Волкова Надежда Александровна — кандидат физико-математических наук, доцент кафедры водно-технических изысканий; старший научный сотрудник отдела гидрологии устьев рек и водных ресурсов
192007, Санкт-Петербург, Воронежская
199397, Санкт-Петербург, ул. Беринга, 38 улица, 79;
Volkova Nadezhda A. — PhD in Physics and Mathematics Associate Professor of the Department; Senior Researcher of the Department of Hydrology of River Mouths and Water Resources
79, Voronezhskaya Street, Saint Petersburg, 192007
38, Bering Street, Saint Petersburg, 199397
Темой исследования является прогнозирование сроков начала и окончания ледовых явлений на арктических судоходных реках, таких как река Пур, которое является важной процедурой для планирования навигации и обеспечения транспортной доступности в условиях меняющегося климата. В исследовании представлена разработка и сравнительный анализ пяти моделей машинного обучения для прогнозирования дат появления ледовых явлений и очищения ото льда реки Пур в замыкающем створе Самбург: сверточная нейронная сеть (CNN), полносвязная нейронная сеть (Dense), многослойный перцептрон (MLP), метод опорных векторов (SVR) и случайный лес (Random Forest). В качестве входных данных использовались 12 гидрометеорологических параметров. Проведена количественная оценка качества прогнозов с использованием метрик MAE (средняя абсолютная ошибка), RMSE (среднеквадратичная ошибка) и R² (коэффициент детерминации). Сравнение с осредненной моделью показало, что для прогноза дат очищения ото льда наилучшие результаты по совокупности метрик продемонстрировала полносвязная нейронная сеть (Dense) (MAE = 5,18, RMSE = 5,97, R² = 0,387). Для прогноза дат появления ледовых явлений наименьшую ошибку и наивысшую объясняющую способность показала модель на основе многослойного перцептрона (MLP) (MAE= 3,59, RMSE = 4,21, R² = 0, 315). Результаты свидетельствуют о том, что для прогнозирования сложных гидрологических событий, таких как ледовые явления, эффективность сложных моделей машинного обучения не всегда является оптимальной. Наилучшая модель должна подбираться отдельно для каждой прогнозируемой даты.
Forecasting the onset and end dates of ice phenomena on Arctic shipping rivers, such as the Pur River, is essential for navigation planning and ensuring transport accessibility under changing climatic conditions. The development of reliable forecasting models that outperform traditional averaged approaches is of considerable scientific and practical importance. This study presents the development and comparative analysis of five machine learning models for forecasting the dates of ice formation and ice clearance on the Pur River at the Samburg gauging station: a convolutional neural network (CNN), a fully connected neural network (Dense), a multilayer perceptron (MLP), a support vector regression model (SVR), and a random forest model. Twelve hydrometeorological parameters were used as input variables. Forecast performance was quantitatively evaluated using the mean absolute error (MAE), root mean square error (RMSE), and the coefficient of determination (R²). A comparison with an averaged baseline model showed that, for predicting ice-clearance dates, the fully connected neural network (Dense) demonstrated the best overall performance (MAE = 5.18 days, RMSE = 5.97 days, R² = 0.387). For predicting ice-formation dates, the multilayer perceptron (MLP) model exhibited the lowest prediction error and the highest explanatory power (MAE = 3.59 days, RMSE = 4.21 days, R² = 0.315). The results indicate that more complex machine learning models do not necessarily provide superior performance when forecasting complex hydrological events such as ice phenomena. Consequently, the optimal forecasting model should be selected individually for each predicted date.
The authors declare that there are no conflicts of interest present.