В Институте СПИНТех разработали новый нейросетевой алгоритм для предупреждения об опасной погоде в прибрежной зоне
Алгоритм учитывает не только метеорологические параметры, но и ряд других факторов: географическое расположение, антропогенные и экологические условия. На данный момент алгоритм уже интегрирован в мобильное приложение, которое проходит опытную эксплуатацию.
Причина ЧС
Сегодня искусственный интеллект применяется практически во всех отраслях деятельности: экономической, экологической, социальной. Одной из проблем, связывающих данные направления, является нестабильность природной обстановки прибрежной зоны и ее прогнозирование.
В актуальном обзоре Европейской электронной базы данных значится, что в период с 2014 по 2019 год количество зарегистрированных морских аварий и происшествий равнялось 19418. А среднее количество в год – 3236 случаев (в базе указаны все события, связанные с судами, которые ходят под флагами стран ЕС и происходят в территориальных или внутренних водах государств). При этом 31,28 % всех этих аварий произошли из-за резкой смены погодных условий.
Очевидно, что при своевременном прогнозе погодных изменений и оценки уровня опасности этих изменений большинство аварий и происшествий можно было бы предотвратить.
Подходы к прогнозированию изменений погодных условий в прибрежной зоне
Прогноз, как правило, строится на основе статистического анализа и сравнения текущих природных условий с многолетними данными погодных наблюдений с применением или без применения искусственного интеллекта. «Все эти подходы реализованы в популярных российских и зарубежных мобильных приложениях: Яндекс.Погода, Gismeteo, AccuWeather и других, – рассказывает к.т.н., руководитель проекта по исследованию и разработке нейросетевых алгоритмов оценки состояния прибрежной зоны, доцент Института СПИНТех Юлия Шевнина. – Но для прибрежной зоны, кроме прогноза погодных изменений, особое значение имеет уровень опасности этих изменений. И он зависит не только от метеорологических (температура, скорость ветра, давление, влажность и т.д.), но и от многих других факторов: расположения прибрежной зоны, антропогенных условий и экологии».
Эксперт напомнила, что еще в 2001 году на кафедре ИПОВС (а затем Института СПИНТех НИУ МИЭТ) под руководством профессора Л.Г. Гагариной началась работа над проектом по исследованию и разработке нейросетевых алгоритмов оценки геометеорологического состояния прибрежной зоны, который стал частью НТТМ (научно-технического творчества молодежи) (в свое время проекты НТТМ получили 5 золотых наград выставки ВДНХ и 18 наград второй и третьей степени). В рамках этого проекта было выявлено, что метеорологические факторы составляют только 63,15% в формировании обстоятельств, предшествующих авариям и происшествиям.
Современные же популярные приложения с прогнозом погоды и предупреждениями об опасности не учитывают ни географическое расположение, ни антропогенные, ни экологические условия.
Новый алгоритм для распознавания опасности
В 2021 году проектом по исследованию и разработке нейросетевых алгоритмов оценки состояния прибрежной зоны руководит доцент Института СПИНТех Ю. С. Шевнина (ответственный исполнитель – аспирант Института СПИНТех Андрей Чирков). «В основе нашего алгоритма лежит метод определения весовых коэффициентов для различных параметров исследуемой области, учитывающий климатический пояс, особенности географического положения, время года и время суток, – поясняет Юлия Шевнина. – Расчет весовых коэффициентов параметров исследуемой области производится нейронной сетью, перцептроном. Коэффициент принимает значение от 0 до 1: 1 – ОЧЕНЬ ОПАСНО, 0 – БЕЗОПАСНО. Разработчиками мобильного приложения выведена формула расчета весового коэффициента, который равен отношению количества совокупностей с входящими в них параметрами, к общему числу совокупностей».
Как работает алгоритм
После определения весовых коэффициентов параметров исследуемой области строится граф связанности этих параметров или графическая схема, на которой отображаются параметры (вершины) и связи между ними (ребра). Вес ребра равен весовому значению параметра. Далее строится аналогичный по структуре граф связанности критериев опасности. Сравнение вершин двух графов происходит с применением математического аппарата нечеткой логики, положительный результат позволяет промаркировать узел графа параметров. Далее рассчитывается путь между маркированными узлами, который используется при расчете комплексной оценки.
Комплексная оценка принимает значения 1, 2, 3 или 4 и соответствует общепринятым уровням погодной опасности: 1 – зеленый уровень, 2 – желтый, 3 – оранжевый и 4 – красный в соответствии с которыми заинтересованные пользователи получат необходимые рекомендации. Схема разработанного алгоритма представлена на рисунке.
И еще раз о комплексной оценке
Расчет коэффициентов для нее, как уже было сказано, производится перцептроном. Обучение перцептрона производится следующим образом: на вход перцептрона подается набор тренировочных данных (вектор), собранных из реальных данных исследуемых прибрежных областей, сгруппированных по климатическим поясам. Каждому такому вектору тренировочных данных ставится в соответствие вектор ожидаемого результата. В процессе работы перцептрона вычисляется функция ошибки, то есть расхождение между полученным и ожидаемым результатом. Цель обучения перцептрона – это минимизация функции ошибки. На каждом шаге обучения за счет изменения внутреннего состояния нейронной сети происходит оптимизация и уменьшение ошибки между выходными и ожидаемыми результатом.
При разработке мобильного приложения длительность обучения перцептрона составила примерно 4-5 месяцев, было использовано около 3000 различных сочетаний параметров для исследуемых областей. Данные взяты из открытого международного источника Global Surface Summary of the Day, собирающего данные с глобальной сети станций WMO Regional Basic Climatological Network (RBCN) и Global Climate Observing System (GCOS) Surface Network.
В настоящее время разработанное СПИНТехом мобильное приложение проходит опытную эксплуатацию и в скором времени ожидается на российском рынке.