гидрологические прогнозы, машинное обучение, прогнозы речного стока, искусственные нейронные сети, mlp, lstm, Geography (General), G1-922, Oceanography, GC1-1581

В статье исследуются возможности краткосрочного (от 1 до 7 суток) прогнозирования расходов воды на основе нескольких методов машинного обучения: модели множественной линейной регрессии (LM), искусственной нейронной сети по типу многослойного перцептрона (MLP) и рекуррентной искусственной нейронной сети с долгосрочной кратковременной памятью (LSTM). Предлагаются методы расширения набора предикторов для построения моделей и исследуется возможность случайного перемешивания хронологического ряда предикторов для калибровки и верификации моделей как повышающая устойчивость результатов прогноза. В качестве объекта исследования используется малая река Средней полосы России – р. Протва (г/п Спас-Загорье). На конкретном примере показана возможность построения эффективной оперативной прогностической системы для краткосрочного прогнозирования стока. Исследование выявило приемлемую для оперативной практики применимость моделей искусственных нейронных сетей, использующих всю доступную гидрометеорологическую информацию на водосборе, как показавших наиболее устойчивые результаты на всех заблаговременностях от 1 до 7 суток.