В статье представлен подход к прогнозированию уровня воды в трех точках гидропостов бассейна реки Большой Енисей (Бий-Хем). Модель прогноза создана на основе имеющихся временных рядов наземных данных, полученных с трех гидропостов, с привлечением спутниковых данных реанализа из коллекции ERA5_LAND (Европейский центр среднесрочного прогноза ECMWF), коллекций данных границ водосборных бассейнов и речных сетей HydroSHEDS, всемирного центра дикой природы WWF (США) и наборов данных водных объектов MERIT Hydro (Япония). Для построения моделей прогноза использовались регрессионные методы, реализованные в пакете Matlab, включая функции regress и stepwisefit. Спутниковые данные были экспортированы в виде таблиц с использованием кода на языке JavaScript в среде Google Earth Engine (GEE). В процессе работы были построены матрицы парных корреляций между параметрами ERA5-Land и наземными данными, карты рельефа, речной сети и графики временных рядов. Построенные модели продемонстрировали хорошую точность прогнозирования уровня воды Кара-Хаак: ошибки прогноза (MAPE) 19,1 %, коэффициент детерминации (R²) составил 0,92, что свидетельствует о хорошем соответствии прогнозных значений фактическим данным. Остальные два показали удовлетворительную точность, Тоора-Хем: MAPE=39,5 %, R²=0,95; Севи: MAPE=26,2 %, R²=0,95. Матрица парных корреляций выявила сильную зависимость уровня воды от таких параметров, как солнечная радиация, объемная влажность почвы, суммарное испарение влаги. Результаты исследования наглядно демонстрируют эффективность предложенного подхода к прогнозированию уровня воды в речных бассейнах.

Чульдум Анатолий Федорович
Научный сотрудник
Тувинский институт комплексного освоения природных ресурсов СО РАН
667007 Республика Тыва, Кызыл, ул. Интернациональная, д. 117а
е-mail: tajkinol@gmail.com
SPIN-код: 9253-9560
ORCID: 0000-0003-2771-3863
Researcher ID: A-3489-2014

Чупикова Светлана Алексеевна
Кандидат географических наук, старший научный сотрудник
Тувинский институт комплексного освоения природных ресурсов СО РАН
667007 Республика Тыва, Кызыл, ул. Интернациональная, д. 117а
е-mail: s_fom@inbox.ru
SPIN-код: 8367-9071
ORCID ID: 0000-0002-7904-5847
ResearcherID: R-6738-2016
Scopus ID: 57194128480

1. Анашечкин А.Д., Трофимец Е.Н. К вопросу построения краткосрочных моделей прогнозирования уровней воды на участках рек // Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. – 2019. – № 1. – С. 36–43.
2. Андреев Д.В. Применение ГИС-технологий с целью определения затопления в Республике Саха (Якутия) // Успехи современного естествознания. – 2019. – № 11. – С.43–47.
3. Батмазова А.А., Хаустов В.А. Анализ и апробация методов прогноза максимального стока горных рек // Ученые записки Ереванского государственного университета. Геология и география. – 2023. – Т. 57. – № 3 (261). – С. 196–203. DOI: 10.46991/PYSU:C/2023.57.3.196.
4. Белякова П.А., Морейдо В.М., Цыпленков А.С., Амербаев А.Н., Гречишникова Д.А., Курочкина Л.С., Филиппов В.А., Макеев М.С. Прогнозирование уровней воды на реках Краснодарского края с использованием методов машинного обучения // Водные ресурсы. – 2022. – T. 49. – № 1. – С. 13–26. DOI: 10.31857/S0321059622010047.
5. Буянов Д.И., Федотов Р.С., Ткаченко П.Н. Прогнозирование подъема уровня воды на реке Обь в Томской области на основе регрессионного анализа // Научные и образовательные проблемы гражданской защиты. – 2015. – № 2 (25). – С. 112–118.
6. Гайдукова Е.В., Яновская А.О., Дрегваль М.С., Батмазова А.А. Долгосрочный прогноз стока рек АЗРФ с использованием регрессионных зависимостей // Современные тенденции и перспективы развития гидрометеорологии в России: материалы V Всероссийской научно-практической конференции (Иркутск, 23–25 ноября 2022 г.) / Отв. редактор Е.Н. Сутырина. – Иркутск : ИГУ, 2023.  – С. 59–67.
7. Кошелева Е.Д., Кудишин А.В. Краткосрочное прогнозирование уровней воды реки Обь у города Барнаула во время половодья 2018 года // Известия Алтайского отделения Русского географического общества. – 2018. – № 3 (50). – С. 27–37.
8. Носков С.И., Аксенов Ю.Д., Сапожников Ю.М. Прогнозирование паводковых подтоплений на реках Сибири на примере прогноза уровня воды в реке Ия (Восточная Сибирь) на основе регрессионной многофакторной модели // Инженерный вестник Дона. – 2024.  – № 4 (112). – С. 99–107.
9. Носков С.И., Аксенов Ю.Д., Сапожников Ю.М. Регрессионное моделирование уровня воды реки Ия в Иркутской области // Инженерный вестник Дона. – 2023. – № 11 (107). – С. 293–308.
10. Vizi Z., Batki B., Rátki L., Szalánci S., Fehérváry I., Kozák P., Kiss T. Water level prediction using long short-term memory neural network model for a lowland river: a case study on the Tisza River, Central Europe // Environmental Science Europe. – 2023. – Vol. 35. – 92. – DOI: 10.1186/s12302-023-00796-3.
11. Yuan Z., Liu J., Liu Y., Zhang Q., Li Y., Li Z. A two stage modelling method for multi-station daily water level prediction // Environmental Modelling & Software. – 2022. – Vol. 156. – 105468. DOI: 10.1016/j.envsoft.2022.105468.
12. Gorelick N., Hancher M., Dixon M., Ilyuschenko S., Thau D., Moore R. Google Earth Engine: Planetary-scale geospatial analysis for everyone // Remote Sensing of Environment. – 2017. – Vol. 202. – P. 18–27. DOI: 10.1016/j.rse.2017.06.031.
13. Hersbach, H., Bell B., Berrisford P. et al. The ERA5 global reanalysis // Quarterly Journal of the Royal Meteorological Society. – 2020. – Vol. 146. – Iss. 730. – P. 1999–2049. DOI: 10.1002/qj.3803.
14. Muñoz-Sabater J. ERA5-Land monthly averaged data from 1981 to present [Электронный ресурс] / Copernicus Climate Change Service (C3S) Climate Data Store (CDS). – 2019. – Режим доступа: https://cds.climate.copernicus.eu/datasets/reanalysis-era5-land?tab=overview (дата обращения 11.06.2025). DOI: 10.24381/cds.e2161bac.
15. Lehner B., Grill G. Global river hydrography and network routing: baseline data and new approaches to study the world’s large river systems // Hydrological Processes. – 2013. – Vol. 27. – Iss. 15. – P. 2171–2186. DOI: 10.1002/hyp.9740.
16. Yamazaki D., Ikeshima D., Sosa J., Bates P.D., Allen G., Pavelsky T.M. MERIT Hydro: A high-resolution global hydrography map based on the latest topography dataset // Water Resources Research. – 2019. – Vol. 55. – Iss. 6. – P. 5053–5073. DOI: 10.1029/2019WR024873.
17. NASA JPL. NASADEM Merged DEM Global 1 arc second V001 [Data set]. NASA EOSDIS Land Processes DAAC. Accessed 2020-12-30 from https//doi:10.5067/MEaSUREs/NASADEM/NASADEM_HGT.001.
18. Дьяконов В.П. Справочник по применению системы PC MatLAB. – М. : Наука: Физ.-мат. лит., 1993. – 109 с.
19. Бидюк П.И., Зворыгина Т.Ф. Структурный анализ методик построения регрессионных моделей по временным рядам наблюдений // Управляющие системы и машины. – 2003. – № 2. – С. 93–99.