Определение оптимальной модели машинного обучения для предсказания паводков на реке Амур
- Авторы: Александров Н.Э.1, Ермаков Д.Н.1,2, Азиз Н.М.1, Казенков О.Ю.1,2,3
-
Учреждения:
- Инженерная академия Российского университета дружбы народов (РУДН)
- Научно-исследовательский институт «Полюс» имени М.Ф. Стельмаха
- ФГБОУ ВО «Московский государственный университет технологий и управления имени К.Г. Разумовского (Первый казачий университет)»
- Выпуск: Том 9, № 2 (2022)
- Страницы: 11-20
- Раздел: Статьи
- URL: https://journals.eco-vector.com/2313-223X/article/view/529845
- DOI: https://doi.org/10.33693/2313-223X-2022-9-2-11-20
- ID: 529845
Цитировать
Аннотация
Ключевые слова
Полный текст
![Доступ закрыт](https://journals.eco-vector.com/lib/pkp/templates/images/icons/text_lock.png)
Об авторах
Никита Эдуардович Александров
Инженерная академия Российского университета дружбы народов (РУДН)
Email: 1042210208@pfur.ru
аспирант Москва, Российская Федерация
Дмитрий Николаевич Ермаков
Инженерная академия Российского университета дружбы народов (РУДН); Научно-исследовательский институт «Полюс» имени М.Ф. Стельмаха
Email: dermakow@mail.ru
доктор политических наук, доктор экономических наук, кандидат исторических наук, профессор, магистр технических наук; профессор департамента инновационного менеджмента в отраслях промышленности Инженерной академии; главный научный сотрудник научно-технического отдела Москва, Российская Федерация
Наофаль Мохамад Хассин Азиз Азиз
Инженерная академия Российского университета дружбы народов (РУДН)
Email: 1042208064@rudn.ru
аспирант Москва, Российская Федерация
Олег Юрьевич Казенков
Инженерная академия Российского университета дружбы народов (РУДН); Научно-исследовательский институт «Полюс» имени М.Ф. Стельмаха; ФГБОУ ВО «Московский государственный университет технологий и управления имени К.Г. Разумовского (Первый казачий университет)»
Email: o.kazenkov@gmail.com
почетный работник сферы образования РФ; ассистент кафедры «Нанотехнологии и микросистемная техника»; научный сотрудник Управления по научноисследовательской деятельности; заместитель руководителя Москва, Российская Федерация
Список литературы
- Arduino G., Reggiani P., Todini E. Recent advances in flood forecasting and flood risk assessment // Hydrology and Earth Sciences. 2005. Pp. 280-284.
- Aqil M., Kita I., Nishiyama S. Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool // Journal of Environmental Management. 2007. Pp. 215-223.
- Carvalho D., Pereira E., Cardoso J. Machine learning interpretability: A survey on methods and metrics // Electronics. 2019. P. 832.
- Diederik P. Kingma Jimmy Ba Adam: A method for stochastic optimization // 3rd International Conference for Learning Representations. San Diego, 2015.
- DiFrancesco K.N., Tullos D.D. Flexibility in water resources management: Review of concepts and development of assessment measures for flood management systems // Journal of the American Water Resources Association. Pp. 1527-1539.
- Dipanjan Sarkar, Raghav Bali, Tushar Sharma. The Python machine learning ecosystem // Practical Machine Learning with Python. 2017. Pp. 67-118.
- Chang F.J., Hsu K., Chang L.C. Flood forecasting using machine learning methods. 2019.
- Makhinov А.N. Amur terrigene and chemical discharge formation // Proceedings of the International Kyoto Symposium. Kyoto, Japan: Research Institute for Hymanity and Nature, 2005. Pp. 61-65.
- Moore R.J., Bell V.A., Jones D.A. Forecasting for flood warning // Comptes Rendus Geosciences. 2005. Pp. 203-217.
- Nash J.E., Sutcliffe J.V. River flow forecasting through conceptual models. Part I: A discussion of principles // Journal of Hydrology. 1970. Pp. 282-290.
- Frumkin H. Disaster preparedness. In: Environmental health: From global to local. San Francisco: Jossey-Bass Publishers, 2005.
- Prokhorenkova L. et al. CatBoost: Unbiased boosting with categorical features // NIPS. 2017.
- Ramírez J.A. Prediction and modeling of flood hydrology and hydraulics. In: Inland flood hazards: Human, riparian and aquatic communities. Cambridge: Cambridge University Press, 2010.
- Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature. 1986. No. 323. Pp. 533-536.
- Sahraei S., Asadzadeh M., Unduche F. Signature-based multi-modelling and multi-objective calibration of hydrologic models: Application in flood forecasting for Canadian Prairies // Journal of Hydrology. 2020. P. 588.
- Scikit-learn sklearn.linear_model.LinearRegression [Online]. 2022. URL: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
- Tullos D. Assessing environmental impact assessments: A review and analysis of documenting environmental impacts of large dams // Journal of Environmental Management. 2008. Pp. 208-223.
- Vinod N., Geoffrey E. Hinton rectified linear units improve restricted Boltzmann machines // 27th International Conference on International Conference on Machine Learning [s.l.]. USA: Omnipress, 2010. Pp. 807-814.
- Академия больших данных MADE и hh.ru составили портрет российского специалиста в сфере Data Science // Vk, hh.ru. 2020. URL: https://vk.company/ru/press/releases/10682/
- Yoganath Adikari, Junichi Yoshitani. Global trends in water related disasters: An insight for policymakers. Tsukuba, Japan: International Centre for Water Hazard and Risk Management (UNESCO) (ICHARM), 2009.
- Демиденко Е.З. Линейная и нелинейная регрессия // Финансы и статистика. 1981.
- Махинов А.Н., Ким В.И., Воронов Б.А. Наводнение в бассейне Амура 2013 года: причины и последствия // Вестник ДВО РАН. 2013.
- Новороцкий П.В. Колебания стока Амура за последние 110 лет // География и природные ресурсы. 2007. C. 86-90.
- Осипов Ю.С. Нейронная сеть // Большая российская энциклопедия. 2017.
- Сбербанк NoFloodWithAI: прогнозирование паводков на реке Амур. 2020. URL: https://github.com/sberbank-ai/no_flood_with_ai_aij2020
Дополнительные файлы
![](/img/style/loading.gif)