Выявление Изменений И Наводнений В Северном Казахстане

Обзор: Весенние Наводнения В Казахстане

Ранняя весна в Казахстане каждый год сопровождается интенсивным таянием снега. Из-за резкого повышения температуры стекающая вода устремляется вниз с гор, затапливая улицы местных поселений и сельскохозяйственные угодья. Например, 13 марта 2023 года весенний паводок в Казахстане достиг такого экстремального уровня, что местные власти объявили режим чрезвычайной ситуации природного характера.

Министерство по чрезвычайным ситуациям Казахстана заявило, что до начала сезона паводков в Западно-Казахстанском регионе были проведены превентивные противопаводковые мероприятия. Они включали строительство и укрепление дамб и защитных барьеров, установку водопропускных труб, очистку системы каналов, уборку снега, бурение лунок и скалывание льда в местах, где он может создать затор и перекрыть течение реки. Такой комплексный подход позволил властям снизить угрозу наводнений.

Однако даже после проведения профилактических мероприятий сохранялась еще одна серьезная проблема. Переливы и разрушение дорог привели к перебоям в транспортном сообщении и изоляции отдельных населенных пунктов. Угроза усугубляется сомнительным техническим состоянием 1806 гидротехнических сооружений, 471 из которых требуют капитального ремонта. В то же время, точная оценка технического состояния этих сооружений затруднена из-за отсутствия поддержки со стороны государства и частной собственности на землю.

Ситуация в 2023 году осложнялась также снегопадом в Туркестанском регионе (по состоянию на 12 января 2023 года его охват составил 94% территории). Зарегистрированные запасы снега в горах превышали норму на 47-49%. Прогнозировалось, что весеннее таяние этого снежного запаса вызовет нерегулируемое увеличение сброса талых вод по реке Арысь в Сырдарью и риск затопления населенных пунктов в нижнем течении Сырдарьи в Казахстане ^{In Kazakhstan, spring floods can affect 255 settlements. (2023, January 24). Karavan.}.

Местные аграрии признают, что на ликвидацию последствий наводнений каждый сезон уходит очень много времени. Паводки не только разрушают здания и дороги, но и провоцируют эрозию почвы, чем наносят ущерб большим площадям сельскохозяйственных угодий. Наводнение смывает наиболее плодородный верхний слой почвы, на восстановление которого могут уйти десятилетия.

Оценка воздействия эрозии показала, что если предположить, что общий урожай на плато (равнинной территории) в Казахстане составляет 100%, то в случае неконтролируемого весеннего паводка северные склоны дадут 80% от этого объема, а южные склоны — только 40-60% ^{Buyanov S. (2015, May 19). Kazakhstan: The sunken earth. Kazakh-Seed.}.

Проблема: Влияние Наводнений На Северный Казахстан

Для обучения модели обнаружения наводнений мы выбрали область интереса (ОИ) в одном из регионов Северного Казахстана. Эта территория простиралась через реку Жабай (один из притоков реки Ишим), вдоль гидропоста в устье реки и города Атбасар с населением 29 673 человека.

Для этого региона характерны интенсивные весенние паводки, которые наблюдаются в течение последних 10 лет, существенно осложняя социально-экономическое развитие населенных пунктов этого района.

К основным причинам наводнений относятся:

• Обильные осадки (таяние снежного покрова);
• Образование заторов на водотоках, способствующее резкому подъему уровня воды;
• Быстрое таяние речного льда на равнинной территории умеренного пояса, вызванное резким повышением температуры весной.

Наиболее интенсивные наводнения наблюдались в:

1. 2014 — на 12 улицах города было затоплено более 550 домов. Сотни людей были эвакуированы;
2. 2016 год — наблюдалась угроза затопления близлежащих домов, 70 человек были эвакуированы. В результате наращивания земляной насыпи до высоты 7 м перелив был ликвидирован;
3. В 2017 году произошел высокий подъем воды, почти в два раза превышающий критический, и защитная дамба была смыта в четырех местах. Было затоплено более 600 домов, эвакуировано почти 1500 человек. Уровень воды был на 80 сантиметров выше уровня наводнения 2014 года;
4. В 2019 году в Атбасаре две школы и около 80 жилых домов оказались под угрозой затопления из-за повышения уровня воды на реке Жабай вблизи города на 70 сантиметров.

Эксперты EOSDA обучили пользовательскую нейросетевую модель на данных дистанционного зондирования и наземных данных, которые были получены в этом регионе. Включив в модель такие переменные, как температура и высота снежного покрова, они смогли получить аналитические данные для прогнозирования весеннего паводка с точностью 90%.

Решение: Модель Множественной Регрессии

Для прогнозирования площади затопления наши ученые использовали линейную модель множественной регрессии. Они рассматривали два типа исходных данных:

1. Независимые переменные, например, метеорологические данные
2. Зависимая переменная, то есть само наводнение.

Предположим, вы — сельскохозяйственный кооператив, пытающийся предсказать время весеннего паводка на следующий сезон. Вы знаете, что множество факторов (погода, высота снежного покрова, географическое положение) могут повлиять на время наводнения, а в итоге и на урожайность. Возможно, есть и менее очевидные факторы, такие как образование снежного покрова в соседних странах, техническое состояние близлежащих плотин и заторы на водотоках, которые влияют на паводки.

Для составления точных прогнозов общие решения, такие как библиотека Python, не дадут вам надежного результата. Решение заключается в использовании ML-модели, построенной на тщательно подобранном математическом алгоритме и обученной специально для уникальных условий вашего региона. Для обнаружения весенних паводков в Северном Казахстане ученые EOSDA решили использовать линейный множественный регрессионный анализ, основанный на метеорологических предикторах.

Множественный регрессионный анализ — это способ математически предсказать, когда, где и как все важные переменные приводят к весеннему паводку. Проведение такого анализа на основе точных предикторов может помочь избавиться от догадок при ответе на важные вопросы. Например, мы можем оценить, какие факторы имеют наибольшее значение, а какими можно пренебречь. Затем анализ множественной регрессии покажет, как эти факторы взаимодействуют друг с другом в пространстве и времени. И, что, возможно, наиболее важно, какие места, скорее всего, пострадают от наводнения, когда все эффекты этих факторов соберутся вместе.

Алексей Кривобок

Эксперт по научным решениям EOS Data Analytics

Выбор Предикторов Для Физического Обоснования Построения Модели Прогнозирования

Прежде всего, наши ученые должны были разобраться, какие факторы способствуют весеннему наводнению в ОИ в наибольшей степени, а какие можно отбросить.

Интенсивное таяние снега в ОИ обычно происходит в конце марта – начале апреля. Поэтому мы должны были оценить факторы, влияющие на снегозапасы и интенсивность их таяния, которые вызывают весенний паводок, а именно:

• Максимальная высота снежного покрова за холодный период года с декабря по март;
• Минимальная температура в холодный период года, которая влияет на глубину промерзания почвы. Во время быстрого таяния замерзшая почва не впитывает воду, что усугубляет паводок;
• Глубина снежного покрова при наступлении постоянной плюсовой температуры, которая показывает, сколько снега остается на момент интенсивного таяния;
• Сумма температур от даты наступления плюсовой температуры до даты исчезновения снежного покрова. Чем ниже сумма температур, тем интенсивнее процесс таяния, т.е. меньшее количество дней необходимо для полного таяния снега попадания всего его объема в реку. Другие процессы, такие как испарение и впитывание воды в почву, в данном случае не имеют такого большого значения, так как не успевают уменьшить объем воды, поступающей в реку;
• Максимальная положительная температура, которая наблюдается перед наступлением постоянного периода с плюсовой температурой. Такое повышение температуры способствует увеличению влагосодержания снежного покрова, что приводит к более интенсивному таянию при наступлении периода постоянной плюсовой температуры.

Результат: Точное Прогнозирование Наводнений, Дальнейшие Перспективы

В таблице ниже представлены результаты определения площади затопления с помощью модели в сравнении с фактическими, т.е. определенными по спутниковым данным на момент максимального паводка за 2016 – 2019 годы. Анализ результатов показал, что средняя разница между фактическими и расчетными значениями составляет 79,5 кв. км, а относительная погрешность, представленная в столбце [abs(Sf – Sm)/Sf], равна 0,10, что соответствует 10% статистической погрешности, т.е. 90% точности прогнозирования. Это сравнение показывает, что прогнозируемые значения соответствуют фактическим значениям, что доказывает жизнеспособность модели.

Ключевой Фактор: Метеорологические Данные

Результат обучения ML-модели сильно зависит от точности независимых предикторов, таких как температура, осадки, влажность воздуха и так далее. Это связано с тем, что быстрое таяние снега и льда, которое вызывает всю проблему, зависит от резкого повышения температуры. Последствия наводнения, в свою очередь, зависят от того, сколько снега и льда успеет растаять и сколько из них действительно достигнет области интереса.

Данная модель обнаружения наводнений является проверкой концепции (PoC), основанной на исторических метеорологических данных, которые немного точнее прогнозов погоды. В случае обучения модели для прогнозирования наводнений в реальных условиях, мы бы выбрали значения прогноза погоды на 1-2 недели вперед от текущего времени, в зависимости от поставленной задачи. Для этого мы бы использовали метеорологические данные из прогностических региональных и глобальных моделей. Например, ICON показывает один из лучших уровней точности прогноза температуры — до 10С.

При наличии отклонений в значениях предикторов, полученные прогнозы могут оказаться слишком далекими от истины. Поэтому наши специалисты использовали наиболее весомые и точные предикторы для обучения модели.

Другие Возможности Модели

В нашей области интереса в Северном Казахстане находилось множество небольших инфраструктурных объектов, которым грозило разрушение из-за весеннего паводка. Важно отметить, что потенциальные возможности наших специально обученных моделей могут быть расширены в зависимости от конкретной цели.

Например, вы можете захотеть снизить риски ущерба от наводнения для небольшого города, но вы также можете заказать модель, ориентированную на решение сельскохозяйственных задач, например, прогнозирование эрозии почвы и зон продуктивности полей.

Вот некоторые из возможных вариантов реализации наших индивидуальных ML-моделей:

• Мониторинг хода строительства объектов (например, фундамента, стен, крыши). Модель может обнаружить тысячи таких объектов.
• Определение наиболее подходящих участков для строительства в районах, подверженных весенним паводкам.
• Прогнозирование временных рядов на основе вегетационных индексов для сельскохозяйственных предприятий.

Обращайтесь за персональной консультацией, и наши специалисты расскажут вам, как можно “настроить” наши алгоритмы для решения вашей конкретной проблемы.