Арктический и антарктический научно-исследовательский институт
Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
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.
уровенный режим, прогнозирование, река Пур, трансформерные нейронные сети, навигационная безопасность
1. Харлампьева Н.К., Третьяков М.В., Иванов В.В. Арктическая устьевая гидрология: история исследования // География и краеведение в Якутии и регионах России: материалы Всероссийской науч.-практ. конф. с междунар. участием, посвященной 85-летию со дня рождения Г.Н. Максимова. Якутск: Издательский дом СВФУ, 2024. С. 115–120. EDN GUMXFY.
2. Ресурсы поверхностных вод СССР: Гидрологическая изученность. Л.: Гидрометеоиздат, 1964. Т. 15. Вып. 3.
3. Time Series Analysis: Forecasting and Control / G.E.P. Box [et al.] // John Wiley & Sons, 2015. 720 p.
4. Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation. 1997. Т. 9.№ 8. С. 1735–1780.
5. Learning phrase representations using RNN encoder-decoder for statistical machine translation / K. Cho [et al.] // arXiv preprint arXiv:1406.1078. 2014.
6. Rainfall–runoff modelling using long short-term memory (LSTM) networks / F. Kratzert [et al.] // Hydrology and Earth System Sciences. 2018. Т. 22. № 11. С. 6005–6022.
7. Attention is all you need / A. Vaswani [et al.] // Advances in neural information processing systems. 2017. Т. 30. № 1. С. 5998–6008.
8. Deep transformer models for time series forecasting: The influenza prevalence case / N. Wu [et al.] // arXiv preprint arXiv:2001.08317. 2020.
9. Informer: Beyond efficient transformer for long sequence time-series forecasting / H. Zhou [et al.] // Proceedings of the AAAI conference on artificial intelligence. 2021. Т. 35. № 12. С. 11106–11115.
10. Волкова Н.А. Анализ многолетних колебаний уровня воды реки Пур для обеспечения безопасности судоходства // Природные и техногенные риски (физико-математические и прикладные аспекты). 2025. № 2 (54). С. 6–22. DOI:https://doi.org/10.61260/2307-7476-2025-2-6-22
11. Волкова Н.А. Комплексный подход к снижению аварийности на внутренних водных путях арктического региона России // Известия Петербургского университета путей сообщения. 2025. Т. 22. № 3. С. 761–775. DOI:https://doi.org/10.20295/1815-588X-2025-3-761-775
12. Волкова Н.А., Ромашова К.В. Методика долгосрочного прогнозирования максимальных уровней воды реки Таз // Техносферная безопасность в Арктике: материалы в рамках VIII Междунар. науч.-практ. конф. СПб.: С.-Петерб. ун-т ГПС МЧС России, 2025. С. 223–226. EDN RFVHDX.
13. Deep quantum-transformer networks for multimodal beam prediction in isac systems / S. Tariq [et al.] // IEEE Internet of Things Journal. 2024. Т. 11. № 18. С. 29387–29401.
14. Diformer: A difference transformer network for remote sensing change detection / H. Lin [et al.] // IEEE Geoscience and Remote Sensing Letters. 2024. Т. 21. С. 1–5.
15. Никитин С.Д., Мамонтов А.И. О сжатии нейросетей с архитектурой «Трансформер» // Измерение, контроль, информатизация: материалы XХVI Междунар. науч.-техн. конф. / под ред. Л.И. Сучковой. Барнаул: Изд-во АлтГТУ, 2025. 216 c.
16. Клюковкин Г.К. Нейронные сети против классических ML-моделей: в каких случаях стоит усложнять архитектуру // Актуальные исследования. 2024. № 37 (219).
17. Attention is all you need / A. Vaswani [et al.] // Advances in Neural Information Processing Systems. 2017. № 30. P. 5998–6008.
18. How to optimize the systematic review process using AI tools / N. Fabiano [et al.] // JCPP advances. 2024. Т. 4. № 2. С. e12234.
19. Гидрологический ежегодник. Л., Гидрометеоиздат, 1936–2012. Т. 6. Вып. 0-9.
20. Свидетельство о государственной регистрации базы данных № 2020621470 Рос. Федерация. «Научно-прикладной справочник «Климат России»: № 2020620899: заявл. 09.06.2020; опубл. 18.08.2020 / В.Н. Разуваев, О.Н. Булыгина, Н.Н. Коршунова [и др.]; заявитель федеральное государственное бюджетное учреждение «Всероссийский научно-исследовательский институт гидрометеорологической информации – Мировой центр данных». EDN MXYBEY.
