МИРЭА – Российский технологический университет (прикладной математики, профессор)
Россия
аспирант
Россия
УДК 005 Изучение проблемы организации: методология, анализ, синтез, классификация и таксономия (теория, основы), систематизация в целом
УДК 502/504 Природа. Охрана окружающей среды
Предложен подход к исследованию лавинной опасности территории на основе почти периодического анализа данных, в результате которого образуются интервалы единообразного поведения функции. Эти интервалы разделены равномерно отдалёнными границами, формирующими прямоугольную сетку в пространстве линеаризованных данных. Предложен алгоритм исследования лавинной опасности горной территории, основанный на почти периодическом анализе линеаризованных данных, полученных в ходе полигональной трансформации исходного спутникового снимка горного хребта. По результатам применения алгоритма определена композиция равномерных продольных и поперечных интервалов единообразного повеления линеаризованных данных, формирующая систему критических пространственных барьеров исходного изображения, определяющих степень лавинной опасности близлежащих территорий.
снежная лавина, опасность, почти период, спутниковое изображение
1. Snow avalanche in the Indian Himalayas: Hazard zonation and climate change trends in Kullu region of Himachal Pradesh, India / J.K. Bansal [et al.] // Physics and Chemistry of the Earth, Parts A/B/C. 2025. Vol. 138. P. 103882. DOI:https://doi.org/10.1016/j.pce.2025.103882
2. Review of spatial variability of snowpack properties and its importance for avalanche formation / J. Schweizer [et al.] // Cold Regions Science and Technology. 2008. Vol. 51. Iss. 2–3. P. 253–272. DOI: 1016/j.coldregions.2007.04.009
3. Лавинная активность в России в условиях изменяющегося климата / А.С. Турчанинова [и др.] // Вестник Российского фонда фундаментальных исследований. 2022. № 3–4 (115–116). С. 122–131.
4. Рицинский реликтовый национальный парк. Федерация альпинизма и скалолазания. Снег и лавины в горах. Прогноз и безопасность. Гудаута: РРНП, 2024. 36 с.
5. Barbolini M., Keylock C. A new method for avalanche hazard mapping using a combination of statistical and deterministic models // Natural Hazards and Earth System Sciences. 2002. Vol. 2. P. 239–245. DOI:https://doi.org/10.5194/nhess-2-239-2002
6. Singh A., Ganju A. A supplement to nearest-neighbour method for avalanche forecasting // Cold Regions Science and Technology. 2004. Vol. 39. Iss. 2–3. P. 105–113. DOI:https://doi.org/10.1016/j.coldregions.2004.03.005
7. Snow avalanche hazard prediction using machine learning methods / B. Choubin [et al.] // Journal of Hydrology. 2019. Vol. 577. P. 123929. DOI:https://doi.org/10.1016/j.jhydrol.2019.123929
8. Chen M., Mao S., Liu Yu. Big data: survey // Mobile Netw Appl. 2014. Vol. 19 (2). P. 171–209.
9. Jaseena K.U., David J.M. Issues, challenges, and solutions: big data mining // Comput Sci Inf Technol (CS & IT). 2014. Vol. 4. P. 131–40.
10. Big data analytics: a survey / C.W. Tsai [et al.] // J Big Data. 2015. Vol. 2 (1). P. 21.
11. Программа полигонального разбиения изображений с объектами нелинейной структуры: свидетельство о государственной регистрации программы для ЭВМ № 2024688034 / Кузнецова К.А., Калач А.В., Парамонов А.А., Смоленцева Т.Е., Крынецкий Б.А; зарег. 05.11.2024; опубл. 25.11.2024.
12. Programma poligonal'nogo razbieniya izobrazhenij s ob"ektami nelinejnoj struktury: svidetel'stvo o gosudarstvennoj registracii programmy dlya EVM № 2024688034 / Kuznecova K.A., Kalach A.V., Paramonov A.A., Smolenceva T.E., Kryneckij B.A; zareg. 05.11.2024; opubl. 25.11.2024.
