01 — Кейс · ML Нейросети

«Паводок»: прогноз подтоплений для 26 населённых пунктов

Муниципалитет предупреждал о паводке, когда уровень на гидропосту переходил порог, и до воды обычно оставалось около 9 часов: эвакуация не успевала. Мы построили прогноз на гидрологической модели и нейросети LSTM с ансамблем из 51 прогноза осадков. Каждый день выходит бюллетень с вероятностью подтопления по 26 зонам. За оперативный сезон предупреждения по трём событиям пришли за 18–30 часов. Основная оценка ретроспективная, и реальные цифры, скорее всего, хуже.

8 месяцев
Обновлено:
Смотреть кейс
срок проекта
8 месяцев
функциональных модулей
5
этапов разработки
5
ключевых технологий
5
«Паводок»: прогноз подтоплений для 26 населённых пунктов

02 — Контекст

Задача проекта

Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.

Речной бассейн площадью 18 тысяч км², три гидропоста и 26 населённых пунктов, за которыми нужно следить. Предупреждение строилось по простому правилу: уровень на посту превысил порог, значит, вода идёт. Медианное время предупреждения было 9 часов.

Этого не хватало, эвакуация не успевала. Правило по порогу ещё и часто ошибалось: 34% тревог оказывались ложными, а за три года два события из одиннадцати прошли без предупреждения.

Задача была предупреждать раньше и точнее, опираясь на прогноз стока, давать вероятность для каждой зоны и передавать результат в ЕДДС.

  1. Девять часов на всё

    Сигнал приходил, когда вода уже поднималась на посту. За оставшееся время эвакуация не успевала.

  2. Каждая третья тревога ложная

    Треть предупреждений не подтверждалась, и службам приходилось реагировать впустую.

  3. Пропущенные паводки

    За три года два события из одиннадцати прошли вообще без предупреждения.

03 — Возможности

Что делает система

Ключевые сценарии и рабочие модули, собранные в единую систему.

  1. Гидрологическая модель бассейна

    HBV-подобная модель описывает, как осадки и таяние снега превращаются в сток: сколько воды впитает почва, сколько задержится в снегу, сколько дойдёт до реки. Это физическая основа прогноза, привязанная к устройству конкретного бассейна. Настроена модель по наблюдениям трёх гидропостов, и её точность ограничена тем, насколько густо бассейн покрыт измерениями.

  2. Нейросеть LSTM на сток

    LSTM — нейросеть для временных рядов: она учится на истории наблюдений и находит закономерности, которые сложно задать формулами. Прогноз стока строят гидромодель и LSTM вместе. Модель калибровали на трёх годах наблюдений, а за этот период случилось всего 11 паводков, поэтому к оценке точности нужно подходить осторожно.

  3. Ансамбль из 51 прогноза осадков

    Прогноз погоды неточен, поэтому модель прогоняет 51 сценарий осадков вместо одного. Если подтопление выходит в большинстве сценариев, вероятность высокая, если в немногих, низкая. Так у прогноза появляется мера уверенности, и дежурные видят, насколько серьёзна угроза.

  4. Вероятность по 26 зонам

    Прогноз стока переводится в вероятность подтопления отдельно для каждой из 26 зон с населёнными пунктами и выводится на карту ГИС. Видно, где риск растёт, и меры можно планировать по конкретным сёлам, а не по бассейну целиком.

  5. Ежедневный бюллетень для ЕДДС

    Каждый день формируется бюллетень с прогнозом и вероятностями по зонам. Он передаётся в ЕДДС, единую дежурно-диспетчерскую службу муниципалитета, через интеграцию. Решения о мерах по-прежнему принимают дежурные службы, прогноз даёт им время и показывает, где риск выше.

04 — Архитектура

Технологический стек

Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.

Зачем в проекте · 01 / 05

Python

На нём собраны подготовка данных, гидромодель, нейросеть, расчёт вероятностей и выпуск бюллетеня. Для гидрологии и машинного обучения у Python зрелые библиотеки, а единый язык упрощает сопровождение.

05 — Процесс

Как шла разработка

Последовательность работ от исследования задачи до запуска и проверки результата.

  1. Данные бассейна

    Собрали историю наблюдений по трём гидропостам за три года, данные об осадках и границы 26 зон с населёнными пунктами.

  2. Гидромодель и LSTM

    Настроили HBV-подобную модель бассейна и обучили LSTM на сток. Калибровка шла на тех же трёх годах, на которых потом проверяли прогноз, и это важно для оценки результата.

  3. Ансамбль и вероятности

    Подключили ансамбль из 51 прогноза осадков и перевели прогноз стока в вероятность подтопления по каждой из 26 зон с выводом на карту.

  4. Бюллетень и ЕДДС

    Настроили ежедневный выпуск бюллетеня и его передачу в ЕДДС. Внедрение до промышленной эксплуатации заняло 8 месяцев.

  5. Ретроспектива и сезон

    Проверили прогноз задним числом на 11 событиях за три года, затем система отработала оперативный сезон, в котором было три события.

06 — Итог

Результаты

Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.

предупреждения в оперативный сезон, замер на 3 событиях
18–30 ч
медианное время предупреждения, ретроспектива на 11 событиях
9 → 21 ч

Ретроспективная проверка на 11 событиях показала медианное время предупреждения 21 час вместо 9. В той же ретроспективе ложных тревог стало заметно меньше, пропущенных событий — одно вместо двух. В оперативный сезон, уже в реальной работе, было три события, и предупреждения по ним пришли за 18–30 часов.

Основная оценка ретроспективная: модель калибровали на тех же трёх годах, на которых её проверяли. Поэтому реальные цифры, скорее всего, хуже ретроспективных. Измерено в работе пока только три события оперативного сезона, этого мало для выводов о средних значениях.

Есть и границы, за которые модель не выходит. Три гидропоста на 18 тысяч км² — это мало, и для малых притоков прогноз фактически не строится. На конвективных ливнях горизонт падает до 4–8 часов, и там помогает только правило «звонок в село». Пропущенное событие — ледовый затор, его модель не описывает в принципе.

FAQ

Вопросы о проекте

Обсудим похожий проект?

Расскажите о задачах вашего бизнеса — предложим архитектуру и оценим сроки