Прогнозирование редких гидрологических явлений методами машинного обучения на примере ледовых заторов на реке Печоре

   Редкие гидрологические явления, как следует из названия, характеризуются малой повторяемостью, что, наряду с их зачастую катастрофическими проявлениями для человека, также говорит о малой доле измерений, сопровождающих эти события (что называется дисбалансом классов). Это, в свою очередь, мешает создавать надежные модели для прогнозирования таких процессов и особенно проявляется при построении моделей природных процессов с использованием алгоритмов машинного обучения, которым свойственна чувствительность к таким выборкам, проявляющим дисбаланс классов. В настоящем исследовании предпринята попытка обойти высказанные ограничения путем дополнения ряда для обучения моделей искусственно сгенерированными событиями.

   В качестве предмета и объекта исследований были выбраны, соответственно, долгосрочные прогнозы ледовых заторов, происходящих в устье Печоры – арктической реки европейской территории России.

   За длительный период наблюдений были собраны данные о ледовых заторах, подобраны предикторы и модели. Были использованы алгоритмы машинного обучения: k ближайших соседей (KNN), логистическая регрессия, градиентный бустинг (CatBoost) и многослойный перцептрон (MLP). Результаты показывают, что все модели после применения дополнения ряда искусственными событиями показали прирост качества моделирования. Это подтверждает перспективность метода дополнения ряда для обучения моделей редко повторяющихся процессов.

1. Агафонова С.А., Василенко А.Н., Фролова Н.Л. Факторы образования ледовых заторов на реках бассейна Северной Двины в современных условиях // Вестн. Моск. ун-та. Сер. 5. Геогр. 2016. № 2. С. 82–90.

2. Агафонова С.А., Фролова Н.Л. Особенности ледового режима рек бассейна Северной Двины // Водные ресурсы. 2007. № 2. С. 141–149.

3. Бузин В.А. Заторы льда и заторные наводнения на реках. СПб.: Гидрометеоиздат, 2004. 203 с.

4. Василенко Н.Г., Банщикова Л.С. Оперативная оценка участков образования заторов льда и их параметров // Лед и снег. 2010. № 2(110). С. 61–65.

5. Козлов Д.В., Бузин В.А., Фролова Н.Л. и др. Опасные ледовые явления на реках и водохранилищах России : монография / под ред. Д.В. Козлова. М.: Изд-во РГАУМСХА им. К.А. Тимирязева. 2015. 348 с.

6. Лупачев В.Г. Ледовые заторы на реке Печоре и их прогнозирование // Метеорология и гидрология. 1979. № 4. С. 45–51.

7. Магрицкий Д.В., Агафонова С.А., Банщикова Л.С. и др. Гидрологические опасности в устье Печоры // Проблемы Арктики и Антарктики. 2024. Т. 70. № 2. С. 185–209. DOI: 10.30758/0555-2648-2024-70-2-185-209.

8. Малыгин И.В. Методика прогноза образования ледовых заторов на реках на основе теории распознавания образов // Вестн. Моск. ун-та. Сер. 5. Геогр. 2014. № 3. С. 43–47.

9. Малыгин И.В., Алешин И.М. Прогнозирование заторов льда на р. Лене методами машинного обучения // Геофизические процессы и биосфера. 2022. Т. 21. № 3. С. 18–26. DOI: 10.21455/GPB2022.3-3.

10. Методические рекомендации по предотвращению образования ледовых заторов на реках Российской Федерации и борьбе с ними. М.: ФЦ ВНИИ ГОЧС, 2004. 234 с.

11. Михайлов В.Н., Магрицкий Д.В. Новое в исследовании экстремальных гидрологических процессов // Вестн. Моск. ун-та. Сер. 5. Геогр. 2011. № 6. С. 108–109.

12. Михайлов В.Н. Заторные явления на реках России // Водные ресурсы. 1997. Т. 24. № 3. С. 345–353.

13. Природные опасности России. Т. 5. Гидрометеорологические опасности / под ред. Г.С. Голицына, А.А. Васильева. М.: КРУК, 2001. 480 с.

14. Семенова Н.К., Сазонов А.А., Крыленко И.Н. Прогнозирование возможности образования заторов льда с помощью методов машинного обучения // Четвертые Виноградовские чтения. Гидрология от познания к мировоззрению : сб. докладов Междунар. науч. конф. Санкт-Петербург, 23–31 октября 2020 г. СПб.: Изд-во ВВМ, 2020. С. 358–361.

15. Сумачев А.Э., Банщикова Л.С. Ледовый режим реки Печоры в современных климатических условиях и принципы прогнозирования высшего уровня воды за период весеннего ледохода // Успехи современного естествознания. 2021. № 10. С. 75–80. DOI: 10.17513/use.37701.

16. 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. DOI: 10.52002/0130-2906-2024-4-104-115.

17. Bourel M., Segura A.M., Crisci C. et al. Machine learning methods for imbalanced data set for prediction of faecal contamination in beach waters, Water Researsh, 2021, vol. 202, DOI: 10.1016/j.watres.2021.117450.

18. Chawla N.V., Bowyer K.W., Hall L.O. et al. SMOTE: Synthetic minority over-sampling technique, J. Artif. Intell. Res., 2002, vol. 16, p. 321–357, DOI: 10.1613/jair.953.

19. Graf R., Kolerski T., Zhu S. Predicting ice phenomena in a river using the artificial neural network and extreme gradient boosting, Resources, 2022, vol. 11, no. 12, 29 p.

20. Guo X., Wang T., Fu H. et al. Ice-jam forecasting during river breakup based on neural network theory, Journal of Cold Regions Engineering, 2018, vol. 32, iss. 3, p. 04018010, DOI: 10.1061/(ASCE)CR.1943-5495.0000168.

21. Massie D.D., White K.D., Daly S.F. Application of neural networks to predict ice jam occurrence, Cold Reg. Eng., 2002, vol. 35, no. 2, p. 0–122, DOI: 10.1016/s0165-232x(02)00056-3.

22. Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: Machine Learning in Python, Journal of Machine Learning Research, 2011, vol. 12, no. 85, p. 2825–2830.

23. Wang T., Guo X., Fu H. et al. Breakup ice jam forecasting based on neural network theory and formation factor, E-proceedings of the 38th IAHR World Congress, Panama City, September 1–6, 2019, Panama, IAHR, 2019, p. 2488, DOI: 10.3850/38WC092019-0641.

24. Wang H., Meng Y., Xu H. et al. Prediction of flood risk levels of urban flooded points through using machine learning with unbalanced data, J. Hydrol., 2024, vol. 630, p. 130742, DOI: 10.1016/j.jhydrol.2024.130742.

25. Wu Y., Ding Y., Feng J. SMOTE-Boost-based sparse Bayesian model for flood prediction, J. Wireless Com. Network, 2020, vol. 78, DOI: 10.1186/s13638-020-01689-2.

26. Wu Y., Yukai D., Feng J. Sparse Bayesian flood forecasting model based on SMOTEBoost, 2019 International Conference on Internet of Things (iThings) and IEEE Green Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData), Atlanta, GA, USA, 2019, p. 279–284, DOI: 10.1109/iThings/GreenCom/CPSCom/SmartData.2019.00067.

27. Архив погоды в Нарьян-Маре. URL: http://www.pogodaiklimat.ru/weather.php?id=23205 (дата обращения 01. 06. 2024).

28. Catboost – высокопроизводительная библиотека с открытым исходным кодом для градиентного бустинга на деревьях решений. URL: https://catboost.ai/ (дата обращения: 02. 08. 2024).

29. Imblearn: библиотека. URL: https://imbalanced-learn.org/ (дата обращения 02. 08. 2024).

30. Optuna: фреймворк оптимизации гиперпараметров. URL: https://optuna.readthedocs.io/ (дата обращения 02. 08. 2024).

31. Sklearn: машинное обучение на Python. URL: https://scikit-learn.org/stable/ (дата обращения 02. 08. 2024).

32. Github. URL: https://github.com/SergeyIglin/ML_rarehy-droevents_with_smote (дата обращения 16. 10. 2024).