Статья

Авторы

Розенталь Олег Моисеевич, д-р техн. наук, профессор, главный научный сотрудник лаборатории управления водными ресурсами, Институт водных проблем Российской академии наук, Россия, 119333, Москва, ул. Губкина, д. 3; https://orcid.org/0000-0001-6261-6060; e-mail: omro3@yandex.ru
Синцова Татьяна Николаевна, ведущий инженер лаборатории проблем гидрологии суши, Горный институт Уральского отделения Российской академии наук, Россия, 614007, г. Пермь, ул. Сибирская, 78А; https://orcid.org/0000-0003-0327-4894; e-mail: tanya_sinzova@mail.ru

Аннотация

В настоящее время при решении задач краткосрочного прогнозирования мутности воды широко используются методы машинного обучения и ансамблевые подходы. Надежность оценок мутности воды на основе этих методов позволяет решать такие актуальные задачи, как планирование хозяйственной деятельности, обеспечение эффективного функционирования водоканалов, оптимизация дозировки коагулянтов, снижение риска нарушения санитарных норм в системах водоснабжения. Методы. Для краткосрочного прогнозирования мутности использованы классические статистические методы, ме- тоды машинного обучения и ансамблевые подходы: ARIMA, SARIMA, ARFIMA, Holt – Winters, Prophet, Bagging, Boosting, Stacking. Данные наблюдений за мутностью воды взяты в пунктах районов головных водоочистных сооружений городов Хабаровска, Уссурийска и Ангарска в реках Амур, Уссури и Ангара с частотой измерения используемого прибора 1 раз в 45 минут. Результаты. Показано, что ансамблевые подходы Stacking и Boosting превосходят другие модели ввиду применения комплекса различных источников информации. Выявлено, что эффективность методов зависит от характеристик конкретного временного ряда мутности: при сильной сезонности для р. Амур лучше работает Holt – Winters, при умеренной и стабильной динамике для р. Ангары – ARIMA или Stacking, а при высокой изменчивости для р. Уссури – Boosting. Установлено, что для выбора модели следует учитывать точность и доступность данных, особенности гидрологического режима водного объекта и цели прогноза. В дальнейших исследованиях рекомендовано использовать гибридные модели на основе физических факторов (осадков, расхода воды) для улучшения качества прогноза.

Ключевые слова

краткосрочное прогнозирование, мутность воды, река Амур, река Ангара, река Уссури, ансамблевый подход, метод машинного обучения, ARIMA, Holt – Winters, Prophet, Bagging, Stacking, Boosting

Ссылка для цитирования

Розенталь О. М., Синцова Т. Н., Особенности краткосрочного прогнозирования мутности на примере рек Амур, Ангара, Уссури // Водное хозяйство России: проблемы, технологии, управление. 2026. № 4. С. 28–44.
DOI: doi.org/10.35567/1999-4508-2026-4-28-44