Реализация нейросетевой модели в среде Statistica 12 для прогноза частоты схода селей

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.

1. Солдатенко С. А. Искусственный интеллект и его применение в задачах численного прогноза погоды // Метеорология и гидрология. 2024. № 4. С. 5-27.

2. Сумачев А. Э., Банщикова Л. С., Грига С. А. Применение методов обучения искусственных нейронных сетей при прогнозировании высших уровней воды на примере рек Двинско-Печорского бассейнового округа // Метеорология и гидрология. 2024. № 4. С. 104-115.

3. Ашабоков Б. А., Ташилова А. А., Кешева Л. А., Теунова Н. В. модель синусоидальной регрессии для оценки динамики селевых сходов // Наука. Инновации. Технологии. 2024. № 3. C. 71-94. https://doi.Org/0.37493/2308-4758.2024.3.4

4. Золина О.Г., Булыгина О.Н. Современная климатическая изменчивость характеристик экстремальных осадков в России // Фундаментальная и прикладная климатология. 2016. Т 1. С. 84-103.

5. Ashabokov B. A., Tashilova A. A., Kesheva L. A., Teunova N. V. Analysis of climate change in the Caucasus region: the end of the 20th - the beginning of the 21st century // CLIMATE. Special issue: Climate Variability and Change in the 21th Century. CLIMATE. 2019. Vol. 7. No. 11. Р 1-15. https://doi.org/10.3390/cli7010011

6. Yun W.-T., Krishnamurti T. N. Linear and non-linear multimodel superensemble prediction model // Atmosphere. 2002. No. 12 (3). Р. 26-31.

7. Кондратьева Н. В. Распространение и особенности проявления селевых процессов на северном и юго-западном склонах Большого Кавказа. дис. ... док. геогр. наук: 25.00.23 / Кондратьева Наталия Владимировна. Нальчик. 2018. 402 с.

8. Ташилова А. А., Федченко Л. М., Залиханов М. Ч., Кондратьева Н. В. Анализ динамики селей на фоне климатических изменений в высокогорной зоне Кабардино-Балкарии // Наука. Инновации. Технологии. 2024. № 1. С. 69-90. https://doi.org/10.37493/2308-4758.2024.1.4

9. Нейронные сети. STATISTICA Neural Networks. Методология и технологии современного анализа данных / Под ред. В.П. Боровикова. 2-е изд. Телеком, 2008. 392 c.

10. Электронный учебник по статистике. URL: http://statsoft.ru/home/textbook/default.htm (дата обращения 27.06.2024).

11. Филатова Т. В. Применение нейронных сетей для аппроксимации данных // Вестник Томского государственного университета. 2004. № 284. С. 121-125.

12. Хайкин C. Нейронные сети: полный курс. 2-е изд.: пер. с. англ. М.: Издательский дом «Вильямс», 2006. 1104 с.

13. Голяндина Н. Э. Метод «TyceH^a»-SSA. Анализ временных рядов. СПб: Изд-во СПбГУ, 2004. 76 с.

14. Голяндина Н. Э. Метод «Гусеница»-SSA. Прогноз временных рядов. СПб: Изд-во СПбГУ, 2004. 52 с.

15. Golyandina N., Nekrutkin V., Zhigljansky A. Analysis of Time Series Structure // SSA and Related Techniques. London Chapman & Hall/CRC, 2001. 305 p.