Россия
Россия
Рассмотрены вопросы повышения точности прогнозирования ущерба от природных чрезвычайных ситуаций с учетом антропогенных факторов. Показано, что игнорирование данных факторов приводит к недостоверным оценкам ущерба и неэффективному планированию защитных мероприятий. Предложен подход, основанный на интеграции метеорологических и антропогенных показателей в единую модель с использованием нейронной сети. Модель позволяет одновременно прогнозировать ущерб и обосновывать объемы инженерно-технических мероприятий, что способствует более рациональному распределению ресурсов и снижению совокупных потерь от чрезвычайных ситуаций.
прогнозирование ущерба, чрезвычайные ситуации, антропогенные факторы, инженерно-технические мероприятия, нейронная сеть, оптимизация ресурсов, метеорологические данные
1. Управление рисками экстремальных явлений и бедствий для продвижения адаптации к изменению климата (Межправительственная группа экспертов по изменению климата (МГЭИК) // Специальный доклад МГЭИК по управлению рисками экстремальных явлений и бедствий для продвижения адаптации к изменению климата. 2012. 594 с. URL: https://www.ipcc.ch/site/assets/uploads/2018/03/IPCC_SREX_RU_web-1.pdf (дата обращения: 11.02.2025).
2. Evaluation of ensemble streamflow predictions in Europe / L. Alfieri [et al.] // Journal of Hydrology. 2014. Vol. 517. P. 913–922. DOI:https://doi.org/10.1016/j.jhydrol.2014.06.035.
3. Pappenberger F., Thielen J., Del Medico M. The impact of weather forecast improvements on large scale hydrology: analyzing a decade of forecasts of the European Flood Alert System // Hydrological Processes. 2011. Vol. 25. № 7. P. 1091–1113. DOI:https://doi.org/10.1002/hyp.7772.
4. Framing vulnerability, risk and societal responses: the MOVE framework /J. Birkmann [et al.] // Natural Hazards. 2013. Vol. 67. № 2. P. 193–211. DOI:https://doi.org/10.1007/s11069-013-0558-5.
5. Anaya-Arenas A.M., Renaud J., Ruiz A. Relief distribution networks: a systematic review // Annals of Operations Research. 2014. Vol. 223. № 1. P. 53–79. DOI:https://doi.org/10.1007/s10479-014-1581-y.
6. Rawls C.G., Turnquist M.A. Pre-positioning of emergency supplies for disaster response // Transportation Research Part B: Methodological. 2010. Vol. 44. № 4. P. 521–534. DOI:https://doi.org/10.1016/j.trb.2009.08.003.
7. Leveraging machine learning algorithms for improved disaster prediction and management / A. Linardos [et al.] // Frontiers in Environmental Science. 2023. Vol. 11. Article 1194918. DOI:https://doi.org/10.3389/fenvs.2023.1194918.
8. Lu L., Guo W. Automatic Quantification of Settlement Damage using Deep Learning of Satellite Images // arXiv preprint arXiv: 2010.05512. 2020. URL: https://arxiv.org/abs/2010.05512 (дата обращения: 28.01.2025).
9. Рыбаков А.В., Постернак Е.В. Актуальность проблемы повышения качества прогнозирования чрезвычайных ситуаций природного характера // Моделирование технически сложных процессов и систем: сб. трудов ХXXIII Междунар. науч.-практ. конф. Химки, 2023. С. 40–44.
10. МЧС России. URL: https://mchs.gov.ru/deyatelnost/itogi-deyatelnosti-mchs-rossii (дата обращения: 28.01.2025).
11. Европейская экономическая комиссия ООН. Статистическая база данных ЕЭК ООН. URL: https://w3.unece.org/PXWeb/ru/ (дата обращения: 28.01.2025).
12. Центр исследований эпидемиологии катастроф. Международная база данных о чрезвычайных ситуациях EM-DAT. URL: https://www.emdat.be/ (дата обращения: 28.01.2025).
13. Новоселов И.Э., Смирнов А.А., Жидков И.С. Изучение влияния параметров перовскитных солнечных батарей на их эффективность при помощи машинного обучения // Международный научно-исследовательский журнал. 2024. № S5 (143). URL: https://research-journal.org/archive/5-143-2024-may/10.60797/IRJ.2024.143.121 (дата обращения: 28.01.2025). DOI:https://doi.org/10.60797/IRJ.2024.143.121.
14. Расина И.В. Дискретно-непрерывные модели и оптимизация управляемых процессов // Программные системы: теория и приложения. 2011. № 5. URL: https://cyberleninka.ru/article/n/diskretno-nepreryvnye-modeli-i-optimizatsiya-upravlyaemyh-protsessov (дата обращения: 28.01.2025).
15. Агарков Ю.Ю. Методы машинного обучения для оптимизации проектирования нейроморфных систем // Инновации и инвестиции. 2023. № 6. URL: https://cyberleninka.ru/article/n/metody-mashinnogo-obucheniya-dlya-optimizatsii-proektirovaniya-neyromorfnyh-sistem (дата обращения: 28.01.2025).
16. Торкунова Ю.В., Милованов Д.В. Оптимизация нейронных сетей: методы и их сравнение на примере интеллектуального анализа текста // IJAS. 2023. № 4. URL: https://cyberleninka.ru/article/n/optimizatsiya-neyronnyh-setey-metody-i-ih-sravnenie-na-primere-intellektualnogo-analiza-teksta (дата обращения: 28.01.2025).
