Оценка рисков стихийных бедствий на основе разнородной геопространственной информации
Запропоновано інтегрований підхід до оцінювання ризиків стихійних лих на основі різнорідної геопросторової інформації на базі ансамблевого підходу до аналізу і технологій злиття даних. Висловлено ідею, що створювана в перспективі на основі запропонованого українськими авторами цієї статті підходу си...
Saved in:
| Published in: | Проблемы управления и информатики |
|---|---|
| Date: | 2010 |
| Main Authors: | , , , , , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2010
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/210852 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Оценка рисков стихийных бедствий на основе разнородной геопространственной информации / Н.Н. Куссуль, Б.В. Соколов, Я.И. Зелык, В.А. Зеленцов, С.В. Скакун, А.Ю. Шелестов // Проблемы управления и информатики. — 2010. — № 6. — С. 97-110. — Бібліогр.: 17 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860235615957680128 |
|---|---|
| author | Куссуль, Н.Н. Соколов, Б.В. Зелык, Я.И. Зеленцов, В.А. Скакун, С.В. Шелестов, А.Ю. |
| author_facet | Куссуль, Н.Н. Соколов, Б.В. Зелык, Я.И. Зеленцов, В.А. Скакун, С.В. Шелестов, А.Ю. |
| citation_txt | Оценка рисков стихийных бедствий на основе разнородной геопространственной информации / Н.Н. Куссуль, Б.В. Соколов, Я.И. Зелык, В.А. Зеленцов, С.В. Скакун, А.Ю. Шелестов // Проблемы управления и информатики. — 2010. — № 6. — С. 97-110. — Бібліогр.: 17 назв. — рос. |
| collection | DSpace DC |
| container_title | Проблемы управления и информатики |
| description | Запропоновано інтегрований підхід до оцінювання ризиків стихійних лих на основі різнорідної геопросторової інформації на базі ансамблевого підходу до аналізу і технологій злиття даних. Висловлено ідею, що створювана в перспективі на основі запропонованого українськими авторами цієї статті підходу система оцінки ризиків може стати важливим компонентом розроблюваної інтегрованої інтелектуальної системи моніторингу та управління потенційно небезпечними складними об'єктами і процесами у кризових ситуаціях. Створення такої системи координується СПІІРАН (і зокрема, російськими авторами цієї статті) у рамках проекту Міжнародної аерокосмічної системи глобального моніторингу (МАКСМ), ініційованого Російським космічним агентством і підтриманого низкою національних космічних агентств, зокрема Національним космічним агентством України.
An integrated approach to the assessment of disasters risk on the basis of heterogeneous geospatial information based on an ensemble approach to the analysis and data fusion technologies is proposed. It is suggested that the created in perspective on the basis of proposed by Ukrainian authors of this article approach risk assessment system can be an important component of the developed integrated intelligent system of monitoring and control of potentially dangerous complex objects and processes in crisis situations. Creation of such system is coordinated by SPIIRAN (and in particular, by Russian authors of this article) within the bounds of International Global Aerospace Monitoring System (IGMASS) project, initiated by the Russian Space Agency and supported by a number of national space agencies, including NSA of Ukraine
|
| first_indexed | 2026-03-21T02:08:48Z |
| format | Article |
| fulltext |
© Н.Н. КУССУЛЬ, Б.В. СОКОЛОВ, Я.И. ЗЕЛЫК, В.А. ЗЕЛЕНЦОВ, С.В. СКАКУН,
А.Ю. ШЕЛЕСТОВ, 2010
Международный научно-технический журнал
«Проблемы управления и информатики», 2010, № 6 97
КОСМИЧЕСКИЙ МОНИТОРИНГ
УДК 681.512:00.467:519.246.8
Н.Н. Куссуль, Б.В. Соколов, Я.И. Зелык, В.А. Зеленцов,
С.В. Скакун, А.Ю. Шелестов
ОЦЕНКА РИСКОВ СТИХИЙНЫХ БЕДСТВИЙ
НА ОСНОВЕ РАЗНОРОДНОЙ
ГЕОПРОСТРАНСТВЕННОЙ ИНФОРМАЦИИ
Введение
Изменение климата становится причиной многочисленных стихийных бед-
ствий: паводков, засух, обильных снегопадов, лесных пожаров и т.п., наносящих
огромный ущерб экономике отдельных стран и целых регионов. В последние го-
ды для мониторинга стихийных бедствий все чаще используют геопростран-
ственные данные разной природы: аэрокосмические снимки и продукты (напри-
мер, цифровую модель рельефа, карты землепользования), а также данные дву-
мерного или трехмерного моделирования (в частности, метеорологические или
гидрологические модели). Результатом мониторинга при использовании такого
рода информации становятся цифровые карты или многослойные геопростран-
ственные данные, существенно облегчающие процесс принятия решения. Подоб-
ная информация может использоваться не только для картографирования районов
стихийных бедствий во время или после самого события, но и на других этапах
цикла развития стихийного бедствия (disaster cycle) — в том числе для построения
карт рисков, иллюстрирующих вероятность наступления события и ущерб, кото-
рый может быть им причинен.
Проблеме создания операционных сервисов оценки рисков стихийных бедствий
в Европе посвящен проект SAFER (http://www.emergencyresponse.eu/site/FO/scripts/
myFO_accueil.php?lang=EN) программы GMES (Global Monitoring for Environment
and Security). В отношении создания информационных сервисов для мониторинга,
картографирования, моделирования рисков затоплений и оценке вызванных ими
потерь аналогом создаваемой системы можно указать разработанные в междуна-
родных стандартах оценки рисков информационные продукты и сервисы компании
Ambiental (Великобритания) (http://www.ambiental.co.uk/). Ambiental — мировой
лидер в области разработки детализированного картографирования рисков затопле-
ний и их моделирования в интеграции с социо-экономической информацией. Ком-
пания предоставляет информационные продукты и сервисы заинтересованным
государственным органам предотвращения чрезвычайных ситуаций, органам пла-
нирования развития урбанизированных территорий, имущественному и коммуналь-
ному сектору, страховым компаниям. Заслуживает внимания опыт оценивания рис-
Работа частично поддерживается грантом УНТЦ № 4928, а также проектом Министерства
образования и науки Украины № M/72-2008 «Разработка системы комплексной обработки
данных ДЗЗ с использованием Grid-технологий».
98 ISSN 0572-2691
ков затоплений, предоставление через портал целой системы информационных услуг
для поддержки принятия решений организациями и отдельными гражданами Вели-
кобритании Агентством по окружающей среде (Environment-agency) (Великобрита-
ния) (http://www.environment-agency.gov.uk/homeandleisure/floods/default.aspx). Фран-
цузское космическое агентство CNES активно развивает подход к оценке рисков
инфекционных заболеваний, вызываемых распространением насекомых — пере-
носчиков инфекций в результате наводнений в странах Африки (http://www.
redgems.org/spip.php?rubrique4). Однако используемые в операционных системах
методы оценки рисков зачастую слишком упрощенные и не опираются на доста-
точно развитый математический аппарат оценки среднего риска по эмпирическим
данным, разработанный для задач оценивания качества восстановления функцио-
нальных зависимостей на основе эмпирических данных, применяемый в стати-
стической теории обучения [1–3].
В данной работе предлагается постановка задачи оценки рисков, связанных
со стихийными бедствиями на основе разнородной информации (спутниковых и
наземных данных, а также данных моделирования), обосновывается применяемый
для решения этой задачи метод и рассматривается пример его практического ис-
пользования для оценки риска затоплений в Намибии.
Рассматривается перспективная интегрированная интеллектуальная система
мониторинга и управления потенциально опасными сложными объектами и про-
цессами в кризисных ситуациях — Международная аэрокосмическая система гло-
бального мониторинга (МАКСМ), инициированная Российским космическим
агентством и поддержанная рядом национальных космических агентств, в том чис-
ле Национальным космическим агентством (НКА) Украины. Украинские авторы
статьи высказали идею, что создаваемая в перспективе на базе предложенного
ими подхода система оценки рисков стихийных бедствий может стать важным
компонентом создаваемой интегрированной интеллектуальной системы монито-
ринга и управления потенциально опасными сложными объектами и процессами
в кризисных ситуациях.
1. Подходы к оценке рисков стихийных бедствий
на основе геопространственной информации
В самых различных предметных областях (экономике, здравоохранении, фи-
нансовой сфере) общее понятие риска определяется примерно одинаково. Под
риском R понимают функцию двух переменных: вероятности неблагоприятного
события p и наносимого этим событием ущерба l (http://www.wired.com/science/
planetearth/magazine/17-01/ff_dutch_delta?currentPage3):
).,( lpfR (1)
Зачастую зависимость (1) представляют в виде матрицы риска (risk matrix) —
двумерного массива, элементами которого выступают значения риска для фикси-
рованных дискретных градаций значений p и l [4], определяемые методом экс-
пертного оценивания. Такой подход применим только в простейших случаях
и требует строгой математической формализации для обеспечения его примени-
мости в системах оценки рисков стихийных бедствий.
В статистической теории принятия решений функция риска для оценки )(x
параметра (с помощью классификатора или решающего правила), вычисленная
на основе наблюдений x параметра , определяется как ожидаемое значение
функции потерь L [5]:
.)/()(,())(,( dxxfxLxR (2)
Международный научно-технический журнал
«Проблемы управления и информатики», 2010, № 6 99
В работе [6] содержится детальный обзор метрик для определения рисков от-
дельного индивидуума, а также социальных, экономических и других рисков, свя-
занных со стихийными бедствиями. При этом в общем случае риск описывается
в виде функции вероятности нанесенного ущерба. Например, простой мерой со-
циального риска считается ожидаемое число жертв за год, вычисляемое по формуле
,)()(
0
dxxfxNE N
(3)
где )(xfN — функция плотности вероятности числа жертв x за год.
Другой пример функции риска [7] — функция совокупного взвешенного рис-
ка (AWR — aggregated weighted risk), определяемая соотношением
A
dydxyxhyxIR ,),(),(AWR (4)
где ),( yxIR — риск стихийного бедствия (так называемый индивидуальный
риск) в позиции с координатами ),,( yx ),( yxh — число домов в позиции ),,( yx
A — область, для которой определяется AWR.
В последующих разделах формализовано понятие риска последствий сти-
хийного бедствия на основе разнородной геопространственной информации,
а также определены источники данных и изложен метод оценивания риска.
2. Постановка задачи оценки рисков
на основе геопространственной информации и метод ее решения
Совокупным ожидаемым риском последствий стихийного бедствия (сово-
купными ожидаемыми потерями) в области A назовем величину
A
A dydxyxrR ,),( (5)
где ),( yxr — индивидуальный ожидаемый риск последствий стихийного бед-
ствия z (индивидуальные ожидаемые потери) в точке ),,( yx вычисляемый как
математическое ожидание функции ущерба )(zh yx последствий в позиции ),( yx
,)()(),(
0
dzzpzhyxr yxyx
(6)
где )(zp yx — плотность распределения вероятности стихийного бедствия z в точ-
ке ),,( yx оцениваемая на основе совместного анализа разнородных геопрост-
ранственных данных. Один из методов оценивания плотности вероятности
)(zp yx и функции ущерба определяется типом стихийного бедствия (подробнее
см. ниже).
Плотность распределения вероятности стихийного бедствия )(zp yx опреде-
ляется различными факторами окружающей среды и метеорологическими усло-
виями, которые могут быть прямо или косвенно измерены наземными средствами
и дистанционными методами либо получены с помощью моделирования. Напри-
мер, вероятность весеннего паводка определяется влагозапасом снега, интенсив-
ностью снеготаяния, температурой воздуха и количеством осадков в период сне-
готаяния на данной территории и выше по течению, а также структурой почвы, ее
степенью промерзания и другими факторами. Ожидаемый объем стока и уровень
воды в реке можно оценить с помощью гидрологических моделей при ассимиля-
ции в нее спутниковых данных и данных наземный измерений.
100 ISSN 0572-2691
Для восстановления плотности распределения вероятности )(zp yx можно
использовать разработанный в статистической теории обучения [1–3] метод ми-
нимизации эмпирического функционала в проблеме минимизации среднего риска.
Конструирование эмпирического функционала основано на аппроксимации неиз-
вестной плотности вероятности, входящей в функционал среднего риска типа (6)
(в нашем случае), некоторой эмпирической плотностью, восстанавливаемой на ос-
нове данных измерений, и ее использованием вместо неизвестной плотности
в получившемся эмпирическом функционале. Далее нам не нужно решать задачу
минимизации этого эмпирического функционала среднего риска, как это делается в
классической теории восстановления зависимостей по эмпирическим данным.
В нашем случае интерес представляет лишь классическая в математической стати-
стике задача восстановления плотности вероятности )(zp yx по выборочным дан-
ным. Восстановив плотность вероятности, можно будет оценить индивидуальный
риск согласно (6) как ожидаемую величину ущерба от стихийного бедствия, сово-
купный ожидаемый риск последствий стихийного бедствия (совокупные ожидае-
мые потери) в области A согласно (5) и использовать полученную информацию о
риске для принятия решения о мероприятиях, снижающих ущерб от стихийного
бедствия.
Задача восстановления плотности распределения вероятностей в классе не-
прерывных функций сводится к некорректной задаче численного дифференциро-
вания функции распределения вероятностей [1]. Ее можно решать непараметриче-
скими методами (например, методом Парзена, методом упорядоченной минимиза-
ции риска с использованием ковариационной матрицы коррелированных ошибок
измерения), которые учитывают некорректность задачи и опираются на статистиче-
скую теорию регуляризации [1]. Однако в случаях, когда имеется априорная ин-
формация об искомой плотности вероятности, можно избежать некорректной по-
становки этой задачи. Например, если восстанавливаемая плотность вероятности
известна с точностью до конечного числа параметров, то задача ее восстановления
по эмпирическим данным корректна, и для ее решения можно использовать эф-
фективные методы параметрической статистики [1]. Так в классе задач миними-
зации среднего риска, связанных с классификацией (обучением распознаванию
образов), восстановление неизвестных параметров плотности распределения ве-
роятности )(zp yx возможно, в частности [1], различными методами параметри-
ческой статистики (в зависимости от контекста задачи): методом максимального
правдоподобия; методом наилучших несмещенных приближений; методом Бай-
есовых приближений. Кроме того, можно восстанавливать параметризированную
плотность вероятности стихийного бедствия методами статистической теории
обучения — нейронные двухслойные сети; ядерные методы — радиальных базис-
ных функций (RBF), метод машин опорных векторов (SVM) и др. [1–3].
Таким образом, для оценки вероятности риска стихийного бедствия необхо-
димо анализировать (классифицировать) информацию, поступающую из различ-
ных источников с различным временным и пространственным разрешением. Для
совместного анализа такой информации применяются методы и технологии слия-
ния данных (data fusion) [8]. Необходимо подчеркнуть, что плотность вероятности
стихийного бедствия должна оцениваться на основе слияния преимущественно не
сырых данных, а информации более высоких уровней обработки [9]. Для оцени-
вания плотности вероятности стихийного бедствия )(zp yx предлагается следую-
щая обобщенная схема (рис. 1).
Международный научно-технический журнал
«Проблемы управления и информатики», 2010, № 6 101
Источник
данных DS2
Источник
данных DSn
Обработчик
данных С1
Обработчик
данных Сm
Обработчик
данных С2
F(x, y) Pxy(z)
Ансамблевая
обработка данных
Источник
данных DS1
Рис. 1
На рис. 1 блоки ,iDS ,,,1 ni представляют различные источники дан-
ных — спутниковые, наземных сенсоров и моделирования. Блоки ,iC ,,,1 mi
обеспечивают обработку данных и получение информации более высокого уров-
ня. В общем случае число блоков обработки не равно количеству источников
данных n ),( nm поскольку данные из одного источника могут обрабатываться
разными обработчиками и в то же время один обработчик может анализировать
данные из разных источников одновременно, т.е. слияние данных происходит уже
на стадии их преобразования обработчиками. Вид преобразования в каждом из
блоков ,iC ,,,1 mi определяется типом входных данных. Например, спутни-
ковые данные проходят несколько уровней предварительной обработки (перепро-
ектирование, геопривязка, коррекция и т.д.), а затем подлежат так называемой
«тематической» обработке. Будем иметь в виду, что каждый из обработчиков ,iC
,,,1 mi может обеспечивать несколько уровней преобразования входных дан-
ных, при дальнейшем изложении не будем выделять эти уровни.
Без ограничения общности можно считать, что каждый из обработчиков ,iC
,,,1 mi представляет собой отдельное решающее правило или классификатор
(так называемый «слабый», или компонентный классификатор), обеспечивающий
результат анализа данных одного или нескольких источников. Таким образом,
классификаторы ,iC ,,,1 mi составляют ансамбль экспертов (или «сильный»
классификатор), «мнения» которых с соответствующими весами i учитываются
в блоке слияния F:
).,(),(
1
yxCyxF ii
m
i
(7)
Представленная на рис. 1 принципиальная схема оценивания плотности распре-
деления вероятности стихийного бедствия )(zp yx на основе разнородной информа-
ции реализует ансамблевый метод анализа данных [10], гарантирующий более высо-
кую точность оценивания разнородной информации, чем любой отдельно взятый
классификатор. Отдельные классификаторы выступают в качестве «ядер», обеспечи-
вающих переход от анализа отдельных признаков к оценке ситуации в целом. Пре-
имуществом ансамблевого метода классификации является возможность повышения
точности классификации за счет приема «усиления» (boosting) [11], который сводит-
ся к оценке функции потерь (ошибки классификации) и минимизации этой функ-
ции путем добавления новых компонентных классификаторов. Если добавление
нового «слабого» классификатора не снижает значение функции потерь, то этот
классификатор не привносит новых информативных признаков для оценки ситуа-
ции и его можно не учитывать. Таким образом, обеспечивается оптимальная
сложность модели.
102 ISSN 0572-2691
3. Типы разнородных геопространственных данных
и принципиальная схема системы оценивания
плотности вероятности затоплений для территории Намибии
Для оценки риска затоплений для Намибии в рамках совместного проекта плат-
формы ООН UN-SPIDER, NASA, DLR, NOAA и Института космических исследова-
ний НАНУ-НКАУ используются следующие разнородные источники данных:
— спутниковые данные: радиолокационные: Envisat/ASAR, оптические: EO-1,
MODIS (Terra и Aqua),TRMM;
— данные моделирования: метеорологические (численная модель прогнози-
рования погоды), гидрологические (водосборный бассейн);
— наземные данные: уровень осадков и сток;
— статистические данные: о наводнениях за прошедшие годы.
Принципиальная схема системы оценивания плотности вероятности затопле-
ний для территории Намибии представлена на рис. 2. Для ансамблевой обработки
спутниковых данных используются нейросетевой )( 1C и пороговый )( 2C клас-
сификаторы, для обработки данных моделирования — предсказатель временнх
рядов количества осадков ,3C пороговый классификатор водосборного бассей-
на .4C Для классификации данных, полученных в месте нахождения (in-situ),
и разнообразных статистических данных используются пороговый классификатор
количества осадков и уровня стока — 5C и классификатор по методу максимума
правдоподобия — .6C
SAR
EO-1
WRF
C1
C3
C2
F(x, y) Pxy(z)
Ансамблевая
обработка данных
MODIS/
MERIS
TRMM
Hydro C4
In-situ C5
Данные
моделирования
Спутниковые
данные
Статис-
тические
данные
C6
Рис. 2
Международный научно-технический журнал
«Проблемы управления и информатики», 2010, № 6 103
Рассмотрим детальнее эти наборы данных и продукты их обработки на при-
мерах визуализации.
Для создания карт затоплений используются как радиолокационные, так
и оптические спутниковые данные. Независимость от погодных условий, в част-
ности от облачного покрова, является преимуществом использования данных, по-
лученных в микроволновом диапазоне электромагнитного излучения. Для созда-
ния маски затоплений применяются интеллектуальные вычисления [2–14]. На се-
годняшний день доступными для обработки являются следующие данные:
— Envisat/ASAR (в рамках гранта Европейского космического агентства),
среднее пространственное разрешение (150 м), продукты обработки поставляются
в течение 24 ч. после получения данных, высокое пространственное разреше-
ние (30 м), продукты поставляются по запросу;
— RADARSAT-2 (по запросу в рамках Международной хартии «Space and
Major Disasters» или Рабочей группы по чрезвычайным ситуациям комитета GEO),
высокое пространственное разрешение (от 3 до 30 м).
При отсутствии облачности дополнительно используются следующие опти-
ческие данные:
— Envisat/MERIS: среднее пространственное разрешение (300 м);
— Terra и Aqua/MODIS: среднее пространственное разрешение (250 м–1 км);
— NASA EO-1: высокое пространственное разрешение (30 м).
Продукты обработки поставляются в форматах KML (для визуализации в
Google Earth), GeoTiff, WMS и др. На рис. 3 приведен пример карты затоплений для
региона Катима-Мулило (Намибия), полученной на основе данных Envisat/ASAR,
03.03.2010 г.
Для мониторинга уровня осадков используются измерения, получаемые в
рамках совместной миссии NASA и JAXA Tropical Rainfall Measuring Mission
(TRMM). Пример предоставляемых данных показан на рис. 4.
Рис. 3
104 ISSN 0572-2691
Рис. 4
Для метеорологического прогнозирования используется численная модель
прогнозирования погоды WRF. На рис. 5 отображены результаты прогнозирова-
ния температуры и количества осадков соответственно). Сотрудники Института
космических исследований НАН Украины и НКА Украины имеют значительный
опыт настройки, адаптации и использования этой модели для территории Украи-
ны. Для территории Намибии данная модель была запущена в тестовом режиме.
Пространственное разрешение составляет 30 км (может быть улучшено до 1 км
с использованием технологии вложенных сеток). Для начальных условий исполь-
зуются данные глобальной модели GFS. Прогнозы предоставляются каждые три
часа.
Temperature, C C
32
24
16
8
0
8
16
24
32
Accumulated rainfall, mm mm
90
80
70
60
50
40
30
20
0
10
100
Рис. 5
Информация о водосборном бассейне рек поступает от подразделений Мини-
стерства сельского хозяйства, водных ресурсов и лесного хозяйства Намибии
(рис. 6). Кроме того, для каждого бассейна предоставляются текущие и архивные
значения уровня осадков (рис. 7) и данные наземных измерений уровня стока
(рис. 8). Эти архивные данные наряду со спутниковыми измерениями использу-
ются при построении статистических моделей для прогнозирования наводнений и
оценки рисков.
Международный научно-технический журнал
«Проблемы управления и информатики», 2010, № 6 105
Рис. 6
Rainfall statistics for Zambezi Lower
Rainfall accumulation Maximum total Average total
600
accu
mula
tion
500
accu
mula
tion
400
accu
mula
tion
300
accu
mula
tion
200
accu
mula
tion
100
accu
mula
tion
0
accu
mula
tion
mm 3/20 3/21 3/22 3/23 3/24 3/25 3/26
Rainfall intensity Maximum Average
3/20 3/21 3/22 3/23 3/24 3/25 3/26
50
accu
mula
tion
40
accu
mula
tion
30
accu
mula
tion
20
accu
mula
tion
10
accu
mula
tion
0
accu
mula
tion
mm/h
Date
Рис. 7
CREST flowrate at Katima Mulilo (m
3
/s)
Jul05 Nov05
5.0
ac
cu
m
ula
tio
n
4.0
ac
cu
m
ula
tio
n
3.0
2.0
ac
cu
m
ula
tio
n
1.0
ac
cu
mu
lati
on
0.0
Mar06 Jul06 Nov06 Mar07 Jul07 Nov07 Mar08 Jul08 Nov08 Mar09 Jul09 Nov09
6.0
ac
cu
m
ula
tio
n
F
lo
w
ra
te
,
(m
3
/s
)
Obs flowrate
CREST flowrate at Rundu (m
3
/s)
F
lo
w
ra
te
,
(m
3
/s
) 800
600
400
ac
cu
m
ula
tio
n
200
ac
cu
mu
lati
0
26/Sep/05 28/Mar/06 27/Sep/06 29/Mar/07 28/Sep/07 29/Mar/08 28/Sep/08 30/Mar/09 29/Sep/09
Rain Model flowrate Obs flowrate DFO Riverwatch flowrate
Рис. 8
106 ISSN 0572-2691
Статистические данные, полученные с помощью прибора MODIS, который
установлен на спутниках Aqua и Terra, используются для статистического анализа
карт затоплений за разные годы. Данные карты доступны начиная с 1999 г. и предо-
ставляются центром Dartmouth Flood Observatory. Пример продукта обработки дан-
ных прибора MODIS в виде визуализации маски затоплений представлен на рис. 9.
Рис. 9
Для глобального выявления наводнений используется система [15], разраба-
тываемая в центре JRC (Joint Research Center) Европейской комиссии. Для этого
используются данные, получаемые микроволновым сканирующим радиометром
AMSR-E, установленном на спутнике Aqua. Примеры временнх изменений
среднеквадратичного отклонения уровня затоплений за 60 дней 2010 г. и за опре-
деленный интервал (годы) представлены на рис. 10.
1/24/2010 2/7/2010 2/21/2010 3/7/2010 3/21/2010
Flood signal for the site 14950 in the last 60 days
S
ta
n
d
ar
d
d
ev
ia
ti
o
n
2
0
2
4
6
2
0
2
4
6
8
10
S
ta
n
d
ar
d
d
ev
ia
ti
o
n
Magnitude [1] AVG
1/1/2004 1/1/2006 1/1/2008 1/1/2010
Magnitude [1] AVG
Flood signal for the site 14950 in the years
Рис. 10
Международный научно-технический журнал
«Проблемы управления и информатики», 2010, № 6 107
4. Реализация предложенного подхода
Работы по созданию системы оценки рисков на основе разнородной геопрост-
ранственной информации проводятся в рамках международного пилотного проек-
та «Sensor Web Project for Flood Monitoring in Namibia», выполняемого по инициа-
тиве программы UN-SPIDER ведущими космическими агентствами: NASA, NO-
AA, DLR при участии Института космических исследований НАН Украины
и НКА Украины. Web-интерфейс пилотной версии разрабатываемой системы мо-
ниторинга паводков для территории Намибии представлен на рис. 11.
Рис. 11
5. Перспективы создания интеллектуальных информационных
технологий мониторинга потенциально опасных объектов и процессов
В настоящее время наблюдается бурное развитие национальных средств и си-
стем получения и обработки исходной информации о состоянии сложных объектов
и процессов. Это авиационные и космические средства дистанционного зондирова-
ния земли и атмосферы, системы мониторинга на основе средств космической
навигации, многочисленные наземные технологии и системы мониторинга.
Вместе с тем потенциально опасные явления все чаще имеют глобальный,
наднациональный характер. Это касается и рассматриваемых в статье паводковых
явлений. Поэтому перспективы развития средств мониторинга опасных объектов
и процессов, снижения рисков возникновения кризисных ситуаций неизбежно
связаны с интеграцией разнородных национальных систем мониторинга. Причем
эта интеграция должна происходить как на организационном, так и на технологи-
ческом уровне.
Организационные вопросы в настоящее время решаются в ряде проектов,
в том числе в рамках проекта создания МАКСМ (www.oosa.unvienna.org/pdf/pres/
copuos2010/tech-32E.pdf). Проект инициирован организациями Российского кос-
мического агентства и развивается под эгидой Международной академии астро-
навтики. Его поддержали Национальные космические агентства, в том числе
Национальное космическое агентство Украины.
Технологические аспекты интеграции связаны с необходимостью создания
единой интеллектуальной информационной среды для объединения данных с раз-
http://www.oosa.unvienna.org/pdf/pres/%0bcopuos2010/tech-32E.pdf
http://www.oosa.unvienna.org/pdf/pres/%0bcopuos2010/tech-32E.pdf
108 ISSN 0572-2691
личных средств мониторинга и, кроме того, для поддержки принятия решений
в целях снижения рисков возникновения и развития кризисных ситуаций [16].
Компонентом такой среды может быть рассмотренная здесь система оценки рис-
ков стихийных бедствий, предложенная украинскими авторами настоящей статьи.
Разработки в направлении создания интеллектуальных информационных
технологий мониторинга и управления сложными объектами в течение многих
лет ведет Санкт-Петербургский институт информатики и автоматизации Россий-
ской академии наук (СПИИРАН). Многие проекты уже внедрены на националь-
ном уровне в атомной, космической отраслях, на опасных производствах. В про-
екте МАКСМ СПИИРАН выполняет функции координатора по созданию инте-
гральной информационной среды мониторинга и управления.
Применительно к архитектуре перспективных систем мониторинга и управле-
ния решение технологических задач означает необходимость создания интеллекту-
ального интерфейса, выполняющего описанные выше функции обработки разно-
родной информации и слияния данных при оценке рисков. Кроме того, необходимо
разрабатывать интегрированные системы мониторинга и управления сложными
объектами, обладающие новыми функциями интеграции данных и знаний, анализа
ситуаций с применением множества моделей и формирования вариантов решений,
минимизирующих риски на каждом этапе развития и локализации кризисной ситу-
ации. Принципиальная схема такой системы отображена на рис. 12.
Интеллектуальный интерфейс
мониторинга управления
БЗ Модели
поддержки
принятия решений
Единая среда
обработки Обобщенная
информация
о ситуации
ЛПР
Цельный
образ
объекта
Датчики
состояния
сооружений
Датчики
состояния
агрегатов
Аэрокос-
мические
средства ДЗЗ
Объект
мониторинга
Рис. 12
Основными компонентами интеллектуального интерфейса такой системы
являются: комплекс программных средств единой среды обработки разнород-
ных данных, описывающих различные составляющие состояния и поведения
объекта мониторинга; база знаний (БЗ) о взаимосвязях параметров, их совмест-
ном влиянии на изменение состояния объекта и о влиянии принимаемых реше-
ний на развитие кризисных ситуаций; модели поддержки принятия решений по
снижению рисков возникновения и развития кризисных ситуаций. Структура
такого интеллектуального интерфейса показана на рис 13, где ДЗЗ — дистанци-
онное зондирование Земли; БДВ — база данных вычислений; СМУ — системы
мониторинга и управления.
Необходимо отметить, что при реализации предлагаемого подхода единая
среда обработки для конкретного объекта и конкретные системы мониторинга
могут строиться непрофессиональными программистами на базе инструментария
общей технологии проектирования и эксплуатации систем мониторинга и управ-
ления [17].
Международный научно-технический журнал
«Проблемы управления и информатики», 2010, № 6 109
Система загрузки информации
Информация от датчиков
Формализованные
сообщения и т.д.
Данные ДЗЗ
Видео-
информация
БДИ БДВ Архив БЗ
Система анализа
состояния объекта
мониторинга
Система
визуализации
результатов
мониторинга
и управления
Специалисты,
эксперты
Система
автоматизированной
подготовки исходных
данных и
проектирования СМУ
Информационно-коммуникационная инфраструктура
Рис. 13
Заключение
В настоящей работе рассмотрен интегрированный подход к оцениванию рис-
ков, связанных с чрезвычайными ситуациями природного характера, на основе раз-
нородной геопространственной информации, предложенный авторами настоящей
статьи — сотрудниками Института космических исследований НАН Украины
и НКА Украины. Подход базируется на применении статистической теории обуче-
ния и предполагает использование ансамбля классификаторов для определения
плотности вероятности стихийного бедствия. Преимущество предложенного подхо-
да — более высокая точность определения риска при использовании оптимальной
сложности модели. В дальнейшем этот подход планируется развивать для оценки
конкретных категорий риска: социального, финансового, экономического и др.
Рассматривается перспективная интегрированная интеллектуальная система
мониторинга и управления потенциально опасными сложными объектами и про-
цессами в кризисных ситуациях. Она предназначена для выполнения как изло-
женных функций обработки разнородной информации и слияния данных при
оценке рисков в рамках предложенного подхода, так и новых функций интегра-
ции данных и знаний, результатов анализа ситуаций на основе единой базы моде-
лей и формирования вариантов решений, минимизирующих риски на каждом эта-
пе развития и локализации кризисной ситуации. Санкт-Петербургский институт
информатики и автоматизации Российской академии наук (в частности, российские
авторы настоящей статьи) координирует разработку этой системы в рамках проекта
МАКСМ, инициированного Российским космическим агентством и поддержанного
рядом национальных космических агентств, в том числе НКА Украины.
Высказана идея, что создаваемая в перспективе на базе предложенного укра-
инскими авторами статьи подхода система оценки рисков стихийных бедствий на
основе ансамблевого анализа и технологий слияния разнородных геопространст-
венных данных может стать важным компонентом создаваемой перспективной
интегрированной интеллектуальной системы мониторинга и управления потенци-
ально опасными сложными объектами и процессами в кризисных ситуациях.
Н.М. Куссуль, Б.В. Соколов, Я.І. Зєлик, В.О. Зеленцов,
С.В. Скакун, А.Ю. Шелестов
ОЦІНКА РИЗИКІВ СТИХІЙНИХ ЛИХ НА ОСНОВІ
РІЗНОРІДНОЇ ГЕОПРОСТОРОВОЇ ІНФОРМАЦІЇ
Запропоновано інтегрований підхід до оцінювання ризиків стихійних лих
на основі різнорідної геопросторової інформації на базі ансамблевого підходу
до аналізу і технологій злиття даних. Висловлено ідею, що створювана в перс-
пективі на основі запропонованого українськими авторами цієї статті підходу
система оцінки ризиків може стати важливим компонентом розроблюваної ін-
110 ISSN 0572-2691
тегрованої інтелектуальної системи моніторингу та управління потенційно не-
безпечними складними об'єктами і процесами у кризових ситуаціях. Створення
такої системи координується СПІІРАН (і зокрема, російськими авторами цієї
статті) у рамках проекту Міжнародної аерокосмічної системи глобального мо-
ніторингу (МАКСМ), ініційованого Російським космічним агентством і підт-
риманого низкою національних космічних агентств, зокрема Національним ко-
смічним агентством України.
N.N. Kussul, B.V. Sokolov, Ya.I. Zyelyk, V.A. Zelentsov,
S.V. Skakun, A.Yu. Shelestov
DISASTER RISK ASSESSMENT BASED
ON HETEROGENEOUS GEOSPATIAL INFORMATION
An integrated approach to the assessment of disasters risk on the basis of heterogene-
ous geospatial information based on an ensemble approach to the analysis and data
fusion technologies is proposed. It is suggested that the created in perspective on the
basis of proposed by Ukrainian authors of this article approach risk assessment sys-
tem can be an important component of the developed integrated intelligent system
of monitoring and control of potentially dangerous complex objects and processes in
crisis situations. Creation of such system is coordinated by SPIIRAN (and in particu-
lar, by Russian authors of this article) within the bounds of International Global Aer-
ospace Monitoring System (IGMASS) project, initiated by the Russian Space Agen-
cy and supported by a number of national space agencies, including NSA of Ukraine.
1. Vapnik V. Statistical learning theory. — New York : Wiley, 1998. — 740 р.
2. Haykin S. Neural networks. A comprehensive foundation. — New Jersey : Prentice Hall. —
768 р.
3. Bishop C.M. Pattern recognition and machine learning. — New York : Springer Science+Busi-
ness Media, 2006. — 738 p.
4. Flage R., Aven T. Expressing and communicating uncertainty in relation to quantitative risk anal-
ysis. Part 1 // R&RATA. — 2009. — 2, N 13. — P. 9–18.
5. Christian R. The Bayesian choice (2nd ed.). — New York : Springer, 2007 doi:10.1007/0-387-
71599-1. MR1835885. ISBN 0-387-95231-4.
6. Jonkman S.N. et al. An overview of quantitative risk measures for loss of life and economic dam-
age // J. of Hazardous Materials. — 2003. — A99. — P. 1–30
7. Piers M. The development and application of a method for the assessment of third party risk due
to aircraft accidents in the vicinity of airports // Proc. 19th Intern. Council of Aeronautical Sci.
Congress, Anaheim, Calif. — 1994. — 9. — P. 507–518.
8. Mitchell H.B. Multi-sensor data fusion — an introduction. — Berlin : Springer-Verlag, 2007. —
282 р.
9. Das S. High-level data fusion. — Norwood : Artech House Publ., 2008. — 373 р.
10. Jaakkola T., Course materials for 6.867 Machine Learning, Fall 2006. MIT OpenCourseWare
Massachusetts Institute of Technology. — 10 р. — http://ocw.mit.edu/.
11. Kotsiantis S., Pintelas P. Combining bagging and boosting // Intern. J. of Comput. Intel. — 2004.
— 1, N 4. — P. 324–333.
12. Скакун С.В. Нейросетевой метод картографирования паводков на основе спутниковых
изображений // Науч. тр. ДонНТУ. Сер. «Информатика, кибернетика и вычислительная
техника». — 2009. — Вып. 10 (153). — C. 115–120.
13. Kussul N., Shelestov A., Skakun S. Intelligent computations for flood monitoring // Intern. Book
Series «Advanced Research in Artificial Intelligence» / Ed. by K. Markov, K. Ivanova, I. Mitov.
— 2008. — N 2. — P. 48–54.
14. Kussul N., Shelestov A., Skakun S. Grid system for flood extent extraction from satellite images //
Earth Sci. Informatics. — 2008. — 1, N 3-4. — P. 105–117.
15. De Groeve T., Riva P. Global real-time detection of major floods using passive microwave re-
mote sensing // Proc. of the 33rd Intern. Sympos. on Remote Sensing of Environment Stresa, Ita-
ly, May 2009. — 2009. — Р. 1–4.
16. Sokolov B.V., Okhtilev M.Yu., Zelentsov V.A. New intellectual monitoring technology for complex
objects and processes with use of space information // 2nd Intern. Sympos. «Space & Global Se-
curity of Humanity», 5–9 July 2010, Riga, Latvia. — P. 90.
17. Охтилев М.Ю., Соколов Б.В., Юсупов Р.М. Интеллектуальные технологии мониторинга
и управления структурной динамикой сложных технических объектов. — М. : Наука,
2006. — 410 с.
Получено 10.09.2010
http://en.wikipedia.org/wiki/Digital_object_identifier
http://dx.doi.org/10.1007%2F0-387-71599-1
http://dx.doi.org/10.1007%2F0-387-71599-1
http://en.wikipedia.org/wiki/Mathematical_Reviews
http://en.wikipedia.org/wiki/Mathematical_Reviews
http://en.wikipedia.org/wiki/International_Standard_Book_Number
http://en.wikipedia.org/wiki/Special:BookSources/0-387-95231-4
|
| id | nasplib_isofts_kiev_ua-123456789-210852 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0572-2691 |
| language | Russian |
| last_indexed | 2026-03-21T02:08:48Z |
| publishDate | 2010 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Куссуль, Н.Н. Соколов, Б.В. Зелык, Я.И. Зеленцов, В.А. Скакун, С.В. Шелестов, А.Ю. 2025-12-18T10:16:54Z 2010 Оценка рисков стихийных бедствий на основе разнородной геопространственной информации / Н.Н. Куссуль, Б.В. Соколов, Я.И. Зелык, В.А. Зеленцов, С.В. Скакун, А.Ю. Шелестов // Проблемы управления и информатики. — 2010. — № 6. — С. 97-110. — Бібліогр.: 17 назв. — рос. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/210852 681.512:00.467:519.246.8 10.1615/JAutomatInfScien.v42.i12.40 Запропоновано інтегрований підхід до оцінювання ризиків стихійних лих на основі різнорідної геопросторової інформації на базі ансамблевого підходу до аналізу і технологій злиття даних. Висловлено ідею, що створювана в перспективі на основі запропонованого українськими авторами цієї статті підходу система оцінки ризиків може стати важливим компонентом розроблюваної інтегрованої інтелектуальної системи моніторингу та управління потенційно небезпечними складними об'єктами і процесами у кризових ситуаціях. Створення такої системи координується СПІІРАН (і зокрема, російськими авторами цієї статті) у рамках проекту Міжнародної аерокосмічної системи глобального моніторингу (МАКСМ), ініційованого Російським космічним агентством і підтриманого низкою національних космічних агентств, зокрема Національним космічним агентством України. An integrated approach to the assessment of disasters risk on the basis of heterogeneous geospatial information based on an ensemble approach to the analysis and data fusion technologies is proposed. It is suggested that the created in perspective on the basis of proposed by Ukrainian authors of this article approach risk assessment system can be an important component of the developed integrated intelligent system of monitoring and control of potentially dangerous complex objects and processes in crisis situations. Creation of such system is coordinated by SPIIRAN (and in particular, by Russian authors of this article) within the bounds of International Global Aerospace Monitoring System (IGMASS) project, initiated by the Russian Space Agency and supported by a number of national space agencies, including NSA of Ukraine Работа частично поддерживается грантом УНТЦ № 4928, а также проектом Министерства образования и науки Украины № M/72-2008 «Разработка системы комплексной обработки данных ДЗЗ с использованием Grid-технологий». ru Інститут кібернетики ім. В.М. Глушкова НАН України Проблемы управления и информатики Космический мониторинг Оценка рисков стихийных бедствий на основе разнородной геопространственной информации Оцінка ризику стихійного лиха на основі різнорідної геопросторової інформації Disaster risk assessment based on heterogeneous geospatial information Article published earlier |
| spellingShingle | Оценка рисков стихийных бедствий на основе разнородной геопространственной информации Куссуль, Н.Н. Соколов, Б.В. Зелык, Я.И. Зеленцов, В.А. Скакун, С.В. Шелестов, А.Ю. Космический мониторинг |
| title | Оценка рисков стихийных бедствий на основе разнородной геопространственной информации |
| title_alt | Оцінка ризику стихійного лиха на основі різнорідної геопросторової інформації Disaster risk assessment based on heterogeneous geospatial information |
| title_full | Оценка рисков стихийных бедствий на основе разнородной геопространственной информации |
| title_fullStr | Оценка рисков стихийных бедствий на основе разнородной геопространственной информации |
| title_full_unstemmed | Оценка рисков стихийных бедствий на основе разнородной геопространственной информации |
| title_short | Оценка рисков стихийных бедствий на основе разнородной геопространственной информации |
| title_sort | оценка рисков стихийных бедствий на основе разнородной геопространственной информации |
| topic | Космический мониторинг |
| topic_facet | Космический мониторинг |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/210852 |
| work_keys_str_mv | AT kussulʹnn ocenkariskovstihiinyhbedstviinaosnoveraznorodnoigeoprostranstvennoiinformacii AT sokolovbv ocenkariskovstihiinyhbedstviinaosnoveraznorodnoigeoprostranstvennoiinformacii AT zelykâi ocenkariskovstihiinyhbedstviinaosnoveraznorodnoigeoprostranstvennoiinformacii AT zelencovva ocenkariskovstihiinyhbedstviinaosnoveraznorodnoigeoprostranstvennoiinformacii AT skakunsv ocenkariskovstihiinyhbedstviinaosnoveraznorodnoigeoprostranstvennoiinformacii AT šelestovaû ocenkariskovstihiinyhbedstviinaosnoveraznorodnoigeoprostranstvennoiinformacii AT kussulʹnn ocínkarizikustihíinogolihanaosnovíríznorídnoígeoprostorovoíínformacíí AT sokolovbv ocínkarizikustihíinogolihanaosnovíríznorídnoígeoprostorovoíínformacíí AT zelykâi ocínkarizikustihíinogolihanaosnovíríznorídnoígeoprostorovoíínformacíí AT zelencovva ocínkarizikustihíinogolihanaosnovíríznorídnoígeoprostorovoíínformacíí AT skakunsv ocínkarizikustihíinogolihanaosnovíríznorídnoígeoprostorovoíínformacíí AT šelestovaû ocínkarizikustihíinogolihanaosnovíríznorídnoígeoprostorovoíínformacíí AT kussulʹnn disasterriskassessmentbasedonheterogeneousgeospatialinformation AT sokolovbv disasterriskassessmentbasedonheterogeneousgeospatialinformation AT zelykâi disasterriskassessmentbasedonheterogeneousgeospatialinformation AT zelencovva disasterriskassessmentbasedonheterogeneousgeospatialinformation AT skakunsv disasterriskassessmentbasedonheterogeneousgeospatialinformation AT šelestovaû disasterriskassessmentbasedonheterogeneousgeospatialinformation |