Япония славится великолепными горными пейзажами, которые манят и опытных альпинистов, и любителей. Но эти красоты таят в себе опасность: страна занимает одно из первых мест в мире по числу горных происшествий. Только в 2023 году зафиксировано 3126 таких случаев — рекорд с 1961 года.

Особенно тревожная ситуация в префектуре Нагано. Ее суровый рельеф и резко меняющаяся погода делают популярные среди туристов маршруты очень рискованными.

Чтобы снизить число жертв, нужно научиться заранее и точно оценивать опасность. Это помогло бы и самим путешественникам лучше подготовиться, и спасателям быть начеку. Обычные методы анализа данных, хорошо работающие для прогноза ДТП или стихийных бедствий, в горах часто дают сбой. Причины — небольшой объем данных, сложный характер происшествий и нехватка информации о погоде или самих туристах.

Эту проблему решили взять за основу в Университете Софии в Токио. Доцент Юсуке Фуказава и аспирантка Таэко Сато разработали модель для оценки рисков еще на этапе планирования похода.

Подробности опубликованы в издании International Journal of Data Science and Analytics.

Горные происшествия делятся на четыре основных типа: падение с высоты, падение на ровном месте, переутомление и потеря ориентации, — поясняет Фуказава. — Но они не происходят просто так. Все зависит от времени суток, рельефа, погоды и даже от возраста и пола самого человека.

Исследователи взяли за основу модель глубокого обучения BERT и обучили ее на данных о 2596 происшествиях в Нагано с 2014 по 2023 год. Модель научилась классифицировать риски по четырем категориям, анализируя планы путешественника. Чтобы понять, как именно она принимает решения, применили метод SHAP-анализа — он наглядно показывает, какие факторы сильнее всего влияют на прогноз.

Данные выявили четкие закономерности:

• Сезонность и время: больше всего происшествий летом, в выходные и после полудня.
• Демография: мужчины чаще падают с высоты и теряются, а женщины — оступаются на ровной местности. Пожилые люди больше подвержены переутомлению.

Самыми распространенными типами оказались (в порядке убывания):

1. Падение с высоты.
2. Падение на ровном месте.
3. Переутомление.
4. Потеря ориентации.

Модель BERT показала точность предсказания свыше 60% для двух категорий: падений с высоты и потери ориентации. А SHAP-анализ раскрыл «логику» этих прогнозов. Ключевыми факторами риска для каждого типа стали:

• Падение с высоты: время «утро» и район гор Хотака.
• Падение на ровном месте: время «полдень» и массив Яцугатаке.
• Переутомление: возраст «пожилой» и время „после полудня“.
• Потеря ориентации: условия «снег/туман» и „одиночный поход“.

Наша модель дает не общие предупреждения, а персонализированную оценку риска, — говорит Юсуке Фуказава. — Путешественник может понять, что именно грозит лично ему в его походе при конкретных условиях, и принять меры. Мы видим в этом основу для мобильных приложений или веб-сервисов, которые сделают планирование похода и безопасность на природе доступными каждому.

Эта работа — пример того, как современные технологии могут делать реальную жизнь безопаснее, и не только в горах.

Реальная польза этого исследования лежит в плоскости превентивной безопасности и персонализации. Сегодня предупреждения для туристов носят слишком общий характер: «будьте осторожны», „погода может измениться“. Модель Фуказавы и Сато меняет многое. Она позволяет перейти от абстрактных предостережений к конкретным сценариям риска для конкретного человека. Пользу можно разложить на три уровня:

• Для туриста: получив перед походом на смартфон прогноз типа «ваш маршрут в районе Хотака утром несет повышенный риск падения с высоты, уделите особое внимание страховке», человек физически и психологически подготовится к этой конкретной опасности, а не ко „всему сразу“.
• Для спасательных служб: понимая, какие типы происшествий наиболее вероятны в определенный день на популярных маршрутах (например, риск потери ориентации из-за тумана), службы смогут оптимально разместить патрули, подготовить соответствующее оборудование и тем самым сократить время реагирования.
• Для индустрии туризма: на основе такой модели можно создавать интеллектуальные планировщики походов, которые будут не просто прокладывать маршрут, а предлагать альтернативы для снижения выявленных рисков ( «чтобы избежать переутомления в послеобеденное время, вот более короткий путь к приюту»). Это новый уровень сервиса.

Главный вопрос к исследованию — репрезентативность данных и, как следствие, универсальность модели. Она обучена исключительно на данных из префектуры Нагано за 10 лет. Горные системы даже в пределах Японии сильно различаются по геологии, климату и инфраструктуре. Модель, выявившая высокий риск падений с высоты утром в Хотака, может оказаться бесполезной для гор на Хоккайдо или в Европейских Альпах, где факторы риска будут иными. Для широкого практического применения потребуется масштабная и дорогостоящая работа по сбору и разметке аналогичных массивов данных для каждого нового региона. Без этого модель рискует остаться высокоточным, но узкоспециализированным инструментом для одного конкретного района.

Ранее мы разбирались, чем так притягателен Эверест и что он делает с прикоснувшимися к нему.