Введение 4
Физико-географический обзор района исследований 6
Физико-географические особенности района исследования 6
Возможность оперативного прогноза уровня моря у мыса Каменный. 9 Теория формирования уровня моря
Сгонно-нагонные явления 12
Материалы и методы 15
Исходные данные 15
Первичные статистики 17
Кластерный анализ 18
Деревья решений 20
Нейронная сеть 22
Язык программирования Python 24
Непериодические колебания уровня у м.Каменный типизация и 26
возможность оперативного прогноза
Результаты тренд-анализа и корреляционного анализа исходных 26
рядов
Синоптическая ситуация и характер сгонно-нагонных колебания у м. 33 Каменный
Типизация условий краткосрочных изменений уровня моря у м. 40
Каменный
Результаты применения метода деревьев решений, метода леса 44
деревьев и нейронной сети для разработки прогноза уровня моря у м. Каменный
Разработка программного обеспечения 56
Заключение 65
Список литературы 68
Приложение А. Результаты прогноза
Приложение Б. Код программы
У мыса Каменный Обской губы Карского моря в настоящий момент времени ведется активная хозяйственная деятельность, связанная с транспортировкой углеводородов. В следствии сложной ледовой и навигационной обстановок, а также других причин особенно востребованным становится оперативный прогноз уровня моря. Специалисты океанологи, физики, математики и другие разрабатывают гидродинамические, статистиковероятностные модели, занимаются пред- и пост- обработкой данных для того, чтобы на выходе получить наиболее точный для потребителя прогноз уровня. Потребителем в данном случае могут выступать порты, судоходные компании и другие учреждения, заинтересованные в получении достоверной оперативной информации.
Оперативный прогноз уровня у мыса Каменный необходим потребителям (в частности нефте- и газодобывающим компаниям) для предотвращения убытков и экологических рисков, которые могут возникнуть в случае аварийной ситуации, вызванной посадкой судна на мель в этом районе.
Целью выпускной квалификационной работы магистра являлась разработка оперативного метода прогноза уровня моря у мыс Каменный и его последующая программная реализация в виде программного обеспечения, готового к использованию.
Для достижения поставленной цели были поставлены следующие задачи:
обобщить опубликованную информацию о физико-географических особенностях Обской губы Карского моря, а также причинах изменения уровня моря данной акватории;
сформировать и проанализировать массивы исходных данных;
произвести анализ случаев сгонов и нагонов с соответствующей метеорологической ситуацией;
классифицировать исходные данные при помощи кластерного анализа;
использовать метод деревьев решений и нейронные сети в задачах оперативного прогноза;
разработать программное обеспечение оперативного прогноза уровня моря.
Материалы исследования были представлены на:
VII Международная научно-практическая конференция «Морские исследования и образование» MARESEDU-2018, 19-22 ноября 2018, г.Москва
II Всероссийская конференция «Гидрометеорология и экология: достижения и перспективы развития», 19-20 декабря 2018, г.Санкт-Петербург
XIII Санкт-Петербургский конгресс профессиональное образование, наука и инновации в XXI веке, конкурс презентаций «Санкт-Петербург - центр Арктических исследований и технологий», 20-22 ноября 2019 года, г.Санкт- Петербург
III Всероссийская конференция «Гидрометеорология и экология: достижения и перспективы развития», 18-19 декабря 2019 года, г.Санкт- Петербург
Выпускная квалификационная работа магистра является продолжением исследованием, представленным в виде выпускной квалификационной работы бакалавра. В этой работе продолжился поиск информативных предикторов и методов обеспечения оперативного прогноза с заданной точностью (+-5 см).
В работе использовались следующие, не используемые в предыдущем исследовании, методы: деревья решений, леса деревьев и нейро-сетевой подход. Также использовались новые данные у п.Салман, где временно производились наблюдения за атмосферным и гидростатическим давлениями. Это позволило расширить количество потенциальных предикторов.
Метод деревьев решений, который рассматривался как прогностический, не справился с поставленной задачей, однако он вполне пригоден для предобработки данных - выявления значимых предикторов.
Метод леса деревьев не чувствителен к изменению заблаговременности для зависимой выборки. Лес деревьев, как и нейронная сеть давали результаты, которые еще требуют корректировки в будущем. Нейросеть лучше описывает ход, но занижает результаты. Лес деревьев отлично описывает колебания в районе средних значений, однако не может описать экстремальные значения.
Прогноз с помощью алгоритма нейронной сети - это один из путей улучшения качества прогноза. Также необходимо накапливать больше наблюдений, чтобы модели обучались на более разнообразном наборе случаев сгонов и нагонов.
Другим путем повышения качества прогноза является комплексирование результатов прогнозов, полученных разными методами. Для этого необходимо получить материал по точности прогнозов, полученных различными методами (к примеру, лес деревьев и нейросеть). Это позволит в дальнейшем разработать систему весов, учитываемых в процессе комплексирования. Для упрощения процедуры накопления материала представленные методы были реализованы в программный продукт.
За содействие в работе и предоставление данных, на которых базировалось исследование, автор благодарит ООО «Арктик-Шельф Консалтинг» и ООО «Онего Шипинг».
