9 апреля 2026 года в Институте водных проблем РАН состоялся научный семинар, посвящённый применению методов искусственного интеллекта и машинного обучения в гидрологических исследованиях и

Мероприятие в очном и дистанционном формате собрало около 200 участников, представлявших примерно 50 организаций. География и состав участников охватили широкий спектр учреждений: институты РАН (ИВП, ИКИ, ИМ СО РАН, ТИГ ДВО РАН, ИБВВ, ГИ УрО РАН, ИС УрО РАН и др.), университеты (МГУ, НИУ ВШЭ, МГТУ им. Баумана, МИФИ, ТГУ, ПГНИУ, ЮФУ, УУНТ и др.), федеральные органы исполнительной власти и бизнес-структуры (Росводресурсы, Гидрометцентр России, Сбер, Эн+, Роснефть, проектные организации), а также Государственный гидрологический институт (ГГИ) и другие научные организации.

С приветственными словами к участникам обратились директор ИВП РАН В.О. Полянин, заведующий лабораторией Гидроинформатики В.М. Морейдо, а также приглашённые специалисты Д.П. Соломатин (ИВП РАН, TU Delft) и Ю.А. Симонов (Гидрометцентр России). В выступлениях модераторов были сформулированы ключевые принципы современных гидрологических исследований: Д.П. Соломатин подчеркнул необходимость опоры на физическую картину процессов («всегда смотреть на физику»), напомнив о многолетней истории применения методов машинного обучения в вычислительной гидравлике и гидрологии, а В.М. Морейдо акцентировал важность корректной оценки неопределённостей («всегда знать, где сомневаться»). Ю.А. Симонов, представляя Гидрометцентр, отметил высокую заинтересованность оперативных служб во внедрении методов МО для совершенствования гидрологических прогнозов, упомянув в том числе взаимодействие со Всемирной метеорологической организацией по данному направлению.

Семинар включал серию докладов, посвящённых как фундаментальным, так и прикладным аспектам применения ИИ в гидрологии.

• Сезонные прогнозы притока воды. С.М. Иглин и В.М. Морейдо (ИВП РАН) представили гибридную модель для прогнозирования притока в Иркутское водохранилище, отметив быстроту её разработки и выявленные ограничения.

• Дистанционный мониторинг снегозапасов. Е.В. Малыгин и М.М. Гольцова (ПАО «Сбербанк») доложили о разработке алгоритма оценки снегозапасов с пространственным разрешением 1 км, адаптируемого для территории России.

• Коррекция глобальных моделей. А.С. Цыпленков (МГУ, ИВП РАН) рассмотрел три метода коррекции гидрологических моделей в условиях отсутствия данных наблюдений, продемонстрировав их эффективность.

• Дифференцируемые модели. Д.В. Абрамов (AI71, ОАЭ) представил разработку dSWAT+ — подход к автоматизации физически обоснованной модели SWAT+ с интеграцией нейросетевых компонентов. Докладчик подробно описал четырёхэтапный рабочий процесс на Python, включающий подготовку данных, построение модели и оптимизацию параметров, особо отметив использование данных о грунтовых водах с разрешением 500 метров.

Круглый стол «ИИ-гидролог: от промптов до агентов»

В ходе круглого стола, модератором которого выступил В.М. Морейдо, были заслушаны доклады, вызвавшие наиболее оживлённую дискуссию. Основное внимание уделялось практическим аспектам использования больших языковых моделей и агентных систем.

• Промпт-инжиниринг для гидрологов. Э.Х. Кудяков (МГУ) обозначил подходы к формулировке запросов для получения максимально релевантных результатов от нейросетей.

• Расчёт паводковых характеристик чат-ботами. А.С. Цыпленков и соавторы представили сравнительное исследование возможностей различных чат-ботов в решении задачи расчёта максимального расхода воды (Q1%). Вывод докладчиков однозначен: при отсутствии точной цифры в обучающей выборке агенты склонны к её генерации (галлюцинации), что делает их применение некорректным без участия опытного гидролога.

• Мультиагентные системы. Е.А. Шкодкина и Т.И. Юсупов (ПАО «Сбербанк») представили разработку «ИИ-гидролога» для оценки и аналитики рисков наводнений. Была озвучена концепция интеллектуальной агентной системы, способной принимать запросы на естественном языке, генерировать прогнозы уровня воды и предоставлять готовую аналитику, что потенциально значительно сокращает время обработки сырых гидрометеорологических данных.

• Опыт использования глубокого обучения в Гидрометцентре. Э.Р. Акмаев (Гидрометцентр России) поделился опытом применения глубокого обучения для гидрологических прогнозов разной заблаговременности. В целом специалисты Гидрометцентра удовлетворены полученными результатами, однако докладчик выделил и ограничения метода: зависимость от объёма и качества обучающих данных, а также сложность воспроизведения петли генезиса стока. Перспективными направлениями названы учёт гидрогеологических признаков и переход к более физически информационным подходам.

• Прогноз опасных явлений. В.А. Кузнецов (НИЯУ МИФИ) представил бинарную модель прогноза неблагоприятных явлений при весеннем ледоходе на Арктических реках , отметив важность комплексного учёта сложных взаимосвязей гидрологических и метеорологических факторов с помощью ансамблей машинного обучения и нейронных сетей. О.Р. Малюта (Сбербанк) — подходы к моделированию ледовых заторов, а С.А. Канашин с коллегами (ГГИ) — прогноз сроков ледостава на реках и озёрах Кольского полуострова, где лучшие результаты показали регрессионные методы. Для краткосрочного прогнозирования ледовых явлений на Кольском полуострове сообщалось о средней точности порядка 82 %.

• Оптимизация параметров. А.Д. Мирошниченко (ИВП РАН) доложил об оптимизации 11 параметров модели HBV с использованием фреймворка Optuna, подчеркнув проблему нерепрезентативности данных наземных метеостанций по сравнению с реанализом.

• Оцифровка архивных гидрометеорологических данных. Два взаимодополняющих доклада были посвящены переводу архивного наследия в цифровой вид. Е.В. Малыгин (ПАО «Сбербанк») сосредоточился на табличных данных гидрометеорологических ежегодников: современные нейросетевые OCR-решения пока справляются с этой задачей с переменным успехом, однако динамика развития методов даёт основания рассчитывать на прогресс в ближайшие годы. В.А. Иванов (МГУ) представил подход к оцифровке текстовых и нетекстовых источников (графики, карты, схемы) на примере создания цифрового архива журнала «Геоморфология», где было обработано около 10 тысяч страниц с применением технологий RAG и CAG.

• Проблема качества данных. В заключительном выступлении Д.В. Абрамов (AI71) обратил внимание на «опасность рядов наблюдений без пропусков», указав, что искусственно сглаженные или сгенерированные данные часто менее ценны, чем «честные» ряды с пропусками, отражающие реальную неопределённость измерений.

Дискуссия и итоги

В ходе общей дискуссии, в которой приняли участие Д.П. Соломатин, Е.В. Малыгин, В.О. Полянин и В.М. Морейдо, было отмечено, что представленные на семинаре работы демонстрируют результаты мирового уровня. Констатировано, что за год, прошедший с предыдущего семинара, произошёл заметный сдвиг от точечных экспериментов к созданию мультиагентных систем и гибридных физико-нейросетевых моделей.

Участники сошлись во мнении, что методы машинного обучения являются мощным, но не самостоятельным инструментом. Их эффективное применение в гидрологии возможно только при глубоком понимании физики процессов, критической оценке исходных данных и разумной верификации результатов. Д.П. Соломатин особо подчеркнул, что модели ИИ должны дополнять, а не подменять знание физических законов.

Телеграм: t.me/ainewsline

Источник: vk.com

Комментарии: