рус eng
««ИЗВЕСТИЯ ИРКУТСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА». СЕРИЯ «НАУКИ О ЗЕМЛЕ»
«IZVESTIYA IRKUTSKOGO GOSUDARSTVENNOGO UNIVERSITETA». SERIYA «NAUKI O ZEMLE»
«THE BULLETIN OF IRKUTSK STATE UNIVERSITY». SERIES «EARTH SCIENCES»
ISSN 2073-3402 (Print)

Список выпусков > Серия «Науки о Земле». 2025. Том 52

Применение методов машинного обучения для прогноза осенних ледовых явлений на реке Умбе

Автор(ы)
С. А. Канашин
Аннотация
Целью работы является разработка методов прогноза сроков появления первичных ледовых явлений и установления ледостава с использованием машинного и глубокого обучения в рамках совершенствования существующих методов прогноза дат появления осенних ледовых явлений на реках Кольского полуострова в условиях современного изменения климата. В качестве объекта изучения выбрана р. Умба. Были использованы данные по гидрологическим постам порог Паялка, Исток и метеорологической станции Умбы. Выполнен анализ ледового режима р. Умбы и многолетней изменчивости сроков появления осенних ледовых явлений, сумм отрицательных температур воздуха. Выявлены основные предикторы и проведена классификация ледовых явлений для задания целевой переменной в нейросетевые модели. Приводится сравнение прогнозных значений, полученных с помощью автоматизированной библиотеки AutoKeras и гибридного подхода XGBoost + LSTM, объединяющего методы машинного и глубокого обучения. Погрешность прогноза с использованием гибридного подхода не превышает допустимую. С учетом имеющихся данных о ледовом и водном режимах, изменении метеорологических характеристик предложенный подход позволяет улучшить прогностические зависимости, разработанные для рек Кольского полуострова в середине XX в.
Об авторах
Канашин Сергей Андреевич, аспирант, Государственный гидрологический институт, Россия, 199004, г. Санкт-Петербург, 2-ая линия В. О., 23, e-mail: ckanashin@yandex.ru
Ссылка для цитирования
Канашин С. А. Применение методов машинного обучения для прогноза осенних ледовых явлений на реке Умбе // Известия Иркутского государственного университета. Серия Науки о Земле. 2025. Т. 52. С. 52–64. https://doi.org/10.26516/2073-3402.2025.52.52
Ключевые слова
Кольский полуостров, ледовый режим, прогноз сроков замерзания, машинное обучение, глубокое обучение, нейронные сети.
УДК
556.06(470.21)
DOI
https://doi.org/10.26516/2073-3402.2025.52.52
Литература

Алексеевский Н. И., Магрицкий Д. В., Михайлов В. Н. Антропогенные и естественные изменения гидрологических ограничений для природопользования в дельтах рек Российской Арктики // Водное хозяйство России: проблемы, технологии, управление. 2015. № 1. С. 14–31.

Антропогенные и климатически обусловленные изменения стока воды и ледовых явлений рек Российской Арктики / Н. Л. Фролова, Д. В. Магрицкий, М. Б. Киреева [и др.] // Вопросы географии. 2018. № 145. С. 233–251.

Баклагин В. Н. Зависимости характерных дат ледового режима Белого моря от температурного фона над его акваторией // Успехи современного естествознания. 2020. № 7-0. С. 55–60.

Банщикова Л. С., Сумачев А. Э. Вариация температуры воздуха холодного периода на Кольском полуострове как фактор изменения ледового режима // Арктика: экология и экономика. 2021. Т. 11, № 3. С. 397–405.

Василенко А. Н., Агафонова С. А., Фролова Н. Л. Исследования связи термического и ледового режимов рек Российской Арктики по данным многолетних наблюдений // Труды IX Международной научно-практической конференции «Морские исследования и образование (MARESEDU-2020)» : [сборник]. Тверь, 2020. Т. 2 (3). C. 98–101.

Георгиевский Ю. М. Краткосрочные и долгосрочные прогнозы ледовых явлений на реках, озерах и водохранилищах. Л. : ЛПИ, 1986. 50 с.

Георгиевский Ю. М., Шаночкин С. В. Гидрологические прогнозы. СПб. : РГГМУ, 2007. 436 с.

Зимний режим приливных устьев рек Терского берега Белого моря / Е. А. Крастынь, М. О. Фатхи, Е. Д. Панченко [и др.] // Четвертые Виноградовские чтения. Гидрология от познания к мировоззрению. СПб., 2020. С. 1092–1097.

Ледовый режим и его опасные проявления на реках Арктической зоны России / С. А. Агафонова, А. Н. Василенко, А. А. Мироненко [и др.] // Труды V Всероссийской конференции «Ледовые и термические процессы на водных объектах России». М. : РГАУ – МСХА им. К. А. Тимирязева, 2016. С. 15–21.

Ледовый режим и опасные гидрологические явления на реках арктической зоны европейской территории России / С. А. Агафонова, Н. Л. Фролова, А. Н. Василенко [и др.] // Вестник Московского университета. Серия 5, География. 2016. № 6. С. 41–49.

Основные черты зимнего гидрологического режима приливных устьев рек Терского берега Белого моря на примере рек Умба и Кузерка / Д. А. Смирнова, А. А. Шишов, А. Н. Василенко [и др.] // Труды IX Международной научно-практической конференции «Морские исследования и образование (MARESEDU-2020)». Тверь, 2020. Т. 1 (3). C. 94–97.

Ayzel G. V. Deep neural networks in hydrology: the new generation of universal and efficient models // Vestnik of Saint-Petersburg University. Earth Sciences. 2021. Vol. 66, N 1. P. 5–18. https://doi.org/10.21638/spbu07.2021.101

Deep learning and process understanding for data-driven Earth system science / M. Reichstein, G. Camps-Valls, B. Stevens [et al.] // Nature. 2019. Vol. 566. P. 195–204. https://doi.org/10.1038/s41586-019-0912-1

Król A., Banasik K. Predicting Ice Phenomena in a River Using the Artificial Neural Network and Extreme Gradient Boosting // Resources. 2022. Vol. 11, N 2. P. 12. https://doi.org/10.3390/resources11020012

Manning C. D., Raghavan P., Schütze H. Introduction to Information Retrieval. Cambridge University Press, Stanford NLP book, 2008. 544 p. URL: https://nlp.stanford.edu/IR-book/ (date of access: 22.04.2025)

Powers D. M. W. Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness and Correlation // Technical Report SIE-07-001. 2007. 24 p. URL: https://www.researchgate.net/publication/228529307_Evaluation_From_Precision_Recall_and_FFactor_to_ROC_Informedness_Markedness_Correlation (date of access: 22.04.2025).

Rainfall-runoff modelling using Long Short-Term Memory (LSTM) networks / F. Kratzert, D. Klotz, C. Brenner [et al.] // Hydrology and Earth System Sciences. 2019. Vol. 23, N 10. P. 5089– 5110. https://doi.org/10.5194/hess-23-5089-2019

Ougahi J. H., Rowan J. S. Enhanced streamflow forecasting using hybrid modelling integrating glacio-hydrological outputs, deep learning and wavelet transformation // Scientific Reports. 2025. Vol. 15. Art. N 2762. https://doi.org/10.1038/s41598-025-87187-1

Shen C. A. Transdisciplinary Review of Deep Learning Research and Its Relevance for Water Resources Scientists // Water Resources Research. 2018. Vol. 54, N 11. P. 8558–8593. https://doi.org/10.1029/2018WR022643

Sit M., Demir I. Distributed deep learning model for flood prediction // Journal of Hydrology. 2019. Vol. 570. P. 524–534. https://doi.org/10.1016/j.jhydrol.2018.12.045

Sokolova M., Lapalme G. A systematic analysis of performance measures for classification tasks // Information Processing & Management. 2009. Vol. 45, N 4. P. 427–437. https://doi.org/10.1016/j.ipm.2009.03.002

van Rijsbergen C. J. Information Retrieval. London : Butterworths, 1979. 208 p.

What role does hydrological science play in the age of machine learning / G. S. Nearing, A. K. Sampson, F. Kratzert [et al.] // Water Resources Research. 2021. Vol. 57, N 3. Article e2020WR028091. https://doi.org/10.1029/2020WR028091


Полная версия (русская)