ПРОГНОЗ НАВОДНЕНИЯ С ИСПОЛЬЗОВАНИЕМ МАШИННОГО ОБУЧЕНИЯ

Модели машинного обучения (МО) для прогнозирования наводнений помогают предупреждать о наводнениях, а также смягчать или предотвращать их. Для этой цели методы машинного обучения (ML) приобрели популярность из-за их низких вычислительных требований и их зависимости в основном от данных наблюдений.

Наводнения являются одним из самых разрушительных стихийных бедствий, наносящих ущерб человеческой жизни, инфраструктуре, сельскому хозяйству и социально-экономическим системам. Модели прогнозирования наводнений очень важны для оценки рисков и управления экстремальными явлениями. Поэтому особо подчеркивается важность передовых систем краткосрочного и долгосрочного прогнозирования наводнений и других гидрологических явлений для снижения ущерба. Тем не менее, прогнозирование времени и местоположения паводка по своей природе сложно из-за динамического характера климатических условий. Таким образом, современные крупномасштабные модели прогнозирования паводков в значительной степени зависят от данных и включают различные допущения для упрощения.

Искусство методов машинного обучения в прогнозировании наводнений

Для построения моделей прогнозирования машинного обучения часто используются исторические записи о наводнениях вместе с кумулятивными данными в реальном времени для различных периодов повторяемости от дождемеров или других сенсорных устройств. Источниками наборов данных традиционно являются осадки и уровень воды, измеряемые наземными дождемерами или относительно новыми технологиями дистанционного зондирования, такими как спутники, мультисенсорные системы и радары.

Различные алгоритмы машинного обучения, используемые для прогнозирования наводнений:

  1. Искусственные нейронные сети (ИНС)
  2. Многослойный персептрон (MLP)
  3. Адаптивная нейро-нечеткая система вывода (ANFIS)
  4. Нейронная сеть вейвлета (WNN)
  5. Метод опорных векторов (SVM)
  6. Дерево решений (DT)
  7. Системы ансамблевого прогнозирования (EPS)

Чтобы понять мощь методов ML, потребовалось всестороннее сравнение исследований методов ML. Обзор наиболее важных методов машинного обучения. H. Краткое описание всесторонних сравнений производительности отдельных методов машинного обучения, следующих за ANN, MLP, нелинейными авторегрессионными сетями с экзогенными входными данными (NARX), деревьями моделей M5, DT, CART, SVR и RF To do. Назначение синоптиков. Обзор и обсуждение этих методов следует, чтобы определить наиболее подходящие методы, найденные в литературе.

Заключение

Текущее состояние моделирования машинного обучения для прогнозирования наводнений все еще довольно новое и находится на ранних стадиях разработки. В этом техническом документе представлен обзор моделей машинного обучения, используемых в прогнозировании наводнений, и разработана схема классификации для анализа существующей литературы. Это исследование представляет собой анализ производительности и исследования для более чем 6000 статей. Среди них мы выявили 180 оригинальных и влиятельных статей, сравнивающих производительность и точность как минимум двух моделей машинного обучения. Для этого модель прогноза была разделена на две категории в зависимости от времени опережения, а затем подразделена на гибридные и одиночные категории. Эти классы современных методов были подробно описаны и проанализированы с учетом сравнения эффективности методов, доступных в литературе. Производительность метода оценивалась с точки зрения обобщаемости, надежности, сложности и скорости, а также R2 и RMSE.