Разработка сигма-пи нейронных сетей для кластеризации селевых потоков: новые подходы к моделированию природных опасностей
14 ноября 2025 года в Ташкенте состоялся совместный семинар, организованный Институтом космофизических исследований и распространения радиоволн ДВО РАН, Институтом прикладной математики и автоматизации КБНЦ РАН и Филиалом Российского государственного университета нефти и газа им. И. М. Губкина. Одним из ключевых докладов на мероприятии стал выступление младшего научного сотрудника отдела нейроинформатики и машинного обучения ИПМА КБНЦ РАН Руслана Жилова с докладом на тему «Модель сигма-пи нейронной сети для кластеризации данных селевых потоков».
В ходе исследования рассматривается применение сигма-пи нейронных сетей для решения задачи автоматической кластеризации селевых потоков по их характеристикам. Этот вопрос имеет особое значение для оценки природных рисков и прогнозирования опасных явлений, связанных с селевыми процессами. Традиционные методы, такие как физико-реологические модели и статистические подходы, зачастую ограничены линейными зависимостями и не позволяют полноценно учитывать сложные взаимодействия между параметрами, влияющими на формирование селевых потоков.
Инновационная архитектура, предложенная в работе, основана на развитии классических моделей искусственных нейронных сетей — с введением мультипликативных связей между входными признаками. Такая структура позволяет моделировать нелинейные зависимости второго порядка и выявлять скрытые взаимодействия факторов, например, влияние сочетания уклона русла и влажности на характер селевых потоков.
Модель обучалась на кадастровых данных о селевом движении в южных регионах Европейской части России, включавших шесть признаков: генезис селя, площадь бассейна, средний уклон русла, длину реки, высоту истока и максимальный объём отложений. Перед обучением данные были стандартизированы для равномерного учета каждого признака. Обучение проводилось без учителя с использованием методов оптимизации внутрикластерной дисперсии, что обеспечило более точное выделение природных типов потоков.
Результатом стала идентификация трёх устойчивых кластеров, соответствующих основным типам селевых потоков: грязевым, каменным и смешанным. Анализ весовых коэффициентов сигма- и пи-компонент позволил определить наиболее значимые показатели и их взаимодействия, влияющие на принадлежность потока к определённому типу. В числе ключевых факторов оказались площадь бассейна, уклон русла и максимальный объём отложений, а также их комбинации.
Предварительные выводы подтверждают, что использование сигма-пи нейронных сетей повышает качество кластеризации и делает модели более интерпретируемыми. Такой подход открывает новые перспективы для анализа сложных природных процессов, где важны как количественные параметры, так и нелинейные взаимодействия факторов, что особенно актуально при оценке природных опасностей и разработке мер их предотвращения.