кандидат физико-математических наук;
candidate of physical and mathematical sciences;
В условиях наблюдаемых климатических изменений Арктические регионы становятся все более уязвимыми к экстремальным гидрологическим явлениям, таким как наводнения. Традиционные методы прогнозирования зачастую не способны уловить сложные нелинейные и долгосрочные зависимости в гидрометеорологических данных, что создает значительные риски для управления техносферной безопасностью прибрежных территорий. Цель исследования: разработка и апробация модели прогнозирования суточных уровней воды арктической реки Пур в замыкающем створе Самбург в навигационный период на основе архитектуры трансформерных нейронных сетей для повышения точности и заблаговременности предупреждения о паводковых ситуациях. В исследовании использована оригинальная архитектура нейронной сети типа Transformer, адаптированная для задач прогнозирования временных рядов. Модель включает механизм многоголового самовнимания, позиционного кодирования и полносвязные слои. Обучение и валидация модели проведены на массиве многолетних суточных данных, включающих целевые показатели уровня воды и 12 сопутствующих гидрометеорологических признаков. Для оценки точности применялись метрики MAE, RMSE и MAPE. Построенная модель продемонстрировала высокую точность в прогнозировании суточной динамики уровня воды. Вычисленные метрики качества (MAE = 10,76, RMSE = 14,00, MAPE = 2,69 %) подтверждают ее эффективность. Модель успешно выявляет как сезонные тенденции, так и аномальные паводковые пики, что важно для систем раннего предупреждения. Трансформерная модель представляет собой перспективный инструмент для решения задач оперативного прогнозирования уровенного режима рек в сложных условиях Арктики. Внедрение разработанного подхода в практику управления рисками позволяет перейти от реактивных к проактивным стратегиям, обеспечивая своевременное принятие управленческих решений и снижение техногенных и природных рисков.
In the face of ongoing climate change, Arctic regions are becoming increasingly vulnerable to extreme hydrological events such as floods. Traditional forecasting methods are often unable to capture complex nonlinear and long-term dependencies in hydrometeorological data, posing significant risks to the management of coastal technosphere safety. The objective of this study was to develop and test a model for forecasting daily water levels in the Arctic Pur River at the Samburg outlet during the navigation season, based on a transformer neural network architecture. This model aims to improve the accuracy and lead time of flood warnings. The study utilized a unique Transformer-type neural network architecture adapted for time series forecasting. The model incorporates a multi-headed self-attention mechanism, positional coding, and fully connected layers. Training and validation were conducted on a multi-year daily data set, including target water level indicators and 12 associated hydrometeorological features. The MAE, RMSE, and MAPE metrics were used to assess accuracy. The constructed model demonstrated high accuracy in forecasting diurnal water level dynamics. The calculated quality metrics (MAE = 10,76, RMSE = 14,00, MAPE = 2,69 %) confirm its effectiveness. The model successfully identifies both seasonal trends and abnormal flood peaks, which is important for early warning systems. The transformer model is a promising tool for solving problems of operational river level forecasting in challenging Arctic conditions. Implementation of the developed approach in risk management practices allows for a transition from reactive to proactive strategies, ensuring timely management decisions and mitigating man-made and natural risks.