Дата публикации: 23-09-2026 04:00:00

Расположение гидрометрических и метеорологических станций, выбранных для исследования. Источник: RJES / I. A. Lisenkov et al., 2026.
23 сентября 2026 г.
Учёные выполнили моделирование гидрологических процессов методами машинного обучения на примере прогноза высших уровней весеннего ледохода на арктических реках. Результаты опубликованы в Russian Journal of Earth Sciences.
Работу выполнили И. А. Лисенков1,3, С. А. Каинова1, Е. О. Луппов1,2 и В. А. Кузнецов3 (1Геофизический центр РАН, 2Российский университет транспорта, 3Национальный исследовательский ядерный университет МИФИ).
Наводнения в период весеннего ледохода относятся к наиболее опасным гидрологическим явлениям на реках севера европейской России. В новой работе представлен оригинальный подход к прогнозированию неблагоприятных и опасных уровней воды в период весеннего ледохода в низовьях рек Онеги, Северной Двины, Мезени и Печоры. Метод основан на консолидации разнородных данных в пространственно-временных окрестностях и применении методов машинного обучения.
Учёные сформировали комплексный набор данных, включающий многолетние ряды гидрологических и метеорологических наблюдений за 1961–2023 годы, морфометрические характеристики русла и водосбора, а также показатели ледового режима, агрегированные в круговых окрестностях радиусом 25–250 км вокруг 29 гидрологических постов.
На примере 7 створов, расположенных в нижнем течении исследуемых рек, была продемонстрирована эффективность бинарной классификации гидрологических ситуаций («норма» / неблагоприятное или опасное явление) с применением классических моделей машинного обучения. Апробированы пять стратегий обучения моделей машинного обучения, включая общее обучение, пространственную генерализацию по бассейнам и постам, а также изолированное обучение.
В результате было установлено, что изолированное обучение обеспечивает наилучшее качество классификации (F1-macro 0.638–1.000), тогда как перенос моделей между речными бассейнами демонстрирует более низкие показатели качества (F1-macro 0.254–0.608) вследствие высокой специфичности локальных гидрологических условий. Пространственная генерализация на уровне постов в пределах одного бассейна (F1-macro 0.684–0.774) рекомендуется для постов с ограниченным рядом наблюдений.
Анализ важности признаков выявил ключевую роль температуры, осадков и гидрологических предикторов. Разработанные методики могут быть полезны при планировании превентивных мероприятий.

Основное содержимое страницы с новостью.

О моделировании гидрологических процессов методами машинного обучения Расположение гидрометрических и метеорологических станций, выбранных для исследования. Источник: RJES / I. A. Lisenkov et al., 2026.

23 сентября 2026 г.

Учёные выполнили моделирование гидрологических процессов методами машинного обучения на примере прогноза высших уровней весеннего ледохода на арктических реках. Результаты опубликованы в Russian Journal of Earth Sciences.

Работу выполнили И. А. Лисенков^1,3, С. А. Каинова¹, Е. О. Луппов^1,2 и В. А. Кузнецов³ (¹Геофизический центр РАН, ²Российский университет транспорта, ³Национальный исследовательский ядерный университет МИФИ).

Наводнения в период весеннего ледохода относятся к наиболее опасным гидрологическим явлениям на реках севера европейской России. В новой работе представлен оригинальный подход к прогнозированию неблагоприятных и опасных уровней воды в период весеннего ледохода в низовьях рек Онеги, Северной Двины, Мезени и Печоры. Метод основан на консолидации разнородных данных в пространственно-временных окрестностях и применении методов машинного обучения.

Учёные сформировали комплексный набор данных, включающий многолетние ряды гидрологических и метеорологических наблюдений за 1961–2023 годы, морфометрические характеристики русла и водосбора, а также показатели ледового режима, агрегированные в круговых окрестностях радиусом 25–250 км вокруг 29 гидрологических постов.

На примере 7 створов, расположенных в нижнем течении исследуемых рек, была продемонстрирована эффективность бинарной классификации гидрологических ситуаций («норма» / неблагоприятное или опасное явление) с применением классических моделей машинного обучения. Апробированы пять стратегий обучения моделей машинного обучения, включая общее обучение, пространственную генерализацию по бассейнам и постам, а также изолированное обучение.

В результате было установлено, что изолированное обучение обеспечивает наилучшее качество классификации (F1-macro 0.638–1.000), тогда как перенос моделей между речными бассейнами демонстрирует более низкие показатели качества (F1-macro 0.254–0.608) вследствие высокой специфичности локальных гидрологических условий. Пространственная генерализация на уровне постов в пределах одного бассейна (F1-macro 0.684–0.774) рекомендуется для постов с ограниченным рядом наблюдений.

Анализ важности признаков выявил ключевую роль температуры, осадков и гидрологических предикторов. Разработанные методики могут быть полезны при планировании превентивных мероприятий.

Метки: ГЦ РАН, RJES, водные ресурсы

Печать E-mail

Схожие новости