УДК 556 Гидросфера. Вода в целом. Общая гидрология
В статье обсуждаются вопросы разработки нейросетевых и регрессионных моделей для прогнозирования паводков рек. В частности, рассматривается круг проблем, связанных с гидрометеорологическим обеспечением прогнозирования паводковой ситуации, а также обсуждаются проблемы выбора параметров моделей прогноза и их компьютерной реализации. Приводится пример построения регрессионной и нейросетевой моделей для прогноза уровня реки Белая (Агидель)
паводок, прогнозирование, нейросетевая модель, регрессионный анализ, моделирование
1. Гордеева С.М., Малинин В.Н. Использование Data Mining в задаче гидрометеорологического прогнозирования // Ученые записки Российского государственного гидрометеорологического университета. 2016. No 44. С. 30-44. EDN: https://elibrary.ru/WWMTAT
2. Афонин Л.А. Проблемы прогнозирования паводков и наводнений // Наука. Инновации. Технологии. 2014. No 1. С. 145-152. EDN: https://elibrary.ru/SNJEDH
3. Ткаченко П.Н., Вакорин М.В. Анализ проблемной ситуации использования информационных систем для прогнозирования паводка органами управления МЧС России // Сибирский пожарно-спасательный вестник. 2019. No 4 (15). С. 49-54. EDN: https://elibrary.ru/VSAUHA
4. Великанова Л.И. Прогноз уровня воды при прохождении паводков на горных реках с применением нейросетевых технологий и прогноза метеослужбы // Проблемы автоматики и управления. 2013. No 1 (24). С. 66-73. EDN: https://elibrary.ru/WMRNCD
5. Варшанина Т.П., Митусов Д.В., Плисенко О.А., Стародуб И.В. Нейросетевая модель прогноза паводков на малых реках Адыгеи // Известия Российской академии наук. Серия географическая. 2007. No 6. С. 87-93. EDN: https://elibrary.ru/IBMMZB
6. Гребнев Я.В., Яровой А.В. Мониторинг и прогнозирование паводков на территории Красноярcкого края использованием нейросетевых алгоритмов // Сибирский пожарно-спасательный вестник. 2018. No 3 (10). С. 13-16. EDN: https://elibrary.ru/YLRUBF
7. Семенчин Е.А., Бараненко Ф.Ф., Войтюк А.В. Нейросетевое моделирование прогноза уровня воды на горно-равнинных реках // Экологические системы и приборы. 2010. No 11. С. 61-64. EDN: https://elibrary.ru/MXHUWZ
8. Стручкова Г.П., Тимофеева В.В., Капитонова Т.А., Ноговицын Д.Д. Выбор структуры искусственных нейронных сетей для прогнозирования максимального уровня воды во время весеннего половодья на участке реки Лена // Проблемы безопасности и чрезвычайных ситуаций. 2020. No 1. С. 99-106. EDN: https://elibrary.ru/KTORPM DOI: https://doi.org/10.36535/0869-4176-2020-01-10
9. Лариошкин В.В. Методика прогноза дождевых паводков в бассейне верхнего Амура (на примере р.Онон) // Известия Томского политехнического университета. Инжиниринг георесурсов. 2016. Т. 327. No11. С. 105-115. EDN: https://elibrary.ru/XRGXTL
10. Петров Д.О. Программный модуль анализа накопления снега для системы мониторинга и прогнозирования паводка // Вестник Брестского государственного технического университета. Водохозяйственное строительство, теплоэнергетика и геоэкология. 2014. No 2 (86). С. 134-137. EDN: https://elibrary.ru/YUMKVN
11. Буянов Д.И., Федотов Р.С., Ткаченко П.Н. Прогнозирование подъёма уровня воды на реке Обь в Томской области на основе регрессионного анализа // Научные и образовательные проблемы гражданской защиты. 2015. No 2 (25). С. 112-118. EDN: https://elibrary.ru/UCEBTX
12. Анашечкин А.Д., Трофимец Е.Н. К вопросу построения краткосрочных моделей прогнозирования уровней воды на участках рек // Научно-аналитический журнал Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. 2019. No 1. С. 36-43. EDN: https://elibrary.ru/ZCRUXJ
13. Гайдукова Е.В., Баймаганбетов А.Е., Викторова Н.В., Александров В.Я. Краткосрочные прогнозы расходов воды в периоды дождевого паводка и половодья на р. Агидель (Белая) // Естественные и технические науки. 2019. No 12 (138). С. 210-216. EDN: https://elibrary.ru/CTQUDS
14. Красногорская Н.Н., Нафикова Э.В., Белозерова Е.А., Соколова О.В. Анализ опасности возникновения экстремальных гидрологических ситуаций на территории Республики Башкортостан // Эволюция современной науки. Сборник статей Международной научно-практической конференции. Уфа. 2017. С. 273. EDN: https://elibrary.ru/XWIEWZ
15. Козадаев А.С. Предварительная обработка данных для искусственных нейронных сетей в задачах прогнозирования временных рядов. Вейвлет-преобразование // Вестник Тамбовского университета. Серия: Естественные и технические науки. 2008. Т. 13. No 1. С. 98-99. EDN: https://elibrary.ru/IIWFOR
