Новый подход, объединяющий кросс‑переменный трансформер и декомпозицию сигнала для прогнозирования уровня реки в реальном времени: значение для устойчивого управления водными ресурсами

Наблюдая за реками, охраняющими прибрежные города

Для миллионов людей, живущих вдоль речных дельт, внезапный подъём воды означает затопленные дома, повреждённые посевы и нарушение работы городов. Однако многие реки с повышенным риском, особенно в бедных или отдалённых районах, лишены подробных метео‑ и гидрологических измерений, которые обычно требуются современным инструментам прогнозирования. В этом исследовании предложен новый метод прогнозирования суточных уровней реки, использующий лишь сами прошлые показания уровня воды — перспективный путь к улучшению готовности к наводнениям в условиях недостатка данных.

Почему простые речные записи не так просты

Уровни рек поднимаются и опускаются под влиянием приливов, осадков, плотин выше по течению и даже удалённых климатических явлений. Эти колебания формируют временные ряды, которые выглядят шумными и нерегулярными, с резкими пиками во время штормов или высоких приливов. Традиционные вычислительные модели часто требуют множества входных данных — дождя, температуры, испарения и прочего — и испытывают трудности, когда доступны только записи уровня воды. В реке Рупса‑Пашур в Бангладеш, протекающей рядом с прибрежными городами Хулна и Монгла, ситуация именно такая: высокий риск наводнений при ограниченных сопутствующих данных. Авторы поставили практический вопрос: можно ли всё же получить высокоточечные, оперативные прогнозы суточного уровня воды, имея только одну неровную линию прошлых измерений?

Разбиение сложного сигнала на управляемые части

Исследователи решают эту задачу, сначала «внимательнее слушая» историю реки. Вместо того чтобы напрямую подавать исходную линию уровня воды в модель прогнозирования, они применяют продвинутые методы декомпозиции сигнала. Эти методы разделяют исходный ряд на несколько более гладких подсигналов, каждый из которых фиксирует закономерности на разных временных масштабах — от быстрых суточных колебаний до медленных сезонных изменений — а также оставшийся шум. Испытаны пять таких техник, включая недавно предложенный метод последовательной вариационной модовой декомпозиции, предназначенный для выделения чётких компонент даже при зашумлённых данных. Полученные компоненты служат более богатым набором подсказок, созданных из единственной доступной переменной.

Новый обучающий механизм для поведения реки

Для обучения на этих подсказках команда использует современную модель прогнозирования под названием CLIENT, которая сочетает две идеи. Одна часть — простой и быстрый линейный блок, отслеживающий общие тренды уровня воды. Другая часть — модуль трансформера, тип архитектуры глубинного обучения, широко применяемый в языковых моделях, умеющий выявлять тонкие взаимосвязи между входными признаками. Перед началом обучения выполняется обратимая нормализация, которая сглаживает сдвиги в общем уровне временного ряда и затем восстанавливает их в конце, помогая модели сохранять стабильность со временем. Подавая в CLIENT как недавние суточные уровни, так и декомпозированные подсигналы, авторы строят шесть вариантов модели и сравнивают их с более привычными инструментами — нейросетями, сетями с долгой краткосрочной памятью (LSTM) и деревьями решений.

Насколько хорошо мы можем предсказать уровень реки на следующий день?

Испытания на станциях Хулна и Монгла показывают впечатляющие результаты гибридного подхода. Все версии CLIENT, улучшенные декомпозицией, уменьшают ошибки прогнозов по сравнению с моделями, использующими только недавние суточные уровни. Лидер — сочетание с последовательной вариационной модовой декомпозицией, обозначенное в исследовании как C6. На обеих станциях эта модель воспроизводит почти все наблюдаемые суточные колебания и с поразительной точностью фиксирует экстремальные события высокого уровня воды, достигая почти идеальных показателей качества при умеренной вычислительной нагрузке. Авторы затем проверяют ту же модель на трёх весьма разных реках в Бангладеш и США, при нескольких разделениях на обучающую и тестовую выборки, и обнаруживают, что она остаётся надёжной даже при относительно коротких или сильно изменчивых записях данных.

От исследовательского кода к практическим предупреждениям о наводнениях

Чтобы выйти за рамки теории, команда упаковывает свою лучшую модель в интерактивный компьютерный интерфейс. Пользователи могут загрузить простую таблицу с прошлым суточным уровнем воды и получить прогноз на следующий день, при этом сложная математика остаётся за кулисами. Поскольку метод опирается только на записи уровня воды — зачастую наиболее доступные гидрологические данные — он открывает путь для большего числа сообществ, особенно в развивающихся прибрежных регионах, к получению своевременных речных прогнозов. Проще говоря, исследование показывает, что за счёт грамотного преобразования и обучения на одном потоке измерений можно создать быстрые и точные инструменты, которые помогут планировщикам, инженерам и жителям раньше замечать опасно высокие уровни воды и действовать до прихода наводнений.

Цитирование: Ratul, M., Akter, U., Mollick, T. et al. A novel integration of cross variable transformer and signal decomposition for real-time prediction of river water level: an implication for sustainable water resources management. Sci Rep 16, 9366 (2026). https://doi.org/10.1038/s41598-026-39591-4

Ключевые слова: прогнозирование уровня реки, риск наводнений, машинное обучение, декомпозиция временных рядов, прибрежный Бангладеш