Методы прогноза лавинной опасности
Графический метод
Серия наблюдений снежно-метеорологических характеристик дает в пространстве некоторое число точек, соответствующих определенному образу. В случае использования двух признаков пространство образов наглядно изображается на плоскости. При рассмотрении более 2 признаков используются проекции точек на плоскость. Строится кривая, разделяющая случаи с лавинами и без лавин. Графическая регрессия может применяться без задания математического вида зависимости между переменными. Опознавание образа сводится к установлению положения точки, отвечающей текущей снеголавинной ситуации, на прогностическом графике относительно кривой. При этом допускается вероятностный подход, при котором в пространстве образов задается поле вероятностей - Изолинии вероятностей схода лавин на плоскости: суммарное количество осадков за снегопад – дни с холодной и теплой погодой) [94]. Линия, разграничивающая области графика с лавинами и без, интерпретируется как изолиния нулевой вероятности схода лавин. При проведении изолиний для различных частот схода лавин определяется вероятность лавинообразования.
Точки могут группироваться вокруг некоторых центров распределения, по близости расположения к которым, рассматривается местоположение всех других точек в пространстве. Таким образом, можно выделить несколько классов ситуаций. Опознавание (определение степени сходства) может производится по расстоянию между точками, углу между векторами, включению образа внутрь области [38].
Чаще всего при графическом решении используются метеорологические характеристики, т.е. оцениваются текущие погодные условия и определяется момент достижения критических значений
В ряде методик прогноза применяются данные специализированных наблюдений, напрямую описывающие снежный покров и нагрузки на склоне – интенсивность метелевого переноса [3], плотность свежевыпавшего снега [41]. На графике могут быть отражены условия схода лавин разных генетических типов.
Наличие продолжительных рядов наблюдений позволяет получить графические зависимости для оценки объемов ожидаемых лавин.
Графические связи получены для прогноза лавин вызванных метелевым переносом в Хибинах [3], лавин во время снегопадов (отдельные районы Магаданской области, бассейн р.Томь [36]), мокрых лавин (бассейн р.Томь [36]), сухих лавин при снегопадах и метелях (бассейн р. Ангаракан [32]).
Отмечается [12], что графический метод может давать лучшие результаты, чем численные расчеты на одной и той же выборке. Проведенная от руки линия более точно разделяет лавиноопасные и нелавиноопасные ситуации, чем линейная функция. Оправдываемость прогнозов и предупрежденность явления с применением графического метода по данным производственных испытаний могут превышать 90% [36].
Графические эмпирические зависимости получены и для случаев длительного развития процессов лавинообразования. Регулярные наблюдения в шурфах позволяют Семейство прямых построено по результатам изучения стратиграфии и структуры снежной толщи с послойным определением среднего диаметра кристаллов и плотности снега, косвенно характеризующих механическую прочность. Оно разбито на пять структурно-плотностных зон, характеризующихся интервалом критических значений толщины снежных досок, формирующих разные по размерам лавины [7]. Такой подход применяется при предупредительных спусках снежных лавин для расчета времени проведения наиболее эффективного воздействия на снежный покров [43].
Регрессионный анализ
При прогнозе времени схода лавин с использованием уравнений регрессии предполагается, что текущие условия или направление их изменения будут сохраняться на протяжении некоторого времени. Периодические уточнения позволяют вносить коррективы в прогноз. Эмпирические формулы для разных генетических типов лавин получены для Главного Кавказского хребта [1].
Метод множественной линейной регрессии применяется также для расчета возможного количества лавин в районе при прогнозе «лавиноопасно», для определения количества лавин, перекрывающих автодорогу (т.е. оценка дальности выброса) и для оценки максимального объема лавин [22].
Проверка методов прогноза времени лавин на независимом материале показала возможность использования их в оперативной практике. Средняя оправдываемость прогнозов составляет 80-87%.
Дискриминантный анализ
Фоновый прогноз лавин может рассматриваться как задача классификации при многомерных наблюдениях [6]. При разделении ситуаций на лавиноопасные и нелавиноопасные применяется метод распознавания, основанный на алгоритме линейной дискриминантной функции. В ходе прогноза определяется принадлежность настоящего образа к одной из двух групп. Решающим правилом прогноза является сравнение дискриминантной функции D с пороговым значением R: при DV R сход лавин ожидается, при D<R сход лавин не ожидается.
Метод удобен для создания альтернативного прогноза лавинной опасности. Поэтому использование линейных дискриминантных функций для прогноза лавинной опасности получило широкое распространение в оперативной практике в СССР.
Наиболее часто линейный дискриминантный анализ применяется для разделения ситуаций на лавиноопасные и нелавиноопасные во время снегопадов и метелей. В качестве предикторов используются текущие значения снежно-метеорологических характеристик.
Дискриминантный анализ может использоваться для исследования синоптических процессов и определения их влияния на лавинную опасность обширных горных территорий. На статистическом материале устанавливаются типы синоптических процессов, обуславливающие сход лавин на определенной территории (описано в разделе «синоптический метод»). При ожидании (прогнозе) развития опасного процесса, с использованием линейной дискриминантной функции производится опознавание ситуации как лавиноопасной или нелавиноопасной. В качестве предикторов для прогноза используются термо-гигрометрические характеристики воздушных масс. Прогноз лавинной опасности дается по полученным для каждого типа синоптических ситуаций уравнениям.
В последнее время появились разработки для прогноза лавинной опасности с использованием дискриминантного анализа для фонового крупномасштабного прогноза схода лавин [22].
Заблаговременность прогнозов на базе методик, использующих дискриминантный анализ, в большинстве случаев нулевая. Использование в расчетах прогнозируемых значений метеорологических элементов повышает заблаговременность прогноза при снижении его оправдываемости – помимо ошибки методики добавляется ошибка метеорологического прогноза. Анализ опубликованных материалов показал, что максимальная заблаговременность прогнозов, с оценивающих действие снежно-метеорологических факторов, достигает 6 часов [36]. Методы прогноза, использующие синоптическую информацию имеют большую заблаговременность – до 12-20 часов.
Оправдываемость прогнозов лавинной опасности на основе дискриминантного анализа составляет 65-85%. Степень предупрежденности явления 80-100% [36]. Отмечается [6] невозможность существенного повышения их оправдываемости.
Методики, основанные на линейном дискриминантном анализе созданы: для прогноза лавин метелевого типа в Хибинах, лавин во время снегопадов для нескольких участков Тенькинской автомобильной дороги (Магаданская область) [57], лавин свежевыпавшего и метелевого снега для бассейнов рек Кунерма, Гоуджекит и Ангаракан (Байкальский и Северо-Муйский хребты) [32], лавин из мокрого снега для района СЛС Перевал [36]. Метод дискриминантного анализа не используется для прогноза лавин длительного развития, обрушение которых не связано с текущей метеорологической и синоптической обстановкой. Получению надежных статистических оценок влияния факторов препятствует, как правило, ограниченное число данных о сходах таких лавин.
Метод ближайших соседей
Наличие базы данных, включающей сведения о сходах лавин и значения снежно-метеорологических характеристик, позволяет в целях прогноза воспользоваться возможностью поиска в прошлом ситуаций, схожих с текущей.
Теоретическая разработка метода была осуществлена в начале 70-х годов в СССР [14]. База данных включает накапливаемые массивы «Метео» (классификатор типов погоды и метеоданные за каждый день лавиноопасного периода), «Лавина» (паспорта сошедших лавин), и фиксированные данные в массиве «Склон» (параметры лавинных очагов). Вновь поступающие снеголавинные и метеорологические данные сравниваются с записями в базе данных – проводится исследование метеоусловий, предшествующих событию за любое количество дней перед сходом лавины, что может обеспечить прогнозу определенную заблаговременность. Ближайшие соседи (Nearest Neighbors – принятый за рубежом термин) – дни со схожими погодными условиями, состоянием снега и сходом или отсутствием лавин [67]. Осуществляется автоматическая классификация типов погоды и распознавание лавинных ситуаций по значениям основных лавинообразующих факторов для разных очагов. Указанием на возможный сход лавины из отдельного лавинного очага является попадание значений за критический порог, определяемый для каждого параметра своим коэффициентом вариации. Помимо времени схода, по мере накопления режимной информации, предполагалось прогнозирование других характеристик лавин – поверхности скольжения, вида снега, вида пути, высоты отрыва лавины.
Метод ближайшего соседа требует значительных вычислительных ресурсов и поэтому не получил применения в СССР, но широко используется для прогноза лавинной опасности за рубежом [67]. Основная сфера применения – фоновый прогноз. При этом методики прогноза созданы не для конкретных очагов, а для территорий. Недостатком метода признается [71] невозможность определения степени лавинной опасности как принято в лавинных службах зарубежных стран. Не удается оценить количество и размеры лавин. Метод не охватывает всех причин, приводящих к лавинообразованию, и применим для прогноза лавин только отдельных генетических типов, к примеру, лавин из свежевыпавшего снега.
Балльная система
Для прогноза лавинной опасности рассматривается влияние определенных факторов и их сочетания на вероятность схода лавин. Анализ может выполняться одним из следующих способов [44]: каждому фактору приписывается знак «+», «-» или «0», в зависимости от направленности его влияния на лавинообразование в данный момент времени. Избыток отрицательных знаков позволяет предположить отсутствие или малую степень лавинной опасности, преобладание положительных знаков указывает на наличие лавинной опасности, тем большую, чем больше их преобладание. Этот прием, не учитывающий удельный вес каждого фактора в образовании лавин, рекомендуется [44] к применению для прогноза при отсутствии достаточных рядов снеголавинных наблюдений.
Осуществляется квантование предикторов - каждому фактору приписывают определенное количество баллов по степени обуславливаемой им опасности. При этом могут применяться 2 варианта [12]:
1) значения предикторов квантуются на равные интервалы и каждому интервалу присваивается возрастающее с постоянным шагом количество баллов;
2) квантование неравномерное – неравномерное разбиение значений предикторов на интервалы или неравномерная оценка интервалов баллами.
Такое квантование выполняется специалистами на основании собственного опыта и его качество сильно зависит от их квалификации.
Результат суммирования баллов может сравниваться с одним пороговым значением, разделяющим ситуации на лавиноопасные и нелавиноопасные (альтернативный прогноз) или несколькими - определяется степень лавинной опасности.
Правильное определение баллов позволяет делать прогноз (фоновый и локальный) с той же точностью, что и с использованием уравнений.
Балльная система может быть эффективна при оценке пространственного распределения степени лавинной опасности. Такой подход (Lawiprogmodel) с использованием ГИС-технологий предложен для создания Швейцарского снеголавинного бюллетеня [79]. Функция оверлея – наложения друг на друга нескольких слоев, позволяет получить сводные оценки лавинной опасности для разных участков земной поверхности. Степень лавинной опасности участка оценивается произведением баллов, присвоенных действующим факторам. В их число включены: стабильность снежного покрова, определяемая по результатам испытаний (Rutschblock) – от 2 до 10 баллов, экспозиция горного склона, абсолютная высота места и крутизна склона – каждый от 1 до 5 баллов. Веса первых двух факторов изменяются в зависимости от снежно-метеорологической ситуации, значения для оценки влияния других факторов в данной методике неизменны [79].
Степеням опасности по Европейской шкале лавинной опасности соответствуют определенные значения произведений баллов:
5 – 1250, 4 - 1000, 3 -750, 2 - 500, 1 – 250
Результатом моделирования служит генерированная карта прогноза лавинной опасности.
Вес факторов Lawiprog-модели устанавливается экспертами, но, как отмечают авторы, для уточнения значений требуется ее дальнейшая производственная проверка.
Экспертные системы
При наличии разнообразных методов окончательное определение формулировки прогноза лавинной опасности остается за специалистом. Образование, опыт, интуиция, способность оценить неучтенные прогностическими технологиями факторы, выявить ведущий из них на текущий момент позволяют эксперту принимать быстрые и правильные решения. На моделировании процесса принятия экспертом решения основаны получившие в последнее десятилетие распространение в практике прогноза лавинной опасности автоматизированные экспертные системы.
Работа экспертных систем осуществляется в соответствии с правилами, сформулированными специалистами, при этом используется балльная система оценки влияния факторов. Экспертные системы применяются часто в комбинации с другими методами (используются статистические и детерминированные модели). Параллельное и последовательное использование различных методов позволяет получать оптимальные результаты прогноза лавинной опасности [71].
Однако эксперт не всегда способен объяснить свои действия четкими правилами. В таком случае предлагается использование искусственных нейронных сетей [86, 88], имитирующих работу человеческого мозга (ассоциативной памяти человека). К примеру, используется самоорганизующаяся карта признаков Кохонена (SOM, СОК) с алгоритмом обучения "без учителя", в которой нейроны конкурируют друг с другом за право наилучшим образом сочетаться с входным вектором сигналов и побеждает нейрон, чей вектор весов ближе всего к входному вектору сигналов. Веса победившего нейрона и его соседей подстраиваются с учетом входного вектора, т.е присвоение баллов факторам лавинообразования осуществляется компьютером и их величина подвергается коррекции по мере поступления новой информации [91].
Нейросетевой подход особенно эффективен в задачах экспертной оценки по той причине, что он сочетает в себе способность компьютера к обработке чисел и способность мозга к обобщению и распознаванию.
Функциональная схема экспертной системы состоит из следующих блоков [71]:
1. база знаний, включающая данные и сформулированные правила;
2. блок подстановки фактических данных в правила и получения машинного вывода с требуемым результатом;
3. блок толкования результатов;
4. администратор диалога, транслирующий или представляющий результаты;
5. блок сбора данных, интегрирующий в систему успешные результаты для улучшения ее дальнейшей работы.
В настоящее время созданы и применяются на практике или проходят производственные испытания в различных горных регионах и совершенствуются несколько экспертных систем.
Первая попытка формализации опыта эксперта в прогнозе лавинной опасности была осуществлена для лавин, связанных со снегопадами в районе Приэльбрусья [9]. В процессе опроса специалиста с многолетним опытом работы в районе исследования с помощью методики «диагностических игр» были выявлены признаки (конечное число составило 6), используемые специалистом при составлении прогноза, их градации и определены правила (порядок оценки, критические значение факторов в определенных ситуациях и степень их влияния), позволившие составить формальную прогностическую схему. В ходе прогноза определялись наличие или отсутствие лавинной опасности, места схода и размеры лавин. Оправдываемость методики на независимом материале составляла при снегопадах разной интенсивности от 55 до 93%.
Механизм составления и работы современной экспертной системы прогноза наглядно иллюстрируется на примере созданных в Швейцарском институте снеголавинных исследований моделей DAVOS и MODUL[84].
Обе модели используют типовое программное обеспечение для индуктивного автоматического принятия решений COGENSYSТМ.
На начальном этапе эксперт «обучает» программу вводя примеры и толкуя ситуации ими обусловленные. Программа вычисляет на основе наблюдения за решением наставника логическое значение каждого входного параметра. Логическое значение в данном случае – мера влияния параметра на качество работы модели, рассчитываемая с учетом того, сколько ситуаций оказались бы неразличимы если бы параметр был исключен из рассмотрения. В зависимости от степени влияния параметрам присваивается значение от 1 до 100. Это значение непрерывно модифицируется в процессе поступления новой информации. При столкновении с новой (неописанной) ситуацией программа ищет в базе данных похожие ситуации.
Каждому набору данных, соответствующих текущей снежно-метеорологической обстановке, определяется обусловливаемая им степень лавинной опасности. На выходе программа выдает суждение о степени лавинной опасности в соответствии с Европейской шкалой лавинной опасности.
Дополнительно определяется уровень значимости прогноза – индикатор уверенности программы в правильности результата.
Разница между моделями заключается в том, что DAVOS использует только измеренные значения (до 13 параметров), а MODUL оценивает 30 параметров, последовательно (пошагово) рассчитываемых программой в 11 подзадачах. В их число входит интерпретация Rutschblock-теста.
Оправдываемость прогнозов и предупрежденность явлений для последних модификаций модели DAVOS превысили 60%. Оправдываемость модели MODUL достигла 75%.
База данных экспертной прогнозной системы NivoLog [62] содержит численную информацию относительно погоды, снежного покрова, топографии склонов, географических особенностей и наблюденных лавин. Эта информация структурирована согласно реляционной модели данных. В дополнение к численной информации, NivoLog может обрабатывать изображения типа карт, фотографий или ортофото. Сочетание экспертной системы и метода ближайшего соседа позволяет производить оценку показателя устойчивости снежного покрова и определять соответствующую ему степень лавинной опасности.
Большую известность получил разработанный французскими специалистами пакет моделей SAFRAN-CROCUS-MEPRA [65, 68, 72]. В пакет вводятся только данные ежедневных метеорологических наблюдений. При этом основным предположением является пространственная однородность массива данных, что определяет рабочий масштаб действия пакета [68].
Выводом 1-го блока SAFRAN, работающего по методу ближайшего соседа (в качестве факторов используются термо-гигрометрические характеристики воздушных масс) является модель полей важнейших метеорологических характеристик (их приземных значений), облачности, солнечной радиации и осредненной толщины снежного покрова на различных высотах и склонах разной экспозиции при часовом временном шаге. Модель работает в режиме анализа или в режиме прогноза (диапазон 1 и 2 дня).
Выводы SAFRAN затем используются детерминистской моделью эволюции CROCUS для расчета