Комплексный подход к формированию набора данных для прогнозирования ущерба от чрезвычайных ситуаций и оптимизации сил и средств

Анатолий Валерьевич Рыбаков; Евгений Валерьевич Постернак

doi:10.33408/2519-237X.2025.9-3.310

Авторы

Анатолий Валерьевич Рыбаков Федеральное государственное бюджетное военное образовательное учреждение высшего образования «Академия гражданской защиты Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий»; 141435, Россия, Московская обл., Химки, ул. Соколовская, 1А, мкрн. Новогорск https://orcid.org/0000-0002-4037-1231
Евгений Валерьевич Постернак Федеральное государственное бюджетное образовательное учреждение высшего образования «Российский государственный социальный университет»; 129226, Россия, Москва, ул. Вильгельма Пика, д. 4, стр. 1 https://orcid.org/0009-0003-9732-4449

DOI:

https://doi.org/10.33408/2519-237X.2025.9-3.310

Ключевые слова:

чрезвычайные ситуации, синтетические данные, антропогенные показатели, нейронная сеть, ущерб, силы и средства, машинное обучение

Аннотация

Цель. Разработать единый интегрированный набор данных для прогнозирования ущерба от чрезвычайных ситуаций и последующего анализа необходимых сил и ресурсов. Сформировать комплексный подход, позволяющий преодолеть разрозненность исходных сведений об ущербе, антропогенных показателях и задействованных инженерно-технических мер (далее – ИТМ) (сил и средств).

Методы. В работе использовалась последовательная схема агрегирования и предварительной обработки данных из различных источников, включающая фильтрацию пропусков и унификацию форматов. Для восполнения недостающих сведений и повышения репрезентативности выборки применялись алгоритмы синтетической генерации на основе вариационных автокодировщиков, копул и генеративно-состязательных сетей. На заключительном этапе введена простая нейронная сеть, которая по известному значению ущерба дополняет отсутствующие данные о силах и средствах.

Результаты. Эксперименты показали, что наилучший баланс между точностью и сохранением исходного распределения признаков продемонстрировала модель CTGAN, достигшая высших показателей формы распределения столбцов и общего балла качества данных. Применение нейронного модуля с функцией активации ReLU в выходном слое позволило избежать отрицательных значений при прогнозировании сил и ресурсов. Совокупное использование синтетической генерации и нейронных предсказаний увеличило полноту итогового набора данных, сохранив статистическую согласованность признаков. Итоговый массив данных дает более детальное представление о связях между ущербом, социально-демографическими характеристиками территории и объемами ИТМ, что обеспечивает возможности для дальнейших исследований по повышению эффективности ликвидации последствий ЧС.

Область применения исследований. Сформированный набор данных может быть использован в качестве обучающей базы для моделей машинного обучения, ориентированных на прогнозирование материальных потерь, а также для разработки систем поддержки принятия решений при планировании и распределении ресурсов в чрезвычайных ситуациях. Результаты исследования представляют научно-практический интерес для специалистов в области управления рисками, а также для разработчиков информационных систем, интегрирующих аналитические модули по оценке ущерба и оптимизации сил и средств.

Биографии авторов

Анатолий Валерьевич Рыбаков, Федеральное государственное бюджетное военное образовательное учреждение высшего образования «Академия гражданской защиты Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий»; 141435, Россия, Московская обл., Химки, ул. Соколовская, 1А, мкрн. Новогорск

факультет комплексной безопасности и основ военной подготовки, кафедра высшей математики, профессор; доктор технических наук, профессор

Евгений Валерьевич Постернак, Федеральное государственное бюджетное образовательное учреждение высшего образования «Российский государственный социальный университет»; 129226, Россия, Москва, ул. Вильгельма Пика, д. 4, стр. 1

факультет комплексной безопасности и основ военной подготовки, кафедра экологии и природоохранной деятельности, аспирант

Библиографические ссылки

Avdot'in V.P., Dzybov M.M., Samsonov K.P. Otsenka ushcherba ot chrezvychaynykh situatsiy prirodnogo i tekhnogennogo kharaktera: monografiya [Damage assessment from natural and technogenic emergencies]: monograph; EMERCOM of Russia. Moscow, FGBU VNII GOChS (FC), 2012. 468 p. (rus). ISBN 978-5-93970-082-5. EDN: https://elibrary.ru/PXNONB.

Liu J., Konečný M., Du Q., Xu Sh., Ren F., Che X. The latest progress of data fusion for integrated disaster reduction intelligence service. International Journal of Image and Data Fusion, 2021. Vol. 12, No. 4. Pp. 265–267. DOI: https://doi.org/10.1080/19479832.2021.1970931.

Gorbunov S.V., Makiev Yu.D., Malyshev V.P. Analiz tekhnologiy prognozirovaniya chrezvychaynykh situatsiy prirodnogo i tekhnogennogo kharaktera [Analysis of forecasting technologies of natural and man-made emergencies]. Civil Protection Strategy: Issues & Research, 2011. No. 1 (1). Pp 43–53. (rus). EDN: https://elibrary.ru/OJWKOF.

Dzhumakulova K.A. Problemy monitoringa i prognozirovaniya chrezvychaynykh situatsiy v respublike Uzbekistan i puti ikh resheniy [Problems of emergency monitoring and forecasting of the Republic of Uzbekistan and solutions]. Economy and Society, 2024. No. 12-1 (127). 11 p. Available at: https://cyberleninka.ru/article/n/problemy-monitoringa-i-prognozirovaniya-chrezvychaynyh-situatsiy-v-respublike-uzbekistan-i-puti-ih-resheniy (accessed: March 24, 2025). (rus). EDN: https://elibrary.ru/OMGTEJ.

Noy I., Stone D., Uher T. Extreme events impact attribution: A state of the art. Cell Reports Sustainability, 2024. Vol. 1, No. 5. Article 100101. 9 p. DOI: https://doi.org/10.1016/j.crsus.2024.100101.

Faleev M.I., Tsybikov N.A., Sidorovich T.I. Global'nye klimaticheskie izmeneniya – faktor aktivizatsii prirodnykh i antropogennykh vyzovov naseleniyu i okruzhayushchey srede [Global climate change as a factor of natural and anthropogenic challenges activation to the population and the environment]. Civil Security Technology, 2022. Vol. 19, No. 2 (72). Pp. 4–10. (rus). DOI: https://doi.org/10.54234/CST.19968493.2022.19.2.72.1.4. EDN: https://elibrary.ru/VCELAQ.

Bolan S., Padhye L.P., Jasemizad T., Govarthanan M., Karmegam N., Wijesekara H., Amarasiri D., Hou D., Zhou P., Biswal B.K., Balasubramanian R., Wang H., Siddique K., Rinklebe J., Kirkham M.B., Bolan N. Impacts of climate change on the fate of contaminants through extreme weather events. Science of The Total Environment, 2024. Vol. 909. Article 168388. DOI: https://doi.org/10.1016/j.scitotenv.2023.168388.

Stankevich T.S. Razrabotka metoda operativnogo prognozirovaniya dinamiki razvitiya lesnogo pozhara posredstvom iskusstvennogo intellekta i glubokogo mashinnogo obucheniya [Development of operational prediction method of forest fire dynamics based on artificial intelligence and deep machine learning]. Proceedings of Irkutsk State Technical University, 2018. Vol. 22, No. 9 (140). Pp. 111–120. (rus). DOI: https://doi.org/10.21285/1814-3520-2018-9-111-120. EDN: https://elibrary.ru/YGGSLR.

Steinhaeuser K., Ganguly A.R., Chawla N.V. Multivariate and multiscale dependence in the global climate system revealed through complex networks. Climate Dynamics, 2012. Vol. 39, No. 3-4. Pp. 889–895. DOI: https://doi.org/10.1007/s00382-011-1135-9.

Shoygu Yu.S., Pyzh'yanova L.G. Prognozirovanie i upravlenie sotsial'no-psikhologicheskimi riskami vo vremya chrezvychaynoy situatsii [Foreseeing and managing social and psychological risks during an emergency situation]. Moscow University Bulletin. Series 14. Psychology, 2011. No. 4. Pp. 76–83. (rus). EDN: https://elibrary.ru/OQQWMJ.

Godschalk D.R. Urban hazard mitigation: creating resilient cities. Natural Hazards Review, 2003. Vol. 4, No. 3. Pp. 136–143. DOI: https://doi.org/10.1061/(ASCE)1527-6988(2003)4:3(136).

Bauer A., Trapp S., Stenger M., Leppich R., Kounev S., Leznik M., Chard K., Foster I. Comprehensive exploration of synthetic data generation: a survey. arXiv, 2024. 103 p. Preprint arXiv:2401.02524v2 [cs.LG]. DOI: https://doi.org/10.48550/arXiv.2401.02524.

Zhang K., Patki N., Veeramachaneni K. Sequential models in the synthetic data vault. arXiv, 2022. 17 p. Preprint arXiv:2207.14406v1 [cs.LG]. DOI: https://doi.org/10.48550/arXiv.2207.14406.

Bukhvalov A.V. L.V. Kantorovich i ekonomiko-matematicheskoe modelirovanie: sintez real'nosti, matematiki i ekonomiki [L.V. Kantorovich and economic-mathematical modeling: synthesis of reality, mathematics, and economics]. Russian Management Journal, 2012. Vol. 10, No. 3. Pp. 3–30. (rus). EDN: https://elibrary.ru/NPVACU.

Moskvina N.V. Primenenie iskusstvennogo intellekta v sisteme-112 [Application of artificial intelligence in the system-112]. Stolypin Bulletin, 2023. No. 4. Available at: https://cyberleninka.ru/article/n/primenenie-iskusstvennogo-intellekta-v-sisteme-112 (accessed: March 24, 2025). (rus). EDN: https://elibrary.ru/ERLYGT.

Li Z., Meier M.-A., Hauksson E., Zhan Z., Andrews J. Machine learning seismic wave discrimination: application to earthquake early warning. Geophysical Research Letters, 2018. Vol. 45, No. 10. Pp. 4773–4779. DOI: https://doi.org/10.1029/2018GL077870.

Kovzel' A.A. Prognozirovanie posledstviy chrezvychaynykh situatsiy s primeneniem neyrosetevykh tekhnologiy [Forecasting the consequences of emergencies using neural network technologies]. Nauchnyy Lider, 2021. No. 11 (13). Available at: https://scilead.ru/article/183-prognozirovanie-posledstvij-chrezvichajnikh-si (accessed: March 24, 2025). (rus). EDN: https://elibrary.ru/GOWGOZ.

Rybakov A., Ivanov E., Nesterov V. Neyronnye seti dlya zashchity naseleniya i territoriy ot ChS [Neural networks for protection of the population and territories from emergencies]. Sistemy bezopasnosti, 2021. Available at: https://www.secuteck.ru/articles/nejronnye-seti-dlya-zashchity-naseleniya-i-territorij-ot-chs (accessed: March 25, 2025). (rus)

Sukhanova N.V. Razrabotka neyrosetevoy modeli dlya prognozirovaniya veroyatnosti zemletryaseniy [Developing a neural network model for predicting the probability of earthquakes]. Automation and Modeling in Design and Management, 2023. No. 2 (20). Pp. 40–49. (rus). DOI: https://doi.org/10.30987/2658-6436-2023-2-40-49. EDN: https://elibrary.ru/EDIMKN.

Hyndman R.J., Koehler A.B. Another look at measures of forecast accuracy. International Journal of Forecasting, 2006. Vol. 22, No. 4. Pp. 679–688. DOI: https://doi.org/10.1016/j.ijforecast.2006.03.001.

Chai T., Draxler R.R. Root mean square error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 2014. Vol. 7, No. 3. Pp. 1247–1250. DOI: https://doi.org/10.5194/gmd-7-1247-2014.

Willmott C.J., Matsuura K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 2005. Vol. 30, No. 1. P. 79–82. DOI: https://doi.org/10.3354/cr030079.

Pchelintsev S., Yulyashkov M. A., Kovaleva O. A. Metod sozdaniya sinteticheskikh naborov dannykh dlya obucheniya neyrosetevykh modeley raspoznavaniyu ob"ektov [Method for creating synthetic data sets for training neural network models for object recognition]. Information and Control Systems, 2022. No. 3 (118). (rus). DOI: https://doi.org/10.31799/1684-8853-2022-3-9-19. EDN: https://elibrary.ru/LBEAQQ.

Rybakov A.V., Posternak E.V. Analiz problemnoy situatsii v oblasti obosnovaniya ob"emov inzhenerno-tekhnicheskikh meropriyatiy pri prognozirovanii ushcherba ot prirodnykh chrezvychaynykh situatsiy s uchetom antropogennykh faktorov [Analysis of the problematic situation in the optimization of engineering and technical measures when forecasting damage from natural emergencies, taking into account anthropogenic factors]. Scientific & Educational Problems of the Civil Protection, 2024. No. 4 (63). Pp. 72–83. (rus). EDN: https://elibrary.ru/BJANZK.