ПРОСТРАНСТВЕННАЯ ПЕРЕНОСИМОСТЬ ГРАДИЕНТНОГО БУСТИНГА ПРИ ПРОГНОЗИРОВАНИИ ЭКСТРЕМАЛЬНЫХ ГИДРОЛОГИЧЕСКИХ ЯВЛЕНИЙ НА МАЛЫХ РЕКАХ АРМЕНИИ

Аннотация

В данной статье исследуется пространственная переносимость модели градиентного бустинга (CatBoost) для прогнозирования экстремальных гидрологических явлений на малых реках с опережением на 1–7 дней. В качестве предикторов использовались климатические данные, агрегированные данные об осадках, статистика текущего расхода воды, индексы таяния снега и сезонные переменные. Для оценки межбассейновой генерализации использовалась схема пространственной перекрестной проверки с исключением одной реки, в которой модель обучалась на наборе бассейнов и тестировалась на независимой реке. Качество классификации оценивалось с помощью точности, полноты и F1-меры. Для интерпретации факторов, определяющих переносимость модели, использовался SHAP-анализ, выявивший различия во вкладе режимов осадков и температуры для бассейнов с различными условиями формирования экстремальных водных расходов. Было установлено, что качество межбассейновой переносимости зависит от гидрологического сходства рек, типа подпитки и сезонных характеристик (январь-март, ноябрь-декабрь). SHAP-анализ продемонстрировал ключевую роль агрегированных значений водного расхода и выявил различия между бассейнам во вкладе этих факторов. Практическая значимость исследования заключается в применимости разработанной модели к бассейнам с ограниченными или отсутствующими долгосрочными данными наблюдений, при условии наличия стандартных климатических данных. Использование схемы межбассейновой перекрестной проверки (Leave-One-River-Out) позволяет провести предварительную оценку обобщаемости модели до ее внедрения в новых районах, а анализ SHAP обеспечивает прозрачность прогнозов и помогает выявить ключевые факторы риска для каждого бассейна. Таким образом, полученные результаты могут быть использованы для разработки эффективных и адаптивных систем раннего предупреждения в различных гидрологических условиях. Данное исследование подтверждает потенциал использования методов машинного обучения для разработки портативных систем раннего предупреждения об экстремальных гидрологических явлениях на малых реках, особенно в условиях ограниченных наблюдений. Предложенный подход может служить основой для разработки систем прогнозирования в регионах с недостаточными гидрометеорологическими данными.