Определение оптимальной модели машинного обучения для предсказания паводков на реке Амур
(Стр. 11-20)

Природные катастрофы, связанные с водой, являются одними из наиболее разрушительных и ответственны за 72% от общего экономического ущерба, причиненного стихийными бедствиями, а в связи с изменениями климата их количество будет только расти. В России главной такой катастрофой являются речные паводки. Цель данной исследовательской работы определить наилучший метод машинного обучения для предсказания паводков на реке Амур, где они наносят значительный ущерб населению и экономике региона. Исследование предпринято с целью улучшения методов прогнозирования паводков для последующего использования результатов исследования в решении задач управления при реагировании на паводки. В исследовании учитываются практические аспекты реализации системы прогнозирования, поэтому были изучены 3 наиболее популярных метода машинного обучения: линейная регрессия, нейронная сеть и градиентный бустинг, потому что эти методы обладают развитой экосистемой вспомогательных решений и широко известны в профессиональном сообществе. Методология исследования была нацелена на достижение максимальной сравнимости результатов. Среди проверенных алгоритмов наилучшее качество продемонстрировал градиентный бустинг над деревьями в реализации Catboost. Результаты исследования применимы и к другим рекам, по которым количество данных сравнимо с Амуром.

Александров Н.Э., Азиз Н.М., Казенков О.Ю., Ермаков Д.Н., (2022), ОПРЕДЕЛЕНИЕ ОПТИМАЛЬНОЙ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРЕДСКАЗАНИЯ ПАВОДКОВ НА РЕКЕ АМУР. Computational nanotechnology, 2 => 11-20.

Arduino G., Reggiani P., Todini E. Recent advances in flood forecasting and flood risk assessment // Hydrology and Earth Sciences. 2005. Pp. 280-284.
Aqil M., Kita I., Nishiyama S. Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool // Journal of Environmental Management. 2007. Pp. 215-223.
Carvalho D., Pereira E., Cardoso J. Machine learning interpretability: A survey on methods and metrics // Electronics. 2019. P. 832.
Diederik P. Kingma Jimmy Ba Adam: A method for stochastic optimization // 3rd International Conference for Learning Representations. San Diego, 2015.
DiFrancesco K.N., Tullos D.D. Flexibility in water resources management: Review of concepts and development of assessment measures for flood management systems // Journal of the American Water Resources Association. Pp. 1527-1539.
Dipanjan Sarkar, Raghav Bali, Tushar Sharma. The Python machine learning ecosystem // Practical Machine Learning with Python. 2017. Pp. 67-118.
Chang F.J., Hsu K., Chang L.C. Flood forecasting using machine learning methods. 2019.
Makhinov А.N. Amur terrigene and chemical discharge formation // Proceedings of the International Kyoto Symposium. Kyoto, Japan: Research Institute for Hymanity and Nature, 2005. Pp. 61-65.
Moore R.J., Bell V.A., Jones D.A. Forecasting for flood warning // Comptes Rendus Geosciences. 2005. Pp. 203-217.
Nash J.E., Sutcliffe J.V. River flow forecasting through conceptual models. Part I: A discussion of principles // Journal of Hydrology. 1970. Pp. 282-290.
Frumkin H. Disaster preparedness. In: Environmental health: From global to local. San Francisco: Jossey-Bass Publishers, 2005.
Prokhorenkova L. et al. CatBoost: Unbiased boosting with categorical features // NIPS. 2017.
Ramírez J.A. Prediction and modeling of flood hydrology and hydraulics. In: Inland flood hazards: Human, riparian and aquatic communities. Cambridge: Cambridge University Press, 2010.
Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature. 1986. No. 323. Pp. 533-536.
Sahraei S., Asadzadeh M., Unduche F. Signature-based multi-modelling and multi-objective calibration of hydrologic models: Application in flood forecasting for Canadian Prairies // Journal of Hydrology. 2020. P. 588.
Scikit-learn sklearn.linear_model.LinearRegression [Online]. 2022. URL: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Tullos D. Assessing environmental impact assessments: A review and analysis of documenting environmental impacts of large dams // Journal of Environmental Management. 2008. Pp. 208-223.
Vinod N., Geoffrey E. Hinton rectified linear units improve restricted Boltzmann machines // 27th International Conference on International Conference on Machine Learning [s.l.]. USA: Omnipress, 2010. Pp. 807-814.
Академия больших данных MADE и hh.ru составили портрет российского специалиста в сфере Data Science // Vk, hh.ru. 2020. URL: https://vk.company/ru/press/releases/10682/
Yoganath Adikari, Junichi Yoshitani. Global trends in water related disasters: An insight for policymakers. Tsukuba, Japan: International Centre for Water Hazard and Risk Management (UNESCO) (ICHARM), 2009.
Демиденко Е.З. Линейная и нелинейная регрессия // Финансы и статистика. 1981.
Махинов А.Н., Ким В.И., Воронов Б.А. Наводнение в бассейне Амура 2013 года: причины и последствия // Вестник ДВО РАН. 2013.
Новороцкий П.В. Колебания стока Амура за последние 110 лет // География и природные ресурсы. 2007. C. 86-90.
Осипов Ю.С. Нейронная сеть // Большая российская энциклопедия. 2017.
Сбербанк NoFloodWithAI: прогнозирование паводков на реке Амур. 2020. URL: https://github.com/sberbank-ai/no_flood_with_ai_aij2020

управление катастрофами, предсказание паводков, река Амур, машинное обучение.