 6,8 млн руб./год и 680 млн руб. соответственно. Для сравнения: ущербы от двух катастрофических нагонов в марте 2013 г. и сентябре 2014 г. (максимальные отметки уровня 2,4 м и 2,81 м БСВ соответственно) оценены в 404 млн руб. и 564 млн руб. соответственно [3].
Для иллюстрации анализа неопределенности на рис. 4 представлены величины среднего ожидаемого риска (математическое ожидание) и верхней границы доверительного интервала для сценария 50-летнего нагона. Максимальные значения доверительного интервала (6,2 млн руб. - х. Обуховка) значительно превышают максимальные ожидаемые ущербы (483 тыс. руб. - х. Обуховка). В среднем по всем населенным пунктам верхняя граница доверительного интервала в 10 раз больше величины ожидаемого ущерба.
Сравнение ожидаемых затрат с верхней границей доверительного интервала позволяет оценить уверенность в результатах оценки среднего значения и определить области наибольшей потенциальной ошибки. Карта, содержащая только величины ожидаемых ущербов, давала бы ложное впечатление точности получаемых оценок.
Одним из способов снижения полученной высокой неопределенности является переход с уровня оценки населенных пунктов на уровень оценки отдельных зданий. При этом предложенная БС может использоваться без изменений. Подробная информация о зданиях позволит означить большее число узлов (т. е. заменить вероятностное распределение в узле на конкретное значение, наблюдающееся для здания), а, следовательно, уточнить итоговую оценку риска.
Рис. 4. Средний ожидаемый риск (I) и верхняя граница байесовского доверительного интервала (II) для сценария 50-летнего нагона в дельте р. Дон
Использование БС при рассмотрении опасных явлений имеет ряд преимуществ, особенно если сеть работает в контексте ГИС. В первую очередь она позволяет проводить поэтапное моделирование риска, связанного с природной опасностью. Организация процедуры оценки риска в БС поддерживает структурированный и последовательный подход к этой междисциплинарной задаче, требующей информации из разных областей. Например, на рис. 1 представлено многообразие факторов, связанных с оценкой риска ОЯ: моделирование природного явления, обычно проводимое специалистами-модельерами, оценка
уязвимости и надежности подверженных объектов, обычно выполняемая инженерами. Если разработчики БС идентифицируют переменные, которые влияют на риск, но для них отсутствуют какие-либо данные, то эти переменные могут быть включены в структуру сети с неинформативными распределениями. Если на более позднем этапе информация относительно этих переменных становится доступной, то ее можно естественным образом добавить в процедуру оценки. Монетизированное выражение ущерба, связанное с работой экономистов, собрано в единую модель, для облегчения обмена информацией между экспертами.
Более того, интеграция вероятностного подхода в ГИС позволяет количественно оценивать неопределенности и визуализировать их на карте, что является основой для предоставления достоверной информации лицам, принимающим решения. Подобные карты позволяют объективно выразить уверенность в результатах модели и визуализировать ее пространственные различия.
Рассматриваемая модельная конструкция предлагает множество возможностей для дальнейшего развития в отношении оценки и представления пространственного и временного распределения риска. В своей нынешней версии БС оценивается для каждого пространственного элемента (населенного пункта) отдельно, и поэтому оценки рисков в каждом месте независимы друг от друга. Пространственная и временная структура зависимостей риска при этом не учитывается. В то же время эта структура имеет существенное значение для планирования действий по снижению риска и последствий опасных явлений. Небольшая иллюстрация этого аспекта приведена в табл. 3 и показывает распределение риска при разных сценариях наводнения: в одних случаях большие среднегодовые ущербы связаны с сильными наводнениями, в других - со слабыми. Совершенствование модели также возможно за счет использования новых, более точных распределений для существующих переменных, или введения дополнительных переменных, влияющих на итоговую оценку риска ОЯ.
Заключение
Анализ рисков опасных природных явлений остается сложной задачей, для решения которой необходим учет многих факторов, имеющих разную природу.
Предложенная модельная конструкция оценки рисков основана на вероятностном подходе (использование байесовских сетей), совмещенном с ГИС. В БС включены компоненты, связанные с вероятностью возникновения опасного явления, а также компоненты для расчета ущерба, поскольку он зависит не только от интенсивности наводнения, но и от свойств объектов.
Явный учет неопределенностей в БС позволяет подготавливать обоснованные оценки риска для лиц, принимающих решения. Кроме того, доверительные интервалы, представленные на картосхемах, поддерживают пространственную интерпретацию риска. Наконец, поскольку БС обеспечивает моделирование различных взаимозависимостей, вызванных общими причинными факторами,
то такой подход имеет большой потенциал для связи различных типов рисков в одной системе, что заслуживает дальнейшего изучения.
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 16-35-60043 мол_а_дк.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Матишов Г. Г., Савицкий Р. М., Инжебейкин Ю. И. Условия и последствия аварий судов в Керченском проливе во время шторма 11 ноября 2007 г. // Вестник Южного научного центра РАН. - 2008. - Т. 4, № 3. - С. 54-63.
2. Матишов Г. Г., Бердников С. В. Экстремальное затопление дельты Дона весной 2013 г. // Известия РАН. Серия географическая. - 2015. - № 3. - С. 111-118.
3. Природные катастрофы в Азово-Черноморском бассейне в начале XXI века / Г. Г. Матишов, Д. Г. Матишов, С. В. Бердников, Н. А. Яицкая. - Ростов н/Д. : Издательство ЮНЦ РАН, 2017. - 160 с.
4. Bayraktarli Y. Y., Faber M. H. Bayesian probabilistic network approach for managing earthquake risks of cities // Georisk. - 2011. - No. 5. - P. 2-24.
5. Bayesian networks for tsunami early warning / L. Blaser, M. Ohrnberger, C. Riggelsen, A. Babeyko, F. Scherbaum // Geophys. J. Int. - 2011. - No. 185. - P. 1431-1443.
6. A spatial Bayesian network model to assess the benefits of early warning for urban flood risk to people / S. Balbi, F. Villa, V. Mojtahed, K. T. Hegetschweiler, C. Giupponi // Nat. Hazards Earth Syst. Sci. - 2016. - No. 16. - P. 1323-1337.
7. Susceptibility assessment of earthquake-induced landslides using Bayesian network: a case study in Beichuan, China / Y. Song, J. S. Gong, Gao, D. Wang, T. Cui, Y. Li, B. Wei // Comput. Geosci. - 2012. - No. 42. - P. 189-199.
8. Gret-Regamey A., Straub D. Spatially explicit avalanche risk assessment linking Bayesian networks to a GIS // Nat. Hazards Earth Syst. Sci. - 2006. - No. 6. - P. 911-926.
9. Кулыгин В. В. Геоинформационная модель оценки рисков опасных природных явлений на основе байесовских сетей // Экология. Экономика. Информатика. Сер.: Системный анализ и моделирование экономических и экологических систем. - 2017. - Т. 1, № 2. - С. 66-72.
10. Кулыгин В. В. Подход к оценке рисков опасных природных явлений в морехозяй-ственных системах // Проблемы анализа риска. - 2017. - Т. 14, № 2. - С. 64-73.
11. Экстремальное затопление дельты Дона весной 2013 г.: хронология, условия формирования и последствия / Г. Г. Матишов, А. Л. Чикин, С. В. Бердников, И. В. Шевердяев, А. В. Клещенков, Е. Э. Кириллова // Вестник Южного научного центра РАН. - 2014. - Т. 10, № 1. - С. 17-24.
12. Официальный портал Правительства Ростовской области. Государственная кадастровая оценка [Электронный ресурс]. - Режим доступа : http://www.donland.ru/economy/ Kadastr/?pageid=127982 (дата обращения: 05.06.2017).
13. Портал OpenStreetMap [Электронный ресурс]. - Режим доступа : http:// openstreetmap.ru (дата обращения: 15.06.2017).
14. Портал WikiMapia [Электронный ресурс]. - Режим доступа : http://wikimapia.org (дата обращения: 15.06.2017).
15. Портал услуг «Публичная кадастровая карта» [Электронный ресурс]. - Режим доступа : http://pkk5.rosreestr.ru/ (дата обращения: 20.06.2017).
16. Хлебникова Е. П., Мирошникова О. А. Анализ информационного наполнения публичной кадастровой карты по регионам Российской Федерации // Вестник СГУГиТ. - 2016. -Вып. 2 (34). - С. 127-142.
17. Методика определения размера вреда, который может быть причинен жизни, здоровью физических лиц, имуществу физических и юридических лиц в результате аварии
судоходных гидротехнических сооружений [Электронный ресурс] : приказ МЧС России и Минтранса России от 02.10.2007 г. № 528/143. - Доступ из справ.-прав. системы «Консуль-тантПлюс».
18. Оценка социально-экономических рисков и ущербов от опасных гидрологических явлений (на примере Славянского района Краснодарского края) / В. Л. Бабурин, М. Д. Го-рячко, М. С. Фадеев, С. П. Земцов, В. М. Кидяева // Геориск. - 2015. - № 3. - С. 45-53.
Получено 01.02.2018
© В. В. Кулыгин, 2018
JOINT USE OF BAYESIAN NETWORKS AND GIS FOR RISKS ASSESSMENT OF STORM SURGES IN THE DELTA OF THE DON RIVER
Valerii V. Kulygin
Southern Scientific Center of Russian Academy of Sciences, 41, Chehova St., Rostov-on-Don, 344006, Russia, Ph. D, Senior Researcher, phone: (863)250-98-05, e-mail: kulygin@ssc-ras.ru
Hydrological hazards lead to significant damage to the economy and the population. To minimize their consequences and make effective decisions, it is extremely important to have appropriate methods for calculating risks, based both on information about the hazards areas and the characteristics of the exposed objects. This paper is devoted to an approach to risk assessment of dangerous storm surges based on using Bayesian networks and GIS, which provide modeling of all required parameters, their cause-effect relations in spatially explicit form. The modelling of the uncertainty of the factors involved in risk assessment is discussed. The risks calculation of the storm surge with different return period in the delta of Don River is presented. In accordance with the magnitude of the possible damage, four groups of settlements are identified and characterized. According to calculations, the total damage for all settlements of the delta of Don river for the single event of 50-year surge is about 190 million rubles; for a 100-year surge - 680 million rubles, respectively. The proposed model framework can be considered as a basis for developing a unified approach to the natural hazards risk assessment.
Key words: Bayesian network, GIS, natural hazards, storm surges, floods, risks, damages, delta of Don River.
REFERENCES
1. Matishov, G. G., Savitsky, R. M., & Inzhebeykin, Yu. I. (2008). Conditions and consequences of shipwreck in the Kerch strait in the storm on November, 11, 2007. Vestnik Yuzhnogo Nauchnogo Tsentra [Vestnik SSCRAS], 4(3), 54-63 [in Russian].
2. Matishov, G. G., & Berdnikov, S. V. (2015). Extreme flooding of the Don river delta in spring 2013. Izvestiya RAN. Seriya geograficheskaya [Bulletin of the Russian Academy of Sciences. Geography], 1, 111-118 [in Russian].
3. Matishov, G. G., Matishov, D. G., Berdnikov, S. V, & Yaitskaya, N. A. (2017). Prirodnye katastrofy v Azovo-Chernomorskom basseyne v nachale XXI veka [Natural disasters in the Sea of Azov and Black Sea Basin in the early 21st century]. Rostov-on-Don: SSC RAS Publ. [in Russian].
4. Bayraktarli, Y. Y., & Faber, M. H. (2011). Bayesian probabilistic network approach for managing earthquake risks of cities. Georisk, 5, 2-24.
5. Blaser, L., Ohrnberger, M., Riggelsen, C., Babeyko, A., & Scherbaum, F. (2011). Bayesian networks for tsunami early warning. Geophys. J. Int, 185, 1431-1443.
6. Balbi, S., Villa, F., Mojtahed, V., Hegetschweiler, K. T., & Giupponi, C. (2016). A spatial Bayesian network model to assess the benefits of early warning for urban flood risk to people. Nat. Hazards Earth Syst. Sci., 16, 1323-1337.
7. Song, Y., Gong, J., Gao, S., Wang, D., Cui, T., Li, Y., & Wei, B. (2012). Susceptibility assessment of earthquake-induced landslides using Bayesian network: a case study in Beichuan, China. Comput. Geosci., 42, 189-199.
8. Gret-Regamey, A., & Straub, D. (2006). Spatially explicit avalanche risk assessment linking Bayesian networks to a GIS. Nat. Hazards Earth Syst. Sci., 6, 911-926.
9. Kulygin, V. V. (2017). Geoinformational model of natural hazards risk assessment on the basis of bayesian networks. Ekologiya. Ekonomika. Informatika. Seriya: Sistemnyy analiz i modelirovanie ekonomicheskikh i ekologicheskikh sistem [Ecology. Economy. Informatics. Series: System Analysis and Mathematical Modeling of Ecological and Economic Systems], 1(2), 66-72 [in Russian].
10. Kulygin, V. V. (2017). The approach to assessing the risks of natural hazards in economic marine systems] Problemy analiza riska [Problems of Risk Analysis], 14(2), 64-73 [in Russian].
11. Matishov, G. G., Chikin, A. L., Berdnikov, S. V., Sheverdyaev, I. V., Kleshchenkov, A. V., & Kirillova, E. E. (2014). Extreme flooding of the Don Delta in spring 2013: chronology, formation conditions, and consequences. Vestnik Yuzhnogo Nauchnogo Tsentra [Vestnik SSC RAS], 10(1), 17-24 [in Russian].
12. Official portal of the Government of the Rostov region. State cadastral valuation. (n. d.). Retrieved from http://www.donland.ru/economy/Kadastr/?pageid=127982 [in Russian].
13. OpenStreetMapPortal. (n. d.). Retrieved from http://openstreetmap.ru [in Russian].
14. WikiMapia Portal. (n. d.). Retrieved from http://wikimapia.org.
15. «Public cadastral map» Portal. (n. d.). Retrieved from http://pkk5.rosreestr.ru/ [in Russian].
16. Khlebnikova, E. P., & Miroshnikova, O. A. (2016). Analysis of the content of the public cadastral map on the regions of the Russian Federation. Vestnik SGUGiT [Vestnik SSUGT], 2(34), 127-142 [in Russian].
17. Order of the Ministry of Emergency Situations of Russia and the Ministry of Transport of Russia of October 02, 2007 No. 528/143. Methodology for determining the amount of harm that can be caused to life, health of individuals, property of individuals and legal entities as a result of an accident of navigable hydraulic structures. Retrieved from ConsultantPlus online database [in Russian].
18. Baburin, V. L., Goryachko, M. D., Fadeev, M. S., Zemtsov, S. P., Kidyaeva, V. M. (2015). Assessment of the Socio-Economic Risks and Damages of Hazardous Hydrological Phenomena (in Slavyansk Municipal District of the Krasnodar Region). Georisk [Georisk], 3, 45-53 [in Russian].
Received 01.02.2018
© V. V. Kulygin, 2018
