К вопросу о прогнозировании чрезвычайных ситуаций
On the issue of prediction emergencies
- 1 Институт вычислительного моделированияСО РАН
- 2 ФГБОУ ВО «Академия Государственной противопожарной службы МЧС России»
Представлен обзор прогнозов, используемых в органах управления МЧС России. Предложен алгоритм формирования управленческих решений. Он интегрирует идентификацию погодных опасностей, данных комплексного мониторинга, формализованных характеристик территорий, методов аналитического и ситуационного моделирования
The paper is present an analysis of the methods predictions of used in the EMERCOM of Russia. Our formed an algorithm for the decision support of prevention activities providing of territorial safety. It integrates the identification of weather hazards, monitoring data processing, formalized characteristics of territories, analytical and situational modeling methods
Процесс прогнозирования событий или обстановки в любых сферах жизнедеятельности, включая обеспечение безопасности, очень востребован и, вместе с тем, крайне сложен. Создание в начале 2000-х годов многоуровневой системы мониторинга и прогнозирования ЧС произошло в ответ на требования времени. Отсутствие должной научной проработки, теоретического фундамента, тиражируемого программного обеспечения и распределённых данных пока не позволяет достичь желаемой востребованности прогнозов. Применение и непрерывная верификация математических и аналитических моделей заменено констатацией вероятностей с использованием лингвистической шкалы на основе прогноза погодных условий.
Региональные прогнозы сведены к обзорам разных видов ситуаций и статистическому анализу произошедших событий. Федеральные прогнозы представляют собой картограммы кластеризации субъектов по степени опасности. опасности Огрубление значений ожидаемых рисков для огромных территорий Сибири и Дальнего Востока минимизирует использование таких прогнозов на муниципальном уровне.
Целью работы является описание метода краткосрочной поддержки управления силами и средствами ТП РСЧС на основе глубокой обработки данных комплексного оперативного мониторинга с использованием современных информационных технологий в сочетании с системным анализом задач обеспечения безопасности территорий. Предложен и программно реализован алгоритм обработки данных мониторинга для формирования решений на муниципальном уровне управления.
Прогноз проявления опасностей, также, как и оценивание рисков базируется на методах математической статистики, теории вероятностей и других дисциплинах, рассматривающих природу проявления угроз опасных событий различного характера [1, 2]. К сожалению, множество работ по оценке рисков и моделированию динамики их проявления основываются на каталогах событий без учёта изменений всей совокупности факторов [3, 4]. При этом нередки ошибки ретроспекции, когда из-за неполноты исходной информационной базы экстраполяция тренда приводит к занижению реальных опасностей.
Главными проблемами региональных органов управления остаётся дефицит информации, низкий уровень автоматизации процессов сбора и обработки данных. Его восполнения за счёт экспертных оценок зачастую некорректно. Между тем, внедряемая МЧС России система региональных озёр данных в сочетании с технологичным межведомственным обменом данных позволяет повысить эффективность прогнозирования [5]. Необходима сбалансированная реализация всех элементов (включая новые методы и технологии) принятия решений: сбор качественных данных → их обработка с использованием интеллектуальных систем → предоставление лицам, принимающим решения, информации в концентрированном виде с возможностью её детализации до атомарных показателей.
Наиболее обоснованным считается подход, сочетающий генетический анализ причин, способствующих реализации опасных событий, со статистическими методами обработки данных оперативного мониторинга и архивов наблюдений. По такому принципу строятся, например, прогнозы весенних паводков. Интеграция больших объёмов данных, различных методов их обработки с формализованными сценариями развития событий позволяет минимизировать управленческие риски, связанные как с неполнотой и нечёткостью информации о ситуации, так и с отсутствием опыта у лиц, принимающих решения. При этом решения, формируемые информационно-управляющей системой, должны представлять детерминированный алгоритм с чёткой последовательностью действий или набор альтернатив с расстановкой приоритетов реализации.
Большинство видов ЧС прямо или косвенно зависят от погоды (табл. 1). Для детализации обстановки на обширной территории Красноярского края используются данные системы численного прогнозирования погоды (Global Forecast System – GFS). Метеорологическая информация, записанная в 354 слоя для всей поверхности Земли с пространственным разрешением 0.25° обновляется четырежды в сутки. Использование результатов расчётов метеофакторов с упреждением 10-16 дней позволяет заблаговременно принять меты по повышению устойчивости объектов и инфраструктуры.
Табл. 1. Подходы к прогнозированию событий разного вида
Обстановка | Прогнозные модели |
|---|---|
Опасные погодные явления | Идентификация на основе данных GFS |
Затопления территорий в результате весеннего половодья | Моделирование уровней воды на основе факторов: архивов гидрографов, толщины льда, запасов воды в снеге, глубины промерзания почвы. Уникальны для каждого створа |
Лесопожарная обстановка | Класс опасности рассчитывается по метеоданным. Уточняется по таксационным описаниям растительности |
Сейсмическая обстановка | Моделирование на основе форшоков, электромагнитного фона, концентрации радона в скважинах опасных районов, положения барицентра Земля-Луна и др. Находится в стадии разработки |
Автодорожная обстановка, авиапроисшествия | Оценивание изменений аварийности при неблагоприятных метеоусловиях |
Аварии коммуникаций | то же |
Аварии промышленных объектов | Моделирование инцидентов на основе данных автоматизированной системы контроля технологических процессов. Реагирование на объектовом уровне |
Техногенные пожары | Оценивание сезонного количества и масштабов с учётом метеоусловий |
Помимо прогноза погоды, предиктивный анализ вероятности возникновения ЧС определенного вида и масштаба включает анализ следующих источников: данных комплексного мониторинга, каталога опасных событий; паспортов безопасности территорий (ПТ). Организация данных ПТ и форматы её представления не позволяют напрямую проводить анализ уязвимости и защищённости территорий. Их преобразование в машиночитаемый вид является отдельной научной задачей.
Для оценки вероятности возникновения ЧС или угроз целесообразно использование трёх интервальной шкалы или «семафора». Шкала имеет значения «норма», «угроза» и «опасность». В отличие от числовых значений здесь легче принимать решения о переводе сил и средств, органов управления в повышенные режимы функционирования.
Требования к разработке и содержанию прогнозов:
- использование больших данных, включающих оперативные наблюдения, статистическую отчётность, характеристики территорий, архивы мониторинга;
- использование разных видов аналитического моделирования, технологий Data Mining, нейронных сетей для учёта максимального количества факторов;
- замена очевидных рассуждений оценками компетентных экспертов;
- применение ситуационного моделирования для расчёта сценариев реализации опасностей;
- доведение до получателей прогнозов перечня мероприятий по подготовке к неблагоприятному развитию ситуации с последующей верификацией сформированных сценариев.
Необходимо разделить понятия «долгосрочный прогноз» и «оценка рисков». Для видов ЧС, зависящих от метеорологической обстановки, достоверность краткосрочного прогнозирования зависит от вклада других факторов в значения вероятности / последствий, а также периода прогнозирования. Оценивать масштабы циклических ЧС целесообразно на основе подбора года-аналога. Здесь важен баланс: с одной стороны, использование архивов наблюдений за длительные периоды обладает большей статистической достоверностью; с другой – резкие изменения климата, социально-экономических и др. факторов могут существенно исказить прогнозы.
Как правило, среднесрочный прогноз ЧС содержит показатели: даты начала и окончания сезона (ранняя, средняя, поздняя), среднее и максимальное число событий. Краткосрочный прогноз допустимо строить на основе тренда на несколько предыдущих дней, при этом количество «опорных точек» может выбираться как вручную, так и автоматически. Математические методы, применяемые для экстраполяции графика исследуемого показателя, также выбираются путём вычислительного эксперимента. Это могут быть простейшие регрессионные модели, например, метод наименьших квадратов, многослойные нейросети, другие методы машинного обучения.
На рис. 1 представлен алгоритм формирования прогнозов, состоящий из трёх этапов аналитической обработки. В результате формируется несколько фрагментов прогноза: управление при идентификации неблагоприятных метеоусловий и повышения вероятности реализации «эффекта домино»; управление при возрастании сезонных рисков; информирование общего характера. Совместное использование тестовых форм и динамических представлений информации, в том числе на мобильных устройствах позволяет эффективней донести сигналы раннего предупреждения до разных групп населения, формирований и руководящего состава.
Аварии и инциденты в техносфере, как правило, являются случайными процессами, зависящими от многих факторов. Здесь неуместно использование термина «прогнозирование», поскольку вместо количественного расчёта и описания их взаимовлияния доступны лишь методы систематизации и аналитическое исследование причинно-следственных связей. Решение задачи прогноза места и времени пожаров, ДТП, обрушений, других видов ситуаций позволило бы спасти большое количество человеческих жизней, сберечь здоровье людей и материальные ценности, перенаправить ресурсы на улучшение благосостояния людей. При нынешнем развитии науки и технологий задача невыполнима,
но и не доказано, что она не может быть решена в будущем. Для обеспечения постоянной готовности всех формирований и органов управления следует ориентироваться на максимальное количество происшествий, быть готовым к организации взаимодействия при ликвидации масштабных ситуаций.

Рис. 1. Алгоритм прогнозирования и формирования решений
Практика показывает, что несмотря на малую вероятность, катастрофы могут иметь место последовательно в малые интервалы времени. Некорректность прогнозных моделей не должна отрицательно сказываться на работе экстренных служб.
Необходима ревизия методических указаний МЧС России по прогнозированию, приведение их в соответствие передовым научным достижениям. Их приоритет очевиден при любом состоянии экономики. При разработке прогнозов следует учитывать также опыт специалистов местных органов управления – потенциальных получателей прогнозов. Дублирование в прогнозах ЧС метеосводок снижает доверие к информации о вероятных опасностях, что приводит влечёт за собой трагические последствия.
Цифровизация управления уменьшает роль человеческого фактора в предиктивном управлении. Внедрение сервисов автоматизированного прогноза для разных видов ЧС, использование всех доступных технологий, информационных ресурсов позволит достичь синергетического эффекта и достичь успехов в профилактике ЧС и выполнению задач обеспечения безопасности территорий, поставленных руководством страны.
Реализация представленных подходов потребует также изменения законодательства в сфере прогнозирования ЧС. Необходима организация подготовки специалистов в этой области, обладающих глубокими знаниями предметной области и информационных технологий. Следует проработать вопросы лицензирования деятельности прогнозистов, аналогично нормам Росгидромета и Ростехнадзора.
Литература
- Барановский Н.В. Прогнозирование лесной пожарной опасности в условия антропогенной нагрузки. – Новосибирск: СО РАН, 2021. – 302 с.
- Махутов Н.А. Безопасность и риски: системные исследования и разработки. – Новосибирск: Наука, 2017. – 724 с.
- Современные системы мониторинга и прогнозирования чрезвычайных ситуаций / под общ. ред. В.А. Пучкова / МЧС России. – М.: ФКУ ЦСИ ГЗ МЧС России, 2013. – 352 с.
- Батуро А.Н., Техтереков С.А., Коморовский В.С. Среднесрочное прогнозирование количества пожаров с использованием автокорреляционных функций // Природные и техногенные риски (физико-математические и прикладные аспекты), 2014. № 3 (11). – С. 28-36.
- Разъяснения по созданию и развитию «Озера данных» регионального уровня единой государственной системы предупреждения и ликвидации чрезвычайных ситуаций. – М.: МЧС России, 2021. – 10 с.