Борис Азреталиевич Ашабоков – доктор физико-математических наук, профессор, заведующий отделом физики облаков; заведующий отделом
Scopus ID: 6505916110, Researcher ID: K-4299-2015
д. 2, пр. Ленина, 360001, Нальчик
д. 37, ул. Инессы Арманд, Нальчик, 360017
Boris A. Ashabokov – Dr. Sci. (Phys.-Math.), Professor, Head of the Department of Cloud Physics; Head of Department at the Institute of Informatics and Regional Management Problems
Scopus ID: 6505916110, Researcher ID: K-4299-2015
2, Lenin Ave., Nalchik, 360001
37, Inessa Armand St., Nalchik, 360017
Алла Амарбиевна Ташилова – доктор физико-математических наук, доцент, ведущий научный сотрудник лаборатории микрофизики облаков
Scopus ID: 57191577384, Researcher ID: к-4321-2015
д. 2, пр. Ленина, 360001, Нальчик
Alla A. Tashilova – Dr. Sci. (Phys.-Math.), Associate Professor, Leading Researcher at the Laboratory of Cloud Microphysics
Scopus ID: 57191577384, Researcher ID: K–4321–2015
2, Lenin Ave., Nalchik, 360001
Лара Асировна Кешева – кандидат физико-математических наук, старший научный сотрудник лаборатории атмосферных конвективных явлений
Scopus ID: 57191577471, Researcher ID: к-4261-2015
д. 2, пр. Ленина, 360001, Нальчик
Lara A. Kesheva – Cand. Sci. (Phys.-Math.), Senior Researcher at the Laboratory of Atmospheric Convective Phenomena
Scopus ID: 57191577471, Researcher ID: к-4261-2015
2, Lenin Ave., Nalchik, 360001
Наталия Вячеславовна Теунова – кандидат физико-математических наук, старший научный сотрудник лаборатории микрофизики облаков
Scopus ID: 57191571952, Researcher ID: к-4312-2015
д. 2, пр. Ленина, 360001, Нальчик
Nataliya V. Teunova – Cand. Sci. (Phys.-Math.), Senior Researcher at the Laboratory of Cloud Microphysics
Scopus ID: 57191571952, Researcher ID: к-4312-2015
2, Lenin Ave., Nalchik, 360001
В статье изложены некоторые принципы работы искусственной нейросети, приводится пример реализации нейросетевой модели с помощью подбора ее наилучшей архитектуры средствами программного пакета Statistica 12. Рассматривается метод нейросетевого прогнозирования ряда количества сходов селевых потоков на основе нелинейных связей с рядами осадков и температур. Для решения поставленной задачи в пакете Statistica 12 был использован блок Data Mining (интеллектуальный анализ данных) – Neural Networks (нейронные сети). В качестве нейросетевого метода был выбран многослойный перцептрон MLP (Multilayer perceptron), в качестве функции активации – гиперболический тангенс (tanh). На основе алгоритмов глубокого обучения была разработана математическая модель MPL 2-50- 1, способная обучаться на используемых данных (осадки, температура, количество селей за период 1953–2015 гг.) и осуществлять прогнозирование количества схода селей по введеным в модель метеопараметрам (осадки, температура). Получено, что при осредненных значениях осадков с величиной более 110 мм в период с мая по сентябрь с 2016 по 2034 г. прогнозируется количество сходов селей от 10 до 13, что выше среднего их значения n = 8 за период с фактическими исходными данными 1953–2015 гг. Тенденции изменения количества селей в Терскольском ущелье в теплый сезон с 1953 по 2015 гг. (период с фактическими данными) и с 2016 по 2034 гг. (период с прогнозными данными) определены с помощью полиномиального и линейного трендов. Из уравнения линейного тренда следует, что в среднем за весь период, включая прогнозный, количество схода селей имеет тенденцию слабого роста на 0,3/10лет. Полиномиальный тренд демонстрирует рост и снижение количества селей на разных временных интервалах. На интервале прогнозирования 2016–2034 гг. снижение количества селей демонстрируют как полиномиальный тренд, так и линейный.
The article describes some principles of operation of an artificial neural network. It provides an example of implementing a neural network model by selecting its best architecture using the Statistica 12 software package. The article considers a method for neural network forecasting of a series of mudflow events based on nonlinear relationships with precipitation and temperature series. To solve the problem, the Data Mining (intelligent data analysis) block – Neural Networks was used in the Statistica 12 package. A multilayer perceptron (MLP) was chosen as a neural network method, and a hyperbolic tangent (tanh) was used as an activation function. Based on deep learning algorithms, a mathematical model MPL 2-50-1 was developed, which is capable of learning on the used data (precipitation, temperature, number of mudflows for the period 1953-2015) and forecasting the number of mudflows based on the meteorological parameters (precipitation, temperature) entered into the model. It was found that with average precipitation values of more than 110 mm in the period from May to September from 2016 to 2034, the number of mudflows is predicted to be from 10 to 13, which is higher than their average value of n = 8 for the period with actual initial data from 1953 to 2015. Trends in the number of mudflows in the Terskol Gorge in the warm season from 1953 to 2015 (the period with actual data) and from 2016 to 2034 (the period with predicted data) were determined using polynomial and linear trends. It follows from the linear trend equation that, on average, over the entire period, including the predicted one, the number of mudflows tends to grow slightly by 0.3/10 years. The polynomial trend demonstrates an increase and decrease in the number of mudflows at different time intervals. In the forecast interval of 2016-2034, the decrease in the number of mudflows demonstrates both a polynomial trend and a linear trend.
The authors declare that there are no conflicts of interest present.