Россия
Россия
Россия
Наибольшее влияние на разрушительный потенциал природных катаклизмов оказывает погода, изменяющаяся вследствие глобального потепления. Поэтому представление оперативных прогнозов с различной заблаговременностью с указанием вероятных рисков возникновения происшествий (чрезвычайных ситуаций) является одной из основных задач современных центров управления в кризисных ситуациях территориальных органов субъектов Российской Федерации. В связи с этим авторами работы определена цель исследования – разработка прогнозной модели управления рисками при помощи мощнейшего технологического инструмента искусственных нейронных сетей. Для достижения поставленной цели был предложен математический алгоритм работы нейронных сетей с обратным распространением ошибки, реализуемый специальным программным продуктом. С использованием подготовленной учебной выборки метеорологических наблюдений была проведена симуляция работы искусственных нейронных сетей на предмет прогнозирования опасных погодных явлений и вероятности ливневых дождей. Анализ полученных результатов позволил установить допустимую величину относительной и абсолютной погрешности.
прогнозирование, управление, риски, паводки, опасные явления
1. Организация деятельности подразделений мониторинга и прогнозирования чрезвычайных ситуаций территориальных органов МЧС России: метод. рекомендации от 25 дек. 2020 г. № 2-4-71-35-11. М.: МЧС России, 2020. 9 с.
2. Причины и последствия изменения климата. URL: https://www.un.org/ru/climatechange/science/causes-effects-climate-change (дата обращения: 19.05.2024.).
3. Последствия изменений климата для экономического роста и развития отдельных секторов экономики российской Арктики / С.А. Воронина [и др.] // Арктика: экология и экономика. 2017. № 4 (28). С. 4–17. DOI:https://doi.org/10.25283/2223-4594-2017-4-4-17.
4. Пять способов воздействия изменения климата на безопасность человека. URL: https://www.un.org/ru/climatechange/science/climate-issues/human-security (дата обращения: 19.05.2024).
5. Дубай затопило после сильных дождей. URL: https://rg.ru/2024/04/16/dubaj-zatopilo-posle-silnyh-dozhdej.html (дата обращения: 19.05.2024).
6. Leonov V., Gurov A. «Greenhouse» effect. Fiction or result of the prolonged action of the technogenic systems? // The Scientific Heritage. 2021. № 60-1 (60). С. 29–39.
7. Энергетика, демография, климат – есть ли альтернатива отказу от ископаемого органического топлива? / В.В. Клименко [и др.] // Доклады Российской академии наук. Физика, технические науки. 2022. Т. 506. № 2. С. 66–72.
8. Медведев С.С., Рахимова Н.Н. Характеристика чрезвычайных ситуаций природного и техногенного характера Оренбургской области // Региональные проблемы геологии, географии, техносферной и экологической безопасности: сб. материалов V Всерос. науч.-практ. конф. Оренбург, 2023. С. 160–164.
9. Нестеренко Ю.М., Соломатин Н.В. Режим стока реки Урал и его влияние на социум и природу // Бюллетень Оренбургского научного центра УрО РАН. 2023. № 1. С. 1–21.
10. Чему нас учит природная катастрофа в Оренбургской области. URL: https://rg.ru/2024/04/09/reg-pfo/do-i-posle-potopa.html (дата обращения: 19.05.2024).
11. Cyberattack detection in vehicles using characteristic functions, artificial neural networks, and visual analysis / Yu. Chevalier [et al.] // Informatics and Automation. 2021. Vol. 20. № 4. С. 845–868.
12. Тихомиров Э.Е. Ключевые понятия нейронных сетей // Научно-исследовательский центр «Science Discovery». 2023. № 12. С. 143–149.
13. Kovalev M. Model for the representation of arti cial neural networks and actions for their processing in the knowledge base // Открытые семантические технологии проектирования интеллектуальных систем. 2021. № 5. С. 93–100.
14. Королев Д.С., Калач А.В. Прогнозирование, основанное на молекулярных дескрипторах и искусственных нейронных сетях, как способ исключения образования горючей среды // Пожары и чрезвычайные ситуации: предотвращение, ликвидация. 2016. № 2. С. 68–72.
15. Mathematical intellectual algorithm for determining the fire hazard parameters of oil and oil refining products / D.S. Korolev [et al.] // AIP Conference Proceedings. Melville, New York, United States of America, 2021. С. 70028.
16. Королев Д.С., Калач А.В. Сравнительный анализ традиционной и активной молниезащиты // Вестник Воронежского института ГПС МЧС России. 2015. № 3 (16). С. 12–15.
17. Свидетельство о государственной регистрации программы для ЭВМ № 2024615854 «Программа для анализа данных информационных потоков с последующей аналитической и прогнозной обработкой» / Королев Д.С., Вытовтов А.В., Куприенко П.С., Сушко Е.А., Федянин В.И., Кошель А.Н., Ильина Н.В. (РФ); правообладатель ФГБОУ ВО Воронежский государственный технический университет (ФГБОУ ВО ВГТУ); заявл. 05.03.2024 № 2024614716, государственная регистрация в реестре 13.03.2024.
18. Чижиков Н.Р. Задачи идентификации динамических систем на основе нейронных сетей // Вестник Морского государственного университета. 2015. № 68. С. 94–98.
19. Будко Н.А., Будко Р.Ю., Будко А.Ю. Применение ИНС в интерфейсах человек – машина // Моделирование, оптимизация и информационные технологии. 2019. Т. 7. № 1 (24). С. 328–340.
