Анализ характеристик селевых потоков при ограниченных данных с использованием моделей машинного обучения

В работе предложен комбинированный метод анализа неполной и искаженной информации, продемонстрированный на примере прогнозирования селей. Основная цель исследования заключается в демонстрации возможности не только создавать точные прогнозы, но и разбирать механизмы принятия решений модели, идентифицируя значимые параметры, влияющие на предсказания. Для представления выявленных комплексов параметров, влияющих на объем селевого потока, в виде логических правил потребовалось использование категоризации данных. Это позволило повысить надежность моделей при наличии выбросов и шума, а также учесть нелинейности. Для формирования логических правил применялись два подхода: метод ассоциативного анализа и оригинальная методика построения логического классификатора. В результате ассоциативного анализа были выявлены правила, отражающие определенные закономерности в данных, которые, как оказалось, нуждались в значительной коррекции. Использование логического классификатора позволило уточнить и скорректировать закономерности, обеспечив определение комплекса факторов, влияющих на объем селевого потока. Такой подход позволил выявить наиболее существенные входные переменные и понять, каким образом модель обрабатывает данные для генерации прогноза, определить факторы, играющие ключевую роль в результатах прогнозирования, обеспечить адекватную точность и стабильность прогнозов с учетом особенностей и сложности данных о селевых явлениях. Выведенные в результате исследования закономерности, отражающие скрытые принципы исследуемой предметной области, методы логического анализа, использованные в исследовании, помогли установить возможные причины формирования разных объемов выносимых твердых отложений. Полученные результаты могут быть использованы для совершенствования систем мониторинга и предотвращения негативных последствий селевых явлений.

1. Caiafa C.F., et al. Decomposition Methods for Machine Learning with Small, Incomplete or Noisy Datasets. Applied Sciences. 2020;10(23). https://doi.org/10.3390/app10238481

2. Kainthura P., Sharma N. Hybrid machine learning approach for landslide prediction, Uttarakhand, India. Scientific Reports. 2022;12(1). https://doi.org/10.1038/s41598-022-22814-9

3. Hadi F.A.A., et al. Machine learning techniques for flood forecasting. Journal of Hydroinformatics. 2024;26(4):779–799. https://doi.org/10.2166/hydro.2024.208

4. Lombardo L., Mai P.M. Presenting logistic regression-based landslide susceptibility results. Engineering Geology. 2018;244:14–24. https://doi.org/10.1016/j.enggeo.2018.07.019

5. Rahmati O., Kornejady A., Samadi M., et al. PMT: New analytical framework for automated evaluation of geo-environmental modelling approaches. Science of The Total Environment. 2019;664:296–311. https://doi.org/10.1016/j.scitotenv.2019.02.017

6. Кондратьева Н.В., Аджиев А.Х., Беккиев М.Ю., Гедуев (Гяургиева) М.М., Перов В.Ф., Разумов В.В., Сейнова И.Б., Хучунаева Л.В. Кадастр селевой опасности юга европейской части России. Москва; Нальчик: Феория; 2015. 148 с.

7. Кюль Е.В., Езаов А.К., Канкулова Л.И. Теоретические основы геоэкологического мониторинга горных геосистем. Устойчивое развитие горных территорий. 2019;11(1):36–43. https://doi.org/10.21177/1998-4502-2019-11-1-36-43

8. Радеев Н.А. Предсказание лавинной опасности методами машинного обучения. Вестник НГУ. Серия: Информационные технологии. 2021;19(2):92–101. https://doi.org/10.25205/1818-7900-2021-19-2-92-101

9. Haoxiang Wang S.S. Big Data Analysis and Perturbation using Data Mining Algorithm. Journal of Soft Computing Paradigm. 2021;3(1):19–28.

10. Lyutikova L.A. Construction of a Logical-Algebraic Corrector to Increase the Adaptive Properties of the ΣΠ-Neuron. Journal of Mathematical Sciences. 2021;253(4):539–546. https://doi.org/10.1007/s10958-021-05251-3