CC BY
0
УДК [556.51+911.5]: 519.85
ВЛИЯНИЕ МЕТЕОРОЛОГИЧЕСКИХ ФАКТОРОВ ИА ВЕСЕННИЕ ПОЛОВОДЬЯ ГОРНЫХ РЕК
Ю.Б. Кирста, И.А. Трошкова
Институт водных и экологических проблем СО РАН, Барнаул E-mail: kirsta@iwep.ru, egorka_iren@mail.ru
Исследовано влияние факторов среды на весенние (апрельские) половодья 34 средних и малых рек Алтае-Саянской горной страны. С помощью разработанной методологии интеллектуального анализа экспериментальных данных (системно-аналитического моделирования) разработаны аналитические модели половодий и выявлена их сложная зависимость от месячных осадков и среднемесячных температур воздуха за сентябрь-апрель, а также от высоты и ландшафтной структуры речных бассейнов. Изменения метеорологических факторов охарактеризованы нами в процентах от их среднемноголетних значений, что позволило унифицировать их помесячную и многолетнюю динамику по всей стране. Данные о рельефе и ландшафтной структуре речных бассейнов рассчитаны по ландшафтным картам территории средствами ArcGIS 10.2. Разработка модели и количественная оценка влияния факторов среды на половодья выполнялись путем решения обратной математической задачи с использованием около 2000 значений речных стоков, наблюдаемых в 1951-2020 гг. Высокое качество, простота и универсальность моделей позволяют использовать их для прогнозов весенних половодий на горныхреках.
Ключевые слова: весеннее половодье; горные реки; метеорологические факторы; ландшафты; интеллектуальный анализ; Алтай; Саяны.
DOL10.24412/2410-1192-2023-17103 Датапоступления: 21.10.2023. Принятакпечати: 22.11.2023
Интеллектуальный анализ данных [Funes, Dasso, 2021; Алексеев, Щекочихин,
(ИА), известный как Data Mining и Knowl- 2022]. Актуальнейшей проблемой ИА
edge Discovery, направлен на выделение является максимально полное извлече-
неотчетливой, но потенциально полезной ние полезной информации, содержащей-
информации, содержащейся в больших ся в выборках «зашумленных» данных
выборках экспериментальных данных, со стохастическими ошибками [Ma, Yan,
Для ее извлечения разработаны различные 2022]. В данной работе используется
математические методы, основанные на первая стандартная методология ИА для
совмещении классической статистики и ее извлечения и разработки адекватных
специальных компьютерных технологий аналитических моделей, описывающих
(технологий обработки баз данных, реальную структурно-функциональную
алгоритмов машинного обучения, организацию сложноорганизованных
искусственных нейронных сетей, природных систем [Kirsta, Troshkova,
искусственного интеллекта и других) 2023 а].
Наводнения на реках наносят значительный вред хозяйственной деятельности человека в различных регионах мира. Для их прогнозов разработаны различные математические модели, учитывающие соответствующие факторы среды [У е! а1., 2021; К1уп й а1., 2022]. Очевидно, что высококачественные модели половодий и паводков требуют адекватного описания гидрологических процессов по всей территории водосбора, что невозможно без подробных пространственно распределенных
данных об осадках, температурах воздуха, растительности и ландшафтах, подземных водоносных горизонтах, морфометрии водосборных площадей, свойствах почв, профиля речных русел и других характеристик. Несмотря на растущий объем исследований по этой теме, универсальные адекватные модели половодий на горных реках до сих пор отсутствуют. С помощью разработанной методология НА удалось создать высокоточные универсальные модели и получить количественные оценки влияния факторов среды на весенние половодья горных рек [К^а, ТгозЬкоуа, 2022; К^а, ТгозЬкоуа, 2023Ь].
Методология интеллектуального анализа данных
Предлагаемый НА экспериментальных данных с целью построения аналитических моделей имеет также более конкретизированное название -системно-аналитическое моделирование (САМ) [Кирста, Кирста, 2014]. НА/ САМ базируется на анализе поведения
природных систем как целостного комплекса процессов и воздействующих на них факторов среды. Поскольку все сложноорганизованные природные системы состоят из большого количества иерархически подчиненных друг другу процессов, методология основана на системно-иерархическом подходе и специализированной обработке больших объемов экспериментальных данных параллельных наблюдений за процессами и влияющими на них факторами среды. Под термином «аналитическая» мы подразумеваем два базовых свойства разрабатываемых моделей:
• количественно характеризовать динамику реальных процессов в сложноорганизо-ванных природных системах при недостатке или отсутствии прямых наблюдений за ними,
• служить основой для дальнейшего углубленного исследования структурно-функциональной организации анализируемых систем.
Эффективность методологии ИА/САМ многократно проверена при моделировании различных сложноорганизованных природных систем:
• процессов влагообмена в почвах [К^а, 2006а],
• урожаев зерновых в агроэкосистемах России и США [К^а, 2006Ь],
• долгосрочном прогнозе изменений климата в России и США [К^а, 2006Ь; К^а е!а1.,2019],
• формирования водных и гидрохимических (К02 ,N0;, ,Р0^-, общего растворенного железа, ионов, взвешенного вещества) стоков горных рек [К^а, Ригапоу,
2020; К^а, Ригапоу, 2021]и др.
Разработанная методология ИА/САМ включает пять последовательно выполняемых этапов, которые мы охарактеризуем на примере разработки аналитических моделей половодий, формируемых сложной совокупностью недостаточно изученных гидрологических процессов на водосборах горных рек со значительными вариациями условий среды.
На первом этапе ИА/САМ определяются три иерархических уровня организации процессов в анализируемой природной системе. Первый наиболее высокий иерархический уровень должен отвечать территории и периоду времени, для которых будут справедливы результаты исследований. Для гидрологической системы горных водосборов в качестве первого уровня следует выбрать речные бассейны большой территории (у нас Алтае-Саянская горная страна) с общими для нее мезомасштабны-ми метеорологическими процессами.
Второй более низкий иерархический уровень должен отвечать гидрологическим системам, слагающим первый уровень. Это водосборные бассейны отдельных рек. Количество таких гидрологических объектов должно быть достаточно велико, чтобы исключить влияние множества индивидуальных особенностей объектов и обеспечить достоверность результатов моделирования основного интегрального процесса - речного стока в весеннее половодье на выходных створах соответствующих водосборов.
Третий иерархический уровень отвечает еще меньшим гидрологическим объектам, которые должны отражать в модели разные условия среды, влияющие на функ-
ционирование систем второго уровня. Это отдельные ландшафты, представляющие собой более мелкие, но достаточно автономные гидрологические системы.
Динамика гидрологических процессов всех иерархических уровней, зависящая от меняющихся во времени и пространстве условий среды, описывается математическими уравнениями (инте-гро-дифференциальными, алгебраическими, балансовыми, имитационными или иными). Уравнения составляют искомую аналитическую модель гидрологических объектов первого иерархического уровня. При этом меняющиеся факторы среды и гидрологические процессы характеризуются, соответственно, как входные и выходные переменные модели.
На втором этапе осуществляется подготовка данных для моделирования. Это ответственный этап ИА/САМ, включающий выбор шагов временной и пространственной шкал описания процессов и изменения факторов среды [К^а, ТгозЬкоуа, 2023Ь]. Согласно этим шкалам должен выполняться анализ всех экспериментальных данных о процессах и факторах среды. Например, это выбор масштаба карт, требующегося для адекватного описания ландшафтной структуры речных бассейнов, а также шага описания изменений метеорологических факторов и речных стоков во времени.
Особые сложности возникают при недостаточном количестве наблюдений за факторами, влияющими на анализируемые процессы. Для метеорологических факторов нами разработан метод их нормирования, при котором среднемесячные температуры воздуха и месячные осадки
нормируются на свои среднемноголетние значения и затем обобщаются (усредняются) по пространству [К1ге1а, Ьоу1зкауа, 2020]. Данный метод обеспечивает единообразное описание динамики указанных факторов во времени и пространстве, вне зависимости от меняющихся координат и высоты местности. Возможность такого описания объясняется едиными для территории мезомасштабными метеорологическими процессами и неоднократно подтверждена прикладными расчетами.
В связи с нормировкой метеорологических факторов необходимо нормировать и анализируемые речные стоки. Это легко выполняется путем нормирования их ежегодно наблюдаемых значений на среднемноголетние величины по каждому речному бассейну. В итоге создается однородная выборка гидрологических данных, характеризующая все изменения стоков во времени и пространстве.
В свою очередь, площади выделенных на третьем иерархическом уровне ландшафтов нормируются на площади соответствующих речных бассейнов. Тем самым мы переходим к безразмерным значениям входных факторов и выходной переменной разрабатываемой аналитической модели.
На третьем этапе ИА/САМ выбирается тип модели и составляются ее уравнения. Уравнения модели должны учитывать накопленные знания о процессах в анализируемых природных объектах и не противоречить известным физическим, гидрологическим и другим законам и закономерностям. Затем начинается собственно ИА/САМ, в ходе которого проверяются различные варианты описания процессов.
Для каждого проверяемого варианта составляется система уравнений большой размерности, в которой каждое уравнение обеспечивает расчет отдельного значения речного стока из имеющейся выборки наблюдений за ним. Для составленной системы решается обратная математическая задача [К^а, ТгозЬкоуа, 2023Ь]. С этой целью рассчитываемые значения выходной переменной в уравнениях заменяются на соответствующие им наблюдаемые значения из выборки гидрологических данных. Решение обратной задачи выполняется, например, оптимизационными методами из известного пакета прикладных программ МАТЬАВ, обеспечивая одновременный расчет значений всех параметров модели и ее невязки (среднеквадратичного отклонения рассчитанных значений выходной переменной от наблюдаемых). В результате проверки различных вариантов описания анализируемых процессов (у нас - формирования половодий) определяется вариант с наименьшей невязкой, который принимается за готовую математическую модель. При этом считается, что наименьшую невязку модели обеспечивает только адекватное описание всех описываемых в модели процессов и влияния на них факторов среды.
Количество наблюдений за выходной переменной (размер ее выборки) должен превышать число параметров создаваемой аналитической модели в 5-10 раз. Это обеспечивает наилучшую точность значений ее параметров, получаемых в ходе решения обратной математической задачи. При этом важной особенностью ИА/САМ является пониженная чувствительность к погрешности данных. Большая погреш-
ность последних обусловливает лишь увеличение невязки, не приводя к изменению ни вида искомых уравнений, ни значений параметров.
При моделировании сложноорганизо-ванных природных систем зависимость их
где XI, Х2, 77, 72, 21, 22 - параметры, определяемые в ходе решения обратной задачи; Х- какая-либо переменная модели. Функция Н с меняющимися значениями параметров позволяет аппроксимировать широкий спектр зависимостей между процессами и факторами среды.
На четвертом этапе оцениваются адекватность (точность) полученной модели. Для оценки адекватности математических моделей нами предложен следующий критерий [К^а, ТгозЬкоуа, 2023Ь]:
А = ^
^ , (2) где А - критерий адекватности модели; - стандартное (среднеквадратичное) отклонение для ее невязки (разности между наблюдаемыми и рассчитанными данными);
_ стандартное отклонение для наблюдаемых данных; у^ - множитель.
Критерий А в (2) представляет собой невязку модели, нормированную на стандартное отклонение данных наблюдений. Интервал значений ^=0-0.71 отвечает различной адекватности модели, то есть степени совпадения расчетных и наблюдаемых значений выходной переменной с их полным совпадением при^~0. Критерий^
процессов от факторов среды обычно неясна. Предлагаемая методология ИА/САМ решает эту проблему путем применения непрерывной кусочно-линейной функции Н, состоящей из трех линейных фрагментов [К^а, ТгозЬкоуа, 2023Ь]:
(1)
подобен показателю качества моделей RSR и критерию Нэша-Сатклиффа NSE [Koch, Cherie, 2013], с которыми связан зависимостями RSR = Ау!2 и NSE = 1-RSR2 = 1-2Ж
На пятом этапе ИА/САМ оценивается прикладное качество разработанной модели. Очевидно, что полученные универсальные значения параметров можно уточнить при описании конкретного объекта в выбранный период времени. Неизменность ряда характеристик у одного объекта позволяет сократить и общее число параметров. Для уточнения значений оставшихся опять можно использовать решение обратной математической задачи, соблюдая соотношение более 5:1 между наблюдениями за выходной переменной модели и числом обновляемых параметров. После этого оценивается прикладное качество модели (значения А, RSR, NSE), описывающей конкретные гидрологические объекты [Kirsta, Troshkova, 2023а; Kirsta, Troshkova, 2023b],
Исходные материалы
Методология ИА/САМ реализована нами на примере анализа весенних половодий с ледоходом в апреле 1951-2020 гг. на 34 средних и малых реках Алтае-Саянской
горной страны. Страну отличает большое разнообразие ее ландшафтно-климатиче-ских зон: ледников, гольцов, горных тундр и альпийских лугов на высокогорьях, хвойных лесов, степей и полупустынь на склонах и межгорных котловинах. Питание многочисленных рек страны является смешанным снегово-дождевым и ледниковым, причем снеговое питание составляет более 50% их годового стока. На территории страны наблюдаются две волны половодья: первая (весенняя) волна формируется в апреле при вскрытии рек ото льда и таянии снежного покрова на равнинной части речных бассейнов, а вторая - в мае-июне за счет таяния снега и ледников на склонах и вершинах гор.
Геосистемы горной страны мы разделили на 13 типологических групп (ландшафтов), учитывая высотно-поясную и структурно-ярусную неоднородность территории [Кирста и др., 2011]. В результате каждый из 34 речных бассейнов был разделен на водосборные зоны-ландшафты с характерным для них гидрологическим режимом. Водные стоки с этих зон складывались на выходном створе речных бассейнов, где выполнялись измерения речного стока.
Для ИА/САМ весенних половодий мы использовали данные Гидрометеорологической службой России о стоках рек за апрель 1951-2020 гг. В среднем по выходным створам всех бассейнов сток составил около 100 м3/с. Наблюдения за стоками мы дополнили значениями месячных осадков и среднемесячных температур воздуха, ОК-информацией о ландшафтной структуре территории, площади и высоте ланд-
шафтов над уровнем моря в каждом речном бассейне.
Нами была рассчитана единая для Ал-тае-Саянской горной страны многолетняя помесячная динамика нормированных температур и осадков за все годы. Она определена по данным 11 реперных метеостанций с помощью метода нормирования и пространственного обобщения климатических характеристик [Кирста, 2011; Ккв-1а, Ьоу1зкауа, 2020]. Сначала температуры и осадки мы перевели в доли/проценты от соответствующих среднемноголетних месячных величин по каждой метеостанции, используя для температур Х-1У месяцев их среднемноголетние значения за январь, для У-1Х месяцев - за июль, а для осадков всех месяцев года - их среднемноголетние значения за июль. Затем были рассчитаны средние по метеостанциям значения нормированных характеристик. Полученная помесячная многолетняя динамика нормированных температур и осадков была одинаковой для всех 34 речных бассейнов страны и не зависела от координат или высоты характеризуемой территории.
Речные стоки 34 рек нами были нормированы на их среднемноголетние значения по каждому бассейну аналогично метеорологическим факторам. Площади ландшафтов (км2) в каждом бассейне также были переведены в доли/проценты путем их деления на площадь бассейна.
В целом, база данных для ИА/САМ весенних половодий на территории Ал-тае-Саянской горной страны включала следующие характеристики: гидрологические (около 2000 нормированных величин стока в апреле для 34 рек за отдельные
годы периода 1951-2020 гг.), метеорологические (840+840=1680 нормированных месячных значений температур воздуха и осадков), ландшафтные (352 значения площадей и высот, рассчитанных с помощью АгсОК 10.2).
Результаты и их обсуждение
ИА/САМ весенних (апрельских) половодий на реках Алтае-Саянской горной страны обеспечил создание их высокоточных имитационных балансовых моделей, учитывающих как ландшафтную структуру водосборных территорий (площадь и высоту ландшафтов), так и воздействие среднемесячных температур воздуха и месячных осадков за осенний (сентябрь-ноябрь), зимний (декабрь-март) и весенний (апрель) периоды года. Согласно требованиям ИА/САМ, количество наблюдений за динамикой выходной переменной должно
в 5-10 раз превышать число параметров моделей. В нашем случае одновременно анализировались около 2000 стоков для 34 рек Алтае-Саянской горной страны, что позволило ввести около 40 параметров. Значения последних определялись через решение обратной математической задачи для системы из 2000 уравнений, в которых рассчитываемые стоки были заменены наблюдаемыми на выходных створах речных бассейнов.
После проверки различных вариантов уравнений, описывающих влияние метеорологических условий предшествующей осени и зимы на весеннее половодье, мы определили наилучшую по невязке балансовую модель [К^а, ТгозЬкоуа, 2023Ь]. Она оказалась подобной ранее разработанной прогнозной модели всего весенне-летнего (апрель-июнь) половодья рек [Ю^а, Ьоу1зкауа, 2021] и имеет 39 параметров:
Q = H (, е2,1,1, c3, c4, P)
[ZkakS'kPlH (c9 ' С0 ДД> е11 > C12 > К ) + +Z kbkSkP2H (c5 ' C6 ДД' C7 ' C8 ' T2 ) H (C9 ' C10 ДД' C11' C12 ' Kk )
+ d ,(3)
где @ - речной сток с бассейна / за апрель конкретного года, нормированный на свое среднемноголетнее значение, /=1-34; первое и второе слагаемые в правой части (3) соответствуют вкладам последнего
осадков от их среднемноголетних значений в среднем за осенний и зимний периоды соответственно; Т2 - отклонение нормированных среднемесячных температур воздуха от среднемноголетнего
осеннего (IX-XI месяцы) и закончившегося значения за зимний период; <V4,c5-8,c9-12
зимнего (XII-III месяцы) периодов
соответственно;
а,.
к -
параметры,
- параметры, характеризующие влияние осенних осадков Рг и зимней температуры
характеризующие вклад к-го ландшаф- воздуха Г2 на Q1, а также высоты ландшаф-
та за соответствующий период, к= 1-13;
- площадь к-то ландшафта в бассейне /, нормированная на площадь последнего; Н'к- высота ландшафта, метры н.у.м.; Р
tob h'k на количество осадков; d- параметр, характеризующий постоянное пополнение (d >0) или потери (d <0) стока в грунтовые воды и воды трещиноватых пород; Н -
Р2 - отклонения нормированных месячных кусочно-линейная функция (1).
В правой части (3) суммируются T которая влияет на испарение влаги с по-
13+13=26 различных ландшафтных гидро- верхности снежного покрова, а также от
логических процессов, обеспечивающих s[ и h'k . Множитель H(q,c2,1,1,c3,c4,р)
своими вкладами весеннее половодье Q учиТывает обмен влагой между почвами и в бассейне г. Вклады ландшафтов в первом
снежным покровом в зависимости от осен-
слагаемом (3) зависят от: осадков Я пред-
1 него промачивания почв осадками Р] [Та-шествующей осени, промочивших уходя-
„i 7i насиенкоидр.,1999]. щие в зиму почвы, площади Sk и высоты hk
расположения ландшафтов. Вклады ланд- Аналогичным образом была разработа-
шафтов во втором слагаемом (3) обеспечи- на модель весенних половодий с 36 параме-
ваются зимними осадками Р2 и зависят от трами, учитывающая метеорологические
осенних осадков Р1 и зимней температуры условия апреля [Kirsta, Troshkova, 2022]:
Q = Zk К SkP1H(C1' C1'1'1' C2 ' C3> T1)H(C4. C4'1'1 C5' C6> hk )} +
+X k {bk SkP2H(C7 . C7 '1'1 C8 ' C9 ' T2 )H(C4> C4'1,1, C5' C6' hk ^ + C10. (4)
где обозначения переменн^1х аналогичны ландшафтов. В частности, вместо 26 па-
(3); первое и второе слагаемые уравнения раметров а Ьк в (3) и (4) остаются только
(4) отвечают вкладам Q в от осадков за Два Ь. Для таких прикладных вариантов зимний (декабрь-март) и текущий (апрель) моделей были получены из (2) следующие периоды соответственно; Рх, Р2 - отклоне- значения их адекватности А0: -0.34 для (3) ния нормированных месячных осадков от и-0.41 для (4). По А0 рассчитан показатель их среднемноголетних значений в среднем качества моделей NSE=1 - 2А^, который за декабрь-март и апрель соответственно; составил 0.77 и 0.66 соответственно. Полу-T T - аналогичные отклонения нор миро- ченные значения NSE соответствуют хоро-ванных среднемесячных температур возду- шему (0.65<NSE<0.75) и очень хорошему ха за те же периоды; параметры с1,. „, с9 от- (0.75<NSE) качеству/точности гидрологи-ражают влияние температур T T2 и высот ческих моделей [Koch, Cherie, 2013], а зна-h'k на Q ; параметр с10 аналогичен d в (3). чит модели адекватно оценивают влияние
Прикладное использование моделей метеорологических условий на весенние
половодий (3) и (4) для какого-либо кон- половодья для рек Алтае-Саянской горной
кретного речного бассейна позволяет ис- страны.
ключить ряд параметров и учесть его спец- На рисунке 1 показана зависимость
ифику через новые значения последних, стока рек (р. Катунь) от температур возду-
что обеспечивает повышение адекватно- ха и осадков за предшествующие осенний
сти и точности моделей [Kirsta, Troshko- и зимний периоды согласно модели (3). Мы
va, 2022; Kirsta, Troshkova, 2023Ь]. Здесь видим простую линейную связь весеннего
исключаются изменения ландшафтной стока с осадками обоих периодов (рис. 1а),
структуры бассейна, высот и площадей его отличающуюся от более сложного влияния
этих осадков на весенне-летнее половодье в целом за апрель-июнь [Кл^а, Ьо^кауа, 2021]. Эта связь легко объясняется частичным оттаиванием почв в апреле, что ограничивает просачивание талых вод в почвы [Танасиенко и др., 1999] и способствует их прямому поступлению в реки. Зависимость стока рек от зимних температур и осадков показана на рис. 1Ь. Более сложное влияние этих факторов подобно их воздействию на весенне-летнее половодье [К^а, Ьо^кауа, 2021]. Показанная на рис. 1Ь зависимость отличается только более узким диапазоном изменений речного стока. Это опять обусловлено частичным оттаиванием почв в апреле и мало меняющейся площадью снежного покрова в этом месяце. Таяние же снежного покрова под действием постоянной солнечной радиации обеспечивает стабильное поступление талых вод в реки.
Рассмотрим зависимость весеннего половодья от метеорологических условий зимы (рис. 2а). При теплых зимах с температурами Т >0.2 речные стоки уменьшаются с осадкамиРр при Т1 -0 растут, а при низких Т <-0.2 перестают зависеть от осадков. Действительно, при теплой зиме с Т1 >0.2 промерзание почвогрунтов уменьшается с увеличением осадков Р1 из-за большей толщины снежного покрова. Весной это приводит к глубокому промачиванию почв и удержанию ими большого количества талой влаги, что уменьшает речные стоки. В обычные зимы с Т -0 мы видим резкое увеличение стоков за счет таяния снега под воздействием солнечной радиации, часть которой расходуется на прогревание почвогрунтов. Эта часть уменьшается при увеличении осадков Р а значит и толщины снежного покрова, препятствующему значительному промерзанию почвогрунтов.
Рис. 1. Зависимость весенних половодий с ледоходом от температур воздуха и осадков за предшествующие осень и зиму согласно модели (3) (показаны отклонения нормированных метеорологических характеристик от их среднемноголетних). а-речной сток Q е апреле как функция осадкое Р1 (1Х-Х1месяцы) и Р2 (XII-III); b - речной сток Q е апреле как функция температуры Т2 (XII-III) и осадкое Р2 Fig. 1. Dependence of spring floods on air temperature and precipitation for the preceding autumn and winter in (3) (we show the deviations of normalized meteorological characteristics from their long-term averages), a -April runoffQasafunction of_precipitation P1 (IX-XImonths) andP2 (XII-III); b -April runoffQasafunction
oftemperature T2 (XII-III) andprecipitation P2
Рис. 2. Зависимость весеннего половодья с ледоходом от температур воздуха и осадков за предшествующую зиму и апрель согласно модели (4) (показаны отклонения нормированных метеорологических характеристик от их среднемноголетних). а—речной сток Q в апреле как функция Т1 и Р1 заХИ—Шмесяцы;
Ъ — речной сток Q в апреле как функция Т2 и Р2 за апрель Fig. 2. Dependence of spring floods on air temperature and precipitation for the preceding winter in (4) (we show the deviations of normalized meteorological characteristics from their long-term averages), a -April runoff Qasafunction of temperature T 1 andprecipitation P1 forXII—III months; b — April runoff Qasafunction of
temperature T2 andprecipitation P2 for April
В холодные зимы с T <-0.2 и сильно про- дология ИА/САМ позволила определить
мерзшими почвогрунтами весенняя талая сложную зависимость весенних половодий
влага в почвы практически не поступает и в апреле от метеорологических факторов
полностью скатывается в реки. Ее количе- для горных территорий (рис. 1, 2). Отме-
ство определяется постоянной солнечной тим, что используемые в моделях (3), (4)
нормированные осадки, температуры и
радиацией и слабо зависит от Ру
На рис. 2Ь при температурах апреля речные стоки легко перевести в стандарт-
Т2 >0.2 мы опять видим уменьшение реч- ные единицы измерений (мм, °С, м3/с) пу-
ных стоков с ростом осадков. Это может тем умножения на соответствующие сред-
быть связано со значительным альбедо све- немноголетние характеристики.
Выводы
1. Разработанная методология интел-
жевыпавшего снега, уменьшающего количество поглощенной снежным покровом солнечной радиации и, следовательно, количество талой воды. С понижением тем- лектуального анализа экспериментальных пературы стоки уменьшаются и при Т2 <0.1 данных (системно-аналитического моде-перестают от нее зависеть. Эти стоки уве- лирования) успешно применена для разра-личиваются при росте осадков Р2 и умень- ботки универсальных аналитических мо-шенном задержании талой влаги почво- делей весенних половодий с ледоходом в грунтами вследствие задержки оттаивания апреле на 34 реках Алтае-Саянской горной
последних из-за пониженных T2.
Таким образом, разработанная мето-
страны.
2. Построенные аналитические модели
половодий характеризуются высоким ка- климатическим характеристикам и слагаю-чеством и адекватно учитывают основные щим их ландшафтам.
факторы среды, включая ландшафтную 4. Упрощенный вариант модели (3) ве-
структуру водосборных территорий, по- сенних половодий в КОНкретных речных
месячные изменения метеорологических г
^ бассейнах можно использовать для сред-
факторов, площадь и высоту расположения
несрочных прогнозов половодии по дан-
ландшафтов.
ным метеорологических наблюдений за
3. Выявленные сложные зависимости
сентябрь-март, получая высокое значение
весенних половодии от месячных осадков
критерия Нэша-Сатклиффа NSE=0.77. Каи среднемесячных температур воздуха с ^ ^ ^^
сентября по апрель являются универсаль- честв0 прогнозов может быть далее улуч-
ными, так как характеризуют ежегодные шен0 п0 модели (4) при учете стандартных
стоки с большого числа речных бассейнов, метеорологических прогнозов температур
значительно отличающихся по орографии, воздуха и осадков на апрель месяц.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов. Conflict of interest. The authors declare that they have no conflict of interests. Работа выполнена при финансовой поддержке Российского научного фонда (грант 22-27-00058), а в части разработки методологии интеллектуального анализ совместно с государственным заданием ИВЭП СО РАН по проекту FUFZ-2021-0003 «Оценка эколого-биогеохимической обстановки в речных бассейнах Сибири в условиях изменения климата и антропогенного воздействия».
Список литературы
Алексеев Д.С., Щекочихин О.В. Технологии интеллектуального анализа данных. Учебник для вузов. Санкт-Петербург: Лань, 2022. 176 с.
Кирста Ю.Б. Пространственное обобщение климатических характеристик для гор-ныхтерриторий//Мир науки, культуры, образования. 2011. № 3 (28). С. 330-337.
Кирста Ю.Б., Кирста Б.Ю. Информационно-физический закон построения эволюционных систем. Системно-аналитическое моделирование экосистем. Барнаул: Изд-во Алтайского гос. ун-та, 2014. 283 с.
Кирста Ю.Б., Лубенец Л.Ф., Черных Д.В. Типизация ландшафтов для оценки речного стока в Алтае-Саянской горной стране // Устойчивое развитие горных территорий. 2011. №2(8). С. 51-56.
Танасиенко A.A., Путилин А.Ф., Артамонова B.C. Экологические аспекты эрозионных процессов: Аналит. обзор. Ин-т почвоведения и агрохимии / Науч. ред. И.М. Гаджиев. Новосибирск, 1999. 89 с.
Funes A., Dasso A. Methods and Techniques of Data Mining. In: Encyclopedia of Information Science and Technology, Fifth Edition, edited by Mehdi Khosrow-Pour D.B.A. Hershey, PA: IGI Global, 2021. P. 749-767.
Kirsta Y.B. System-analytical modelling - Part I: General principles and theoretically best accuracies of ecological models. Soil-moisture exchange in agroecosystems // Ecological Modelling. 2006a. Vol. 191. P. 315-330.
Kirsta Y.B. System-analytical modelling - Part II: Wheat biotime run and yield formation. Agroclimatic potential, Le Chatelier principle, changes in agroclimatic potential and climate in Russia and the U.S. //EcologicalModelling. 2006b. Vol. 191. P. 331-345.
Kirsta Y.B., Lovtskaya O.V. Spatial year-ahead forecast of air temperature and precipitation in large mountain areas // SN Applied Sciences. 2020. Vol. 2. P. 1044.
Kirsta Y.B., Lovtskaya O.V., Puzanov A.V. The Forecast of Climate Changes in Altai-Sayan Mountain Country till 2030 // CEUR Workshop Proceedings. 2019. Vol. 2534. P. 114-117.
Kirsta Y.B., Puzanov A.V. System-Analytical Modeling of Water Quality for Mountain River Runoff// Pandey B.W., Anand S. (Eds). Water Science and Sustainability / Sustainable Development Goals Series. Springer, Nature. 2021. Chapter 7.
Kirsta Y.B., Puzanov A.V. System-analytical modelling: 1. Development of regional models for mountain river runoff// EJMCA. 2020. Vol. 8. No 2. P. 69-85.
Kirsta Y.B., Troshkova I.A. Deep process-data mining for building of analytical models: 1. Medium-term forecast of spring flood extremes for mountain rivers II Eurasian Journal of Mathematical and Computer Applications. 2023a. Vol. 11. Issue 3. P. 76-97.
Kirsta Y.B., Troshkova I.A. High-performance forecasting of spring flood in mountain river basins with complex landscape structure //Water. 2023b. Vol. 15 (6). P. 1080.
Kirsta Y.B., Troshkova I.A. The influence of winter-spring temperatures and precipitation on the spring flood wave II Eurasian Journal of Mathematical and Computer Applications. 2022. Vol. 10. Issue 2. P. 4-10.
Kirsta Y.B.; Lovtskaya O.V. Good-quality long-term forecast of spring-summer flood run-offfor mountain rivers. WaterResour. Manage. 2021. Vol.35. P. 811-825.
Klijn F., Lang M., Bakonyi P. Integrated flood risk management: Novel approaches for an uncertain future. Water Secur. 2022. Vol. 17. P. 100125.
Koch M., Cherie N. SWAT-modeling of the impact of future climate change on the hydrology and the water resources in the upper blue Nile river basin, Ethiopia II Proceedings of the 6th International Conference on Water Resources and Environment Research, ICWRER (June 3-7, 2013). Koblenz, Germany, 2013.P. 428-523.
Li Z., Lyu S., Meng X. Changes in climate and snow cover and their synergistic influence on spring runoff in the source region of the Yellow River. Sci. Total Environ. 2021. Vol. 799. P. 149503.
Ma Z., Yan L. Data modeling and querying with fuzzy sets: A systematic survey II Fuzzy Sets and Systems. 2022. Vol. 445. P. 147-183.
References
Alekseev D.S., Shchekochihin O.V. Tekhnologii intellektual'nogo analiza dannyh [Data
mining technologies], Uchebnik dlya vuzov. Sankt-Peterburg: Lan', 2022. 176 p. (in Russian).
Kirsta Yu.B. Prostranstvennoye obobshcheniye klimaticheskikh kharakteristik dlya gornykh territoriy [Spatial generalization of climatic characteristics in mountain areas] //Mir nauki, kul-tury, obrazovaniya [The World of Science, Culture, Education], 2011. No. 3(28). P. 330-337. (in Russian).
Kirsta Yu.B., Kirsta B.Yu. Informatsionno-fizicheskiy zakon postroyeniya evolyutsionnykh sistem. Sistemno-analiticheskoye modelirovaniye ekosistem [The Information-Physical Principle of Evolutionary Systems Formation, System-Analytical Modeling of Ecosystems], Barnaul: Izd-vo Alt. gos. un-ta. 2014. 283 p. (in Russian).
Kirsta Yu.B., Lubenets L.F., Chernykh D.V. Tipizatsiya landshaftov dlya otsenki rechnogo stoka v Altaye-Sayanskoy gornoy strane [Typological classification of landscapes for river flow estimation in Altai-Sayan mountainous country] // Ustoychivoye razvitiye gornykh territoriy [Sustainable Development ofMountain Territories], 2011. No. 2(8). P. 51-56. (in Russian).
Tanasienko A.A., Putilin A.F., Artamonova V.S. Ekologicheskie aspekty erozionnyh pro-cessov: Analit. Obzor [Environmental Aspects of Erosion Processes. An Analytical Review] / Nauch. red. I.M. Gadzhiev. Novosibirsk, 1999. 89 p. (in Russian).
Funes A., Dasso A. Methods and Techniques of Data Mining. In: Encyclopedia of Information Science and Technology, Fifth Edition, edited by Mehdi Khosrow-Pour D.B.A. Hershey, PA: IGI Global, 2021. P. 749-767.
Kirsta Y.B. System-analytical modelling - Part I: General principles and theoretically best accuracies of ecological models. Soil-moisture exchange in agroecosystems // Ecological Modelling. 2006a. Vol. 191. P. 315-330.
Kirsta Y.B. System-analytical modelling - Part II: Wheat biotime run and yield formation. Agroclimatic potential, Le Chatelier principle, changes in agroclimatic potential and climate in Russia and the U.S. //EcologicalModelling. 2006b. Vol. 191. P. 331-345.
Kirsta Y.B., Lovtskaya O.V. Spatial year-ahead forecast of air temperature and precipitation in large mountain areas // SN Applied Sciences. 2020. Vol. 2. P. 1044.
Kirsta Y.B., Lovtskaya O.V., Puzanov A.V. The Forecast of Climate Changes in Altai-Sayan Mountain Country till 2030 // CEUR Workshop Proceedings. 2019. Vol. 2534. P. 114-117.
Kirsta Y.B., Puzanov A.V. System-Analytical Modeling of Water Quality for Mountain River Runoff// Pandey B.W., Anand S. (Eds). Water Science and Sustainability / Sustainable Development Goals Series. Springer, Nature. 2021. Chapter 7.
Kirsta Y.B., Puzanov A.V. System-analytical modelling: 1. Development of regional models for mountain river runoff// EJMCA. 2020. Vol. 8. No 2. P. 69-85.
Kirsta Y.B., Troshkova I.A. Deep process-data mining for building of analytical models: 1. Medium-term forecast of spring flood extremes for mountain rivers // Eurasian Journal of Mathematical and Computer Applications. 2023a. Vol. 11. Issue 3. P. 76-97.
Kirsta Y.B., Troshkova I.A. High-performance forecasting of spring flood in mountain river basins with complex landscape structure //Water. 2023b. Vol. 15 (6). P. 1080.
Kirsta Y.B., Troshkova I.A. The influence of winter-spring temperatures and precipitation on the spring flood wave // Eurasian Journal of Mathematical and Computer Applications. 2022. Vol. 10. Issue 2. P. 4-10.
Kirsta Y.B.; Lovtskaya O.V. Good-quality long-term forecast of spring-summer flood run-offfor mountain rivers. WaterResour. Manage. 2021. Vol.35. P. 811-825.
Klijn F., Lang M., Bakonyi P. Integrated flood risk management: Novel approaches for an uncertain future. Water Secur. 2022. Vol. 17. P. 100125.
KochM., Cherie N. SWAT-modeling of the impact of future climate change on the hydrology and the water resources in the upper blue Nile river basin, Ethiopia // Proceedings of the 6th International Conference on Water Resources and Environment Research, ICWRER (June 3-7, 2013). Koblenz, Germany, 2013.P. 428-523.
Li Z., Lyu S., Meng X. Changes in climate and snow cover and their synergistic influence on spring runoff in the source region of the Yellow River. Sci. Total Environ. 2021. Vol. 799. P. 149503.
Ma Z., Yan L. Data modeling and querying with fuzzy sets: A systematic survey // Fuzzy Sets and Systems. 2022. Vol. 445. P. 147-183.
INFLUENCING METEOROLOGICAL FACTORS ON SPRING FLOODS
OF MOUNTAIN RIVERS
Y.B. Kirsta, I.A. Troshkova
Institutefor Water and Environmental Problems SB RAS, Barnaul E-mail: kirsta@iwep.ru, egorka_iren@mail.ru
The influence of environmental factors on spring (April) floods of 34 medium and small rivers in the Altai-Sayan mountain country was studied. Using the developed methodologyfor intelligent analysis of experimental data (system analytical modeling), we developed an analytical models and revealed a complex dependence of floods on monthly precipitation and average monthly air temperatures from September to April, as well as the height and landscape structure of the river basins. We characterized changing meteorological factors via a percentage of their long-term average values that allowed to unify their monthly and long-term dynamics throughout the country. Data on the relief and landscape structure of river basins were calculated by ArcGIS 10.2 using landscape maps of the territory. Model development and quantification of environmentalfactor influence onfloods were carried out by solving an inverse mathematical problem using about 2000 values of riverflows observed in 1951-2020. The high quality, simplicity and universality of the models enable us to use them inforecasting springfloods of mountain rivers.
Keywords: spring flood; mountain rivers; meteorological factors; landscapes; intelligent analysis; Altai; Sayan.
Received October 21, 2023. Accepted: Novemberr 22, 2023
Сведения об авторах
Кирста Юрий Богданович - профессор, доктор биологических наук, главный научный сотрудник лаборатории биогеохимии Института водных и экологических проблем СО РАН. Россия, 656038, г. Барнаул, ул. Молодежная, д. 1. ORCID: 0000-0001-8990-3190. E-mail: kirsta2007@mail.ru.
Трошкова Ирина Александровна - младший научный сотрудник лаборатории биогеохимии Института водных и экологических проблем СО РАН. Россия, 656038, г. Барнаул, ул. Молодежная, д. 1. ORCID: 0000-0003-2809-8022. E-mail: egorka_iren@ mail.ru.
Information about the authors
Kirsta Yuri Bogdanovich - Dr. Sc. in Biology, Professor, Chief Researcher, Laboratory of Biogeochemistry of the Institute for Water and Environmental Problems SB RAS. 1, Molodezhnaya St., 656038 Barnaul, Russia. ORCID: 0000-0001-8990-3190 E-mail: kirsta2007@mail.ru.
Troshkova Irina Aleksandrovna - Junior Researcher, Laboratory of Biogeochemistry of the Institute for Water and Environmental Problems SB RAS. 1, Molodezhnaya St., 656038 Barnaul, Russia. ORCID: 0000-0003-2809-8022. E-mail: egorka_iren@mail.ru.
