文摘

每年自然灾害的影响,增加更多的人员伤亡和财产损失和环境。因此,重要的是要防止后果实施早期预警系统(EWS)为了宣布有害现象发生的可能性。本文重点是放在EWS的实现微观位置为了宣布可能的有害现象发生由风引起的。为了预测这种现象(风速),一个人工神经网络(ANN)的预测模型。模型开发的基础上获得的输入数据由当地气象台在大学的校园里耶卡地区克罗地亚共和国。对预测模型进行了验证和评估视觉和常见的计算方法,之后发现是可能的执行时间很好的风速预测步骤 , , 。开发模型是实现EWS作为改进的决策支持现有的“过程计划在狂风造成的紧急或飓风,雪和冰的出现在大学的校园里耶卡。”

1。介绍

今天我们正在见证一个大量的各种自然有害的气象和水文现象,逐年增加,更多的人员伤亡和财产损失和环境。这些灾害的影响迅速传播到世界各地,无论谁或者我们(1]。应对如此,越来越多的专业人士和志愿者的努力帮助2)获得知识和对风险采取行动,风险,脆弱,韧性,和早期预警系统,但是这样并没有导致改变灾害管理的实践(3,4]。此外,一些自然灾害连续对规模较小的影响,也就是说,位置。的发生和影响他们周围带来实现相同的灾害管理的重要性原则在更大的规模。

为了应对这种挑战,Quarantelli (1988) (5)认为,准备和应对灾害需要沟通和信息流动很好地结合,决策过程,协调结构。这样成为今天的早期预警系统的基本元素(ews)。根据联合国的国际减灾战略(2006年联合国/ ISDR) (6),一个完整的和有效的EWS包括四个相关元素:(i)风险知识,(2)监测和预警系统服务,(3)传播和沟通,及(iv)反应的能力。

今天,实现人工神经网络(ANN)为了发展预测模型就变得非常有趣的研究领域。安在水利和气象领域的使用是相对较新的,因为第一个应用程序是在早期的年代。第一个实现安为了预测风速由林指出et al。(1996) (7),Mohandes et al。(1998) (8],Alexiadis et al。(1998)9]。为了预测风速,最近许多安实现的例子。丰特et al。(2005)10)在他们的论文中介绍了预测的平均每小时风速、和Monfared et al。(2009) (11)在他们的论文中介绍了一种新方法基于ANN的更好的风速预测性能。Pourmousavi蟹和Ardehali (2011) [12)引入了一个非常短期风速预测在他们的论文中,周et al。(2017) (13)提出了一个使用安为了建立风力发电机故障预警和诊断模型。根据上述安的实现,发展这样一个预测模型,以建立一个EWS微位置上受到风力的影响没有找到,需要更好的研究。

本研究的目标是设计和开发一个ANN模型以达到一个成功的预测风速的微位置,根据当地气象监测站的数据。研究的最终目的和目标是实现一个发达安风速预测模型以EWS作为决策支持工具。

本文组织如下。部分2提供决策支持的研究背景以及发展方法论ANN预测模型作为一种工具在EWS支持决策。节3,该模型显示的结果和讨论,以实现在EWS微里耶卡大学校园区域的位置。最后,给出了结论和建议部分4。

2。方法

根据业务的需要,不同的信息系统是为了不同的目的而开发的。一般来说,不同类型的数据和信息适用于决策在不同的组织层次和需要放置不同的信息系统(i)等事务处理系统(TPS),(2)管理信息系统(MIS),(3)决策支持系统(DSS)和(iv)的执行支持系统(ESS) [16]。与此同时,每个信息系统不能满足每个级别的完整的信息需求。因此,重叠的系统需要以保全信息流动(从低到上层)和行为(从上层到下层)。

提出了预警管理系统的结构(图1)是基于Marović的先前的研究17),城市基础设施的“三个决策水平”的概念(18,19)和空间(17提出了管理。模块化的概念是基于DSS基本结构(20.数据库:(i),(2)模型基础,和(3)对话框模块。整个决策过程之间的交互模块实现管理水平作为他们作为会议的适当的模型和数据。

第一个管理水平支持决策者在最低的运营管理水平。旁边的通用功能支持决策过程在操作层面,它是一个集合点的数据和信息。此外,它提供了信息流动向更高的决策水平。它是一个程序上的级别是定义良好和结构化的问题。第二个管理水平处理更少的定义和半结构式问题。在这个层面上,战术决策是交付,这是一个创建信息基础和解决方案的地方。基于应用模型从模型基础(例如,安),它给选择和未来的战略决策的基础管理水平,处理更少定义和非结构化问题。在第三个管理水平,根据专家交付从战术层面,系统的未来发展。战略形成,作为决策和管理水平较低的框架。

外部环境因素很大程度上影响着决策支持系统,如图1,决策和整个管理过程。找到这样结构适合各种城市管理系统及其结构容易支持所有阶段的早期预警系统的决策。

除了前面定义的四个元素,ews特定于上下文实现它们。Glantz (2003) (21)描述的一般原则,每个人都应该牢记:(i)的连续性操作,(2)及时警告,(3)透明度,(iv)集成,人类能力(v), (vi)的灵活性,催化剂(七)、(八)不关心政治。重要的是要考虑当前和本地信息(22从过去的事件以及知识(存储在数据库中)或种植结构23]。为了在紧急情况下是有效的,ews需要相关和面向用户,并允许所有之间的交互工具,决策者、专家和利益相关者(24- - - - - -26]。它可以被看作是一个信息系统处理各种类型的问题(从结构化与非结构化)。有害事件预测模型基于ANN的一般监测和预警系统下开发服务,成为一个有价值的工具DSS模型的基础。

ANN预测模型的发展需要大量的技术和专长的领域。必须有一个适当的组数据(从监测和/或收集已有的历史数据)的潜在危险区域,实时、远程监控的触发因素。在这样一个数据收集,数据分析,作为一个起点在预测模型开发(测试、验证和评估流程)(27]。进口这样的预测模型在现有或新的决策支持系统发展的结果在公共机构的支持工具和市民在选择适当的保护措施。

2.1。数据驱动的ANN预测模型的发展

作为一个延续以前的作者的研究(14,15),一个新的基于ANN预测模型将设计和开发EWS的风速预测为基础。现在,最大的问题在开发的预测模型是他们不同方法建模过程的多样性,复杂性、模型验证和评价程序,实现不同的和不精确的方法,可最终导致实际不适用。因此,上述的方法(14,15)一般方法的基础上开发的指导方针建议迈尔et al。(2010)28),包括精确的程序步骤。这些步骤允许实现的模型定义的新案例研究方法完成建模过程。

在本文的步骤方法发展的ANN模型将简要描述,在论文由Sušanj (2017) (15]可以找到方法的详细描述。发达的方法包括四个主要过程组:(i)监控,(ii)建模、(3)验证和(iv)评估。

2.1.1。监控

第一个过程组上述方法监测组,指收集相关数据的程序(包括历史和数据监测)和如何进行。是非常重要的,相关的具体数量和准确的数据收集以及触发因素EWS开发识别的目的。

2.1.2。建模

第二组是指组成的建模过程的实现安。在这个过程中,识别模型的输入和输出数据必须确定。此外,数据预处理,消除数据错误和数据分成训练,验证和评价集必须完成。当数据准备,安的实现可以进行了。

在拟议的方法14,15),实现多层感知器(MLP)架构的三层(输入、隐藏和输出)。输入层应该形成一个矩阵的气象时间序列数据乘以权重系数培训过程中所获得的学习算法。数据、水文和气象意义上,会影响数据的输出。因此,它是非常重要的输入矩阵是由至少10之前测量数据或一个小时的测量矩阵的每一行,以使模型了解气象条件在一个特定的时期。隐藏层的模型应该包含十个神经元。神经元的数量可以改变,但必要的先前的研究表明,它不会导致质量改进模型。输出层由时间序列数据的预测。模型开发人员选择的时间预测步骤,后安训练的过程中,可以进行验证和评价。

的质量和学习强度ANN模型基于激活函数的类型和训练算法(使用29日]。激活功能是指导数据层和训练算法优化权重系数的任务训练的每一个迭代过程中为了提供更准确的模型反应。建议选择非线性激活函数和学习算法在非线性问题。因为他们的适应能力因此,双s形的激活函数和选择Levenberg-Marquardt学习算法。ANN模型的示意图表示开发如图2。

后ANN模型的体系结构定义和所选择的训练算法和预测步骤,程序包的模型将被编程应该选中。有大量的准备程序包与预制ANN模型,但是对于这个目的完成整个编程过程为宜。因此,使用MATLAB(美国马萨诸塞州MathWorks,纳蒂克)或任何其他编程软件推荐。模型程序后,培训过程应进行计算的迭代。

2.1.3。验证

第三组模型的开发过程是指模型验证过程。这是定义为模型的质量反应训练过程完成。模型应与早期准备验证组的输入和输出数据的目的(15%的数据)为了比较模型响应的测量数据(29日,30.]。基于验证数据集模型响应图形和运用数值计算质量措施要根据每个使用数值模型质量评价标准。因此,建议使用至少两个数值质量措施:(i)均方误差(MSE)和(2)确定系数()。

2.1.4。评价

最后一批的方法步骤是指评估过程模型,它被定义为模型的反应质量的数据集用于训练和验证过程。模型应与早期评估准备组的输入和输出数据,目的(15%的数据)为了比较模型响应的测量数据(29日,30.]。流程模型的评估与验证的过程;唯一的区别是数值的数量在这一过程中使用质量措施。一般来说,建议(31日使用以下措施:(i)均方误差(MSE),(2)根均方误差(RMSE),(3)平均绝对误差(MAE)、(iv)均方相对误差(MSRE), (v)确定系数(),(vi)协议(指数),(七)百分比偏差(PBIAS)和(八)根均方误差标准偏差(RSR)。

3所示。结果与讨论

3.1。研究领域的位置

大学的校园里耶卡区(以下简称“园区”)位于东部的城市里耶卡,克罗地亚共和国Primorje-Gorski Kotar县,总体面积约28公顷。在校园永久的位置或偶尔停留大约五千人每天(学生和大学员工)(33]。根据特定的地理位置、校园称为微位置受强风影响布拉人家喻户晓的名字。它从陆地吹向海洋(亚得里亚海沿海地区),主要来自东北,它的本质是一种强风(阵风吹)。通常吹了好几天,这是由于冷空气从潘诺尼亚的地区的溢出在Dinarid山脉向海岸线。

自2014年以来,校园面积受到风的影响布拉人几次,对校园财产和环境造成破坏,如图3。

因为飞行的对象,将会伤害到我们的财产和环境和伤害别人和强大的阵风风力布拉人使得人们在户外,在“程序计划造成的紧急情况下的风或飓风,雪和冰的出现在大学的校园里耶卡”(以下简称“过程计划”)在2015年被采用。

3.2。现状

这个过程根据自然灾害防护计划制定法律(NN 73/1997),和校园技术服务(CTS)负责传导的过程。CTS有义务监督(i)风速和风向校园面积(安装测量设备)和(2)的预测克罗地亚官方报警系统通过METEOALARM(提醒欧洲极端天气)通过欧洲气象服务的网络(EUMETNET)。根据预测和监控报警系统,CTS声明两个级别的警报(黄色和红色)。

的狂风,分为风十分钟的平均速度高于8蒲福风级(9 m / s) > 18日,CTS会发音的第一级警报为“黄色警报,紧急准备阶段。“CTS会发音的二级警报定义为“红色警报,极端自然灾害的危险状态”的飓风风当十分钟的平均风速达到10蒲福风级(> 25米/秒)。

在一个黄色的警告的情况下,建议关闭窗户附近的建筑和不可能的飞行物体和打开的窗口。在红色警报的情况下,关闭校园的面积(推迟教学和研究活动),人们不允许移动以外的建筑物。通知通过电子邮件传播到所有大学的员工,通过当地电台和每一个大学的官方的互联网上的网页组成。现有系统警告如图4。

计划的实施过程非常简单,它有一些不足。过程并不是自动的,警报的传播是基于METEOALARM和CTS的警觉性员工传播信息。更大的问题发生在METEOALARM宏观层面的预测可能发生的大风是不够准确的微观层面上由于小数量的气象监测站和多才多艺的救援。里耶卡大学校园面积是放置在特定的微位置,狂风的速度通常比其他地区更广泛的里耶卡的城市地区。持续的监控和收集的风速和风向数据实现校园区,但与测量只能看到过去和实时风速和风向等气象变量数据。在这种情况下,实时测量是无用的CTS以宣布警报,他们可以只观察当前状态。上述地点的天气暗示有可能有更强的风比METEOALARM预测的校园,既可能产生有害影响的财产和人。公告的传播也是一个软弱的现有系统的一部分,因为大量的学生不直接提醒。

因此,有必要提高现有的报警系统EWS的实现是基于METEOALARM和风速预测模型并提高过程计划的发展传播过程来获得更好的响应能力。目的和目标是设计和开发一个ANN模型以达到一个成功的预测微位置的风速,提出EWS的焦点(图5)重叠微观层面与宏观层面预测预报。

如上所述,提出过程计划是基于METEOALARM的警报阶段,从校园气象台实时处理数据。从气象站收集的数据作为输入对于ANN模型,使结果的形式在几个时间预测风速预测的步骤。这提供了一个机会到决策者重叠的ANN模型预测微观层面与宏观水平阶段的警报,以传播警报向利益相关者为特定的位置。因此,微观层面模型可以深入预测位置。这是非常重要的,当有一个黄色的警告(宏观层面)和微观层面上的ANN模型预测,条件是红色的。

3.3。数据收集

如前所述在方法论的发展模式,第一组的步骤是指建立监测。因此,连续数据监测气象变量建立了自2015年开始的。数据用于建模目的日期从1月1日,2015年,2017年6月1日。气象变量用于预测风速(我),(2)风向,(3)风跑,(iv)高风速、风向(v)高,(vi)空气温度、空气湿度(七)、(八)空气压力。他们收集的优势专业2气象台(由戴维斯仪器制造公司)安装在屋顶的土木工程学院。测量设备获得的风险项目(研究基础设施里耶卡的大学校园实验室;rc.2.2.06 - 0001)。数据测量的频率间隔5分钟。

3.4。安风力预测模型的发展

上述收集到的数据用于风速预测模型的发展,大学的校园里耶卡区域。输入变量(8)和输出变量(1)模型的选择然后预处理。然后分成训练集的数据(数据总量的70%),验证数据(总额的15%),和评价模型的(数据)总额的15%。统计的数据用于训练、验证和评估过程如表所示1。

准备好数据后,ANN模型的实现是由MATLAB软件(MathWorks纳蒂克,麻萨诸塞州,美国),和模型的示意图表示如图6。

时间预测模型进行训练步骤:(i) (二) (3) (四) ,(v) 。训练之后,模型是视觉上和数值验证和评估。比较的测量和预测风速在评价的过程中,根据时间预测步骤,提出了在图7。视觉分析的基础上,它可以观察到,根据扩展模型的准确性降低预测的时间步。

数值模型的验证和评估根据拟议中的提到的方法进行。结果的验证和评估过程和评估模型的质量如表所示2。因为一些数值模型的质量度量标准不准确确定(MSRE措施:MSE、RMSE美,和秩),建议结果应该接近于零。对另一些人来说,使用措施标准精确,模型是根据他们的评估。

数值验证和评估措施已经证实模型随着时间的步骤 , , 有明显更好的预测可能性,因为他们被评估为“很好”和“好”比模型随着时间的步骤 和 。此外,其他措施非常小,接近于零,而对于时间的步骤 和 他们是明显更大。虽然模型随着时间的步骤 和 节目质量差的结果,根据视觉分析,他们仍然显示出一些预测风速的增加或减少的迹象,因此可以使用这些预测,但仔细。

根据研究结果开发了ANN模型的性能统计数据,决策者在微观层面上可以决定时间的预测步骤 。通过重叠这种微观层面的宏观层面预测预测,他们可以控制的准确传播警报在一个特定的区域。

4所示。结论

提出了应用人工神经网络在预测过程中风速和其实现的早期预警系统作为一种决策支持工具。本研究的主要目标是开发模型来实现成功预测风速的微定位基于气象站的数据模型,实现基地作为决策支持工具提出了预警系统。

当地气象站收集的数据在30个月期间(8个变量)是用于风速的预测过程。5次的模型预测步骤:(i) (二) (3) (四) ,(v) 。模型显示了很好的预测可能性的评估时间的步骤 , , 因此使早期预警系统的实现。

进行的研究表明,它是可能的和可取的应用人工神经网络预测过程的微观的位置,因为这类型的模型是有价值的和准确的工具来实现模型的基础来支持未来决定在早期预警系统。

完整的评估和预警系统提出的功能和人工神经网络模型可以完成,在实施后大学的校园里耶卡(克罗地亚)进行。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本文进行的研究项目“基于学校的实验室研究基础设施里耶卡大学的,“这是得到欧盟在欧洲区域发展基金(rc.2.2.06 - 0001),以及一个科学项目的一部分“水文水资源和洪水和泥流风险识别岩溶地区“由大学的里耶卡(13.05.1.1.03)。