книги из ГПНТБ / Снежные лавины (прогноз и защита) [сб. ст

П р и л о ж е н и е

Результаты промежуточных вычислений по различным программам при опознавании лавиноопасных ситуаций

( по данным табл. 3 ;

20

Пояснения. 1) во второй колонке "Приложения"шро1раыма I )

приведены значения линейной решающей функции, вычисленной по программе "Альтернатива". Пороговое значение этой функции

=й,Ь2. 2) В третьей колонке ^программа Щ приведены соотно­ шения "гол осов ", вычисленные по программе "О браз-3". Число над чертой обозначает количество голосов за то , что ситуация

является лавиноопасной, под чертой - не лавиноопасной. 3 ; В ко­ лонках 4-7 ( программы Ш -Ш приведены значения адекватности, вычисленные по различным модификациям программы "Поиск". В программах Ши ьУ, предназначенных для ручного счета,корреля­ ционные связи между определяющими параметрами игнорируются, в

учета корреляционных связей между определяющими параметрами;

вгеологических науках. М ., "Мир", 1965.

Бо н г а р д М. М. Проблема узнавания. М., " Наука", 1967.

В.Ф.Гракович

ОБ ИСПОЛЬЗОВАНИИ МЕТОДА РАСПОЗНАВАНИЯ ОБРАЗОВ ДЛЯ ОЦЕНКИ ЛАВИННОЙ СИТУАЦИИ

ПО КОМПЛЕКСУ МЕТЕОРОЛОГИЧЕСКОЙ ИНФОРМАЦИИ

В научной практике возникает 1фуг задач, связанных с распознаванием и предсказанием лавинных ситуаций. Вероятность прогноза схода снежной лавины зависит от большого числа инфор­ мационных параметров, а также от характера их комбинаций. Дан­ ная работа - лишь попытка выяснить корреляционные зависимости времени схода снежных лавин от изменений метеорологических факторов, которые приводят к срыву лавины. Анализируется воз­ можность применения метода распознавания образов для прогноза таких природных явлений,как сход снежных лавин.

Причина срыва снежных лавин - комплекс условий,при кото­ рых формируется снежный покров, а также диагенез снежной тол­ щи, изменяющий внутренние связи. Разнообразие географических условий сильно усложняет работу исследователя. Поэтому многие авторы /Аккуратов,I960; Тушинский,1962/ подчеркивают мысль о непригодности универсальных стандартных критериев для определе­ ния времени схода лавины и невозможности выработать единый ме­ тод прогнозирования лавинной опасности. Для каждого района при­ ходится искать свои способы решения этой проблемы. Большинство лавин, опасных для жизни и имущества людей, сходит во время сильных метелей или сразу после них. В тех случаях, когда схо­ дят лавины сублимационного диафтореза,необходимо обратить внима­ ние на анализ условий погоды,предшествующих событию. Понимание основ физических процессов,происходящих внутри снежной толщи, необходимо для правильной интерпретации натурных наблюдений и решения комплекса проблем,связанных с предсказанием времени падения лавин с долгопериодными процессами формирования. В этом случае вывод об устойчивости различных слоев снега на склоне сформулировать достаточно сложно, так как они подвергаются различным метеорологическим воздействиям и внутренним струк­ турным изменениям. Проблема прогноза схода снежных лавин под-

22

ной заблаговременностью.

Известны различные подходы к решению задачи прогнозиро­ вания снежных лавин. Статистический анализ факторов - о д а из методов оценки лавинной опасности. Метод применим, в первую очередь, к лавинам из метелсвого снега, которые сходят во время метели или сразу после ее окончания. Для определенных районов такие прогнозы дают хорошие результаты /Аккуратов, 1360/. Опасности от лавин сублимационного диафтореза предви­ деть чрезвычайно трудно, так как оценить каждый фактор, дейст­ вующий на сход лавины, практически невозможно без создания мощного математического аппарата и обработки статистического материала на ЭВМ. Проводимый метод прогнозирования по комплек­ су нескольких факторов /Справочник по прогнозированию,1964/мо­ жет оказать помощь при оценке лавинной опасности, однако,уве­ ренного ответа на вопрос о возможности схода лавины он не дает.

Совершенно ясно, что существующие методы должны быть точными

иобъективными.

Визложенных исследованиях вопроса схода снежных лавин

использовались комплексы метеорологических станций Торс кол

и Эльбрусской географического (факультета МГУ.

Для упрощения анализа синоптические данные (скорость ветра,

количество осадков, температура воздуха}образующие многомерный случайный вектор Е .подвергались предварительному сглажи­ ванию. Для выявления совместных зависимостей (осадки, ско­ рость ветра, температура воздуха) составлена программа "Графи­ ка ", где с помощью ЭВМ “0дра-1013" строятся сглаженные графи­

ки, определяющие синоптическую ситуацию на каждый день (р и сЛ ). В дальнейшем графики метеорологических данных анализирова­

лись и по ним строились функции распределения относительно времени схода лавин. Анализ графиков за IS67-I972 г г . показал,

что влияние температуры на возникновение лавины более много­ сторонне, чем любого другого фактора.Это подтверждается иссле­ дованием физических процессов,происходящих в снежной толше

/Тушинский,1962/. При теплой погоде,тогда температура близка к нулю, неустойчивость снега сильно увеличивается. Низкие тем­

23

г-' (s

Р и с.1 , сглаженный график ыетеоданных (апрель 1968)

выпадения и образованием снежных пластов.имеющих потенциаль­ ную возможность создать лавину. Оказывается, что существует некоторая критическая интенсивность выпадения -снега,вызываю- щая сход лавины.

Задачу распознавания лавинной ситуации оудем решать методом.предложенным М.М.Бонгардом /1 9 6 7 /. Она формулируется следующим образом. Имеется некоторое начальное множество объек­ тов , каждый из которых описывается конечным наоором извест­ ных параметров. Предполагается, что существует решающее пра­ вило , которое всегда разбивает множество объектов на непересекающиеся подмножества 1классы;„ В случае разбивания на два класса математическая часть решения задачи значительно упрощается.хотя идея остается такой же.

24

Разбивание множества объектов порождает и множество их

описаний.Следовательно, нужно построить систему, которая по описанию произвольного объекта устанавливала бы его принадлеж­ ность к соответствующему классу. При этом считаем, что сама "узнающая" система вырабатывает необходимое правило классифи­ кации объектов на классы в процессе обучения."Узнающая" сис­ тема с помощью стандартных математических операций,применя­ емых к объекту, и заложенной в программе логики определенный объект будет отнесен ЭВМ к конкретному классу.

В силу специфики работы ЭВМ возникает необходимость квантования параметров,осуществляемого на основании опыта ис­ следования и эвристического в том .смысле, что в его основе ле­ жат те или иные дополнительные интуитивные предположения,среди

которых наиболее распространенно предположение о "компактно­ сти" /Цыпкин,1970/. Вопросы, связанные с исследованием свойств параметров и их квантованием, в данной работе не рассматри­ ваются.

После представления параметров в удобном для машины ви­

де каждый из а параметров ( , . . . <2^ ) будет являться набором двоичных чисел. Вместо указанных параметров

получаются новые параметры I 6 1. , i 2. , . . . 6ГП ) . То, что некоторые наборы булевских переменных изображают один фактиче­ ский параметр, учитывается при их кодировке. Таким образом,

каждый объект из пространства представляет собой набор двоич­ ных чиоел.или булевский вектор. Задача сводится к определению логических функций в качестве искомых правил для построения таксона. Булевские векторы.являющиеся отображением объектов,

Необходимо найти характеристические функции X - .равные единице на Aj и нулю на Ag, где А( , к г - подмножества фа­ зового пространства,соответствующие объектам

*i { О ф } м .

25

В качестве такой логической функции выберем конъюнкцию. Эту функцию будем применять к любому сочетанию трех векторов из матрицы Е . Перебрав все конъюнкции трех векторов, получим совокупность трех признаков. Теперь остается выбрать из них самые надежные.Это можно сделать так: выбрав определенное чис­ ло признаков с максимальными "коэффициентами надежности" и задав "порог" lv , выбрать те признаки, для которых превыша­ ется "порог" К .Отобранные признаки и будут таксонами, с помощью которых можно отнести любой объект к тому или иному классу. На этом заканчивается один из этапов процесса обуче­ ния. Может случиться, что по каким-либо причинам забравован нужный признак. Тогда возьмем объекты,мало покрытые признака­ ми, и проводим доучивание, уменьшив "порог" 1C .Выберем до­ полнительные таксоны и включим их в число уже отобранных. Пос­ ле того , как весь класс объектов покрыт достаточно плотно так­ сонами, можно производить экзамен, т . е . вводить данные об очередном объекте для отнесения его к соответствующему классу.

Рассмотрим реализацию этого алгоритма. Для распознавания

нелавинная ситуация в момент назревания лавинном ситуации,

наждыи период характеризовался набором значений метеоданных:

денных в машину описании нескольких лавинных и нелавинных ситуа­ ций программа должна построить таксоны, с помощью которых она будет различать описание новых событий.

Поскольку знания метеорологических условии недостаточно для предсказания схода лавины, то необходимо учесть всю предисторию создания снежной толши, накапливаемой в лавиносборе.

Для этого , описание любого объекта (множество А ) формирова­ лось как совокупность описании всех слоев снежной толши. Цен­ ность такого метода заключается в том, что характеристика сне­ говой обстановки на каждый, указанный заранее день задается описанием всех слоев снега, которые существовали до этого дня

26

после схода последней лавины, а не только последнего снего­ пада. .Условно были выделены следующие подсобытия, или слои: непогода,хорошая погода,длинный период, последние два дня перед сходом лавины.Смена погодных условий, влияющих на раз­ витие снежной толщи и возникновение лавин показана на р и с.2.

Рис.2 Схема погодных условий

27

Здесь : -количество осадков (гумма); \ -скорость ветра (средняя); Т 0 - средняя температура воздуха за период;

-продолжительность периода; Jс -интенсивность снегопада в последние 2 дня; 2 -признак лавины (сходила или не сходила;. ЭВМ обраоатывает булевские векторы, которые получа­ ются из исходных метеорологических данных путем их квантова­

снежной толки до критического момента. Вид матрицы класса А , соответствующий вектору Е ( 1 ) , приведен в таол. 2.

наличие нескольких матриц класса А, ж. А2 объясняет­

ся следующей причиной. Размерность матрицы одного класса рав­

сетка ЗЕш"Минск-22" ограничивает размерность числом 33, поэто­

Ф3(0 формирование цикла для перебора по третьей переменной

формируются и печатаются таксонометрические решетки указан­ ных матриц.

28

Достоинством программы "Лавина- I " по сравнению с аналогич­ ными программам /Бонгард,1967/ является то , что она не накладывает ограничений на число параметров,используемых для описания подсобытий, интервал квантования параметров,кодирова­ ние и число событий, на которых происходит обучение.

На основе экспериментального материала исследовалось 10 лавинных и 17 нелавинных случаев в зимние периоды (1967-

1972 г г . ) .

Для цроведения экзамена использовано девять событий, отме­ ченных на одном лавиносборе. Анализ проводился о нескольких позиций: исследовалась применимость алгоритма распознавания для прогнозирования схода лавин, а также оценивалась информатив­ ность параметров, правильность описания события, способ коди­ рования информации. Обучение проводилось на небольшом коли­ честве лавинных событий,поэтому трудно дать однозначный ответ о применимости метода распознавания для прогноза схода,хотя результат достаточно обнадеживающий.

Проверка применяемого метода на указанном материале пока­ зала, что общая его оправдываемость составляет 93$. Это позво­ ляет с уверенностью считать, что первую часть задачи, т .е .

распознавание лавинной и нелавинной ситуаций по комплексу до­ ступных измерению характеристик,программа выполняет успешно. Вторую чаоть задачи, которая предполагает непосредственно крат­ косрочный прогноз схода снежных лавин,можно решить при наличии получаемой синоптической ситуации, сопутствующей образованию снегонакопления на горных склонах. Необходимо отметить, что при регулярной обработке на ЭВМ поступающих данных с различных лавиносборов и анализе предыдущих случаев, вероятность правиль­ ных ответов будет, безусловно, повышаться.Анализ результатов, полученных с помощью программ " Лавина- I " .показал;

1)можно построить признаки, позволяющие разделять лавин­ ные и нелавинные события по косвенным характеристикам;

2)выбор параметров для описания события был правильным;

3)представление события с помощью слоиотой структуры позволяет выявить накапливаемые изменения в стратиграфии снега;

4)программа составлена достаточно гибко и позволяет про­

водить обучение на любом количестве исходных .данных (до 100 событий). Небольшое изменение программы позволяет онять

это ограничение;

29