(48-6) 13 * << * >> * Русский * English * Содержание * Все выпуски

Моделирование зон затопления на основе прогнозирования временных рядов и ГИС-технологий
Е.В. Пальчевский 1, В.В. Антонов 2, Л.Е. Родионова 2, Л.А. Кромина 2, А.Р. Фахруллина 2

1 Финансовый университет при Правительстве Российской Федерации,
109456, Россия, г. Москва, ул. 4-й Вешняковский проезд, д. 4;
2 Уфимский университет науки и технологий,
450008, Россия, г. Уфа, ул. Карла Маркса, д. 12

  PDF, 2398 kB

DOI: 10.18287/2412-6179-CO-1418

Страницы: 913-923.

Аннотация:
Предлагается специализированная веб-ГИС, реализованная за счет интеграции искусственной нейронной сети и геотехнологий, которая обеспечивает раннее прогнозирование и моделирование зон затопления на 5 суток вперед.
     Реализованные в рамках данной веб-ГИС методы и алгоритмы позволяют ежедневно прогнозировать временные ряды на основе ретроспективных данных об уровнях воды и общего водного притока, температуре воздуха и воды, толщине снежного покрова и количестве осадков, скорости ветра и атмосферного давления. При этом только на основе полученных прогнозных значений об уровнях воды реализована возможность раннего моделирования и визуализации разлива рек. Это предоставит возможность специализированным организациям и службам, а также управляющим органам заблаговременно и в кратчайшие сроки принимать решения, связанные с противопаводковыми мероприятиями.

Ключевые слова:
геоинформационная система, моделирование зон затопления, прогнозирование временных рядов, искусственные нейронные сети.

Благодарности
Работа поддержана Министерством науки и высшего образования Российской Федерации в рамках базовой части государственного задания для высших учебных заведений # FEUE 2023-0007.
     Коллектив авторов выражает благодарность ФГУП «Центр регистра и кадастра» за предоставленный массив архивных темпоральных данных.

Цитирование:
Пальчевский, Е.В. Моделирование зон затопления на основе прогнозирования временных рядов и ГИС-технологий / Е.В. Пальчевский, В.В. Антонов, Л.Е. Родионова, Л.А. Кромина, А.Р. Фахруллина // Компьютерная оптика. – 2024. – Т. 48, № 6. – С. 913-923. – DOI: 10.18287/2412-6179-CO-1418.

Citation:
Palchevsky EV, Antonov VV, Rodionova LE, Kromina LA, Fakhrullina AR. Modeling flood zones on the basis of time series forecasting and GIS-technologies. Computer Optics 2024; 48(6): 913-923. DOI: 10.18287/2412-6179-CO-1418.

References:
  1. Ministry of Emergency Situations of Russia – Floods in the territory of the Russian Federation are recognized as emergency situations of a federal nature [In Russian]. 2021. Source: <https://mchs.gov.ru/deyatelnost/press-centr/novosti/4536592>.
  2. Shreevastav BB, Tivari KR, Mandal RA, Bikram BS. Flood risk modeling in southern Bagmati corridor, Nepal (a study from Sarlahi and Rautahat, Nepal). Prog Disaster Sci 2022; 16: 100260.
  3. Ekmekcioğlu O, Koc K, Özger M, Işık Z. Exploring the additional value of class imbalance distributions on interpretable flash flood susceptibility prediction in the Black Warrior River basin, Alabama, United States. J Hydrol 2022; 610: 127877.
  4. Flood disaster hazards; Causes, impacts and management: A state-of-the-art review. Source: <https://www.intechopen.com/chapters/74444>.
  5. Buckman S, Alarcon MA, Maigret J. Tracing shoreline flooding: Using visualization approaches to inform resilience planning for small Great Lakes communities. Appl Geogr 2019; 113: 102097.
  6. Costache R, Pham QB, Avand M, Linh NT, Vojtek M, Vojteková J, Lee S, Khoi DN, Nhi PT, Dung TD. Novel hybrid models between bivariate statistics, artificial neural networks and boosting algorithms for flood susceptibility assessment. J Environ Manage 2020; 265: 110485.
  7. Dahri N, Yousfi R, Bouamrane A, Abida H, Pham QB, Derdous O. Comparison of analytic network process and artificial neural network models for flash flood susceptibility assessment. J Afr Earth Sci 2022; 193: 104576.
  8. Efremova OA, Kunakov YuN, Pavlov SV, Sultanov AKh. An algorithm for mapping flooded areas through analysis of satellite imagery and terrestrial relief features. Computer Optics 2018; 42(4): 695-703. DOI: 10.18287/2412-6179-2018-42-4-695-703.
  9. Pavlov SV, Sokolova AV, Christodulo OI. Integration of geographic information technologies and digital image processing for responding to emergency situations at oil pipeline transportation facilities. Computer Optics 2022; 46(3): 483-491. DOI: 10.18287/2412-6179-CO-925.
  10. Zhang X, Bao W, Sun Y. Enhancing the hydrologic system differential response method for flood forecasting correction. J Hydrol 2021; 592: 125793.
  11. Mourato S, Fernandez P, Marques F, Rocha A, Pereira L. An interactive Web-GIS fluvial flood forecast and alert system in operation in Portugal. Int J Disaster Risk Sci 2021; 58: 102201.
  12. Cai B, Yu Y. Flood forecasting in urban reservoir using hybrid recurrent neural network. Urban Climate 2022; 42: 101086.
  13. Ebtehaj I, Bonakdari H. A reliable hybrid outlier robust non-tuned rapid machine learning model for multi-step ahead flood forecasting in Quebec, Canada. J Hydrol 2022; 614(B): 128592.
  14. Abbaszadeh P, Muñoz DF, Moftakhari H, Jafarzadegan K, Moradkhani H. Perspective on uncertainty quantification and reduction in compound flood modeling and forecasting. iScience 2022; 25(10): 105201.
  15. Souto L, Yip J, Wu WY, Austgen B, Kutanoglu E, Hasenbein J, Yang ZL, King CW, Santoso S. Power system resilience to floods: Modeling, impact assessment, and mid-term mitigation strategies. Int J Electr Power Energy Syst 2022; 135: 107545.
  16. Wanzala MA, Ficchi A, Cloke HL, Stephens EM, Badjana HM, Lavers DA. Assessment of global reanalysis precipitation for hydrological modelling in data-scarce regions: A case study of Kenya. J Hydrol: Reg Studies 2022; 41: 101105.
  17. Phan ЕЕ, Nguyen XH. Combining statistical machine learning models with ARIMA for water level forecasting: The case of the Red river. Adv Water Resour 2020; 142: 103656.
  18. Adaryani FR, Mousavi SJ, Jafari F. Short-term rainfall forecasting using machine learning-based approaches of PSO-SVR, LSTM and CNN. J Hydrol 2022; 614(A): 128463.
  19. Wang G, Ren H-L, Liu J, Long X. Seasonal predictions of sea surface height in BCC-CSM1.1m and their modulation by tropical climate dominant modes. Atmos Res 2023; 281: 106466.
  20. Xu H, Song S, Guo T, Wang H. Two-stage hybrid model for hydrological series prediction based on a new method of partitioning datasets. J Hydrol 2022, 612(A): 128122.
  21. Bui DT, Ngo PT, Pham TD, Jaafari A, Minh NQ, Hoa VH, Samui P. A novel hybrid approach based on a swarm intelligence optimized extreme learning machine for flash flood susceptibility mapping. Catena 2019; 179: 184-196.
  22. Jiang Z, Yang S, Liu Z, Xy Y, Xiong Y, Qi S, Pang Q, Xu J, Liu F, Xu T. Coupling machine learning and weather forecast to predict farmland flood disaster: A case study in Yangtze River basin. Environ Modell Softw 2022; 155: 105436.
  23. Adnan MS, Siam ZS, Kabir I, Kabir Z, Ahmed MR, Hassan QK, Rahman RM, Dewan A. A novel framework for addressing uncertainties in machine learning-based geospatial approaches for flood prediction. J Environ Manage 2023; 326(B): 116813.
  24. Palchevsky EV, Antonov VV, Kromina LE, Rodionova LE, Fakhrullina AR. Intelligent forecasting of electricity consumption in managing energy enterprises in order to carry out energy-saving measures. Mekhatronika, Avtomatizatsiya, Upravlenie 2023; 24(6): 307-316.
  25. «Flood» system. [In Russian]. 2023. Source: <https://elforecasting.com/>.
  26. Palchevsky EV, Antonov VV. Module for storage, processing and preparation of spatial information for flood forecasting [In Russian]. Certificate of state registration of the computer program No 2023662065 of May 11, 2023.
  27. Palchevsky E, Antonov V, Enikeev R, Breikin T. A system based on an artificial neural network of the second generation for decision support in especially significant situations. J Hydrol 2023; 616: 128844.
  28. Pontryagin LS. Fundamentals of combinatorial topology. [In Russian]. Moscow: “Nauka” Publisher; 1986.
  29. Goldberg AV, Tarjan RE. Efficient maximum flow algorithms. Commun ACM 2014; 57(8): 82-89.
  30. Kelner A, Lee YT, Orecchia L, Sidford A. An almost-linear-time algorithm for approximate max flow in undirected graphs, and its multicommodity generalizations. Proc ACMSIAM Symposium on Discrete Algorithms 2014: 217-226.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20