Реконструкции исторического суточного и месячного стока Великих озёр Лаврентия на базе машинного обучения

Почему прошлые речные потоки важны сегодня

Великие озёра содержат почти одну пятую пресной поверхностной воды мира и обеспечивают миллионы людей питьевой водой, транспортом, энергией и рекреацией. Тем не менее реки, питающие эти озёра, не всегда измерялись тщательным образом. Многие посты наблюдения за расходом воды были закрыты или имеют разрывы в записях, что затрудняет понимание того, сколько воды действительно поступало в озёра в последние десятилетия. В этой статье представлен новый способ цифровой «перемотки» более чем 60 лет суточного стока рек в Великие озёра, который даёт сообществам и планировщикам гораздо более ясную картину прошлых влажных и сухих периодов и помогает готовиться к будущим изменениям климата и уровней воды.

Заполнение недостающих звеньев

Гидрографические посты — это базовые инструменты для измерения количества воды в реке. По всей Северной Америке тысячи таких постов были закрыты или имеют фрагментарные записи из‑за поломок оборудования и сокращения финансирования. Традиционные методы заполнения пропусков часто ориентируются на отдельные реки или используют глобальные компьютерные модели, которые слишком грубы, чтобы уловить локальные детали. Им трудно отслеживать суточные подъёмы и падения расхода — а это критично для понимания паводков, засух и перемещения воды в локальных системах. Бассейн Великих озёр добавляет дополнительную сложность: почти треть территории вообще не покрыта постами наблюдений, он пересекает границу США и Канады и включает мозаику климатов, типов почв, городов, ферм, лесов и влажных земель.

Обучение нейросети «чтению» рек

Авторы обращаются к типу искусственного интеллекта, известному как сеть с длительной кратковременной памятью (LSTM) — разновидности нейронной сети, разработанной для усвоения закономерностей, разворачивающихся во времени. Они обучают отдельные LSTM‑модели для четырёх исторических периодов между 1950 и 2013 годами, чтобы лучше учесть медленные сдвиги климата, землепользования и управления водными ресурсами человеком. Каждая модель получает три типа входных данных для сотен водосборов по региону Великих озёр: суточные погодные данные (осадки и температура), постоянные физические характеристики каждого бассейна (например, высота, уклон, почвы и покрытие земли) и — что особенно важно — расход с близлежащих «донорских» постов, которые ведут себя схожим образом. Сопутствующий инструмент машинного обучения сначала выявляет, какие посты обычно поднимаются и опускаются вместе, а затем подбирает лучших доноров для каждой целевой точки. Такая схема позволяет сети изучить, как дождь и таяние снега превращаются в речной сток на самых разных ландшафтах.

От отдельных рек к целым озёрам

После обучения лучшая модель (та, что использует и климатические данные, и информацию от донорских постов) применяется для генерации полных суточных записей стока с 1951 по 2013 годы для 656 гидропостов. Команда затем идёт дальше: они применяют ту же модель к 128 прибрежным бассейнам, которые непосредственно стекают в пять Великих озёр — Верхнее (Superior), Мичиган‑Хьюрон, Сент‑Клер, Эри и Онтарио. Для каждого из этих бассейнов модель оценивает стоки в негидроизмеряемых районах и смешивает их с имеющимися наблюдениями с внутренних постов. Эти суточные значения затем суммируются, чтобы получить месячные итоги воды, поступающей в каждое озеро.

Сопоставление цифровых рек с реальностью

Исследователи тщательно проверяют, насколько хорошо их модель работает на участках, которые были в обучающей выборке, и на участках, которые модель никогда не видела. На многолетних интервалах модель воспроизводит суточные расходы точнее, чем более простая версия, опирающаяся только на климат и характеристики бассейна, особенно когда она может использовать данные близлежащих донорских постов. Она особенно успешна в «заполнении пробелов» для постов с частичными записями, оставаясь при этом конкурентоспособной и в полностью негидроизмеряемых бассейнах. При сравнении их реконструированных месячных стоков в озёра с несколькими существующими продуктами, используемыми ведомствами, они обнаруживают сильное согласие в последние десятилетия и более отчётные, выраженные пиковые потоки во многих случаях, особенно по сравнению с моделями, основанными исключительно на уравнениях «осадки—сток».

Что это означает для уровней воды в Великих озёрах

Новый набор данных даёт один из самых подробных и долгосрочных обзор того, как вода стекала с суши в Великие озёра за последние шесть десятилетий. Для водных менеджеров это означает лучшие входные данные для моделей водного баланса озёр, более точные оценки прошлых паводков и засух и большую уверенность при планировании неопределённых будущих уровней воды в условиях меняющегося климата. Поскольку метод опирается на долговременные погодные данные и существующую сеть постов наблюдений, а не на относительно недавние спутниковые записи, его можно распространить как ретроспективно, так и на другие регионы мира с аналогичными пробелами в мониторинге. Короче говоря, эта работа даёт мощную «кнопку перемотки» для речного стока, помогая сообществам понять, откуда в прошлом приходила вода в Великие озёра, чтобы лучше управлять ею в будущем.

Цитирование: Gupta, R.S., Wi, S. & Steinschneider, S. Machine Learning-Based Reconstructions of Historical Daily and Monthly Runoff for the Laurentian Great Lakes. Sci Data 13, 624 (2026). https://doi.org/10.1038/s41597-026-07000-0

Ключевые слова: сток Великих озёр, восстановление расхода рек, гидрология и машинное обучение, изменчивость уровня воды, влияние изменения климата