Виявлення Змін Та Повеней У Північному Казахстані

Огляд: Весняні Повені У Казахстані

Щороку на початку весни в Казахстані відбувається швидке танення снігу. Через різке підвищення температури вода стікає з гір, затоплюючи вулиці місцевих населених пунктів та сільськогосподарські угіддя. 13 березня 2023 року весняна повінь у Казахстані досягла такого екстремального рівня, що місцева влада оголосила режим надзвичайної ситуації природного характеру.

Міністерство з надзвичайних ситуацій Казахстану заявило, що в Західно-Казахстанській області перед початком сезону повеней були проведені превентивні протиповеневі заходи. Зокрема, були побудовані й укріплені дамби та захисні бар’єри, встановлені водопропускні труби, очищена система каналів, прибраний сніг, пробурені лунки й розрізана крига на ділянках, схильних до річкових заторів. Завдяки такому комплексному підходу владі вдалося зменшити загрозу виникнення повеней.

Однак одна суттєва проблема виникла навіть попри вжиті превентивні заходи. Переливи та розмиви доріг призвели до перебоїв у транспортному сполученні та ізоляції окремих населених пунктів. Ситуацію погіршує вкрай сумнівний технічний стан 1806 гідротехнічних споруд, 471 з яких потребують капітального ремонту. При цьому точна оцінка технічного стану цих споруд ускладнена через відсутність підтримки з боку держави та те, що земля перебуває у приватній власності.

У 2023 році становище також ускладнили снігопади в Туркестанській області (станом на 12 січня 2023 року територія була вкрита снігом на 94%). Запаси снігу в горах становили на 47-49% більше норми. За прогнозами, весняне танення цього снігового покриву могло спричинити неконтрольоване збільшення стоку талих вод по річці Арись у Сирдар’ю та створити загрозу підтоплення населених пунктів у низов’ї річки Сирдар’я на території Казахстану ^{In Kazakhstan, spring floods can affect 255 settlements. (2023, January 24). Karavan.}.

Місцеві аграрії зазначають, що кожного сезону на усунення наслідків повеней витрачається дуже багато часу. Окрім того, що повені пошкоджують будівлі та дороги, значні площі сільськогосподарських угідь страждають від ерозії ґрунтів після високої води. Повінь змиває найродючіший верхній шар ґрунту, і на його відновлення можуть піти десятиліття.

Згідно з проведеною оцінкою впливу ерозії, якщо припустити, що загальна врожайність на плато (рівнинній території) в Казахстані дорівнює 100%, у разі виникнення неконтрольованої весняної повені на північних схилах зможе вродити 80% від цього обсягу, тоді як на південних схилах – лише 40-60% ^{Buyanov S. (2015, May 19). Kazakhstan: The sunken earth. Kazakh-Seed.}.

Проблема: Наслідки Повеней В Північному Казахстані

Для навчання моделі виявлення повеней ми обрали область інтересу (AOI) в одному з регіонів Північного Казахстану. Ця територія простягається через річку Жабай (одна з приток річки Ішим), вздовж гідропосту в гирлі річки та міста Атбасар з населенням 29 673 мешканців.

Протягом останніх 10 років там спостерігаються інтенсивні весняні повені, які значно ускладнюють соціально-економічний розвиток населених пунктів у цьому басейні.

Серед основних причин повеней виділяють:

• Танення рясних опадів (снігового покриву);
• Утворення заторів на водотоках, що спричиняють різкий підйом рівня води;
• Стрімке танення річкового льоду на рівнинній території з помірним кліматом через різке підвищення температури навесні.

Найінтенсивніші повені:

1. 2014 рік – понад 550 будинків на 12 вулицях міста були підтоплені. Сотні людей були евакуйовані;
2. 2016 рік – виникла загроза підтоплення прилеглих будинків, було евакуйовано 70 осіб. В результаті зведення 7-метрового земляного насипу перелив було ліквідовано;
3. У 2017 році рівень води піднявся до позначки, що була майже вдвічі вище за критичну. Захисну дамбу змило в чотирьох місцях, було затоплено понад 600 будинків і евакуйовано близько 1 500 осіб. Рівень води на 80 сантиметрів перевищив рівень повені 2014 року;
4. У 2019 році рівень води в річці Жабай поблизу міста Атбасар підвищився на 70 сантиметрів, внаслідок чого дві школи та близько 80 житлових будинків опинилися під загрозою затоплення.

Експерти EOSDA провели навчання спеціальної моделі нейронної мережі на основі даних дистанційного зондування та наземних спостережень, отриманих у цьому регіоні. Вони також додали такі змінні, як температура та глибина снігу, і змогли отримати прогноз весняних повеней з точністю 90%.

Рішення: Модель Множинної Регресії

Для прогнозування площі затоплення наші вчені використали лінійну модель множинної регресії. Вони розглянули два типи вхідних даних:

1. Незалежні змінні, такі як метеорологічні дані
2. Залежна змінна, тобто сама повінь.

Припустимо, ви – агрокооператив, який намагається спрогнозувати період весняної повені на наступний сезон. Ви знаєте, що на час виникнення повені можуть впливати численні фактори – від погоди до висоти снігового покриву і географічного положення – які в кінцевому підсумку можуть вирішити долю вашого врожаю. Ймовірно, існують і менш очевидні фактори, що впливають на повені, наприклад, снігові утворення в сусідніх країнах, технічний стан прилеглих дамб та затори на водотоках.

Для точного прогнозування недоцільно використовувати типові рішення, на кшталт бібліотеки Python, оскільки вони не здатні забезпечити надійний результат. Рішення полягає в тому, щоб обрати модель машинного навчання, побудовану на ретельно підібраному математичному алгоритмі й навчену враховувати унікальні умови вашої місцевості. Для виявлення весняних повеней у Північному Казахстані команда вчених EOSDA вирішила застосувати лінійний множинний регресійний аналіз на основі метеорологічних предикторів.

Множинний регресійний аналіз – це спосіб математичного прогнозування того, коли, де і яким чином всі важливі змінні призведуть до весняної повені. Проведення такого аналізу на основі точних предикторів може допомогти уникнути припущень при відповіді на важливі питання. Наприклад, ми можемо оцінити, які фактори мають найбільшу вагу, а які можна взагалі не враховувати. Крім того, множинний регресійний аналіз покаже, як ці фактори взаємодіють один з одним у просторі та часі й, мабуть, найважливіше, які місця, найімовірніше, постраждають від повені, коли проявиться сукупний вплив усіх цих факторів.

Олексій Кривобок

Експерт з наукових рішень EOS Data Analytics

Вибір Предикторів Для Фізичного Обґрунтування Побудови Моделі Прогнозування

Насамперед, наші науковці повинні були визначити, які фактори матимуть найбільший вплив на весняну повінь в області інтересу, а які можна не брати до уваги.

Інтенсивне танення снігу в області інтересу зазвичай відбувається наприкінці березня – на початку квітня. Тому ми мали оцінити фактори, що впливають на запаси снігу та інтенсивність його танення, яке спричиняє весняну повінь, а саме:

• Максимальна висота снігового покриву за холодний період року з грудня по березень;
• Мінімальна температура за холодний період року, яка впливає на глибину промерзання ґрунту. Під час стрімкого танення замерзлий ґрунт не дозволяє волозі вбиратися в ґрунт, тим самим посилюючи повінь;
• Висота снігового покриву при настанні стабільної плюсової температури, яка показує, скільки снігу залишилося на момент інтенсивного танення;
• Сума температур від дати настання плюсової температури до дати сходу снігового покриву. Чим менша сума температур, тим інтенсивніший процес танення, тобто сніг повністю розтане і в повному обсязі потрапить в річку за меншу кількість днів. Інші процеси, такі як випаровування та вбирання води в ґрунт, у цьому випадку не мають суттєвого значення, оскільки не встигають суттєво зменшити об’єм води, що потрапляє в річку;
• Максимальна плюсова температура, яка спостерігається перед настанням періоду постійної плюсової температури. Таке підвищення температури сприяє збільшенню вологості снігового покриву, що призводить до більш інтенсивного танення, коли настає період постійної плюсової температури.

Результат: Точне Прогнозування Повеней, Подальше Використання

В таблиці нижче наведено порівняння результатів виявлення затоплених площ за допомогою моделі з фактичними, що були визначені на основі супутникових даних під час максимального розливу річки за 2016–2019 роки. Аналіз результатів показав, що середня розбіжність між фактичними та розрахованими значеннями становить 79,5 кв. км, а відносна похибка у колонці [abs(Sf – Sm)/Sf], дорівнює 0,10, що відповідає 10% статистичної похибки, отже точність прогнозу складає 90%. Судячи з порівняння, можемо зробити висновок, що прогнозовані значення відповідають фактичним значенням, а це доводить ефективність моделі.

Ключовий Фактор: Метеорологічні Дані

Результати навчання моделі машинного навчання значною мірою залежать від точності незалежних предикторів, таких як температура, опади, вологість повітря тощо. Це пов’язано з тим, що швидке танення снігу та льоду, яке в цілому спричиняє проблему, зумовлене різким підвищенням температури. Наслідки повені, своєю чергою, залежать від того, скільки снігу і льоду встигне розтанути і яка їх кількість фактично досягне території, що вас цікавить.

Ця модель виявлення повеней є перевіркою концепції, яка спирається на історичні метеорологічні дані, що є дещо точнішими, ніж прогнози погоди. Якби ми навчали модель прогнозувати повені в реальних умовах, то вибирали б значення прогнозу погоди за 1-2 тижні до поточного моменту залежно від поставленої задачі. Для цього ми б використали метеорологічні дані з регіональних та глобальних моделей, що прогнозують погоду. Наприклад, ICON демонструє один з найкращих показників точності прогнозування температури – близько 1 градусу за Цельсієм.

За наявності відхилень у значеннях будь-яких предикторів, отримані прогнози виявляються надто далекими від дійсності. Тому наші фахівці використали найбільш вагомі й точні предиктори для навчання моделі.

Можливості Подальшого Використання Моделі

Наша область інтересу в Північному Казахстані включала багато невеликих інфраструктурних об’єктів, які опинилися під загрозою руйнування через весняну повінь. Важливо зазначити, що потенційні можливості наших спеціально навчених моделей можуть бути розширені залежно від конкретної мети.

Наприклад, вашою метою може бути зменшення ризиків повеней для невеликого міста, проте ви також можете замовити модель, яка орієнтована на розв’язання сільськогосподарських проблем, наприклад, прогнозування ерозії ґрунту та зон продуктивності полів.

Ось деякі з можливих застосувань наших індивідуальних моделей машинного навчання:

• Спостереження за ходом будівництва об’єктів (наприклад, фундамент, стіни, дах). Модель здатна виявити тисячі таких об’єктів.
• Визначення оптимальних ділянок для будівництва на територіях, схильних до весняних повеней.
• Прогнозування часових рядів на основі вегетаційних індексів для агропідприємств.

Зверніться до наших фахівців за консультацією і дізнайтесь, як ми можемо налаштувати наші алгоритми відповідно до вашого конкретного випадку використання.