Долгосрочный прогноз сроков безледоставного периода на арктических судоходных реках (на примере реки Пур)

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. 

1. Миронов Е. У. Современное состояние и перспективы исследований ледяного покрова морей российской Арктики / Е. У. Миронов, С. В. Клячкин, В. М. Смоляницкий [и др.] // Российская Арктика. — 2020. — № 10. — С. 13–29. DOI: 10.24411/2658-4255-2020-12102. — EDN BIXTPF.

2. Айзель Г. В. Применение методов машинного обучения для моделирования толщины снежного покрова / Г. В. Айзель // Лёд и снег. — 2017. — Т. 57. — № 1. — С. 34–44. DOI: 10.15356/2076-6734-2017-1-34-44. — EDN YIXTPF.

3. Волкова Н. А. Анализ многолетних колебаний уровня воды реки Пур для обеспечения безопасности судоходства / Н. А. Волкова // Природные и техногенные риски (физико-математические и прикладные аспекты). — 2025. — № 2(54). — С. 6–22. DOI: 10.61260/2307-7476-2025-2-6-22. — EDN DLTELK.

4. 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(77). — С. 21–27. — EDN OCMLYG.

5. Волкова Н. А. Комплексный подход к снижению аварийности на внутренних водных путях арктического региона России / Н. А. Волкова // Известия Петербургского университета путей сообщения. — 2025. — Т. 22. — № 3. — С. 761–775. DOI: 10.20295/1815-588X-2025-3-761-775. — EDN DENABG.

6. Канашин С. А. Применение методов машинного обучения для прогноза осенних ледовых явлений на реке Умбе / С. А. Канашин // Известия Иркутского государственного университета.Серия: Науки о Земле. — 2025. — Т. 52. — С. 52–64. DOI: 10.26516/2073-3402.2025.52.52. — EDN WQBGBW.

7. Иглин С. М. Прогнозирование редких гидрологических явлений методами машинного обучения на примере ледовых заторов на реке Печоре / С. М. Иглин, В. М. Морейдо, К. И. Головнин // Вестник Московского университета. Серия 5: География. — 2025. — Т. 80. — № 1. — С. 87–97. DOI: 10.55959/ MSU0579-9414.5.80.1.6. — EDN FVTANO.

8. Ангудович Я. И. О применении нейронных сетей в задачах оперативного прогнозирования уровня воды в акватории Обской губы / Я. И. Ангудович, Ю. А. Татаренко // Гидрометеорология и экология. — 2025. — № 78. — С. 42–65. DOI: 10.33933/2713-3001-2025-78-42-65. — EDN KGFCIC.

9. Zakharov I. Review of River Ice Observation and Data Analysis Technologies / I. Zakharov, T. Puestow, A. A. Khan, R. Briggs, P. Barrette // Hydrology. — 2024. — Vol. 11. — Is. 8. DOI: 10.3390/hydrology11080126.

10. Zhao Y. Water environment risk prediction method based on convolutional neural network-random forest / Y. Zhao, L. Zhang, Y. Chen // Marine Pollution Bulletin. — 2024. — Vol. 209. — Pp. 117228. DOI: 10.1016/j. marpolbul.2024.117228.

11. Williams B. S. Measuring the skill of an operational ice jam flood forecasting system / B. S. Williams, A. Das, P. Johnston, B. Luo, K-E. Lindenschmidt // International Journal of Disaster Risk Reduction. — 2021. — Vol. 52. — Pp. 102001. DOI: 10.1016/j.ijdrr.2020.102001.

12. Журавлева Н. А. Выбор оптимизатора для обучения сверточной нейронной сети: задача классификации лесных пожаров / Н. А. Журавлева // StudNet. — 2022. — Т. 5. — № 5. — С. 160. — EDN XUJGWR.

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. — EDN NHFICC.

14. Астраханцева И. А. 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. — EDN CDNSYQ.

15. 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. — EDN XMGCGT.

16. 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. DOI: 10.14489/vkit.2021.02. pp.024–038. — EDN ASJCNA.