Гидрометеорологические исследования и прогнозы. 2026. № 2 (400). С. 119-127 119

DOI: https://doi.org/10.37162/2618-9631-2026-2-119-127

УДК 551.5

Деятельность Всемирной метеорологической

организации по ускорению цифровой

трансформации оперативной гидрологии

Ю.А. Симонов

, Т.М. Дмитриева

Гидрометеорологический научно-исследовательский центр

Российской Федерации, г. Москва, Россия;

Московский государственный технический университет

имени Н.Э. Баумана г. Москва, Россия

simonov@mecom.ru

В последнее время цифровая трансформация играет все более важную роль в гид-

рометеорологических исследованиях и прогнозах. Всемирная метеорологическая ор-

ганизация (ВМО) в развитии своей глобальной инфраструктуры в области наблюде-

ний, информационного обмена, обработки данных и прогнозирования существенно

расширила использование методов искусственного интеллекта и машинного обуче-

ния, а также «интернета вещей». В 2025 году Исполнительный совет и Всемирный

метеорологический конгресс утвердили План действий ВМО в области использова-

ния искусственного интеллекта, учредили совместную консультативную группу по

искусственному интеллекту, приняли новую стратегию Комплексной системы ВМО

обработки данных и прогнозирования с ускоренным внедрением искусственного ин-

теллекта, придав тем самым цифровой трансформации гидрометеорологии стратеги-

ческое значение.

Оперативная гидрология, охватывающая мониторинг водных объектов, сбор гид-

рологической информации, её обработку, производство и доведение информацион-

ной, аналитической и прогностической продукции до конечных пользователей не

стала исключением. В статье представлен обзор основных направлений цифровой

трансформации проектов и систем ВМО в области оперативной гидрологии.

Ключевые слова: цифровая трансформация, искусственный интеллект, ВМО,

оперативная гидрология

The World Meteorological Organization's

activities to accelerate the digital transformation

of operational hydrology

Yu.A. Simonov

, T.M. Dmitrieva

Hydrometeorological Research Center of Russian Federation, Moscow, Russia;

Bauman Moscow State Technical University, Moscow, Russia

simonov@mecom.ru

Recently, digital transformation has played an increasingly important role in hydrome-

teorological research and forecasting. The World Meteorological Organization (WMO) has

significantly expanded the use of artificial intelligence and machine learning, as well as the

Internet of Things, in developing its global infrastructure for observations, information ex-

change, data processing, and forecasting. In 2025, the Executive Council and the World

Meteorological Congress endorsed the WMO Action Plan on Artificial Intelligence,

120 Гидрологические прогнозы

established a joint advisory group on artificial intelligence, and adopted a new strategy

for the WMO Integrated Data Processing and Prediction System with accelerated adoption

of artificial intelligence, thereby giving strategic importance to the digital transformation

of hydrometeorology.

Operational hydrology, encompassing the monitoring of water bodies, collection of hy-

drological information, its processing, production, and delivery of information, analytical

and forecast products to end users, is no exception. The present paper provides an overview

of the main areas of digital transformation of WMO projects and systems in operational

hydrology.

Keywords: digital transformation, artificial intelligence, WMO, operational hydrology

Введение

К современным тенденциям общемировой практики оперативной гид-

рологии и управления водными ресурсами относится внедрение элементов

цифровой трансформации в процессы гидрологического мониторинга, об-

работки данных наблюдений, подготовки информационно-аналитической

продукции, выпуска гидрологических прогнозов и их доведения до широ-

кого круга потребителей.

Разрабатываются и внедряются в оперативную практику методики

гидрологических прогнозов, основанные на моделях машинного обучения

[1, 8, 10]. К преимуществам моделей машинного обучения можно отнести

снижение временных затрат на их разработку, переобучение, а также воз-

можность их использования для речных бассейнов, недостаточно освещён-

ных данными гидрометеорологических наблюдений. На основе анализа

больших данных эти модели позволяют получать надежные методики про-

гноза. Широко распространен и гибридный подход, при котором совместно

с методами искусственного интеллекта используются физически обосно-

ванные модели формирования речного стока [14].

Искусственный интеллект используется при учете речного стока, ко-

гда традиционно сложная задача по определению зависимостей «рас-

ход ‒ уровень воды» решается с помощью методов машинного обучения

[11, 13].

Элементы «интернета вещей» применяются в решении задач монито-

ринга состояния водных объектов, включая сеть автоматизированных гид-

рологических комплексов мониторинга, оснащенных датчиками измере-

ний различных параметров [2], объединяются одним или несколькими

протоколами в единую сеть, которая обеспечивает сбор данных наблюде-

ний и позволяет изменять частоту сбора данных, передачи информации и

сохранения в базах данных в зависимости от состояния водного объекта

[12, 19].

Переход от традиционных методов и моделей отдельных элементов

гидрологического цикла речных бассейнов к использованию цифровых

двойников позволяет определить все возможные процессы системы реч-

ного бассейна, которые влияют на управление водными ресурсами, их

комплексное использование, моделирование последствий паводков

и маловодий, изменение характеристик водосбора в условиях изменения

Симонов Ю.А., Дмитриева Т.М. 121

климата и при антропогенных вмешательствах. Принимая во внимание

требования к исходным данным, необходимость создания комплексных

моделей большинства природных и антропогенных процессов, развитие и

внедрение цифровых двойников в гидрологии представляет собой слож-

ную задачу, которая в настоящее время решается для отдельных речных

бассейнов при интеграции данных различных ведомств [16, 18].

Для обобщения опыта цифровой трансформации в области гидроме-

теорологии, его использования в глобальной инфраструктуре ВМО, а

также для выработки рекомендаций в области искусственного интеллекта

(ИИ) для национальных гидрометеорологических служб (НГМС), ВМО

утвердила План действий по искусственному интеллекту, а также приняла

ряд других решений, нацеленных на ускоренную цифровую трансформа-

цию.

Деятельность ВМО по цифровой трансформации

В 2025 году на 79-й сессии Исполнительного совета ВМО и внеоче-

редной сессии Всемирного метеорологического конгресса был принят ряд

решений, определяющих ускоренную цифровую трансформацию деятель-

ности ВМО в ближайшие годы. В частности, Исполнительный совет ВМО

утвердил План действий по искусственному интеллекту для использования

современных возможностей для цифровой трансформации оперативной

гидрометеорологии. План действий предусматривает сотрудничество

ВМО с государственным, частным и академическим секторами в области

применения технологий ИИ, включая машинное обучение, для повышения

эффективности процесса создания гидрометеорологической продукции –

от мониторинга до выпуска прогнозов и предупреждений. В Плане дей-

ствий признается революционный потенциал использования ИИ в гидро-

метеорологии и растущая роль частного сектора в этом процессе. При этом

подчеркивается необходимость сохранения ведущей роли НГМС по вы-

пуску предупреждений об опасных гидрологических и метеорологических

явлениях. Также отмечается необходимость наращивания потенциала

НГМС, в том числе развивающихся и наименее развитых стран-членов

ВМО, при помощи создания образовательных программ в региональных

учебных центрах ВМО в области применения методов ИИ в задачах опера-

тивной гидрологии.

Создана совместная консультативная группа ВМО по искусственному

интеллекту, основной целью которой является информирование ВМО о де-

ятельности, связанной с разработкой и использованием технологий ИИ в

метеорологии и гидрологии. Работа консультативной группы будет спо-

собствовать ускорению интеграции ИИ в инфраструктуру, предоставление

обслуживания и исследовательскую деятельность организации. В состав

совместной консультативной группы по ИИ

войдут эксперты из государ-

ственного, частного и академического секторов.

Всемирный метеорологический конгресс принял новую стратегию

Комплексной системы обработки и прогнозирования ВМО (КСОПВ),

122 Гидрологические прогнозы

которая включает применение ИИ. В стратегии указываются основные

этапы разработки технических руководящих принципов по использованию

технологий прогнозирования системы Земля на основе искусственного ин-

теллекта в КСОПВ (рис. 1). КСОПВ объединяет оперативные центры,

управляемые странами-членами ВМО, предоставляющими прогнозы и

гидрометеорологическую продукцию [3].

Рис. 1. Функционирование Комплексной системы обработки и прогнозирова-

ния ВМО в глобальной инфраструктуре ВМО (рисунок разработан с исполь-

зованием материалов ВМО).

Fig. 1. Operation of the WMO Integrated Processing and Prediction System within

the WMO global infrastructure (Figure developed using WMO materials).

В новой стратегии КСОПВ отмечен существенный потенциал ИИ для

расширения возможностей действующих оперативных центров. Также ука-

зано, что возможности систем ИИ по поддержке прогнозов и предупрежде-

ний об опасных метеорологических явлениях в локальном масштабе и

опасных гидрологических явлениях со значительными последствиями

остаются недостаточными. В ней подчеркивается необходимость оказания

поддержки НМГС по всему миру в определении своих возможностей и

проблем, связанных с новыми технологиями, получением доступа к инно-

вациям и их оптимальным использованием. В рамках новой стратегии

Симонов Ю.А., Дмитриева Т.М. 123

КСОПВ предполагается организовать сотрудничество с государственным,

частным и академическим секторами в применении технологий ИИ, вклю-

чая машинное обучение, для укрепления потенциала для цифровой транс-

формации в области метеорологии, гидрологии и климата. На первым этапе

интеграции ИИ в КСОПВ будут реализованы пилотные проекты, в ходе ко-

торых должно быть изучено, как новые технологии ИИ могут дополнить

существующие возможности прогнозирования, особенно в тех областях,

где потенциал ограничен.

В области оперативной гидрологии ВМО реализует пилотный проект

по выпуску глобальной продукции прогнозирования паводков, основан-

ный на использовании моделей ИИ и так называемых нетрадиционных ис-

точников, то есть оперативных центров, не относящихся к НГМС. В пилот-

ном проекте участвуют центры выпуска гидрологических прогнозов

Google, Европейский центр по среднесрочным прогнозам погоды, НАСА и

другие. Пилотный проект предполагает выпуск прогнозов паводков с за-

благовременностью до десяти суток на выбранных речных бассейнах и

гидрологических постах, данные по которым представлены НГМС. Ука-

занные центры выпускают гидрологические прогнозы либо полностью,

либо частично на основе методов и моделей ИИ [15, 17]. В качестве базо-

вых требований к центрам прогностической продукции, участвующим в

пилотном проекте, указывается необходимость ежедневного выпуска про-

гноза гидрографа расхода воды с заблаговременностью десять суток для

указанных странами-участниками проекта гидрологических постов, вы-

пуск прогноза не реже одного раза в сутки, производство сопутствующей

информационно-аналитической продукции, включая характеристики

снежного покрова, влажности почв и т. д.

В результате выполнения пилотного проекта будет получено пред-

ставление о возможностях прогнозирования паводков с использованием

ИИ и нетрадиционных источников, в том числе о характеристиках точно-

сти и надежности гидрологических прогнозов, необходимой исходной ин-

формации для их выпуска и о возможности выпуска прогнозов с глобаль-

ным охватом. Выводы пилотного проекта будут использованы для

актуализации требований к потенциальным центрам выпуска среднесроч-

ных прогнозов паводков в Наставлении [5]. В результате реализации про-

екта ожидается разработка рекомендации по интеграции центров выпуска

среднесрочных прогнозов паводков на основе ИИ в КСОПВ для предостав-

ления членам ВМО прогностической продукции.

Информационной основой для глобальной прогностической инфра-

структуры ВМО и национальных систем прогнозирования являются си-

стемы наблюдений и информационного обмена ВМО, развивающиеся в па-

радигме цифровой трансформации. Интегрированная глобальная система

наблюдений ВМО [7] обеспечивает данные наблюдений НГМС для опера-

тивных центров прогнозирования КСОПВ, выпускающих в том числе гид-

рологические прогнозы. Обмен данными гидрологических наблюдений,

информационной и прогностической продукцией будет развиваться

124 Гидрологические прогнозы

посредством новой версии Информационной системы ВМО ‒ ИСВ 2.0

[4, 6]. Основные принципы организации системы включают использование

«интернета вещей», веб-технологий и облачных решений для повышения

доступности, оперативности и масштабируемости данных. Система объ-

единяет традиционные наблюдательные станции и посты, а также новые

экономически эффективные датчики с использованием модели «публика-

ция ‒ подписка» для эффективного и простого обмена данными между

НГМС и другими пользователями.

Признавая необходимость объединения усилий для использования

ИИ, ВМО на внеочередной сессии Всемирного метеорологического

конгресса призвала все заинтересованные стороны в государственном,

частном и академическом секторах применять технологии ИИ, включая ма-

шинное обучение, для укрепления всего цикла выпуска гидрометеорологи-

ческой продукции. ВМО полагает, что международное и многосекторное

взаимодействие послужит драйвером использования ИИ, включая машин-

ное обучение, для удовлетворения растущих потребностей пользователей

в гидрометеорологической продукции.

Заключение

Всемирная метеорологическая организация внедряет ИИ и другие эле-

менты цифровой трансформации в свою деятельность. Принят План дей-

ствий ВМО по искусственному интеллекту, создана объединенная кон-

сультативная группа по искусственному интеллекту, а также рабочая

группа по цифровой трансформации в области гидрологии и водных ресур-

сов. ВМО обобщает опыт использования ИИ в области гидрометеорологии,

призывая к сотрудничеству академический сектор, бизнес и другие органи-

зации.

Выполняется цифровая трансформация глобальной инфраструктуры

ВМО, которая включает реализацию Интегрированной глобальной си-

стемы наблюдений ВМО, Информационной системы ВМО, а также Ком-

плексной системы обработки и прогнозирования ВМО с использованием

ИИ, включая модели машинного обучения, и «интернета вещей». Так,

например, в стратегии КСОПВ указана возрастающая роль ИИ в модели-

ровании системы Земля, рассмотрены шаги ускоренной интеграции опера-

тивных центров, использующих ИИ для выпуска прогностической продук-

ции, в том числе в области оперативной гидрологии, в КСОПВ.

Реализуется пилотный проект ВМО по глобальной продукции прогно-

зирования паводков с участием оперативных центров прогнозирования, ис-

пользующих для выпуска прогнозов модели ИИ. По результатам реализа-

ции проекта планируется уточнить требования НГМС к продукции

среднесрочного прогнозирования паводков. Будет предложен новый вид

оперативных центров КСОПВ со специализацией в области среднесроч-

ного прогноза паводков с использованием в т. ч. методов ИИ.

Симонов Ю.А., Дмитриева Т.М. 125

Действия ВМО в области цифровой трансформации оперативной гид-

рологии позволят предоставлять более качественную прогностическую

продукцию членам ВМО, а также выработать рекомендации по цифровой

трансформации национальных систем мониторинга, обработки данных,

подготовки информационной и прогностической продукции для более эф-

фективного гидрологического обслуживания потребителей.

Список литературы

1. Борщ С.В., Симонов Ю.А., Христофоров А.В. Прогнозирование стока рек России.

М.: Гидрометцентр России, 2023. 200 с.

2. Бузмаков С.В., Юхно А.В., Осташов А.А. Использование автоматизированных гид-

рологических комплексов для измерения уровня воды на государственной наблюдательной

сети // Известия Иркутского государственного университета. Серия «Науки о Земле». 2025.

Т. 52. С. 3-18

3. Дмитриева Т.М., Клепиков А.В., Гусев А.И. Комплексная система обработки и про-

гнозирования ВМО // Метеорология и гидрология. 2025. Вып. 8. С. 139-142

4. Дмитриева Т.М., Клепиков А.В., Корбулакова В.К., Цуканов В.В. Совершенствова-

ние информационной системы ВМО // Метеорология и гидрология. 2025. № 5. С. 141-143.

5. Наставление по Комплексной системе обработки и прогнозирования ВМО. Допол-

нение IV к Техническому регламенту ВМО // ВМО-№ 485. Всемирная метеорологическая

организация, 2024. 217 с.

6. Наставление по Информационной системе ВМО // ВМО-№1060. Всемирная метео-

рологическая организация, 2024. 94 с.

7. Наставление по Интегрированной глобальной системе наблюдений ВМО Дополне-

ние VIII к Техническому регламенту ВМО // ВМО-№1160. Всемирная метеорологическая

организация, 2024. 161 с.

8. Романов А.В., Акмаев Э.Р., Червоненкис М.А. Глубокие нейронные сети архитек-

туры трансформер в задачах гидрологических прогнозов // Гидрометеорологические иссле-

дования и прогнозы. 2023. №2 (388). С. 138-155.

9. Симонов Ю.А. Оперативная гидрология в деятельности Всемирной метеорологиче-

ской организации // Гидрометеорологические исследования и прогнозы. 2025. № 2 (396).

С. 121-140

10. Симонов Ю.А., Христофоров А.В., Ковалев К.А., Малыгин Е.В., Осипцов А.А.,

Сотириади Н.С. Анализ результатов прогнозирования весеннего половодья 2025 года с по-

мощью модели искусственного интеллекта // Гидрометеорологические исследования и про-

гнозы. 2026. № 1 (399). С. 140-158.

11. Шевченко А.И., Готовченкова И.Л., Белоус С.В. Современные автоматизирован-

ные средства сбора и обработки гидрологической информацией по рекам и каналам наблю-

дательной сети Росгидромета и перспективы их развития с применением машинного обуче-

ния // Труды VII Всероссийской научно-практической конференции «Современные

тенденции и перспективы развития гидрометеорологии в России», Иркутск, 19‒21 марта

2025 г. С. 49-59. DOI: 10.26516/978-5-9624-2438-5.2025.1-355

12. Ansari S.A., Vidyarthi V.K. Use of Internet of Things in water resources applications:

challenges and future directions: a critical review // Discover Internet Things. 2025. Vol. 5. Article

no. 96.

13. Baruah A., Zarrabi R., Cohen S. et al. Interpretable machine learning for predicting rating

curve parameters using channel geometry and hydrological attributes across the United States //

Sci. Rep. 2025. Vol. 55. Article no. 44164.

14. Duan Y., Akula S., Kumar S., Lee W., Khajehei S. A Hybrid Physics–AI Model to Im-

prove Hydrological Forecasts // Artif. Intell. Earth Syst. 2023.Vol. 2. e220023.

15. Huynh N.N.T., Garambois P.-A., Renard B., Colleoni F., Monnier J., Roux H. A distrib-

uted hybrid physics–AI framework for learning corrections of internal hydrological fluxes and

enhancing high-resolution regionalized flood modeling // Hydrol. Earth Syst. Sci. 2025. Vol. 29.

P. 3589-3613. https://doi.org/10.5194/hess-29-3589-2025

126 Гидрологические прогнозы

16. Morlot M., Rigon R., Formetta G. Hydrological digital twin model of a large anthropized

Italian alpine catchment: The Adige river basin // Journal of Hydrology. 2024. Vol. 629. P. 130587.

17. Nearing G., Cohen D., Dube V. et al. Global prediction of extreme floods in ungauged

watersheds // Nature. 2024. Vol. 627. P. 559-563.

18. Wang X, Wu B, Zhou G, Wang T, Meng F, Zhou L, Cao H, Tang Z. How a vast digital

twin of the Yangtze River could prevent flooding in China // Nature. 2025. Vol. 639 (8054). P. 303-

305.

19. Zanella A., Zubelzu S., Bennis M., Capuzzo M., Tarolli P. Internet of Things for Hydrol-

ogy: Potential and Challenges // 18th Wireless On-Demand Network Systems and Services Con-

ference (WONS), Madonna di Campiglio, Italy, 2023. P. 114-121.

References

1. Borsch S.V., Simonov Yu.A., Khristoforov A.V. Prognozirovanie stoka rek Rossii [Stream-

flow forecasting in Russia]. Moscow, Izd-vo FGBU «Gidrometcentr Rossii», 2023, 200 p.

[in Russ.].

2. Buzmakov S. V., Iukhno A. V., Ostashov A. A. The Use of Automated Hydrological Com-

plexes for Stage Measurement on the Russian Monitoring Network. Izvestiya Irkutskogo gosudar-

stvennogo universiteta. Seriya «Nauki o Zemle» [The Bulletin of Irkutsk State University. Series

Earth Sciences], 2025, vol. 52, pp. 3-18. DOI: 10.26516/2073-3402.2025.52.3 [in Russ.].

3. Dmitrieva T.M., Klepikov A.V., Gusev A.I. WMO Integrated Processing and Prediction

System. Meteorologiya i Gidrologiya [Russ. Meteorol. Hydrol.], 2025, no. 8, pp. 139-142

[in Russ.].

4. Dmitrieva T.M., Klepikov A.V., Korbulakova V.K., Tsukanov V.V. Improvement of the

WMO Information System. Meteorologiya i Gidrologiya [Russ. Meteorol. Hydrol.], 2025, no. 5,

pp. 141-143 [in Russ.].

5. Nastavlenie po Kompleksnoy sisteme obrabotki i prognozirovaniya VMO. Dopolnenie IV

k Tekhnicheskomu reglamentu WMO. WMO-№ 485. Vsemirnaya meteorologicheskaya organi-

zaciya, 2024, 217 p. [in Russ.].

6. Nastavlenie po Informacionnoy sisteme WMO. WMO-№1060. Vsemirnaya meteoro-

logicheskaya organizaciya, 2024, 94 p. [in Russ.].

7. Nastavlenie po Integrirovannoy global'noy sisteme nablyudeniy VMO Dopolnenie VIII k

Tekhnicheskomu reglamentu WMO. WMO-№1160, Vsemirnaya meteorologicheskaya organi-

zaciya, 2024, 161 p. [in Russ.].

8. Romanov A.V., Akmaev E.R., Chervonenkis M.A. Deep neural networks of transformer

architecture in problems of hydrological forecasts. Gidrometeorologicheskie issledovaniya i

prognozy [Hydrometeorological Research and Forecasting], 2023, vol. 388, no. 2, pp. 138-155

[in Russ.].

9. Simonov Yu.A. Activities of the World Meteorological Organization in the field of opera-

tional hydrology. Gidrometeorologicheskie issledovaniya i prognozy [Hydrometeorological Re-

search and Forecasting], 2025, vol. 396, no. 2, pp. 121-140 [in Russ.].

10. Simonov Yu.A., Khristoforov A.V., Koliy V.M., Kovalev K.A., Malygin E.V., Osiptsov

A.A., Sotiriadi N.S. Analysis of the spring flood of 2025 forecasting using an artificial intelligence

model. Gidrometeorologicheskie issledovaniya i prognozy [Hydrometeorological Research and

Forecasting], 2026, vol. 399, no. 1, pp. 140-158 [in Russ.].

11. Shevchenko A.I., Gotovchenkova I.L., Belous S.V. Sovremennye avtomatizirovannye

sredstva sbora i obrabotki gidrologicheskoy informaciey po rekam i kanalam nablyudatel'noy seti

Rosgidrometa i perspektivy ih razvitiya s primeneniem mashinnogo obucheniya. Trudy VII Vse-

rossiyskoy nauchno-prakticheskoy konferencii «Sovremennye tendencii i perspektivy razvitiya

gidrometeorologii v Rossii», Irkutsk, 19‒21 marta 2025 g., pp. 49-59 [in Russ.].

12. Ansari S.A., Vidyarthi V.K. Use of Internet of Things in water resources applications:

challenges and future directions: a critical review. Discover Internet Things, 2025, vol. 5, article

no. 96.

13. Baruah A., Zarrabi R., Cohen S. et al. Interpretable machine learning for predicting rating

curve parameters using channel geometry and hydrological attributes across the United States. Sci.

Rep., 2025, vol. 55, article no. 44164.

Симонов Ю.А., Дмитриева Т.М. 127

14. Duan Y., Akula S., Kumar S., Lee W., Khajehei S. A Hybrid Physics–AI Model to Im-

prove Hydrological Forecasts. Artif. Intell. Earth Syst., 2023, vol. 2, e220023.

15. Huynh N.N.T., Garambois P.-A., Renard B., Colleoni F., Monnier J., Roux H. A distrib-

uted hybrid physics–AI framework for learning corrections of internal hydrological fluxes and

enhancing high-resolution regionalized flood modeling. Hydrol. Earth Syst. Sci., 2025, vol. 29,

pp. 3589-3613. https://doi.org/10.5194/hess-29-3589-2025

16. Morlot M., Rigon R., Formetta G. Hydrological digital twin model of a large anthropized

Italian alpine catchment: The Adige river basin. Journal of Hydrology, 2024, vol. 629, pp. 130587.

17. Nearing G., Cohen D., Dube V. et al. Global prediction of extreme floods in ungauged

watersheds. Nature, 2024, vol. 627, pp. 559-563.18.

18. Wang X, Wu B, Zhou G, Wang T, Meng F, Zhou L, Cao H, Tang Z. How a vast digital

twin of the Yangtze River could prevent flooding in China. Nature, 2025, vol. 639 (8054), pp. 303-

305.

19. Zanella A., Zubelzu S., Bennis M., Capuzzo M., Tarolli P. Internet of Things for Hydrol-

ogy: Potential and Challenges. 18th Wireless On-Demand Network Systems and Services Confer-

ence (WONS), Madonna di Campiglio, Italy, 2023, pp. 114-121.

Поступила 06.02.2026; принята в печать 26.05.2026.

Submitted 06.02.2026; accepted for publication 26.05.2026.