Гидрометеорологические исследования и прогнозы. 2026. № 2 (400). С. 143-168 143

DOI: https://doi.org/10.37162/2618-9631-2026-2-143-168

УДК 556.06:556.535+004.032.26+004.8

Современные методы

прогнозирования водного режима

с разной заблаговременностью

А.В. Романов, Э.Р. Акмаев, Н.К. Семенова

Гидрометеорологический научно-исследовательский центр

Российской Федерации, г. Москва, Россия

alexey.romanov@mecom.ru, akmaew1@gmail.com

Выполнено сопоставление современных методов прогнозирования водного ре-

жима с разной заблаговременностью, основанных на использовании технологии

нейронных сетей, и усовершенствованных статистических методов. В процедуре со-

поставления использовались данные стандартных гидрометеорологических наблю-

дений для пяти тестовых водосборов, расположенных в различных физико-географи-

ческих зонах формирования речного стока по классификации Б.Д. Зайкова (II-й тип

(реки с половодьем в тёплую часть года), II-й Дальневосточный тип, I-й Восточноев-

ропейский тип и два водосбора III-го Северокавказского типа).

Несмотря на ограниченный объём исходной гидрометеорологический информа-

ции, что существенно ограничивало эффективность использования технологии

нейросетевых моделей, стандартный критерий ошибки метода прогноза (отношение

среднеквадратической погрешности к среднеквадратическому изменению за период

заблаговременности прогноза) на базе глубокого обучения (DL) оказался суще-

ственно лучше в сравнении с использованными статистическими методами. Для трёх

тестовых водосборов этот критерий для DL дал удовлетворительный результат, диф-

ференцированный по заблаговременности прогноза от одних до десяти суток. Для

статистических методов такой результат был получен только для одного тестового

водосбора (II-й тип (реки с половодьем в тёплую часть года)) с заблаговременностью

одни сутки. Таким образом, выполненная работа, использующая технологии нейрон-

ных сетей, демонстрирует обоснованность расширения спектра научных работ, свя-

занных с физико-статистическим математическим моделированием процесса форми-

рования стока.

Выделены перспективы развития данного подхода при переходе к разработке

принципиально новой автоматизированной нейросетевой системы выпуска гидроло-

гических прогнозов разной заблаговременности для всех имеющихся на территории

Российской Федерации водосборов, представляющих интерес для экономики страны.

Ключевые слова: краткосрочные и среднесрочные гидрологические прогнозы,

нейронные сети, модель глубокого обучения, экстраполяция гидрографа уровня воды,

статистические методы, уровень воды

Modern methods of water regime forecasting

with different forecast lead times

A.V. Romanov, E.R. Akmaev, N.K. Semenova

Hydrometeorological Research Center of Russian Federation,

Moscow, Russia

alexey.romanov@mecom.ru, akmaew1@gmail.com

144 Гидрологические прогнозы

An analisis comparing modern methods for forecasting water regimes with different

lead times was performed, contrasting neural networks with advanced statistical methods.

The comparison utilized data of routine hydrometeorological observations for five test wa-

tersheds located in different physiographic zones of river runoff formation according to the

classification by B.D. Zaikov (type II (rivers with flooding during the warm season), Far

Eastern type II, East European type I and two catchments of North Caucasian type III).

Despite limited hydrometeorological data, which constrained the effectiveness of neural

network modeling, the standard forecast error criterion (the ratio of the root-mean-square

error to the root-mean- square change over the forecast lead-time) based on deep learning

(DL) turned out to be significantly better than the statistical methods used. For three test

catchments DL models gave satisfactory skill scores differentiated by forecast lead times

from one to ten days. For time-tested statistical methods such a result was obtained only for

one test catchment (type II (rivers with flooding during the warm season)) with a forecast

lead time of one day. The completed work, utilizing neural network technologies, demon-

strates the validity of expanding the scope of scientific research related to physico-statistical

mathematical modeling of streamflow generation.

The prospects for developing this approach are highlighted in the transition toward a

fundamentally new automated neural network system for producing operational hydrolog-

ical forecasts with varying lead times for all gauged watersheds in the Russian Federation

that are of economic importance.

Keywords: short- and medium-term hydrological forecasts, neural networks, deep

learning model, extrapolation of the water level hydrograph, statistical methods, water level

Введение

Непрерывное развитие новых аналитических и связанных с ними тех-

нологических возможностей ставит перед гидрологией суши задачу посто-

янного совершенствования методов прогнозирования водных ресурсов,

что обусловлено необходимостью эффективного планирования водохозяй-

ственной деятельности и своевременного реагирования на возможные бед-

ствия, вызванные наводнениями или засухами, с разной заблаговременно-

стью по времени.

В настоящее время многочисленными исследованиями доказано, что

при работе с устойчивыми гидрологическими режимами использование

традиционных методов может быть оправдано, однако они существенно

ограничены в случае нелинейных зависимостей и практически не имеют

перспектив развития в случае привлечения новых исходных данных. В по-

следние годы активно развиваются методы с использованием нейросете-

вых технологий, демонстрирующие перспективные результаты в задачах

прогнозирования временных рядов с разной заблаговременностью [11, 15,

17, 19, 20, 24, 25].

В этих условиях совершенно естественно возникла задача выполнить

сопоставление эффективности проверенных временем методов прогнозов

водного режима с методами, использующими современные математиче-

ские и технологические подходы на базе глубокого машинного обучения.

В последние годы процесс широкой автоматизации процесса выпуска всех

видов гидрометеорологических прогнозов привёл к необходимости выпол-

нения в ФГБУ «Гидрометцентр России» большой работы, связанной

Романов А.В., Акмаев Э.Р., Семенова Н.К. 145

с адаптацией простейших статистических методов краткосрочного и сред-

несрочного прогноза водного режима. Такая работа с использованием усо-

вершенствованного метода экстраполяции гидрографа [12, 21] была вы-

полнена практически для всего ансамбля водосборов Российской

Федерации, насчитывающего около 3000 водпостов. При этом в рамках её

выполнения была сформирована и апробирована исходная база данных по

основным гидрометеорологическим характеристикам, позволяющая ис-

пользовать её при разработке современных методов гидрологических про-

гнозов на базе нейросетевых технологий.

Задача сопоставления эффективности проверенных временем методов

прогнозов водного режима с методами, использующими современные под-

ходы на базе глубокого машинного обучения, является только первым

этапом решения существенно более сложной по масштабам проблемы, свя-

занной с совершенствованием процесса автоматизации гидрометеорологи-

ческих прогнозов на базе вычислительного комплекса ФГБУ «ГВЦ Росгид-

ромета». Предполагается, что при наличии положительного эффекта от

сопоставления методов на базе модели глубокого обучения с уже реализо-

ванными методами для небольшого числа тестовых водосборов, располо-

женных в различных физико-географических зонах формирования речного

стока, должен произойти переход к разработке принципиально новой авто-

матизированной нейросетевой системы выпуска гидрологических прогно-

зов. Данная система должна будет ежедневно автоматически выпускать

прогноз уровня воды с разной заблаговременностью для всех выделенных

водпостов по территории Российской Федерации. При этом её архитектура

должна позволять управлять нейросетевыми моделями, отслеживать их ра-

боту и поддерживать систему в рабочем состоянии.

1. Характеристика тестовых водосборов, выбранных

для сопоставления эффективности двух методологических

подходов

При выборе тестовых водосборов использовались два основных кри-

терия:

1) водосборы должны были быть расположены в разных физико-гео-

графических зонах, отражающих различные условия формирования реч-

ного стока;

2) по водосборам должен быть подготовлен архив стандартной гидро-

метеорологической информации, позволяющий реализовать нейросетевую

модель глубокого обучения для разработки методов прогноза водного ре-

жима с разной заблаговременностью.

На рис. 1 представлена схема размещения выбранных пяти тестовых

водосборов по территории Российской Федерации, а также ещё трёх водо-

сборов, предполагаемых для развития нейросетевого подхода в ближай-

шем будущем.

146

Рис. 1. Схема размещения тестовых водосборов по территории Российской Федерации для двух этапов проведения тестирова-

ния. Первый этап (2025 г., отмечены красным цветом): р. Большая Воровская (с. Соболево), Камчатское УГМС (1); р. Малиновка

(с. Ракитное), Приморское УГМС (2); р. Сылва (пгт. Шамары), Уральское УГМС (3); р. Белая (пгт. Каменномостский), Северо-

Кавказское УГМС (4); р. Малка (с. Каменномостское), Северо-Кавказское УГМС (5). Следующий этап (отмечены синим цветом):

р. Поной (с. Краснощелье), Мурманское УГМС (1); р. Варзуга (с. Варзуга), Мурманское УГМС (2); р. Умба (пор. Паялка), Мурман-

ское УГМС (3).

Fig. 1. Locations of test catchments across the Russian Federation for the two testing phases. First phase (2025, marked in red): Bol-

shaya Vorovskaya River (Sobolevo village), Kamchatka UGMS (1); Malinovka River (Rakitnoye village), Primorsky UGMS (2); Sylva

River (Shamary urban-type settlement), Ural UGMS (3); Belaya River (Kamennomostsky urban-type settlement), North Caucasus UGMS

(4); Malka River (Kamennomostskoe village), North Caucasus UGMS (5). Next phase (marked in blue): Ponoy River (Krasnoshchelye

village), Murmansk UGMS (1); Varzuga River (Varzuga village), Murmansk UGMS (2); Umba River (Payalka rapids), Murmansk UGMS

(3).

Гидрологические прогнозы

147

Выбор тестовых водосборов связан с работой [2], в рамках которой

была выполнена оценка оправдываемости разработанных методов про-

гноза водного режима на базе нескольких статистических и концептуаль-

ных моделей с использованием систематизированной архивной гидроме-

теорологической информации за разные периоды времени.

В табл. 1 приведены все основные гидрографические характеристики

для пяти тестовых водосборов, позволяющие в первом приближении оце-

нить исходную информацию и дифференцировать её по типам внутригодо-

вого распределения стока.

Таблица 1. Основные гидрографические характеристики для пяти тестовых водосборов

Table 1. Hydrographic characteristics of the five test catchments.

Основные

гидрографические

характеристики

Тестовый водосбор

р. Большая

Воровская

(с. Соболево)

р. Малиновка

(с. Ракитное)

р. Сылва

(пгт Шамары)

р. Белая

(пгт Каменно-

мостский)

р. Малка

(с. Каменно-

мостское)

1. Индекс 2177 5287 76692 83348 84192

2. GPS координаты (град.)

54.18

и 155.57

45.38

и 134.16

57.21

и 58.13

44.17

и 40.11

43.44

и 43.04

3. Нуль графика поста (м) 7.96 92.40 208.98 373.09 792.72

4. Расстояние от наиболее

удалённой точки речной

системы (км)

154 169 205 93 81

5. Расстояние от истока (км) 154 169 205 93 81

6. Уклон реки – средний

(в промилле)

8.5 4.4 1.1 22 32

7. Уклон реки –

средневзвешенный

(в промилле)

3.9 2.8 0.5 9.9 23

8. Площадь водосбора (км

) 3630 4730 3130 1850 1540

9. Средняя высота

водосбора (м)

610 373 322 1330 2000

10. Средний уклон

водосбора (в промилле)

11. Заболоченность (%) 10 4 - - -

12. Лесистость (%) 75 96 85 80 10

13. УГМС

Камчатское

УГМС

Примор-

ское

УГМС

Уральское

УГМС

Северо-

Кавказское

УГМС

Северо-

Кавказское

УГМС

В к

ачестве классификационной системы, позволяющей распределить

фиксированные тестовые водосборы по группам, была выбрана классифи-

кационная система Б.Д. Зайкова [13], позволяющая распределить

Романов А.В., Акмаев Э.Р., Семенова Н.К.

148 Гидрологические прогнозы

выбранные реки по группам в зависимости от особенностей внутригодо-

вого распределения стока. Предполагается по мере расширения числа те-

стовых водосборов существенно усложнить выбранную классификацион-

ную систему, используя данные по основным гидрографическим

характеристикам (табл. 1) и особенностям водного режима (классификация

А.В. Огиевского). Такой подход позволит упростить процедуру дифферен-

цированного выбора архитектуры нейросетевой модели, которая априори

должна быть как-то связана с гидрографическими характеристиками и ти-

пом водного режима рек. В табл. 2 приведена краткая характеристика вод-

ного режима по всем тестовым водосборам и их классификация по

Б.Д. Зайкову [3, 5‒8, 10].

В ранее выполненной работе, связанной с использованием нейросете-

вой модели глубокого обучения для разработки метода долгосрочного про-

гноза максимального уровня воды р. Исеть [1], показано существенное

улучшение (на 30 %) стандартного критерия S/σ (S – среднеквадратическая

погрешность проверочных прогнозов, σ – среднеквадратическое отклоне-

ние) при использовании данных наблюдений за уровнем грунтовых вод на

подземных скважинах. Учитывая это обстоятельство, была проделана

большая работа по систематизации таких данных наблюдений, которыми

располагает ФГБУ «Гидроспецгеология», входящая в систему Федераль-

ного агентства по недропользованию.

В табл, 3 приводится общая характеристика полученных из ФГБУ

«Гидроспецгеология» данных наблюдений за уровнями грунтовых вод на

подземных скважинах ГМСН (Государственного мониторинга состояния

недр), расположенных в относительной близости от пяти выбранных тесто-

вых водосборов. Анализ полученных гидрогеологических материалов по-

казывает, что в силу разных причин, носящих как объективный, так и субъ-

ективный характер (в том числе массовые случаи вандализма), плотность

таких данных наблюдений в пространстве и во времени носит ограничен-

ный характер и в нашем случае не удовлетворяет критериям их использо-

вания в нейросетевой модели глубокого обучения.

В то же время необходимо отметить, что концепция использования

уровней грунтовых вод в качестве новой исходной информации при реали-

зации нейросетевой модели глубокого обучения является одним из реаль-

ных преимуществ глубоких нейросетей, которые достаточно легко инте-

грируют разнородные исходные данные и при этом улучшают качество

прогнозов [14, 16, 18, 22, 26, 27].

В рамках развития этого подхода сформирована база гидрометеороло-

гических и гидрогеологических данных по трём водосборам, расположен-

ным на Кольском полуострове и относящимся к сфере деятельности ФГБУ

«Мурманское УГМС». Сформированная база данных не уступает базе дан-

ных, сформированной для пяти тестовых водосборов, а по некоторым па-

раметрам (уровни грунтовых вод) даже её превосходит.

Романов А.В., Акмаев Э.Р., Семенова Н.К. 149

Таблица 2. Характеристика водного режима по пяти тестовым водосборам и их

классификация по Б.Д. Зайкову

Table 2. Water regime characteristics and flow type classification (after B.D. Zaikov)

for the five test catchments

Тестовый

водосбор

Характеристика водного режима Классификация

по Б.Д. Зайкову

р. Большая

Воровская

(с. Соболево)

Водный режим этой реки включает в себя сле-

дующие основные характеристики: 1) смешан-

ный тип питания, но с преобладанием подзем-

ного стока. В водопроницаемых вулканических

породах образуются большие запасы грунто-

вых вод, которые интенсивно питают реку; 2)

высокое половодье наблюдается в тёплую

часть года. Это обусловлено не только снего-

вым и ледниковым питанием, но и летними па-

водками, вызванными обильными дождями

р. Большая

Воровская,

относится к

II типу

(реки с половодьем

в тёплую часть года).

Дальневосточный

тип

р. Малиновка

(с. Ракитное)

Водность реки в тёплую часть года (IV – IX) за-

висит от талых вод в период весеннего полово-

дья и дождевых вод – во время прохождения

паводков (суммарно это составляет примерно

83 % годового стока). Весеннее половодье

обычно выражено довольно отчётливо и по

своему объёму не уступает отдельным павод-

ам. Однако в его формировании значительное

место занимают дождевые воды, накладываю-

щиеся на спад половодья

р. Малиновка

относится к II типу

(реки с половодьем

в теплую часть года)

р. Сылва

(пгт Шамары)

Внутригодовое распределение речного стока

характеризуется чётко выраженным весенним

половодьем, летне-осенними дождевыми па-

водками и длительной устойчивой зимней ме-

женью. Режим формирования весеннего поло-

водья определяется таянием снега, а также

дождевым питанием. Для данной реки харак-

терно сильное влияние карста, которое приво-

дит к уменьшению неравномерности распреде-

ления сезонного стока

р. Сылва

относится к I типу

(реки с весенним

половодьем).

Восточноевропей-

ский тип рек

р. Белая

(пгт Каменно-

мостский)

Водный режим этой реки является как бы пере-

ходным от высокогорного юго-восточного к за-

падному. Начало половодья приходится на вто-

рую декаду марта – начало апреля, а

окончание – на первую декаду августа. На по-

ловодный подъём накладываются значитель-

ные дождевые паводки. Основной источник пи-

тания составляет приток воды за счёт таяния

снега и ледников. Сток за половодье

составляет 60 % от годового стока

р. Белая

относится к III типу

(реки с паводочным

режимом).

Северокавказский

тип рек

р. Малка

(с. Каменно-

мостское)

Основное питание формируется в тёплый пе-

риод за счёт таяния ледников, высокогорных и

сезонных снегов. Режим реки характеризуется

значительными подъёмами уровней воды,

начинающимися в конце апреля-мае, полово-

дьем в тёплый период года и довольно устой-

чивой меженью в осенне-зимний период

р. Малка

относится к III типу

(реки с паводочным

режимом).

Северокавказский

тип рек

150 Гидрологические прогнозы

Таблица 3. Характеристика данных наблюдений за уровнями грунтовых вод

на подземных скважинах по ГМСН в системе ГОНС (Государственной опор-

ной наблюдательной сети), отражающих формирование водного режима на

пяти тестовых водосборах

Table 3. Groundwater level observations from monitoring wells in the State Refer-

ence Observation Network (GOSN), reflecting water regime formation across the

five test catchments

Тестовый

водосбор

Кол-во

подземн.

скважин

по ГМСН

Характеристика подземных

скважин ГОНС, примыкающих

к опорным водпостам тестовых

водосборов

Период

наблюдений

р. Большая

Воровская

(с. Соболево)

– Нет примыкающих скважин

–

р. Малиновка

(с. Ракитное)

– Нет примыкающих скважин

–

р. Сылва

(пгт Шамары)

№ 5710048 ‒ Пермский край,

юго-восточнее д. Долматы,

за пределами жилой постройки,

в долине р. Сылва

6 лет

(2020-2025)

№ 5710049 ‒ Пермский край,

юго-восточнее д. Долматы,

за пределами жилой постройки,

в долине р. Сылва,

в 48 м юго-восточнее скв. № 12

6 лет

(2020-2025)

р. Белая

(пгт Каменно-

мостский)

№ 7911443 ‒ Республика Адыгея,

Майкопский район, ст-ца Кужорская,

северо-восточная окраина

12 лет

(2012-2023)

р. Малка

(с. Каменно-

мостское)

№ 0710075 ‒ Ставропольский край,

Кировский р-н, в 4,75 км к северу

от ст. Старопавловской,

6.25 км. от р. Малка

16 лет

(2010-2025)

№ 0710073 ‒ Ставропольский край,

Кировский р-н, в 100 м к югу

от ст. Старопавловской

16 лет

(2010-2025)

№ 0710076 ‒ Ставропольский край,

Кировский р-н, в 8,75 км

к северу от ст. Старопавловской

и в 2 км к югу от г. Новопавловска

16 лет

(2010-2025)

На рис. 2 показано расположение трёх предполагаемых для следую-

щего этапа тестирования тестовых водосборов на Кольском полуострове и

их привязка к метеорологической и гидрогеологической информации.

По аналогии с пятью тестовыми водосборами для продолжения дан-

ной работы вся необходимая информация по трём водосборам представ-

лена в табл. 4, 5 и 6 [4, 9].