Размещено на http://www.allbest.ru/

Харківський національний університет радіоелектроніки

УДК 004.7; 004.8

МЕТОДИ І МОДЕЛІ ПІДСИСТЕМИ ПОПЕРЕДЖЕННЯ СХОДУ КАСКАДІВ ЛАВИН

05.13.06 - інформаційні технології

Автореферат дисертації на здобуття наукового ступеня

кандидата технічних наук

Дяченко Олеся Миколаївна

Харків 2008

Дисертацією є рукопис.

Робота виконана у Харківському національному університеті радіоелектроніки Міністерства освіти і науки України.

Науковий керівник: кандидат технічних наук, доцент Кузьомін Олександр Якович, Харківський національний університет радіоелектроніки, професор кафедри інформатики, керівник інноваційно-маркетингового відділу.

Офіційні опоненти:

доктор технічних наук, професор Алексієв Олег Павлович, Харківський національний автомобільно-дорожній університет, завідувач кафедри мехатроніки автотранспортних засобів;

доктор технічних наук, професор Гогунський Віктор Дмитрович, Одеський національний політехнічний університет, завідувач кафедри управління системами безпеки життєдіяльності.

Захист відбудеться «26» листопада 2008 р. о 16:00 годині на засіданні спеціалізованої вченої ради Д 64.052.01 у Харківському національному університеті радіоелектроніки за адресою: 61166, м. Харків, просп. Леніна,14.

З дисертацією можна ознайомитися в бібліотеці Харківського національного університету радіоелектроніки за адресою: 61166, м. Харків, просп. Леніна, 14.

Автореферат розісланий «25» жовтня 2008 р.

Вчений секретар

спеціалізованої вченої ради С.Ф. Чалий

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Стихійні дії сил природи, які поки ще не повною мірою підвладні людині, наносять економіці держави й населенню величезний збиток. Стихійні лиха - це такі явища природи, які викликають екстремальні ситуації, порушують нормальну життєву діяльність людей та роботу об'єктів. Снігові лавини - один із проявів стихійних сил природи в зимовий період. Незважаючи на те, що лавинонебезпечні райони займають 6% площі суші, проблема дослідження подібних явищ є важливою, тому що лавини виникають у результаті рясних снігопадів, які можуть тривати від декількох годин до декількох діб, впливають на роботу транспорту, комунально-енергетичного господарства, установ зв'язку, сільськогосподарських об'єктів.

Особливо небезпечні снігові обвали в горах, які мають велику руйнівну силу й заподіюють матеріальний збиток промисловим і гідротехнічним комплексам, дорогам, лініям електропередач і зв'язку, будинкам, спорудженням і викликають людські жертви.

В Українських Карпатах виявлено понад 1000 лавинних осередків. Це безлісні верхи Чорногорського хребта та Свидовця, менше - Горгани, Боржави, полонини Красна і Руна. Щороку Уряд України на ліквідацію наслідків надзвичайних ситуацій, пов'язаних з небезпечними лавинними процесами, виділяє близько 5 млн. грн.

У тематиці вивчення лавинної небезпеки особливе місце займає поняття каскаду лавин. Складність вивчення даного явища пов'язана з мало прогнозованими багаторазовими сходами лавин у певному лавинному вогнищі. Оскільки лавинні каскади є швидкоплинними подіями, їхні наслідки являються набагато небезпечнішими одноразового лавинного сходу й носять катастрофічний характер.

Попередження лавинних каскадів може проводитися за часом сходу лавин, за обсягами снігу й місцем сходу. Кількісні характеристики каскадів лавини, такі як об'єм, дальність викиду, кількість лавин, є дуже важливими параметрами під час прогнозування та попередження лавинних процесів. Оцінюючи ці величини, можна судити про розміри руйнувань, нанесених лавиною. Імовірність сходу каскадних лавин може оцінюватися у відсотках і за певною шкалою.

Визначення ступеня лавинної небезпеки й запобігання катастрофічних наслідків обвалення снігових каскадів лавин пов'язано з обробкою значних обсягів різноманітної лавинної інформації. Однак часто виникають ситуації, коли необхідна для оцінки лавинної небезпеки інформація частково або повністю відсутня. У таких випадках здійснюється моделювання процесів лавинного утворювання.

На сьогодні існує багато методів та моделей щодо попередження та прогнозування лавин, але ці методи не вирішують проблему попередження каскадного сходу лавин. Отже, розробка методів та моделей, за допомогою яких підвищується ефективність попередження лавинних каскадів, є актуальною задачею.

Зв'язок роботи з науковими програмами, планами, темами. Дисертаційна робота виконана відповідно до плану науково-дослідних робіт Харківського національного університету радіоелектроніки в межах небюджетних тем «Розробка проекту автоматизованої інформаційної системи з управління ситуаціями № 0104U004740, «Концепція бізнес проекту розробки автоматизованої інформаційної системи управління ситуаціями» № 0105U002828, що виконувалася в інноваційно-маркетинговому відділі. У роботах за даною темою здобувач брав участь як виконавець.

Мета і задачі дослідження. Метою дисертаційних досліджень є розробка методів та моделей підсистеми попередження каскадів лавин для підвищення ефективності прогнозу та попередження лавинної небезпеки.

Для досягнення поставленої мети необхідно розв'язати такі задачі:

- дослідити проблему прогнозу й попередження каскадних лавинних ситуацій;

- розробити метод попередньої обробки лавинонебезпечних даних;

- розробити моделі потужності й інтенсивності каскадів лавин;

- розробити метод оцінки каскаду лавин для оцінки ступеня лавинної небезпеки;

- розробити технологію попередження виникнення сходу каскаду лавин;

- виконати експериментальну перевірку ефективності методу оцінки каскаду лавин для оцінки ступеня лавинної небезпеки.

Об'єкт дослідження - процес попередження сходу каскадів лавин.

Предмет дослідження - методи і моделі підсистеми попередження сходу каскадів лавин. лавина каскадний технологія небезпека

Методи дослідження. У дисертаційній роботі використовувалися статистичні методи обробки даних, апарат теорії ймовірностей, математичного моделювання, методи дискретної й обчислювальної математики, апарат нечіткої логіки.

Наукова новизна результатів дисертаційної роботи.

- Вперше запропоновано моделі інтенсивності та потужності каскадів лавин, які побудовані на мікроситуаціях характеристик каскадних ситуацій і представлені нечіткими правилами виводу, що дозволяє підвищити ефективність попередження сходу каскадів лавин за рахунок обчислення частоти сходу та обсягу лавин.

- Вперше розроблено метод оцінки каскаду лавин у підсистемі попередження сходу каскадів лавин, який містить етапи формування моделей інтенсивності та потужності каскадів, що дає можливість якісно оцінити ступінь лавинонебезпечності каскаду лавин для оперативного прийняття управлінських рішень.

- Удосконалено метод попередньої обробки лавинонебезпечних даних, який, на відміну від існуючих, містить етапи виявлення інформативних ознак інтенсивних та потужних каскадів лавин, за рахунок комбінації класів лавинонебезпечних мікроситуацій, що дає можливість підвищити ефективність прогнозу сходу каскадів лавин.

Практичне значення результатів дисертаційної роботи. Отримані результати доведено до рівня практичних розробок і дозволяють:

- підвищити ефективність аналізу лавинонебезпечних даних, за рахунок впровадження методу попередньої обробки лавинонебезпечних даних;

- підвищити ефективність попередження лавин у підсистемі попередження сходу каскадів лавин за рахунок оцінки ступеня лавинної небезпеки;

- запропонувати інформаційну технологію попередження виникнення каскаду лавин, яка дозволяє підвищити ефективність прийняття рішень щодо проведення протилавинних заходів.

Результати роботи впроваджено в ЗАТ «ОТ і ЗА» у процес проектування системи керування у кризових ситуаціях, що дозволило підвищити ефективність попередження кризових ситуацій, а саме каскадів лавин.

Особистий внесок здобувача. Всі основні результати отримано автором особисто. У роботах, опублікованих зі співавторами, особистий внесок автора складає: у [1] обґрунтовано необхідність побудови моделі лавинооутворення для оцінки, прогнозу і попередження лавинної небезпеки; у [2] розроблено класифікацію лавинонебезпечних мікроситуацій; у [3] запропоновано метод попередньої обробки лавинонебезпечних даних; у [4] запропоновано використання геоінформаційної системи, яка складається з п'яти блоків; у [7] розроблено математичний апарат для методу оцінки виникнення каскаду лавин; у [8] розроблено модель екологічної безпеки, яка описується нечіткою логікою; у [9] побудовано правила виводу в продукційно-фреймовій моделі; у [10] запропоновано технологію попередження виникнення сходу каскадів лавин.

Апробація результатів дисертації. Результати досліджень, проведених у дисертаційній роботі, доповідалися й обговорювалися автором на: Міжнародному молодіжному форумі "Радиоэлектроника и молодежь в XXI столетии" (Харків, 2005, 2006 рр.), 11-й Міжнародній конференції «KDS» (Varna, Bulgaria, 2005 р.), 1-й Міжнародній конференції «Глобальные информационные системы. Проблемы и тенденции их развития» (Харків, 2006 р.), Міжнародній конференції «E-learning» (Varna, Bulgaria, 2006 р.), 5-й Міжнародній конференції «i.TECH» (Varna, Bulgaria, 2007 р.).

Публікації. За темою дисертації опубліковано 10 наукових праць (5 статей у виданнях, перелік яких затверджено ВАК України, 5 матеріалів та тез доповідей на наукових конференціях).

Структура та обсяг роботи. Дисертаційна робота складається із вступу, чотирьох розділів, висновків, переліку використаних джерел (144 найменувань) і додатка. Обсяг дисертації складає 126 сторінок основного тексту, 27 рисунків, 8 таблиць.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтовано актуальність теми дисертаційної роботи, сформульовано мету й задачі досліджень, показано зв'язок роботи з науковими темами, наукову новизну і практичну значущість отриманих результатів.

У першому розділі проаналізовано задачі підсистеми попередження сходу каскадів лавин в геоінформаційній системі. Також проаналізовано методи та моделі попередження лавинних ситуацій.

Дослідження механізмів стихійних природних лих, виявлення їхніх зв'язків із кліматичними й екологічними змінами призвели до розробки спеціалізованих систем керування, що отримали назву геоінформаційних систем (ГІС). Основними задачами ГІС є розробка методології попередження, прогнозування природних катастроф, оцінка ризиків і створення систем підтримки прийняття рішень. Методи й техніки ГІС дозволяють оцінювати стратегії зниження ймовірності виникнення природних катастроф, включаючи урахування соціально-економічного характеру. В основу дослідження навколишнього середовища закладено аналіз природного й соціального середовища як сукупності геоінформаційних об'єктів. Попередження каскадів лавин у геоінформаційних системах є набором методів одержання й аналізу інформації про навколишнє середовище й розробки прогнозних оцінок для підтримки прийняття рішень. Попередження каскадів лавин розв'язує дві основні задачі: оцінка геоінформаційних параметрів для даного моменту часу й одержання прогнозних оцінок на перспективу.

Під час попередження каскадних сходів лавин можна виділити три якісних етапи обробки інформації:

1. Збір, групування, узагальнення й уніфікація лавинонебезпечних ознак.

2. Аналіз та моделювання даних.

3. Одержання прогнозних оцінок й їхня верифікація.

Ключовим аспектом розв'язання задач попередження є виявлення специфічних типів інформації, необхідної під час прогнозування лавинної небезпеки.

На етапі аналізу й моделювання даних здійснюється: вибір об'єктів прогнозу, дослідження прогнозного фону (середовища), класифікація подій, формування задачі й генеральної мети прогнозу.

Під час проведення прогнозування створюється прогнозна модель - модель, дослідження й використання якої дозволяє одержати інформацію про можливі стани об'єкта в майбутньому.

В першому розділі проаналізовано такі методи та моделі попередження лавин: метод апріорних умовних ймовірностей, модель ланцюгів Маркова, Баєйєсівський метод прогнозування, метод прогнозу, заснований на алгоритмах МГУА, узагальнена фізико-статистична модель.

Оскільки каскади лавин являють собою , де - інтенсивність каскаду, - потужність каскаду лавин, а проаналізовані методи попередження лавинних ситуацій розглядають тільки одиничні лавинонебезпечні випадки і не враховують дані попереднього сходу лавин, то для попередження каскадних лавинних сходів, застосувати ці методи є не можливим.

У першому розділі роботи досліджено проблему прогнозу та попередження каскадних сходів лавин, проаналізовано існуючі методи прогнозу лавинних ситуацій та виділено їхні недоліки. Також проаналізовано геоінформаційну систему лавинної тематики, виявлено підсистему попередження сходу каскадів лавин та сформульовано її задачі.

У другому розділі розроблено метод попередньої обробки лавинонебезпечних даних, а також досліджено та сформульовано інформативні ознаки утворення каскадів лавин, які приводять до каскадного сходу лавин.

Під час аналізу лавинонебезпечних ознак сформульовано такі інформативні ознаки для попередження сходу каскадів лавин: кут схилу гори, температура повітря, відносна вологість повітря, швидкість повітря, опади.

Метод попередньої обробки лавинонебезпечних даних включає такі етапи:

1. Аналіз лавинонебезпечних даних. Перевірка вибірки на достатність.

2. Штучне розширення статистичної вибірки лавинонебезпечних даних за допомогою resampling-методу.

3. Формування мікроситуацій (параметрів, що впливають на інтенсивність і потужність каскадів лавин).

4. Визначення міри близькості між мікроситуаціями інтенсивності й потужності каскадів лавин.

На першому етапі проводиться формування інформативних ознак каскадного лавинного сходу. Вважаємо, що маємо у своєму розпорядженні множину незалежних змінних і залежних змінних на статистично обстежених об'єктах. Так, якщо - номер об'єкта, який досліджується, то наявні вихідні статистичні дані складаються з рядків виду:

Щоб гарантовано мати статистичний критерій достатньої (адекватної задачам дослідження) потужності, до проведення експерименту було обчислено, який об'єм вибірки необхідний. Мінімальний об'єм вибірки приймається, виходячи з розрахунку за формулою (1):

,(1)

де - коефіцієнт варіації, - рівень ймовірності, - нормоване відхилення, - відносна точність спостережень. Для задачі попередження сходу каскадів лавин .

На другому етапі відбувається штучне розширення вибірки, якщо вибірка не відповідає вимозі достатності. Відбувається доповнення вибірки метеорологічними даними , де - температура повітря, -вологість повітря, - швидкість вітру, - кількість опадів, що випали, - кут схилу гори й значення відгуку - кількість лавин, які зійшли та - об'єм снігу, що зійшов, знаходимо за допомогою resampling-методу. Розташуємо дані в монотонну структуру.

Тоді присутні значення будуть та при , відсутні дані опиняться в и , .

Для кожної з незалежних величин і відгуку та можна отримати деяку вибіркову множину повних спостережень

,

,

де - вибіркова множина повних спостережень для відгуку , а - вибіркова множина повних спостережень для відгуку .

Застосування resampling-методу для задачі заміни пропусків у цьому випадку може бути здійснене в такий спосіб:

- За присутніми спостереженнями будується регресійна модель, і знаходяться оцінки коефіцієнтів, .

- Знаходиться оцінка за регресійними моделями для и .

- Знаходяться помилки,

- Для кожного пропуску, підставляючи значення супутніх змінних в отримане регресійне рівняння, знаходимо оцінку , , .

- Значеннями, якими заміщують пропуск, знаходять за формулою: , ,, де вибирається випадково з раніше розрахованих помилок.

- За даними, отриманими після заповнення, будується регресійна модель, і знаходяться оцінки коефіцієнтів, , і вільного члена .

Даний алгоритм повторюють разів і після цього знаходяться середні значення коефіцієнтів регресійної моделі, які розраховуються таким чином:

.

Знайдені значення і ,, є результатом застосування resampling-методу. Тоді присутні значення будуть і при , пропуски виявляться в і , .

На третьому етапі відбувається формування ознак лавинонебезпечних каскадних ситуацій, які відповідають за інтенсивність та за потужність каскадів лавин.

Всі дані середовища ознак виникнення каскадної лавинної ситуації подано у вигляді множини , яка складається з двох підмножин , тобто . Відповідно, - ситуація виникнення інтенсивних каскадних ситуацій та - ситуація виникнення потужних каскадних ситуацій

Визначено множину каскадних лавинних мікроситуацій , яка складається з , тобто .

Кожна мікроситуація характеризується множиною спільних ознак , значення яких, можуть бути різні для різних об'єктів, тобто

(2)

Тут - кількість ненульових ознак, що належало -му об'єкту, - - ознака -го об'єкта. Значення ознаки лежить усередині деякого відрізка,

, (3)

де - початкове значення ознаки, а - кінцеве значення ознаки.

На четвертому етапі відбувається вибір міри близькості ситуацій інтенсивності та потужності.

Оскільки нормальний розподіл мають не всі мікроситуації й мають місце викиди, то доцільно буде застосовувати як міру близькості методи оцінки, що дозволяють значно знизити шкідливий вплив великих викидів на оцінку й отримати прийнятну підсумкову оцінку шуканих параметрів. Припустимо, що розмірність множини загальних ознак

(4)

дорівнює :

,(5)

де - значення -ознаки, яка визначена на інтервалі .

Очевидно, що .

Тоді відстань між двома об'єктами можна подати у вигляді:

, (6)

де - будь-які елементи цього простору, а - коефіцієнт статистичної значущості ознаки, які установлені за допомогою попередньої статистичної обробки даних.

Далі, кожному об'єкту поставимо у відповідність - вимірний паралелепіпед , який визначається співвідношенням (5).

1. Ознаки об'єкта мають відповідати критерію повноти: кожний об'єкт описується повним набором ознак :

.(7)

У випадку відсутності ознаки для об'єкта величина вважається рівною нулю.

2. Критерій значущості об'єктів: паралелепіпеди, які відносяться до різних класів, не повинні мати спільних точок, тобто .

Це дуже важливий критерій, він визначає основний напрямок для вибору ознак, що характеризують класи. Очевидно, що при недостатній кількості ознак об'єкти можуть бути нерозрізнені. Важливим із практичної точки зору є питання кількості ненульових ознак і значення, необхідні для найкращого розрізнення об'єктів. Для цього можна скористатися співвідношенням (6):

.(8)

Із співвідношення (7) випливає, що відстані можна надати геометричне значення - мінімальну відстань між паралелепіпедами. Для проведення обчислень формулу (7) можна спростити:

, (9)

де ? - множина вершин паралелепіпедів

3. Критерій розрізнення класів полягає в тому що, об'єктам із двох порівнюваних класів та має відповідати така комбінація значень ознак, щоб величина

(10)

була якомога більше.

Размещено на http://www.allbest.ru/

Рис. 1 Блок-схема методу попередньої обробки інформації

Таким чином, на рис.1 наведено загальну блок-схему методу попередньої обробки лавинонебезпечних даних, який дозволяє проаналізувати статистичні лавинонебезпечні дані, перевірити вибірку на достатність, штучно розширити її за допомогою resampling-методу, сформувати мікроситуації (параметри, що впливають на інтенсивність і потужність каскадів лавин) та визначити міри близькості між мікроситуаціями інтенсивності й потужності каскадів лавин, що дає можливість забезпечити підсистему попередження сходу каскадів лавин найбільш точними даними про об'єм та частоту сходів каскадів лавин.

У третьому розділі розроблено моделі потужності й інтенсивності каскадів лавин, а також запропоновано метод оцінки сходу каскадів лавин у підсистемі попередження сходу каскадів лавин.

Під час дослідженні інтенсивності каскадів важливою характеристикою є часовий період, що показує різницю послідовного сходу двох лавин. Чим більше цей часовий період, тим менш інтенсивним є каскад. Критерієм визначення інтенсивності обрано площу перетинання двох функцій належностей, характерних для двох послідовних лавин, що йдуть.

На основі мікроситуацій, які входять у клас ситуацій інтенсивності каскадів лавин окремо за кожною мікроситуацією , будуються функції належності до ситуації інтенсивності лавин, які утворять каскад. На рис. 2 наведено графічне зображення побудови функцій належності для кожної мікроситуації інтенсивної характеристики каскаду лавин.

Размещено на http://www.allbest.ru/

Рис. 2 Графічне зображення побудови функцій належності для кожної мікроситуації, які входять у клас ситуацій інтенсивності каскадів

Інтенсивність каскаду лавин визначаємо як розмір площі перетинання двох функцій належностей, що розраховується за формулою:

, ; (11)

,, (12)

де - функція належності лавинонебезпечної події, яка виникла за час і побудованої на мікроситуації , - функція належності лавинонебезпечної події, яка виникла за час і побудованої на мікро ситуації .

Для практичної реалізації результатів дослідження з інтенсивності каскадів лавин у задачі прогнозування лавинної небезпеки введено класифікацію інтенсивності лавинних каскадів: малоінтенсивний; середньоінтенсивний; інтенсивний; дуже інтенсивний.

Якщо площа перетинання набагато менше криволінійної трапеції, утвореною двома функціями належності , де , то каскад є малоінтенсивний, при вважаємо що каскад середньоінтенсивний. Коли площа криволінійної трапеції коливатиметься всередині інтервалу від половини до повної площі , тобто , то каскад є інтенсивний, і, нарешті, якщо площа перетинання буде набагато більше за площу , тобто - каскад є дуже інтенсивний.

Для повної ідентифікації ступеня інтенсивності каскадів лавин будуються вектори ,тобто де - це коефіцієнт відношення до , та відбувається порівняння площ перетинання лавинонебезпечних подій, які відбулися, і коефіцієнтів між собою за всіма мікроситуаціями за допомогою методу центра мас.

, (13)

Таким чином, модель інтенсивності каскадів лавин містить у собі мікроситуації інтенсивних каскадних характеристик, які за допомогою уявлення лавинонебезпечної ситуації як нечіткої множини подій дають можливість обчислити частоту сходу каскадів лавин.

Для визначення потужності снігових каскадів інформативними даними є мікроситуації, які входять у клас ситуацій виникнення потужних каскадних лавин .

На рис. 3 наведено графічне зображення побудови функцій належності для кожної мікроситуації потужної характеристики каскаду лавин.

Де - функція належності лавинонебезпечної події, яка виникла за час і побудована на мікроситуації , і - центр і параметр ширини функції належності лавинонебезпечної події, - проекція функції належності лавинонебезпечної події, яка побудована на мікроситуації за час .

Размещено на http://www.allbest.ru/

Рис. 3 Графічне зображення побудови функцій належності для кожної мікроситуації, які входять у клас ситуацій інтенсивності каскадів

Формується вектор потужності каскаду лавин за допомогою вибору найбільшого параметру центру функції та найменшого параметру ширини функції належності, які побудовані на мікроситуаціях і відбулися за час , .

. (14)

Введено класифікацію потужності каскадів лавин: непотужний, малопотужний, средньопотужний, потужний, дуже потужний Таким чином, чим ближче до одиниці значення функції належності лавинонебезпечної події, тим більше ступінь потужності каскаду лавин, і відповідно, чим менше значення функції належності лавинонебезпечної події, тим менш потужний каскад.

Модель потужності каскадів лавин містить у собі мікроситуації потужних каскадних характеристик, які за допомогою уявлення лавинонебезпечної ситуації як нечіткої множини подій дають можливість обчислити обсяг лавини.

Метод оцінки каскаду лавин у підсистемі попередження сходу каскадів лавин складається з таких етапів:

1. Побудова функцій належності для моментів часу, які утворять каскад , окремо за кожною мікроситуацією ,

2. Знаходження площі перетинання двох функцій належності , - коефіцієнт відношення й . Первинна класифікація інтенсивності.

3. Формування вектора .

4. Ідентифікація ступеня інтенсивності каскаду лавин за допомогою методу центра мас.

5. Побудова функцій належності , які утворюють каскад, для кожної мікроситуації , потужності каскаду лавин окремо для всіх моментів часу.

6. При влученні нових подій знаходяться точки перетинання з функціями належності й коефіцієнти ширини функції належності.

7. Формування вектора та вибір оптимального розв'язання за допомогою мінімаксного критерію.

8. Ідентифікації ступеня потужності каскадів лавин за допомогою нечітких правил висновків.

9. Оцінка ступеня лавинонебезпечності каскадного сходу лавин.

Таким чином, у третьому розділі розроблено метод оцінки каскадів лавин, що заснований на побудові двох моделей: модель оцінки інтенсивності каскадного сходу лавин і модель оцінки потужності каскаду лавин, що дозволяє якісно оцінити ступінь каскаду лавин для прийняття відповідних управляючих рішень.

У четвертому розділі запропоновано технологію попередження каскадів лавин, яка є поєднанням інформаційного, функціонального та математичного комплексу.

Технологія попередження сходу каскадів лавин є інформаційним комплексом, що складається із трьох основних блоків (представлена на рис. 4.):

Размещено на http://www.allbest.ru/

Рис. 4 Інформаційна технологія попередження сходу каскадів лавин

1. База даних - призначена для збору, зберігання й первинної обробки даних гідрометеорологічних служб, сніголавинних станцій та електронних карт поверхні місцевості, що містять інформацію про снігозбирання, підстилаючу поверхню й т.і.

2. Математичне й алгоритмічне забезпечення - є набором математичних методів і підходів, на базі яких проводиться моделювання й прогнозування лавинонебезпечної ситуації. Прогнозування лавинонебезпечної ситуації характеризується чотирма основними параметрами: місцем, типом, часом й її ступенем потужності. Кожна з характеристик має у своєму розпорядженні свої математичний, алгоритмічні і програмні апарати.

3. Блок надання результатів для різних рівнів користувачів - отримані прогнози аналізуються експертами й керівниками служб МНС, після чого передаються на доробку в систему підтримки прийняття рішень із метою використання під час коректування протилавинних заходів й усунення наслідків сходу лавини.

Для здійснення комплексного прогнозу лавинонебезпечних ситуацій необхідно визначити місце сходу лавини, зробити її класифікацію з генезису, визначити час і ступінь потужності лавини.

Впровадження розробленої технології попередження сходу каскадів лавин надає можливість провести попередній аналіз лавинонебезпечних даних, розробити моделі інтенсивності та потужності каскадів лавин, які побудовані на мікроситуаціях характеристик каскадних ситуацій та підвищити ефективність попередження сходу каскадів лавин у геоінформаційних системах на 20% за рахунок оцінки ступеня лавинної небезпеки за допомогою нечітких правил.

У додатках наведено акти впровадження дисертаційної роботи.

ВИСНОВКИ

У дисертаційній роботі наведені теоретичні узагальнення й нові розв'язання науково-технічної задачі інформаційно-аналітичного забезпечення аналізу й прогнозування каскадних лавинних ситуацій.

На основі виконаних теоретичних і експериментальних досліджень отримані найбільш суттєві такі результати:

1. Досліджено проблему прогнозу та попередження каскадних сходів лавин, проаналізовано існуючі методи прогнозу лавинних ситуацій та виділено їхні недоліки. Також проаналізовано геоінформаційну систему лавинної тематики, виявлено підсистему попередження сходу каскадів лавин та сформульовано її задачі.

2. Запропоновано метод попередньої статистичної обробки даних, що дозволяє доповнити статистичну вибірку відсутніми даними та за допомогою використання resampling-методу, сформувати інформативні ознаки інтенсивних та потужних каскадів лавин.

3. Побудовано моделі потужності та інтенсивності каскадів лавин, які засновані на уявленні лавинонебезпечної ситуації як нечіткої множини подій, що дає можливість ураховувати мікроситуації потужних та інтенсивних каскадних характеристик, обчислити обсяг та частоту сходу лавин.

4. Розроблено метод оцінки виникнення лавинонебезпечної ситуації в підсистемі попередження сходу каскадів лавин, який ґрунтується на використанні моделей інтенсивності та потужності каскадів і дає можливість якісно оцінити ступінь лавинонебезпечності для прийняття відповідних управлінських рішень.

5. Розроблено технологію попередження сходу каскадів лавин, яка надає можливість провести попередній аналіз лавинонебезпечних даних, розробити моделі інтенсивності та потужності каскадів лавин, які побудовані на мікроситуаціях характеристик каскадних ситуацій. Використання даної технології дозволило підвищити ефективність попередження сходу каскадів лавин у геоінформаційних системах на 20% за рахунок оцінки ступеня лавинної небезпеки.

6. Експериментальні дослідження отриманих методів і моделей підтвердили адекватність розроблених методів поставленої задачі. Результати роботи використано в ЗАТ «ОТ і ЗА» у процесі розробки ситуаційного центру для різних застосувань. Використання запропонованих у роботі методів і моделей дозволило підвищити якість роботи інформаційно-аналітичної системи керування кризовими ситуаціями, що підтверджується відповідними актами впровадження.

Таким чином, проведені дослідження дозволяють вважати, що мета дослідження, яка полягає у підвищенні ефективності прогнозування ступеня лавинної небезпеки при каскадному сході лавин, досягнута.

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Куземин А. Я. Моделирование процесса образования лавин / А. Я. Куземин, Д. В. Фастова, О. Н. Дяченко // Реєстрація, зберігання і обробка даних. 2006. Т.8, № 4. С. 22-30.

2. Куземин А. Я. Модель классификации лавиноопасной ситуации / А. Я. Куземин, В. В. Ляшенко, О. Н. Дяченко // Радиоэлектроника и информатика. 2007. № 136. С. 81-78.

3. Дяченко О. Н. Ситуационная модель построения лавиноопасных и нелавиноопасных микроситуаций / О. Н. Дяченко, А. Я. Куземин, В. В. Ляшенко, А. А. Тороев // Реєстрація, зберігання і обробка даних. 2007. Т.9, № 2. С. 27-35.

4. Куземин А. Я. Геоинформационная система для классификации и прогнозирования лавинной опасности / А. Я. Куземин, Д. В. Фастова, О. Н. Дяченко // Автоматизированные системы управления и приборы автоматики: Всеукр. межведомств. науч-техн. сб. Харьков, 2006. Вып. 136. С. 87 -92.

5. Дяченко О. Н. Модель для определения мощности и интенсивности каскадов лавин / О. Н. Дяченко // Автоматизированные системы управления и приборы автоматики: Всеукр. межведомств. науч-техн. сб. Харьков, 2007. Вып. 139. С. 38-42.

6. Дяченко О.Н. Построение формальной модели принятия решений об инвестировании проекта в условиях неопределенности / О. Н. Дяченко // материалы 9-го Междунар. молод. форума [“Радиоэлектроника и молодежь в XXI веке”], (Харьков, 13-15 апр. 2005 г.) / М-во образования и науки, Харк. нац. ун-т радиоэлектроники. Х.: ХНУРЭ, 2005. С. 321.

7. Дяченко О.Н. Прогнозирование лавинной опасности и принятие решений / О. Н. Дяченко, Д. В. Фастова, Ю. А. Куземин // материалы 1-й Междунар. конференции [“Глобальные информационные системы. Проблемы и тенденции их развития”], (Харьков, 3-6 окт. 2006 г.) / М-во образования и науки, Харк. нац. ун-т радиоэлектроники. Х., 2006. С. 290-291.

8. Petrov E. Implementation of the System Approach in Designing Information System for Ensuring Ecological Safety of Mudflow and Creep Phenomenae / E. Petrov, A. Kuzemin, N. Gusar, D. Fastova, I. Starikova, O. Dyachenko // Knowledge-Dialogue-Solution: proceedings of the XI-th International Conference, 20-30 June 2005, Varna, Bulgaria. Sofia: FOR-COMMERCE, 2005. Vol. 1. P. 307-311.

9. Куземин А. Я. Продукционно-фреймовая модель представления предметной области / А. Я. Куземин, Д. В. Фастова, О. Н. Дяченко // Modern (e-) Learning: proceedings. of the International Conference, 1-5 July 2006, Varna, Bulgaria. Sofia: FOR-COMMERCE, 2006. P. 156-160.

10. Kuzemin A. Information supply of geo-information systems for the forecasting problem of the avalanche danger / А. Kuzemin, O. Dyachenko, D. Fastova // i.TECH: proceedings of the Fifth International Conference “Information Research and Applications”, 26-30 June 2007, Varna, Bulgaria.- Sofia: FOR-COMMERCE, 2007. Vol.2. P. 289-293.

АНОТАЦІЯ

Дяченко О.М. Методи і моделі підсистеми попередження сходу каскадів лавин. - Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 - інформаційні технології. - Харківський національний університет радіоелектроніки, Харків, 2008.

Дисертація присвячена розв'язанню наукової задачі розробки методів та моделей для підвищення ефективності попередження сходу каскадів лавин у геоінформаційних системах за рахунок оцінки ступеня лавинної небезпеки. На основі аналізу методів та моделей попередження лавинних сходів запропоновано моделі інтенсивності та потужності каскадів лавин, які побудовані на мікроситуаціях характеристик каскадних ситуацій і представлені нечіткими правилами виводу. Для підвищення ефективності попередження сходів каскадів лавин та прийняття відповідних управляючих рішень в підсистемі попередження сходу каскадів лавин запропоновано метод оцінки ступеня лавинної небезпеки, який ґрунтується на моделях інтенсивності та потужності каскадів лавин, що дає можливість якісно оцінити ступінь каскаду лавин за рахунок більш точних розрахунків об'ємів та частоти можливих лавин. Для якісної обробки лавинонебезпечних даних, які поступають в підсистему попередження, було удосконалено метод попередньої обробки лавинонебезпечних даних, який на відміну від існуючих базується на виявлених інформативних ознаках інтенсивних та потужних каскадних ситуацій, комбінація яких складає класи лавинонебезпечних ситуацій.

Ключові слова: геоінформаційна система, попередження, прогноз, каскад лавин, модель інтенсивності каскаду лавин, модель потужності каскаду лавин, мікроситуації, функція належності, правила нечіткого висновку.

АННОТАЦИЯ

Дяченко О.М. Методы и модели подсистемы предупреждения схода каскадов лавин. - Рукопись.

Диссертация на соискание научной степени кандидата технических наук по специальности 05.13.06 - информационные технологии. - Харьковский национальный университет радиоэлектроники, Харьков, 2008.

Диссертация посвящена решению научной задачи разработки методов и моделей для повышения эффективности предупреждения схода каскадов лавин в подсистеме предупреждения каскадного схода лавин в геоинформационной системе. В данной работе каскад лавин представлялся двумя характеристиками: интенсивность и мощность каскада, которые отвечают за частоту схода лавин и объемы сошедшего с лавиной снега. На основе анализа методов и моделей предупреждения лавинных сходов были предложены модели интенсивности и мощности каскадов лавин, которые построены на микроситуациях характеристик каскадных ситуаций и представлены нечеткими правилами вывода. Для повышения эффективности предупреждения сходов каскадов лавин и принятие соответствующих управляющих решений в подсистеме предупреждения ГИС был предложен метод оценки степени лавинной опасности, который основывается на использовании моделей интенсивности и мощности каскадов лавин, что дает возможность качественно оценить степень каскада лавин за счет более точных расчетов объемов и частоты возможных лавин. Метод основан на построении функций принадлежности отдельно для каждой микроситуации, которая формирует интенсивную и мощностную характеристику каскада лавин. Идентификация степени интенсивности каскада лавин происходит с помощью метода центра масс, а идентификация мощности - с помощью нечетких правил вывода. И на последнем этапе этого метода происходит оценка степени лавинной опасности каскадного схода лавин. Для качественной обработки лавиноопасных данных, поступающих в подсистему предупреждения, был усовершенствован метод предварительной обработки лавиноопасных данных, который в отличие от существующих базируется на выявленных информативных признаках интенсивных и мощных каскадных ситуаций, комбинация которых составляет классы лавиноопасных ситуаций. В данном методе на первом этапе происходит искусственное расширение выборки с помощью resampling-метода, на следующем - формирование двух классов ситуаций интенсивности и мощности каскадов, и на последнем этапе происходит выбор меры близости классов микроситуации интенсивности и мощности каскадов лавин. На основе разработанных методов и моделей предложена информационная технология предупреждения возникновения каскадов лавин. Разработанная технология предупреждения сходов каскадов лавин позволяет провести предварительный анализ лавиноопасных данных, разработать модели интенсивности и мощности каскадов и оценить лавинную ситуацию, с помощью метода оценки каскада лавин. Использование данной технологии позволило повысить эффективность предупреждения каскадов лавин в геоинформационных системах на 20%, про что свидетельствуют соответствующие акты внедрения.

Ключевые слова: геоинформационная система, предупреждение, прогноз, каскад лавин, модель интенсивности каскада лавин, модель мощности каскада лавин, микроситуации, функция принадлежности, правила нечеткого вывода.

ABSTRACT

Dyachenko O.N. Methods and the models of the cascades of avalanches prevention subsystem. - Manuscript.

Thesis for a candidate's degree by specialty 05.13.06 - information texnologies. - Kharkiv national university of radio electronics, Kharkiv, 2008.

Thesis is dedicated to the solution of the scientific problem of developing of methods and models for increasing the effectiveness in the prevention of avalanches cascades in the geo-information system due to the estimation of the level of avalanche hazard. On the basis of the analysis of methods and models the prevention of avalanche gatherings were proposed to the model of intensity and power of the cascades of the avalanches, which were built on the micros-situation of the characteristics of cascade situations and were represented by illegible rules of deduction. For increasing the effectiveness in the prevention of gatherings of the cascades of avalanches and the adoption of corresponding managers of the solutions in the subsystem of warning GIS was proposed the method of evaluating the level of avalanche hazard, which is based on the use of models of intensity and power of the cascades of avalanches, which gives the possibility to qualitatively estimate the degree of the cascade of avalanches due to the more precise calculations of volumes and frequency of possible avalanches. For qualitative processing of avalanche-prone data, that enter the subsystem of warning, was upgraded the method of preliminary processing of avalanche-prone data, which in contrast to those existing is based on the revealed informative signs of the intensive and powerful cascade situations, whose combination composes the classes of avalanche-prone situations.

The keywords: geo-information system, warning, forecast, avalanche cascade, the intensity model of the avalanche cascade, the power model of the avalanche cascade, micro-situation, the membership function, fuzzy rules.

Размещено на Allbest.ru