Россия
УДК 004.414.23 Моделирование и имитация вычислительных систем
В статье предложен комплексный подход к прогнозированию возможности выполнения авиационных задач в зоне чрезвычайной ситуации с учетом метеорологических условий и индивидуальных характеристик потребителей прогностической информации. Разработана вероятностная дискриминантная модель, основанная на минимизации нормированных суммарных затрат как критерия эффективности. Данный подход позволяет перейти от традиционного прогноза метеорологических величин к прогнозу вероятности выполнения конкретной задачи, что повышает практическую значимость метеорологического обеспечения. Модель реализована в виде линейной дискриминант-ной функции, параметры которой оптимизированы с применением ретроспективных данных метеорологических наблюдений. Проведен сравнительный анализ с традиционными методами прогнозирования видимости и высоты нижней границы облаков, который пока-зал снижение значения критерия эффективности в среднем на 57 %. Рассмотрены возможности расширения модели за счет учета динамики метеоусловий, интеграции в систему поддержки принятия решений и персонализации пороговых значений. Обоснована перспектива внедрения разработанного подхода в практику авиационных центров управления в чрезвычайных ситуациях в качестве инструмента повышения безопасности и эффективности полетов. Особое внимание уделено адаптации модели к условиям ландшафтных пожаров, когда критически важны не только метеорологические, но и экологические параметры приземного слоя атмосферы.
математическое моделирование, системный анализ, прогноз, управление в условиях неопределенности, авиационная безопасность, чрезвычайная ситуация, метеорологическое обеспечение, принятие решений, адаптивное управление
1. Бобров, В. Н. Прогностическое управление безопасностью полетов при ликвидации чрезвычайных ситуаций, вызванных ландшафтными пожарами / В. Н. Бобров, А. В. Калач, Е. Н. Кияткина // Проблемы управления рисками в техносфере. – 2025, № 3 (75). – С. 45–52.
2. Бобров. В. Н. Комплексный учет информации о состоянии атмосферы при обеспечении безопасности полетов авиации в экстремальных условиях / В. Н. Бобров, А. В. Калач // Проблемы управления рисками в техносфере. – 2025, № 2 (74). – С. 8-15. – DOI.org/10.61260/1998-8990-2025-2-8-15.
3. Бобров, В. Н. Повышение безопасности полетов воздушных судов при выполнении специальных авиационных задач / В. Н. Бобров, А. В. Калач // Безопасность жизнедеятельности. – 2025, № 10 (298). – С. 40-44.
4. Щетка, В.Ф. Модель оценки эффективности решения задач управления при ликвидации аварий на объектах транспортировки нефтепродуктов / В.Ф. Щетка, О.И. Скрыпникова // Сибирский пожарно-спасательный вестник. – 2023. – DOIhttps://doi.org/10.34987/vestnik.sibpsa.2023.29.68.004
5. Нелюбин, А. П. Многокритериальные задачи с упорядоченными по важности группами критериев / А. П. Нелюбин, В. В. Подиновский // Автоматика и телемеханика. – 2022. – № 7. – С. 119-136. – DOIhttps://doi.org/10.31857/S0005231022070078.
6. Chen, T., & Guestrin, C. XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – P. 785–794. – DOI.org/10.1145/2939672.2939785.
7. Hochreiter, S., Schmidhuber, J. Long short-term memory // Neural Computation, 9(8). – P.1735–1780. DOI.org/10.1162/neco.1997.9.8.1735.
8. Kim, Y. A hybrid deep learning framework for predicting point-level Alaskan fires. – 2023. – DOI.org/10.5194/egusphere-egu23-10336.
9. Shengdong Du, Tianrui Li, Yan Yang, Shi-Jinn Horng. Deep Air Quality Forecasting Using Hybrid Deep Learning Framework. – DOI.org/10.48550/arXiv.1812.04783
10. Хачикян П. П. Psychological aspects of decision-making for prevention of emergencies in aviation under uncertainty // Проблемы безопасности полетов. – 2024, V. 11. – P. 12-22.
11. Eva Agapaki1. Airport Digital Twins for Resilient Disaster Management Response. Springer Nature 2021 LATEX template. arXiv:2205.03739v1 [cs.CY] 7 May 2022.
12. Francisco José Cuesta-Valero, Hugo Beltrami, Stephan Gruber, Almudena García-García, and J. Fidel González-Rouco. A new bootstrap technique to quantify uncertainty in estimates of ground surface temperature and ground heat flux histories from geothermal data Preprint. Discussion started: 19 July 2022. DOI.org/10.5194/gmd-2022-178
13. Сергеев, Д.А. Интеллектуальная система мониторинга и адаптации маршрута беспилотных летательных аппаратов на основе нейросетевого анализа объектов риска / Д.А. Сергеев, Д.Г. Родионов, П.А. Поляков, Г.И. Голиков, О.Д. Старченкова, Н.Д. Дмитриев, Е.А. Конников // Программные системы и вычислительные методы. – 2025, № 1. – DOI:https://doi.org/10.7256/2454-0714.2025.1.73255
14. Макоско А.А., Матешева А.В. Загрязнение атмосферы и качество жизни населения в XXI веке: угрозы и перспективы. – М.: Российская академия наук, 2020. – 258 с.
15. Оганесян В.В. Потенциальные ущербы от опасных и неблагоприятных метеорологических явлений на территории Российской Федерации: региональные особенности / В.В. Оганесян, А.М. Стерин, Л.Н. Воробьева // Гидрометеорологические исследования и прогнозы. – 2021, № 1 (379). – С. 143-156 DOI:.org/10.37162/2618-9631-2021-1-143-156
16. Binte Shahid, S., Lacey, F. G., Wiedinmyer, C., Yokelson, R. J., & Barsanti, K. C. NEIVAv1.0: Next-generation Emissions InVentory expansion of Akagi et al. (2011) version 1.0 // Geoscientific Model Development. – 17(21). – P. 7679–7711. DOI.org/10.5194/gmd-17-7679-2024.
