Методика обоснования объемов инженерно-технических мероприятий при краткосрочном прогнозировании ущерба от природных чрезвычайных ситуаций с учетом социально-демографических факторов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Постернак Евгений Валерьевич

• Постернак Евгений Валерьевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Постернак Евгений Валерьевич

Список принятых сокращений

Введение

Глава 1 Анализ проблем прогнозирования ущерба и обоснования объемов инженерно-технических мероприятий

1.1 Анализ современных подходов к прогнозированию ущерба от природных ЧС

1.2 Анализ практики планирования инженерно-технических мероприятий для защиты от ЧС

1.3 Учет социально-демографических факторов в оценке риска

и ущерба: обзор и обоснование

1.4 Известный научно-методический аппарат и научные заделы

1.5 Формализованная постановка задачи исследования

1.6 Выводы по главе

Глава 2 Научно-методический аппарат обоснования объемов инженерно-технических мероприятий при краткосрочном прогнозировании ущерба от природных чрезвычайных ситуаций

с учетом социально-демографических факторов

2.1 Общая структура научно-методического аппарата: двухэтапный каскад моделей M-1, M-2, M-3

2.2 Алгоритм формирования исходных данных: источники, интеграция информации, предобработка и структура набора данных

2.3 Модель краткосрочного прогноза ущерба (M-1): постановка задачи, выбор алгоритма, обучение, качество (MAE, R2), анализ корреляций и архитектура нейронной сети

2.4 Модели оценки потребности в силах и средствах (M-2, M-3): каскадный расчет, входы/выходы, обучение по данным МЧС, использование прогноза ущерба, реализация, учет ограничений и

выбор оптимальной модели

2.5 Методические аспекты: интерпретируемость, гибкость каскада, обоснование выбора моделей, региональная применимость, SHAP-анализ и критерии выбора

2.6 Выводы по главе

Глава 3 Оценка эффективности разработанного аппарата и методические рекомендации по выбору и применению алгоритмов машинного обучения

3.1 План и методика вычислительного эксперимента

3.2 Сравнение с традиционным подходом и оценка эффекта от применения моделей

3.3 Методические рекомендации по выбору алгоритмов машинного обучения

3.4 Рекомендации по внедрению результатов в практику органов управления ЧС

3.5 Выводы по главе

Заключение

Список используемых источников информации

Приложение А. Акты внедрения результатов диссертационной работы

Список принятых сокращений Принятые сокращения:

ГИС - географические информационные системы; ИИ - методы искусственного интеллекта; ИТМ - инженерно-технические мероприятия; ЧС - чрезвычайная ситуация;

CTGAN - (Conditional Tabular Generative Adversarial Network) условная генеративно-состязательная сеть для табличных данных; Gaussian Copula - гауссова копула;

MAE - (Mean Absolute Error) средняя абсолютная ошибка;

ML - (Machine Learning) алгоритмы машинного обучения;

MLP - (Multilayer Perceptron) многослойный персептрон;

SHAP - (Shapley Additive Explanations) метод интерпретации моделей на

основе значений Шэпли;

TVAE - (Tabular Variational AutoEncoder) вариационный автокодировщик для табличных данных.

Введение диссертации (часть автореферата) на тему «Методика обоснования объемов инженерно-технических мероприятий при краткосрочном прогнозировании ущерба от природных чрезвычайных ситуаций с учетом социально-демографических факторов»

Введение

Актуальность темы исследования. В последние десятилетия наблюдается рост количества и масштабов природных чрезвычайных ситуаций (далее - ЧС) - ураганов, наводнений, засух, сильных штормов и иных опасных явлений. Эти стихийные бедствия ежегодно приводят к значительным человеческим жертвам и материальному ущербу. Так, по статистическим данным, только в России за один из последних лет природные ЧС затронули десятки тысяч людей и вызвали экономические потери в десятки миллиардов рублей [4, 58]. Предотвращение и минимизация ущерба от подобных катастроф являются приоритетной задачей органов управления в области защиты населения и территорий.

Одним из ключевых подходов к снижению последствий стихийных бедствий является краткосрочное прогнозирование ожидаемого ущерба. Современные методы метеорологического мониторинга позволяют за часы или сутки до события спрогнозировать параметры грядущей ЧС (например, траекторию урагана, уровень подъема воды при паводке и т.п.) [42, 65, 82]. Это открывает временное окно для проведения аварийно-спасательных и инженерно-технических мероприятий (далее - ИТМ) - эвакуации населения из опасных зон, укрепления сооружений, возведения временных защитных дамб, развертывания сил и средств защиты [10]. Правильно спланированный комплекс таких мер способен существенно уменьшить людские и экономические потери. Однако эффективность реагирования напрямую зависит от обоснованности планирования: сколько сил и средств задействовать, какие именно мероприятия проводить и в каком объеме. На практике эти вопросы решаются далеко не оптимально, что обусловливает высокую актуальность развития научно обоснованных методов планирования ИТМ при угрозе природных ЧС.

Анализ существующей практики показывает, что в настоящее время отсутствует единый научно-методический подход к определению оптимальных объемов ИТМ при надвигающейся угрозе. Планирование часто строится на

нормативных сценариях или экспертной оценке, без достаточного учета конкретных условий текущей обстановки. Это приводит к двум типичным ситуациям. С одной стороны, могут приниматься избыточные меры, без должного обоснования (например, эвакуируется избыточное количество людей или возводятся чрезмерно протяженные укрепления), что ведет к нерациональному расходованию ограниченных ресурсов. С другой стороны, возможна недооценка угрозы - выделенные силы и средства оказываются недостаточными, и катастрофа наносит более тяжелый ущерб, чем могла бы при лучшей подготовке. Оба этих исхода нежелательны, поэтому требуется более строгий подход к планированию, основанный на прогнозе последствий конкретной ЧС.

Особенно значимой является необходимость учета социально-демографических факторов при прогнозировании ущерба и планировании защитных мер. Под социально-демографическими факторами подразумеваются характеристики населения и территории, влияющие на уязвимость к ЧС: плотность и распределение населения, доля детей, пожилых и маломобильных групп, уровень урбанизации, состояние инфраструктуры, подготовленность населения к действиям в чрезвычайной ситуации [25].

Под уязвимостью территории в настоящем исследовании понимается совокупность социально-демографических, инфраструктурных и социально-экономических характеристик, определяющих степень подверженности населения последствиям чрезвычайных ситуаций.

Очевидно, что даже равные по силе природные явления в малонаселенном и густонаселенном районах будут иметь разные последствия; аналогично, удар по социально уязвимому сообществу (например, с большим количеством пожилых людей) приведет к большему числу пострадавших [34]. Однако традиционные методики оценки риска стихийных бедствий зачастую фокусируются преимущественно на физических параметрах явления, не учитывая в полной мере специфику населения на пораженной территории. Это может искажать прогнозируемый ущерб и приводить к ошибкам в расчете потребных ре-

сурсов для реагирования. Таким образом, интеграция социально-демографических показателей в процесс краткосрочного прогнозирования ущерба представляется насущной научной задачей, решение которой повысит точность прогнозов и качество планирования защитных мероприятий [36].

Перечисленные обстоятельства определяют высокую актуальность настоящего исследования. Необходима разработка нового научно-методического аппарата, позволяющего на основании прогноза развития ЧС и данных о характеристиках населения обосновать, какие именно ИТМ и в каком объеме целесообразно применять, чтобы максимально снизить ожидаемый ущерб, не выходя за рамки имеющихся ресурсов [38]. Актуальность темы подтверждается и общей тенденцией к увеличению числа природных катастроф и масштаба их последствий, что требует от органов управления перехода от нормативно-штатных схем реагирования к риск-ориентированному управлению, основанному на научно обоснованных расчетах [78].

Необходимость разработки научно обоснованного подхода к планированию защитных мер проистекает из выявленного ключевого противоречия практики реагирования на ЧС. С одной стороны, для минимизации ущерба от бедствия теоретически следует задействовать максимально возможный комплекс мер защиты: строить масштабные инженерные сооружения, полностью эвакуировать население из опасной зоны, мобилизовать все доступные силы и средства и т.д. Чем больше ресурсов вложено в превентивные и защитные меры, тем меньше будут потери. Однако, с другой стороны, реальные ресурсы всегда ограничены - финансовые возможности, время на подготовку, количество техники и персонала не беспредельны. В реальных условиях ресурсы ограничены.

Таким образом, на практике возникает коллизия: какие именно мероприятия и в каком объеме следует реализовать при возникновении угрозы, чтобы, с одной стороны, максимально снизить ущерб, но с другой - уложиться в имеющиеся ресурсы и допустимые сроки. Традиционная система планирования реагирования на ЧС не дает четкого количественного ответа на этот вопрос.

Часто планировщики опираются на прошлый опыт или интуицию, что не гарантирует нахождения оптимального баланса. Выявленное противоречие между необходимостью максимально возможной защиты и ограниченностью ресурсов и составляет сущность проблемной ситуации в данной области. Для ее разрешения требуется научный подход к оптимизации объемов ИТМ, увязывающий воедино прогноз ущерба и затраты на мероприятия [8, 24, 27].

Отсутствие строгих методов нахождения баланса «затраты-эффект» при планировании защиты подтверждает наличие научной ниши для исследований. Современные требования безопасности диктуют необходимость одновременно учитывать два аспекта: вероятный ущерб бездействия и затраты на предотвращение этого ущерба [79]. Если учитывать только ущерб, оптимальным решением выглядело бы бесконечное наращивание защитных мер (стремясь к нулевым потерям любой ценой); если учитывать только затраты -наоборот, ничего не делать, экономя ресурсы, но терпя катастрофические потери. Оба варианта неприемлемы. Следовательно, должен быть найден компромиссный подход, минимизирующий совокупные потери, включающие как прямой ущерб от ЧС, так и расходы на реализуемые мероприятия. Данный вывод и формирует научную задачу исследования.

Для разрешения указанного противоречия выдвинута научная гипотеза исследования. Гипотеза состоит в предположении, что рациональные (оптимальные) объемы ИТМ могут быть обоснованы с помощью краткосрочного прогноза ожидаемого ущерба, выполняемого с учетом важнейших социально-демографических факторов. Интеграция характеристик населения и территории (плотности и структуры населения, уровня урбанизации, состояния инфраструктуры и др.) в модель прогнозирования последствий позволит повысить точность оценки потенциального ущерба. На основе более точного прогноза становится возможным выбрать оптимальный состав и количество защитных мероприятий, которые минимизируют суммарный ущерб (как прямой ущерб от ЧС, так и затраты на проводимые меры) при заданных ограничениях

по ресурсам. Иными словами, предполагается, что использование разработанного научно-методического аппарата, объединяющего прогнозирование последствий бедствия и планирование мероприятий защиты с учетом социально-демографических условий, позволит обеспечить наилучший баланс между уровнем защиты и необходимыми затратами, тем самым существенно снизив ущерб от природных катастроф даже в условиях дефицита ресурсов.

Цель исследования - снижение ущерба от природных катастроф за счет научно обоснованного определения рациональных объемов инженерно-технических мероприятий с учетом социально-демографических факторов и существующих ресурсных ограничений. Достижение этой цели позволит устранить выявленный разрыв между необходимостью обеспечения максимальной защиты и реальными возможностями по ресурсам, обеспечив оптимальный баланс между степенью защиты и затратами.

Объект исследования - чрезвычайные ситуации природного характера, вызванные опасными метеорологическими явлениями.

Предмет исследования - объемы инженерно-технических мероприятий, направленных на предотвращение и ликвидацию последствий таких природных ЧС. Под объемами ИТМ понимаются количественные показатели реализуемых мер защиты: число привлекаемых сил и средств, масштабы и протяженность защитных сооружений, объем эвакуационных мероприятий и другие параметры, характеризующие сколько и каких мер применяется для защиты населения и территорий при угрозе стихийного бедствия.

Общая формулировка задачи - разработка научно-методического аппарата обоснования рациональных объемов инженерно-технических мероприятий при краткосрочном прогнозировании ущерба от природных чрезвычайных ситуаций с учетом социально-демографических факторов в условиях ограниченных ресурсов и вариативных характеристик территорий

Для достижения указанной цели исследования необходимо решить следующие задачи:

- провести анализ современных подходов к прогнозированию ущерба от природных ЧС и практики планирования инженерно-технических мероприятий для защиты населения и территорий. Изучить, в какой мере в существующих методиках оценки риска учитываются социально-демографические факторы, и выявить недостатки текущих подходов. На основе этого анализа определить проблемную ситуацию и обосновать актуальность научной задачи;

- сформулировать новую научную задачу обоснования рациональных объемов ИТМ при краткосрочном прогнозировании ущерба от природных ЧС. Разработать формализованную постановку задачи в виде оптимизационной модели, в которой целевая функция отражает совокупные потери, а ограничения накладываются на доступные ресурсы. Определить и обосновать перечень ключевых факторов, влияющих на решение задачи, включая параметры опасного природного явления, социально-демографические характеристики территории и показатели инженерной защиты;

- разработать научно-методический аппарат, реализующий предложенную постановку задачи. В его состав должна входить модель краткосрочного прогноза ожидаемого ущерба (модель М-1), учитывающая метеорологические данные и характеристики уязвимости населения, а также модели и алгоритмы обоснования потребности в силах и средствах (модели М-2 и М-3), определяющие требуемые объемы ИТМ на основе прогнозируемых последствий и имеющихся ресурсов [66]. Интегрировать эти компоненты в единый двухэтапный каскад, позволяющий по данным о надвигающейся ЧС обосновать оптимальный план реагирования;

- провести вычислительный эксперимент для проверки работоспособности и эффективности разработанных моделей и алгоритмов. Оценить точность прогнозирования ущерба и качества планирования ИТМ с помощью разработанного аппарата, сравнить результаты с традиционными подходами. Экспериментально подтвердить, что учет социально-демографических факторов повышает точность прогноза и что оптимизация объемов ИТМ приводит

к снижению совокупного ущерба по сравнению со стандартными схемами реагирования;

- разработать методические рекомендации для органов управления ликвидацией ЧС по применению полученных научных результатов на практике. Сформулировать предложения по внедрению разработанного научно-методического аппарата в систему планирования мероприятий защиты населения и территорий, включая рекомендации по выбору алгоритмов и данных для прогнозирования и планирования в разных сценариях. Обеспечить тем самым практическую возможность перехода к риск-ориентированному планированию защитных мер на основе результатов исследования.

Основные положения, выносимые на защиту:

- алгоритм формирования исходных данных для построения модели краткосрочного прогнозирования ущерба от природных ЧС с учетом социально-демографических факторов. Предложен и формализован алгоритм воспроизводимой подготовки наборов данных для модели M-1, интегрирующий природные и социально-демографические характеристики территории. Алгоритм включает: агрегацию и унификацию источников (отчеты МЧС России, EM-DAT, UNECE, Росстат и др.); пространственно-временное сопоставление событий ЧС; гармонизацию атрибутов и единиц измерения; обработку пропусков и выбросов; дополнение выборки синтетическими наблюдениями методом гауссова копула (далее - Gaussian Copula) [32, 59, 71]. Алгоритм повышает полноту и согласованность данных, снижает смещения оценок и задает стандартный интерфейс данных для последующих моделей M-2 и M-3; его эффективность подтверждена результатами валидации, представленной в диссертации;

- научно-методический аппарат прогнозирования и планирования. Разработан двухэтапный научно-методический аппарат поддержки принятия решений, объединяющий прогнозирование последствий природной чрезвычайной ситуации и планирование необходимого для реагирования ресурса. В рамках аппарата создан комплекс моделей M-1, M-2, M-3 на основе методов

машинного обучения: модель M-1 выполняет краткосрочный прогноз ожидаемого ущерба с учетом метеорологических факторов и социально-демографических характеристик пораженной территории; модели M-2 и M-3 рассчитывают потребное количество сил и средств (объемы ИТМ) для реагирования исходя из прогнозируемых последствий. Предложенный каскад моделей впервые интегрирует социально-демографические факторы в процесс оперативного прогнозирования ущерба и планирования мер защиты. Это обеспечивает более точную оценку ожидаемых потерь и обоснованный расчет необходимых ресурсов, что существенно превосходит по эффективности традиционные подходы, не учитывающие в совокупности данные о населении, инфраструктуре и динамике бедствия;

- методические рекомендации для органов управления ЧС. Разработаны практические рекомендации по применению результатов исследования в деятельности органов управления ликвидацией чрезвычайных ситуаций. В рекомендациях обосновано, как использовать предложенный каскад моделей для поддержки решений: от сбора и интеграции разнородных данных (метеоданных, демографической информации, сведений о защитных сооружениях) до получения прогноза ущерба и расчета оптимального плана реагирования. Реализация данных рекомендаций позволит перейти от традиционного нормативного планирования к риск-ориентированному и научно обоснованному планированию мероприятий по защите населения и территорий. Это обеспечивает более взвешенное и оптимальное распределение ограниченных ресурсов, снижение ущерба от ЧС за счет своевременного принятия мер, а также повышает общую готовность и защищенность территорий перед лицом стихийных бедствий.

Степень разработанности темы исследования. Вопросы прогнозирования ЧС и оценки ущерба рассмотрены в работах А.М. Гришечкина и С.О. Потапова по методам прогнозирования техногенных и природных ЧС с использованием статистических моделей и анализа тенденций. В трудах С.В. Горбунова, Ю.Д. Макиева и В.П. Малышева раскрыты технологии мониторинга и

прогнозирования ЧС природного и техногенного характера. В области прогнозирования опасностей и оценки рисков известна работа А.С. Хадзегова и В.П. Крейтора по методам прогнозирования природных и техногенных угроз и динамики их последствий.

В статьях Н.М. Поляковой анализируются вопросы оптимизации процессов оперативного реагирования сил и средств в чрезвычайных ситуациях, включая распределение ресурсов при условиях ограничений и организацию логистики реагирования, с учётом того, что своевременная поддержка решений особенно важна на начальных стадиях.

Эти результаты дают важный фундамент в части распределения ресурсов в условиях ограничений, однако они недостаточно охватывают интеграцию прогноза ущерба с учетом демографической уязвимости населения и формализацию оптимальных объёмов ИТМ.

Научная новизна работы заключается в разработке и реализации нового подхода к прогнозированию ущерба и планированию защитных мероприятий при природных чрезвычайных ситуациях, учитывающего факторы уязвимости населения. В ходе исследования получены следующие новые научные результаты:

- сформулирована научная задача обоснования рационального объема инженерно-технических мероприятий для защиты населения при надвигающейся природной катастрофе. Предложена новая оптимизационная модель планирования реагирования, которая, в отличие от ранее известных постановок, учитывает социально-демографические характеристики территории и ограничения на ресурсы. Это позволило формально описать компромисс между ущербом и затратами на его предотвращение;

- разработан комплексный каскад моделей краткосрочного прогнозирования ущерба и оптимизации планируемых мер реагирования. Предложенный научно-методический аппарат интегрирует разнородные данные (метеорологические, демографические, инженерно-технические) и методы ма-

шинного обучения для решения задач прогноза и планирования в единой системе. Аналогов подобной интеграции в рассматриваемой предметной области ранее не было, что свидетельствует о новизне подхода. Получены новые знания о влиянии социально-демографических факторов на масштаб последствий ЧС: количественно показано, что учет плотности населения, возрастной структуры и других факторов уязвимости повышает точность оценки ущерба и меняет оценку необходимых ресурсов реагирования по сравнению с моделями, базирующимися только на физических параметрах бедствия;

- разработаны новые методики и алгоритмы реализации предложенного подхода, в том числе модели М-1, М-2, М-3, реализующие каскадный прогноз и планирование. Они отличаются от существующих решений более высокой точностью предсказания ущерба и способны автоматически определять оптимальный набор мер защиты в зависимости от сценария. Научная новизна подтверждается положительными результатами их проверки: модели машинного обучения, обученные на данных о прошлых ЧС, демонстрируют качество прогноза не хуже, а по ряду показателей лучше, чем традиционные методики. Тем самым в диссертации создан задел для нового класса инструментов поддержки принятия решений в сфере безопасности в чрезвычайных ситуациях.

Теоретическая значимость результатов диссертационного исследования заключается в развитии и углублении научных основ принятия решений в условиях чрезвычайных природных угроз через интеграцию прогнозирования ущерба и планирования защитных мер, а именно:

- в построении алгоритма формирования верифицированной пространственно-временной выборки, интегрирующей метеорологические и социально-демографические показатели для задач краткосрочного прогноза ущерба;

- в разработке совокупности моделей краткосрочного прогнозирования ущерба и расчёта потребностей в силах и средствах, формализующего

взаимосвязь между ущербом, социально-демографическими факторами уязвимости и ресурсным обеспечением ликвидации последствий;

- в создании методики, дополняющей существующие исследования систематизацией подходов к выбору и применению алгоритмов машинного обучения для прогноза ущерба, обоснованием критериев оценки качества моделей и расширением научного инструментария посредством использования SHAP-интерпретации для анализа вклада факторов.

Практическая значимость полученных результатов состоит в том, что их использование позволит значительно повысить эффективность планирования и проведения мероприятий по защите населения и территорий при угрозе и возникновении природных чрезвычайных ситуаций. Разработанный научно-методический аппарат может быть внедрен в деятельность органов управления ЧС в качестве основы для системы поддержки принятия решений. На базе результатов исследования может быть создан программный модуль, который по данным о прогнозируемой ЧС и характеристикам территории будет автоматически рекомендовать оптимальный план реагирования: сколько сил и средств необходимо задействовать, какие защитные сооружения возвести, потребуется ли эвакуация и в каком объеме и т.д.

Применение такого инструмента на практике обеспечит более взвешенное и обоснованное распределение ограниченных ресурсов [57, 63]. Руководитель ликвидации ЧС сможет оперативно оценить потенциальные потери и сравнить различные варианты действий, выбирая мероприятия, дающие максимальный эффект. В итоге это приведет к снижению человеческих жертв и материального ущерба за счет предотвращения наихудших сценариев развития событий. Кроме того, результаты работы могут быть использованы при разработке нормативных документов и методических рекомендаций по планированию мероприятий гражданской защиты: учитывая социально-демографические особенности регионов, МЧС сможет уточнить планы эвакуации, схемы укрепления инфраструктуры, расчеты сил и средств в зависимости от демогра-

фического риска. Таким образом, внедрение предложенного научно-методического аппарата внесет вклад в переход от усредненных нормативных подходов к динамичному риск-ориентированному управлению защитой населения, повышающему безопасность в чрезвычайных ситуациях.

Личный вклад автора заключается в следующих научно-методических и программно-технических достижениях:

- разработан алгоритм построения верифицированной пространственно-временной выборки, интегрирующей метеорологические и социально-демографические переменные;

- создана совокупность моделей прогнозирования ущерба и расчёта потребностей в силах и средствах с учетом демографической уязвимости и ограниченности ресурсов;

- предложена методика выбора алгоритмов машинного обучения и критериев оценки качества моделей, включая применение SHAP-интерпрета-ции для анализа вклада факторов;

- выполнены вычислительные эксперименты и численные расчёты, проведена их верификация и сравнительный анализ с существующими подходами;

- подготовлены публикации, проведена апробация разработанных моделей и алгоритмов в научной среде, а также разработаны рекомендации по внедрению результатов исследования.

Достоверность и обоснованность полученных научных результатов подтверждаются совокупностью следующих факторов:

- использована обширная эмпирическая база данных о чрезвычайных ситуациях природного характера и их последствиях. Модели обучались и проверялись на репрезентативных статистических данных, включающих как параметры самих бедствий (мощность, продолжительность, масштаб), так и сведения о пострадавших территориях (численность населения, плотность застройки, наличие защитных сооружений и др.). Это обеспечивает адекватность разработанных моделей реальным условиям;

- применены современные апробированные методы анализа данных и прогнозирования. В работе использованы алгоритмы машинного обучения, зарекомендовавшие себя в смежных задачах (градиентный бустинг, нейронные сети и др.), а также статистические критерии для оценки качества моделей [41]. Корректность выбора методов подтверждается их успешным использованием в мировой практике, а также соответствием теоретическим основам оценки риска ЧС;

- учитывается комплекс факторов риска, существенно влияющих на исход события. При построении научно-методического аппарата в моделирование включены основные группы показателей: метеорологические (характеризующие опасное явление), социально-демографические (характеризующие уязвимость населения) и инженерно-технические (характеризующие защитные возможности территории). За счет этого разработанные модели обладают высоким уровнем обобщающей способности;

- проведена валидация результатов. Эффективность предлагаемого подхода подтверждена путем сравнения с традиционными методиками: экспериментально показано, что включение социально-демографических факторов повышает точность прогноза ущерба, а оптимизация объемов ИТМ снижает суммарные потери по сравнению со сценариями без оптимизации. Также выполнена интерпретация полученных моделей, которая продемонстрировала их логическую согласованность: выявленные модели важности факторов соответствуют экспертным представлениям;

Список литературы диссертационного исследования кандидат наук Постернак Евгений Валерьевич, 2025 год

Список используемых источников информации

1. Абрамов, В. В. Организация эвакуационных мероприятий в субъектах Российской Федерации при опасности возникновения чрезвычайной ситуации природного и техногенного характера / В. В. Абрамов // Технологии гражданской безопасности. - 2021. - № 3 (69). - С. 47-52.

2. Авдотьин, В. П. Оценка ущерба от чрезвычайных ситуаций природного и техногенного характера: монография / В. П. Авдотьин, М. М. Дзы-бов, К. П. Самсонов /. - М.: ФГБУ ВНИИ ГОЧС (ФЦ), 2012. - 467 с.

3. Агарков, Ю. Ю. Методы машинного обучения для оптимизации проектирования нейроморфных систем / Ю. Ю. Агарков // Инновации и инвестиции. - 2023. - № 6. - С. 313-319.

4. Алехин, М. Ю. О прогнозировании экономического ущерба от чрезвычайных ситуаций / М. Ю. Алехин, А. Ю. Янченко, В. В. Крымский // Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. - 2012. - № 2. - С. 84-88.

5. Базаева, А. В. Влияние конструктивных особенностей зданий на сейсмостойкость / А. В. Базаева // Евразийский Союз Ученых. - 2019. - № 3-3 (60). - С. 9-11.

6. Богданова, Е. М. Информационная система прогнозирования чрезвычайных ситуаций при использовании адаптивных моделей / Е. М. Богданова, А. В. Максимов, А. В. Матвеев // Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. - 2019. - № 2. - С. 65-70.

7. Бондаренко, Л. В. Глобальное изменение климата и его последствия / Л. В. Бондаренко, О. В. Маслова, А. В. Белкина, К. В. Сухарева // Вестник Российского экономического университета им. Г. В. Плеханова. - 2018. -№ 2 (98). - С. 84-93.

8. Бухвалов, А. В. Л. В. Канторович и экономико-математическое моделирование: синтез реальности, математики и экономики / А. В. Бухвалов // Российский журнал менеджмента. - 2012. - Т. 10, № 3. - С. 3-30.

9. Винокур, И. Р. Методика анализа и управления рисками. Количественная оценка рисков / И. Р. Винокур // Вестник Пермского национального исследовательского политехнического университета. Социально-экономические науки. - 2020. - № 1. - С. 204-217.

10. Вороной, С. М. Спасательные работы при ликвидации последствий землетрясений, взрывов, бурь, смерчей и тайфунов / С. М. Вороной, А. Ф. Дарменко [и др.]. - М.: ФГУ ВНИИ ГОЧС (ФЦ), 1995. - 196 с.

11. Гиясов, Б. И. Влияние современной застройки на экологию территорий мегаполисов / Б. И. Гиясов, Е. О. Маясова // Инженерный вестник Дона.

- 2024. - № 4 (112). - С. 38.

12. Горбунов, С. В. Анализ технологий прогнозирования чрезвычайных ситуаций природного и техногенного характера / С. В. Горбунов, Ю. Д. Макиев, В. П. Малышев // Стратегия гражданской защиты: проблемы и исследования. - 2011. - Т. 1, № 1. - С. 43-53.

13. Горбунов, С. В. Мониторинг и прогнозирование чрезвычайных ситуаций природного и техногенного характера / С. В. Горбунов, Ю. Д. Макиев, В. П. Малышев // Технологии гражданской безопасности. - 2012. - Т. 9, № 1.

- С. 70-79.

14. Государственный доклад «О состоянии защиты населения и территорий Российской Федерации от чрезвычайных ситуаций природного и техногенного характера в 2020 году» [Электронный ресурс] / www.mchs.gov.ru/dokumenty/5304 (2021)

15. Государственный доклад «О состоянии защиты населения и территорий Российской Федерации от чрезвычайных ситуаций природного и техногенного характера в 2021 году» [Электронный ресурс] / www.mchs.gov.ru/dokumenty/5946 (2022).

16. Джумакулова, К. А. Проблемы мониторинга и прогнозирования чрезвычайных ситуаций в Республике Узбекистан и пути их решений / К. А. Джумакулова // Экономика и социум. - 2024. - № 12-1 (127). - С. 753-763.

17. Джураев, Б. Х. Эвакуации населения на объектах массового пребывания людей при чрезвычайных ситуациях / Б. Х. Джураев // Проблемы науки. - 2023. - № 1 (75). - С. 27-33.

18. Добротворская, С. Г. Техносферная безопасность человека в современных условиях : монография / С. Г. Добротворская, Т. Л. Зефиров. - Казань: КФУ, 2016. - 99 с.

19. Европейская экономическая комиссия ООН. Статистическая база данных ЕЭК ООН [Электронный ресурс] / w3.unece.org/PXWeb/ru (2025).

20. Зиновьева, И. С. Оценка ущерба от лесных пожаров / И. С. Зиновьева // Вестник Московского университета. Серия 6. Экономика. - 2012. - № 4. - С. 88-95.

21. Квашнина, Г. А. Прогнозирование и снижение рисков природных и техногенных катастроф на территории России / Г. А. Квашнина, Р. Ю. Поляков // Современные технологии обеспечения гражданской обороны и ликвидации последствий чрезвычайных ситуаций. - 2012. - № 1 (3). - С. 346-350.

22. Ковзель, А. А. Прогнозирование последствий чрезвычайных ситуаций с применением нейросетевых технологий / А. А. Ковзель // Научный лидер. - 2021. - № 11 (13). - С. 43-45.

23. Корнеев, К. В. Проблемы наводнений, как гидрологических стихийных явлений и способы их решений / К. В. Корнеев, С. Д. Скачкова, А. Х. Авгуцевичс // Инновационная наука. - 2022. - № 8-2. - С. 68-70.

24. Коршунов, С. С. Методический подход решения задачи оптимизации планов мероприятий по снижению риска чрезвычайных ситуаций / С. С. Коршунов, В. М. Егоров // Проблемы анализа риска. - 2016. - Т. 13, № 5. - С. 72-75.

25. Крапухин, В. В. Поддержка уязвимых групп населения в чрезвычайных ситуациях / В. В. Крапухин // Технологии гражданской безопасности. - 2022. - Т. 19, № 2 (72). - С. 69-73.

26. Кузьмин, А. И. Современные взгляды на эвакуацию населения / А. И. Кузьмин, Д. И. Иванченко // Научные и образовательные проблемы гражданской защиты. - 2014. - № 1.

27. Лебедева, М. Р. Методы анализа данных и прогнозирования аварийности на примере города Минска / М. Р. Лебедева, А. О. Лобашов, С. С. Семченков // Вестник Полоцкого государственного университета. Серия В. Промышленность. Прикладные науки. - 2025. - № 1. - С. 70-76.

28. Макашев, С. В. Опасные ситуации техногенного характера и защита от них : учебное пособие / С. В. Макашев, С. В. Петров. - М.: ЭНАС, 2008. - 328 с.

29. Министерство Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий. Документы [Электронный ресурс] / www.mchs.gov.ru/dokumenty (2024).

30. Москвина, Н. В. Применение искусственного интеллекта в си-стеме-112 / Н. В. Москвина // Столыпинский вестник. - 2023. - Т. 5, № 4. - С. 2179-2192.

31. МЧС России [Электронный ресурс] / www.mchs.gov.ru/deyatelnost/itogi-deyatelnosti-mchs-rossii (2025).

32. Пчелинцев, С. Метод создания синтетических наборов данных для обучения нейросетевых моделей распознаванию объектов / С. Пчелинцев, М. А. Юляшков, О. А. Ковалева // Информационно-управляющие системы. -2022. - № 3 (118). - С. 9-19.

33. Расина, И. В. Дискретно-непрерывные модели и оптимизация управляемых процессов / И. В. Расина // Программные системы: теория и приложения. - 2011. - Т. 2, № 5. - С. 49-72.

34. Ревич, Б. А. Приоритетные факторы городской среды, влияющие на качество жизни населения мегаполисов / Б. А. Ревич // Проблемы прогнозирования. - 2018. - № 3 (168). - С. 58-66.

35. Ружич, В. В. Последствия и уроки двух разрушительных землетрясений в Турции: 06.02.2023 / В. В. Ружич, Л. П. Бержинская, Е. А. Левина, Е. И. Пономарева // Геология и окружающая среда. - 2023. - Т. 3, № 1. - С. 2234.

36. Рыбаков, А. В. Актуальность проблемы повышения качества прогнозирования чрезвычайных ситуаций природного характера / А. В. Рыбаков, Е. В. Постернак // Моделирование технически сложных процессов и систем : Сборник трудов XXXIII Международной научно-практической конференции, Химки, 01 марта 2023 года. - 2023. - С. 40-44.

37. Рыбаков, А. В. Алгоритм определения исходных данных для обоснования проведения мероприятий по защите населения от вторичных поражающих факторов взрыва / А. В. Рыбаков, С. Л. Очетов // Молодые ученые в решении актуальных проблем безопасности : Сборник материалов XI Всероссийской научно-практической конференции, г. Железногорск, Красноярский край, 27 мая 2022 года. - Железногорск: Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирская по-жарно-спасательная академия" Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации стихийных бедствий», - 2022. - С. 117119.

38. Рыбаков, А. В. Анализ методов компьютерного зрения, перспективных для применения в агропромышленном комплексе / А. В. Рыбаков, Н. А. Выборнов, И. А. Рыбаков // Прикаспийский журнал: управление и высокие технологии. - 2022. - № 1 (57). - С. 128-138.

39. Рыбаков, А. В. Анализ проблемной ситуации в области обоснования объемов инженерно-технических мероприятий при прогнозировании

ущерба от природных чрезвычайных ситуаций с учетом антропогенных факторов / А. В. Рыбаков, Е. В. Постернак // Научные и образовательные проблемы гражданской защиты. - 2024. - № 4 (63). - С. 72-83.

40. Рыбаков, А. В. Математическая модель обоснования объемов инженерно-технических мероприятий для минимизации ущерба от природных чрезвычайных ситуаций с учетом антропогенных факторов / А. В. Рыбаков, Е. В. Постернак // Проблемы управления рисками в техносфере. - 2025. - № 1 (73). - С. 102-117.

41. Рыбаков, А. В. Разработка научно обоснованных моделей прогнозирования природных пожаров на основе данных дистанционного зондирования земли / А. В. Рыбаков, А. В. Дмитриев, А. Н. Тимарин [и др.] // Конкурс научно-исследовательских работ (Конкурс НИР) : материалы Молодежной программы 25-й Международной специализированной выставки и форума «Безопасность и охрана труда» (БИ0Т-2021), Москва, 07-10 декабря 2021 года. - М.: Ассоциация разработчиков, изготовителей и поставщиков средств индивидуальной защиты, 2021. - С. 109-112.

42. Рыбаков, А. В. Нейронные сети для защиты населения и территорий от ЧС / А. В. Рыбаков, Е. Иванов, В. Нестеров // Системы безопасности. -2021. - № 3.

43. Соколов, Ю. И. Риски экстремальных погодных явлений / Ю. И. Соколов // Проблемы анализа риска. - 2018. - Т. 15, № 3. - С. 6-21.

44. Станкевич, Т. С. Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения / Т. С. Станкевич // iPolytech Journal. -2018. - Т. 22, № 9 (140). - С. 111-120.

45. Суханова, Н. В. Разработка нейросетевой модели для прогнозирования вероятности землетрясений / Н. В. Суханова // Автоматизация и моделирование в проектировании и управлении. - 2023. - № 2. - С. 40-49.

46. Технологии аварийно-спасательных работ : учебник / Д. Ф. Лаври-ненко, Д. В. Мясников, П. П. Петренко, А. В. Пилькевич, С. В. Погожев -Химки: АГЗ МЧС России, 2018. - 402 с.

47. Ткаченко, Ю. А. Постановка задачи обоснования рациональных перечня и объемов инженерно-технических мероприятий в условиях возникновения заторов / Ю. А. Ткаченко, А. И. Пономарев, Е. В. Иванов, О. В. Саяпин // Научные и образовательные проблемы гражданской защиты. - 2022. - № 3 (54). - С. 59-63.

48. Торкунова, Ю. В. Оптимизация нейронных сетей: методы и их сравнение на примере интеллектуального анализа текста / Ю. В. Торкунова, Д.

B. Милованов // International Journal of Advanced Studies. - 2023. - Т. 13, № 4. - С. 142-158.

49. Управление рисками экстремальных явлений и бедствий для продвижения адаптации к изменению климата : специальный доклад Межправительственной группы экспертов по изменению климата (МГЭИК) [Электронный ресурс] / www.ipcc.ch (2012). - 594 с.

50. Фалеев, М. И. Глобальные климатические изменения - фактор активизации природных и антропогенных вызовов населению и окружающей среде / М. И. Фалеев, Н. А. Цыбиков, Т. И. Сидорович // Технологии гражданской безопасности. - 2022. - Т. 19, № 2 (72). - С. 4-10.

51. Федеральный закон от 21.12.1994 г. № 68-ФЗ «О защите населения и территорий от чрезвычайных ситуаций природного и техногенного характера» [Электронный ресурс] / www.consultant.ru (1994).

52. Харин, Ю. С. Устойчивость в статистическом прогнозировании временных рядов / Ю. С. Харин // Прикладная эконометрика. - 2006. - № 1. -

C. 82-93.

53. Центр исследований эпидемиологии катастроф. Международная база данных о чрезвычайных ситуациях EM-DAT [Электронный ресурс] / www.emdat.be (2025).

54. Шаптала, В. Г. Применение нейросетевых технологий для прогнозирования чрезвычайных ситуаций / В. Г. Шаптала, В. Ю. Радоуцкий, В. В. Шаптала // Вестник БГТУ им. В. Г. Шухова. - 2011. - № 2. - С. 152-154.

55. Шойгу, Ю. С. Прогнозирование и управление социально-психологическими рисками во время чрезвычайной ситуации / Ю. С. Шойгу, Л. Г. Пыжьянова // Вестник Московского университета. Серия 14. Психология. -2011. - № 4. - С. 76-83.

56. Albahri, A. S. The Latest Progress of Data Fusion for Integrated Disaster Reduction and Intelligent Emergency Response / A. S. Albahri, Y. L. Khaleel, M. A. Habeeb, R. D. Ismael, Q. A. Hameed, M. Deveci, R. Z. Homod, O. S. Albahri, A. H. Alamoodi, L. Alzubaidi // Geomatics, Natural Hazards and Risk. 2021. Vol. 12. № 1.

57. Alfieri, L. Evaluation of ensemble streamflow predictions in Europe / L. Alfieri et al. // Journal of Hydrology. 2014. Vol. 517. P. 913-922.

58. Anaya-Arenas, A. M. Relief distribution networks: a systematic review / A. M. Anaya-Arenas, J. Renaud, A. Ruiz // Annals of Operations Research. 2014. Vol. 223. № 1. P. 53-79.

59. Auffhammer, M. Quantifying economic damages from climate change / M. Auffhammer // Journal of Economic Perspectives. - 2018. - Vol. 32, № 4. - P. 33-52.

60. Bauer, A. Comprehensive Exploration of Synthetic Data Generation: A Survey / A. Bauer, S. Trapp, M. Stenger et al. // arXiv preprint arXiv:2401.02524. 2024.

61. Bilham, R. Lessons from the Haiti earthquake / R. Bilham // Nature. -2010. - Vol. 463. - P. 878-879.

62. Birkmann, J. Framing vulnerability, risk and societal responses: the MOVE framework / J. Birkmann et al. // Natural Hazards. 2013. Vol. 67. № 2. P. 193-211.

63. Bolan, S. Impacts of climate change on the fate of contaminants through extreme weather events / S. Bolan, L. P. Padhye, T. Jasemizad, M. Govarthanan, N.

Karmegam, H. Wijesekara, D. Amarasiri, D. Hou, P. Zhou, B. K. Biswal, R. Bal-asubramanian, H. Wang, K. H. M. Siddique, J. Rinklebe, M. B. Kirkham, N. Bolan // Science of the Total Environment. - 2024. - Vol. 909. - P. 22.

64. Caunhye, A.M. Optimization Models in Emergency Logistics: A Literature Review / A.M. Caunhye, X. Nie, S. Pokharel // Socio-Economic Planning Sciences. 2012. Vol. 46. № 1. P. 4-13.

65. Chai, T. Root mean square error (RMSE) or mean absolute error (MAE)? Arguments against avoiding RMSE in the literature / T. Chai, R.R. Draxler // Geoscientific Model Development. 2014. Vol. 7. № 3. P. 1247-1250.

66. Cressie, N. Statistics for spatio-temporal data / N. Cressie, C.K. Wikle. Hoboken, NJ: John Wiley & Sons, 2011. 624 p.

67. Dueben, P. D. Challenges and design choices for global weather and climate models based on machine learning / P. D. Dueben, P. Bauer // Geoscientific Model Development. 2018. Vol. 11. № 10. P. 3999-4009.

68. Ganguly, A.R. Multivariate and multiscale dependence in the global climate system revealed through complex networks / A.R. Ganguly, E.A. Kodra, K. Steinhaeuser // Climate Dynamics. 2011. Vol. 39. № 6. P. 887-895.

69. Godschalk, D.R. Urban Hazard Mitigation: Creating Resilient Cities / D.R. Godschalk // Natural Hazards Review. 2003. Vol. 4. № 3. P. 136-143.

70. Goodfellow, I. Deep learning / I. Goodfellow, Y. Bengio, A. Courville. Cambridge: MIT Press, 2016. 800 p.

71. Hyndman, R.J. Another look at measures of forecast accuracy / R.J. Hyndman, A.B. Koehler // International Journal of Forecasting. 2006. Vol. 22. № 4. P. 679-688.

72. Jeon, S. A Synthetic Time-Series Generation Using a Variational Recurrent Autoencoder with an Attention Mechanism in an Industrial Control System / S. Jeon, J. T. Seo // Sensors. - 2024. - Vol. 24, № 1. - P. 128.

73. Keresztes, J.C. Real-time pixel based early apple bruise detection using short wave infrared hyperspectral imaging in combination with calibration and glare

correction techniques / J.C. Keresztes, M. Goodarzi, W. Saeys // Food Control. 2016. Vol. 66. P. 215-226.

74. Li, Z. Machine Learning Seismic Wave Discrimination: Application to Earthquake Early Warning / Z. Li, M.-A. Meier, E. Hauksson, Z. Zhan, J. Andrews // Geophysical Research Letters. - 2018. - Vol. 45, № 10. - P. 4773-4779.

75. Linardos, V. Leveraging machine learning algorithms for improved disaster prediction and management / V. Linardos et al. // Frontiers in Environmental Science. 2023. Vol. 11.

76. Lu, L. Automatic quantification of settlement damage using deep learning of satellite images / L. Lu, W. Guo // arXiv. 2020.

77. MacKenzie, K. M. Effects of urbanization on stream flow, sediment, and phosphorous regime / K. M. MacKenzie, K. Singh, A. D. Binns, H. R. Whiteley, B. Gharabaghi // Journal of Hydrology. - 2022. - Vol. 612, № 3.

78. National Academies of Sciences, Engineering, and Medicine. Thriving on our changing planet: a decadal strategy for Earth observation from space. Washington, DC: The National Academies Press, 2021.

79. Noy, I. Extreme events impact attribution: a state of the art / I. Noy, D. Stone, T. Uher // Cell Reports Sustainability. 2024. Vol. 1. № 5.

80. Oreskes, N. The collapse of western civilization: A view from the future / N. Oreskes, E. M. Conway. / New York: Columbia University Press. - 2020. - P. 105.

81. Pappenberger, F. The impact of weather forecast improvements on large scale hydrology: analyzing a decade of forecasts of the European Flood Alert System / F. Pappenberger, J. Thielen, M. Del Medico // Hydrological Processes. -2011. - Vol. 25, № 7. - P. 1091-1113.

82. Pielke, R. A. Land use/land cover changes and climate: Modeling analysis and observational evidence / R. A. Pielke [et al.] // Wiley Interdisciplinary Reviews: Climate Change. - 2011. - Vol. 2, № 6. - P. 828-850.

83. Pozharkova, I. N. Efficiency improving of emergency monitoring and forecasting based on the information system / I. N. Pozharkova // Siberian Journal of Science and Technology. - 2020. - Vol. 21, № 3. - P. 323-332.

84. Promchote, P. The 2011 Great Flood in Thailand: Climate Diagnostics and Implications from Climate Change / P. Promchote, S. Simon Wang, P. G. Johnson // Journal of Climate. - 2016. - Vol. 29, № 1. - P. 367-379.

85. Reichstein, M. Deep learning and process understanding for data-driven Earth system science / M. Reichstein [et al.] // Nature. - 2019. - Vol. 566, № 7743.

- P. 195-204.

86. Rogers, J. D. New Orleans' levee system failure after Katrina has mistaken culprit [Electronic resource] / www.phys.org/news/2015-05-orleans-levee-failure-katrina-mistaken.html (2015).

87. Tellman, B. Using Disaster Outcomes to Validate Components of Social Vulnerability to Floods: Flood Deaths and Property Damage across the USA / B. Tellman, C. Schank, B. Schwarz, P. D. Howe, A. de Sherbinin // Sustainability.

- 2020. - Vol. 12, № 15. - P. 28.

88. Wang, Z. Deep learning for numerical weather prediction: A review / Z. Wang [et al.] // Bulletin of the American Meteorological Society. - 2020. - Vol. 101, № 11. - P. 1879-1896.

89. Wanigarathna, N. Machine learning application to disaster damage repair cost modelling of residential buildings / N. Wanigarathna, Y. Xie, C. Henjew-ele, M. Morga, K. Jones // Construction Management and Economics. - 2024. - Vol. 43, № 4. - P. 302-322.

90. Willmott, C. J. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance / C. J. Willmott, K. Matsuura // Climate Research. - 2005. - Vol. 30, № 1. - P. 79-82.

91. Zhang, L. Deep learning for remote sensing data: A technical tutorial on the state of the art / L. Zhang, L. Zhang, B. Du // IEEE Geoscience and Remote Sensing Magazine. - 2016. - Vol. 4, № 2. - P. 22-40.

92. Liu, B. A Comprehensive Review of Machine Learning Approaches for Flood Depth Estimation / B. Liu, Y. Li, M. Ma et al. // International Journal of Disaster Risk Science. 2025. Vol. 16. P. 433-445.

Приложение А. Акты внедрения результатов диссертационной работы

о внедрении результатов диссертационной работы Постернак Евгения Валерьевича «Методика обоснования объемов инженерно-технических мероприятий при краткосрочном прогнозировании ущерба от природных чрезвычайных ситуаций с учетом социально-демографических факторов» в учебную деятельность

Комиссия в составе:

Председатель комиссии: начальник научно-исследовательского отдела (по проблемам ГО и ЧС), кандидат технических наук Иванов Е В

Члены комиссии:

Научный сотрудник научно-исследовательского отдела (по проблемам ГО и ЧС), кандидат технических наук Гзккель И.Я.:

научный сотрудник научно-исследовательского отдела (организации подготовки научно-педагогических кадров) Григорьян A.A.

подтверждает, что результаты диссертационного исследования соискателя на получение ученой степени кандидата технических наук Постернак Е.В. на тему «Методика обоснования объемов инженерно-технических мероприятий при краткосрочном прогнозировании ущерба от

УТВЕРЖДАЮ

Заместитель начальника ФГБВОУ ВО «Академия гражданской зашиты МЧС России» (проректор) по научной работе

АКТ

природных чрезвычайных ситуаций с учетом социально-демографических факторов» были использованы в учебном процессе при изучении специальной дисциплины в аспирантуре 3.2.6. «Безопасность в чрезвычайных ситуациях» в рамках проведения лекционного занятия по исследованиям в области разработки методов мониторинга и прогнозирования чрезвычайных ситуаций, в том числе применение данных мониторинга в системах безопасности региона и в сети наблюдения и лабораторного контроля гражданской обороны и зашиты населения, а также при проведении занятия семинарского типа по реализации методов анализа риска чрезвычайных ситуаций и методик прогнозирования последствий ЧС в организационно-плановых и оперативных документах.

Комиссия считает целесообразным использование результатов, полученных в диссертационном исследовании Постернак Е.В. на тему «Методика обоснования объемов инженерно-технических мероприятий при краткосрочном прогнозировании ущерба от природных чрезвычайных ситуаций с учетом социально-демографических факторов» в дальнейшей учебной деятельности ФГБВОУ ВО «Академия гражданской защиты МЧС России».

Председатель комиссии:

Члены комиссии:

А.А. Григорьян

И Я. Геккель

Е.В. Иванов

УТВЕРЖДАЮ

яадьника Главного управления

л блике Татарстан ¡ш управлению)

И.С. Драгунов

2025 года

АКТ

реализации научных результатов, полученных в диссертационной работе Постсрнак Евгения Валерьевича на тему: «Методика обоснования объемов инженерно-технических мероприятий при краткосрочном прогнозировании ущерба от природных чрезвычайных ситуаций с учётом социальпо-

Комиссия в составе:

председателя комиссии начальника управления гражданской обороны и защиты населения Главного управления МЧС России по Республике Татарстан полковника Быкова Алексея Александровича; членов комиссии:

временно исполняющего обязанности заместителя начальника управления - начальника отдела инженерно-технических мероприятий, радиационной, химической, биологической, медицинской защиты и первоочередного жизнеобеспечения населения управления гражданской обороны и защиты населения Главного управления МЧС России по Республике Татарстан капитана внутренней службы Матюшева Павла Александровича;

заместителя начальника отдела защиты населения и территорий от чрезвычайных ситуаций Главного управления МЧС России по Республике Татарстан Зиннатова Марата Рауфовича,

демографических факторов»

подтверждает, что в практической деятельности Главного управления МЧС России по Республике Татарстан были внедрены научные результаты, полученные в ходе выполнения работы в области обоснования объемов инженерно-технических мероприятий при краткосрочном прогнозировании ущерба от природных чрезвычайных ситуаций с учётом социально-

демографических факторов.

При оценке последствий чрезвычайных ситуаций и планировании мероприятий по их ликвидации была применена предложенная в работе методика краткосрочного прогнозирования ущерба от природных чрезвычайных ситуаций с учетом социально-демографических факторов и обоснования рациональных объемов инженерно-технических мероприятий.

Проведенные расчеты позволили дать объективную оценку прогнозируемого ущерба от природных чрезвычайных ситуаций, а также определить потребность в силах и технических средствах для их ликвидации. Результаты расчетов использованы при обосновании объемов инженерно-технических мероприятий и корректировке планов мероприятий по защите населения и территорий от чрезвычайных ситуаций.

Внедрение разработанного научно-методического аппарата краткосрочного прогнозирования ущерба от природных чрезвычайных ситуаций и обоснования объемов инженерно-технических мероприятий позволяет повысить обоснованность принимаемых решений, оптимизировать использование сил и средств и в целом увеличить уровень защищенности населения и территорий от чрезвычайных ситуаций.

Председатель комиссии:

Начальник управления гражданской обороны и защиты населения Главного управления МЧС России по Республике Татарстан полковник