Традиционные методы гидрологического прогнозирования, основанные на линейных зависимостях между снегозапасами, осадками и стоком, часто демонстрируют недостаточную точность, особенно в условиях изменчивого климата и экстремальных гидрометеорологических явлений. В данной статье проведен анализ эффективности классических подходов на примере реки Пур (пос. Самбург), который выявил значительные погрешности в прогнозах слоя стока (до 27 %), объема половодья (до 29 %) и максимальных расходов воды (до 105 %). Эти результаты подчеркивают ограниченность существующих методов и необходимость внедрения современных технологий.
В качестве альтернативы рассмотрено применение нейросетевых моделей, способных учитывать нелинейные взаимосвязи. Нейросети продемонстрировали высокую точность прогнозирования с погрешностью 5 см для максимальных уровней воды. Их ключевые преимущества включают адаптивность к новым данным и устойчивость к аномальным условиям.
Результаты исследования подтверждают, что нейросетевые методы могут быть успешно использованы в оперативной практике для улучшения гидрологических прогнозов. В статье также предложены рекомендации по внедрению гибридных подходов, сочетающих физико-статистические модели с машинным обучением, и развитию автоматизированных систем мониторинга. Переход к технологиям искусственного интеллекта представляет собой важный шаг в повышении надежности прогнозов и минимизации рисков, связанных с половодьями и другими гидрологическими явлениями.
Идентификаторы и классификаторы
- SCI
- Науки о Земле
Прогнозирование весеннего половодья остается одной из ключевых задач гидрологии, имеющей важное значение для предупреждения и снижения риска наводнений, защиты населенных пунктов. Долгосрочные прогнозы позволяют заблаговременно подготовиться к повышению уровня воды, минимизировать ущерб и оптимизировать использование водных ресурсов. Однако сложность этого процесса обусловлена множеством факторов: изменчивостью климата, антропогенным воздействием на водосборы, а также нелинейностью гидрологических процессов.
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Ресурсы поверхностных вод СССР. Гидрологическая изученность, т. 15, вып. 3. Л., Гидрометеоиздат, 1964.
2. Соловьева З.С. Уровенный режим р. Пур // Труды ААНИИ. Том 297. Проблемы гидрологии устьевых областей сибирских рек. Л.: Гидрометеоиздат, 1972. С. 92-103.
3. Кочеткова Е. Д. Пространственно-временная изменчивость метеорологических элементов на юго-востоке Обской губы / Е. Д. Кочеткова // Азимут геонаук: Материалы Всероссийской междисциплинарной молодежной научной конференции, Томск, 06-09 декабря 2022 года. Том Вып. 3. - Томск: Издательство Томского ЦНТИ, 2023. С. 244-249.
4. Волкова Н.А. Методики долгосрочного прогноза максимальных уровней воды весеннего половодья низовьев крупных рек Обско-Тазовской устьевой области / Волкова Н.А., Ромашова К.В. // Тезисы докладов научно-практической конференции “Состояние и задачи мониторинга природных условий Обь-Енисейского устьевого региона на фоне изменяющегося климата и интенсивной хозяйственной деятельности” (22-23 октября 2024 г., Санкт-Петербург, ААНИИ). СПб., 2024. С. 9-11.
5. Долгосрочный прогноз стока рек АЗРФ с использованием регрессионных зависимостей / Е. В. Гайдукова, А. О. Яновская, М. С. Дрегваль, А. А. Батмазова // Современные тенденции и перспективы развития гидрометеорологии в России: Материалы V Всероссийской научно-практической конференции, Иркутск, 23-25 ноября 2022 года / Отв. редактор Е.Н. Сутырина. Иркутск: Иркутский государственный университет, 2023. С. 59-67.
6. Саноцкая Н. А. Методика прогнозирования максимальных уровней воды рек районов многолетней мерзлоты с учетом русловых процессов / Н. А. Саноцкая // Сервис безопасности в России: опыт, проблемы, перспективы. Мониторинг, предотвращение и ликвидация чрезвычайных ситуаций природного и техногенного характера: Материалы международной научно-практической конференции, Санкт-Петербург, 28 октября 2021 года. - Санкт-Петербург: Санкт-Петербургский университет Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий, 2021. С. 79-83.
7. Андронов Ю. В. Исследование применения ансамблей нейронных сетей для повышения качества решения задач регрессии / Ю. В. Андронов, А. В. Стрекалов // Нефтегазовое дело. 2015. Т. 13, № 1. С. 50-55.
8. Панков В. В. Машинное обучение на примере регрессий / В. В. Панков, Н. Н. Люблинская // Роль бизнеса в трансформации общества - 2023: Сборник материалов XVIII Международного конгресса (международной научно-практической конференции), Москва, 10-14 апреля 2023 года. Москва: Московский финансово-промышленный университет “Синергия”, 2023. С. 335-340.
9. Пылов П. А. Исследование проблемы “Overfitting” в алгоритмах искусственного интеллекта на прототипе модели регрессии дерева решений / П. А. Пылов, А. В. Протодьяконов // Инновации. Наука. Образование. 2020. № 22. С. 346-348.
10. Метод градиентного бустинга при прогнозировании управленческих решений в многослойной криогенной системе / И. А. Астраханцева, Т. Е. Котенев, С. В. Горев [и др.] // Современные наукоемкие технологии. Региональное приложение. 2024. № 2(78). С. 50-58. DOI: 10.6060/snt.20247802.0007
11. Мади А. Й. Методы опорных векторов и нелинейной регрессии для расчета коэффициента фильтрации / А. Й. Мади, Е. В. Шеин // Вестник Московского университета. Серия 17: Почвоведение. 2018. № 3. С. 42-47.
12. Нгуен Т. В. Анализ и прогноз тенденций использования терминов в компьютерных науках на основе нейросетевых моделей / Т. В. Нгуен, К. Х. Т. Зыонг, А. Г. Кравец // Вестник компьютерных и информационных технологий. 2021. Т. 18, № 2(200). С. 24-38. 10.14489/vkit.2021.02. pp.024-038. DOI: 10.14489/vkit.2021.02.pp.024-038
13. Костромитинов А. В. Метод прогнозирования тумана с использованием сверточных нейронных сетей / А. В. Костромитинов, И. А. Яременко // Труды Военно-космической академии имени А.Ф.Можайского. 2022. № S685. С. 186-193.
14. Журавлева Н. А. Выбор оптимизатора для обучения сверточной нейронной сети: задача классификации лесных пожаров / Н. А. Журавлева // StudNet. 2022. Т. 5, № 5. С. 160.
15. Волкова Н. А. Подход к прогнозированию гидрологических явлений в Арктической зоне Российской Федерации и пути повышения достоверности прогнозов в условиях изменения климата / Н. А. Волкова // Гидротехника. 2024. № 4. С. 21-27.
16. Результаты работы нейронной сети при прогнозировании метеопараметров приземной области атмосферы по данным измерений СВЧ-радиометрической системы / Е. В. Федосеева, И. Н. Ростокин, Г. Г. Щукин [и др.] // Распространение радиоволн: Cборник докладов XXVIII Всероссийской открытой научной конференции, Йошкар-Ола, 16-19 мая 2023 года / Редколлегия: Д.С. Лукин, Д.В. Иванов, Н.В. Рябова [и др.]. Йошкар-Ола: Поволжский государственный технологический университет, 2023. С. 463-466.
17. Долгосрочный прогноз стока рек АЗРФ с использованием регрессионных зависимостей / Е. В. Гайдукова, А. О. Яновская, М. С. Дрегваль, А. А. Батмазова // Современные тенденции и перспективы развития гидрометеорологии в России: Материалы V Всероссийской научно-практической конференции, Иркутск, 23-25 ноября 2022 года / Отв. редактор Е.Н. Сутырина. Иркутск: Иркутский государственный университет, 2023. С. 59-67.
18. Батмазова А. А. Прогноз стока рек Арктики в период весеннего половодья с учетом возможных изменений климата / А. А. Батмазова, Е. В. Гайдукова, В. А. Хаустов // Наука, общество, технологии: проблемы и перспективы взаимодействия в современном мире: монография. Петрозаводск: Международный центр научного партнерства “Новая Наука” (ИП Ивановская И.И.), 2022. С. 96-120.
19. Симонов Ю. А. Оперативная гидрология в деятельности Всемирной метеорологической организации / Ю. А. Симонов // Гидрометеорологические исследования и прогнозы. 2025. № 2(396). С. 121-140. DOI: 10.37162/2618-9631-2025-2-121-140
20. Dong N. et al. Deep-learning-based sub-seasonal precipitation and streamflow ensemble forecasting over the source region of the Yangtze River. Hydrology and Earth System Sciences, 2025, vol. 29, no. 8, pp. 2023-2042.
Выпуск
Другие статьи выпуска
Статическое зондирование является одним из наиболее доступных и достаточно достоверных для целей проектирования способом определения плотности песчаных грунтов в массиве, в том числе, расположенных ниже уровня грунтовых вод. Как известно, отбор монолитов таких грунтов с помощью грунтоносов затруднен и далеко не всегда целесообразен, а соответственно, распространенный, в нормативной документации метод «режущего кольца» выполнить не представляется возможным. Альтернативный метод замещения объема, доступный для применения на поверхности, либо в шурфах также не решает проблему определения плотности на больших глубинах. Гамма-гамма каротаж широкого распространения не имеет и в современных реалиях применяется крайне редко.
Однако, несмотря на преимущества статического зондирования перед тремя вышеописанными методами и возможность расчета параметра p по результатам статического зондирования, в действующей российской нормативной документации соответствующая методика не представлена. В статье рассмотрен зарубежный опыт вычисления плотности песков в зависимости от сопротивления конуса ненормализованного и нормализованного, муфты трения, порового давления; проведено сравнение зарубежных и отечественных методик, сделаны выводы о их применимости.
Гидрологические модели — ключевой инструмент исследования процессов приземного влагооборота в условиях изменчивого климата и ограниченности данных наблюдений. Развитие гидрологического моделирования требует комплексного расширения как его теоретических основ, так и информационного обеспечения, перспективы которого, в частности, связаны с развитием структурно-гидрографического анализа речных систем. В рамках этого направления важной задачей является развитие методов и технологии моделирования речной сети на основе цифровых моделей рельефа.
Рассматривается возможность построения региональной модели речной сети, в том числе для неизученных бассейнов, с помощью современных методов и технологий структурно-гидрографического анализа речных систем. Моделирование выполнялось на основе ЦМР FABDEM в среде ArcMap 10.8.2, с использованием авторского инструмента-надстройки для среды ArcGIS Desktop, реализующего единый алгоритм определения истоков водотоков и построения речной сети на основе подбора порогового значения функции инициации (критериального индекса). В данном исследовании применена модель с двумя калибруемыми параметрами для решения проблемы «коротких» притоков при моделировании речной сети. На примере черноморского побережья Кавказа показаны возможности моделирования речной сети с двумя параметрами при использовании различных вариантов функций инициации, с помощью метода ранжирования выбраны наилучшие из них. Проанализированы различия в моделировании речных сетей в бассейнах с различными высотными характеристиками, показано преимущество комплексного энергетического индекса (CEI) для моделирования речной сети в средне- и низкогорных областях. Показана возможность моделирования речных сетей на основе региональных обобщений параметров модели.
За последние 40 лет наблюдается критическое сокращение объемов специализированных полевых исследований в области лавиноведения и снеговедения. Количество снеголавинных станций, осуществляющих регулярный мониторинг и систематический сбор данных о снеголавинных процессах, значительно уменьшилось, а доступность накопленных материалов, включая архивные данные предшествующих периодов, существенно ограничена вследствие их коммерциализации. На фоне возрастания научно-технологических возможностей натурных исследований снега и лавин, а также активизации подобных работ в зарубежных странах, сложившиеся в нашей стране обстоятельства свидетельствуют о неблагоприятных условиях для прогрессивного развития отечественного лавиноведения и сильного отставания в этом направлении от других стран. При этом площадь пораженности территории лавинными процессами в России гораздо больше, чем в Европе, а условия лавинообразования — разнообразней. Среди приоритетных направлений — создание специализированных научно-исследовательских полевых центров изучения снеголавинных процессов в регионах с их высокой интенсивностью проявления. В качестве пилотного проекта такого центра предлагается рассмотреть его организацию в Сахалинской области. В статье проводится анализ природно-климатических, географических и социально-экономических предпосылок для формирования такого полевого центра на Сахалине. Представлен обзор международного опыта функционирования научно-исследовательских центров в Швейцарии, Японии, США, Норвегии и других странах, где применяются передовые методики мониторинга и прогнозирования лавинной опасности. Подчеркивается необходимость возобновления систематических наблюдений и расширения сети полевых станций на Дальнем Востоке России для повышения безопасности населения и устойчивого развития территорий. В статье также обсуждаются организационные вопросы, рекомендуемый штат сотрудников и необходимое техническое обеспечение центра.
Статья посвящена изучению закономерностей многолетних колебаний уровней воды бессточных озер Чаны и Сартлан, расположенных на юге Западной Сибири. Как известно, уровень воды является интегральным показателем состояния водных ресурсов водоема, и изучение его динамики является важной научной задачей, позволяющей предсказать и смягчить неблагоприятные водохозяйственные и экологические ситуации, возникающие как при резком снижении (осушение береговой террасы), так и резком повышении (затопление прибрежных территорий) уровней озер. На основании данных стандартных гидрометеорологических наблюдений и их корректировки, и использования климатических архивов, получены расчетные многолетние ряды среднегодовых и среднемесячных значений уровней воды рассматриваемых озер, а также температуры воздуха и сумм осадков в районах их расположения. Выявлены закономерности многолетних колебаний указанных характеристик за период с 1944 по 2020 гг. и дана количественная оценка изменений уровней озер за период c 1979 по 2020 гг. в условиях нестационарной климатической ситуации
В статье рассмотрены условия формирования заторов и зажоров льда на реке Вага и их изменчивость за многолетний период. В качестве исходных данных использовались материалы наблюдений на гидрологических постах, ежедневые уровни воды и ледовая обстановка, картографические и архивные материалы, спутниковые снимки. Анализ мест формирования зажоров и заторов льда на реке Вага выполнен по данным картографических материалов и лоций, особенности условий формирования зажорно-заторных явлений за многолетний период определялись по пространственно-временным графикам уровней воды.
Формирование зажоров и заторов льда являются неотъемлемой частью ледового режима реки Вага и наблюдаются практически ежегодно. Подъемы уровней воды, вызванные зажорами льда, не превышают отметок выше отметок опасных явлений (ОЯ) и неблагоприятных явлений (НЯ), заторные подъёмы уровня воды по постам с. Шенкурск и г. Пасьва в отдельные годы превышают отметки ОЯ и НЯ. Заторные подъёмы уровней воды невелики и, как правило, формируются на фазе подъёма весеннего половодья. Места формирования зажоров заторов льда постоянны и не изменились за многолетний период. Чаще всего они формируются на участках нарушения свободного транспорта льда: у излучин, приверхов островов, сужении реки в устьевом участке реки Вага. Продолжительность зажоров льда достигает несколько месяцем и, в то время как заторы льда на реке Вага быстротечны, их продолжительность в среднем не превышает 1–2 дней. Заторы льда локальны и, как правило, разрушение одного затора не приводит к формированию следующего ниже по течению; В некоторые годы, когда вскрытие реки проходит не последовательно снизу вверх (против течения), возможно формирование заторов льда у кромки ледяного покрова; при условии более позднего вскрытия р. Северная Двина заторы льда формируются на устьевом участке р. Вага.
Издательство
- Издательство
- ГИДРОТЕХПРОЕКТ
- Регион
- Россия, Валдай
- Почтовый адрес
- 175400, НОВГОРОДСКАЯ ОБЛАСТЬ, М. О. ВАЛДАЙСКИЙ, Г. ВАЛДАЙ, УЛ. ОКТЯБРЬСКАЯ, ЗД. 55А, ПОМЕЩ. 7
- Юр. адрес
- 175400, НОВГОРОДСКАЯ ОБЛАСТЬ, М.О. ВАЛДАЙСКИЙ, Г. ВАЛДАЙ, УЛ. ОКТЯБРЬСКАЯ, ЗД. 55А, ПОМЕЩ. 7
- ФИО
- Виноградов Алексей Юрьевич (ГЕНЕРАЛЬНЫЙ ДИРЕКТОР)
- Контактный телефон
- +7 (___) _______
- Сайт
- https://npogtp.ru/