Геология и Геофизика Юга РоссииГеология и Геофизика Юга России2221-3198Федеральное государственное бюджетное учреждение науки Федеральный научный центр "Владикавказский научный центр Российской академии наук"143910.46698/VNC.2026.61.21.001ГеоинформатикаГеоинформационное моделирование зон подтопления горных территорий Северного Кавказа на основе спутниковых и метеорологических данныхЕрмолаеваО.С.ol_ermolaeva@rgau-msha.ruКурашкинС.О.kurashkin@emtc.ruПучковаО.С.puchkova@rgau-msha.ruБабкинаА.В.babkina@rgau-msha.ruИвановО.В.ivanovatb@list.ruРоссийский государственный аграрный университет – МСХА им. К.А. Тимирязева, Россия, 127434, г. Москва, ул. Тимирязевская, 49Российский государственный аграрный университет – МСХА им. К.А. Тимирязева, Россия, 127434, г. Москва, ул. Тимирязевская, 49; Московский государственный технический университет им. Н.Э. Баумана, Россия, 105005, г. Москва, ул. 2-я Бауманская, 5Государственный морской университет им. адмирала Ф.Ф. Ушакова, Россия, 353918, г. Новороссийск, пр. Ленина, 93300620262244255Copyright (c) 2026 Геология и геофизика Юга России2026Геология и геофизика Юга России<p><strong>Актуальность работы.</strong> Рост частоты экстремальных осадков и паводковых явлений в горных районах Северного Кавказа повышает необходимость разработки современных методов выявления и прогнозирования зон подтопления на основе данных дистанционного зондирования Земли и геоинформационных технологий. <strong>Цель исследования.</strong> Разработка геоинформационной модели выявления зон подтопления горных территорий Северного Кавказа с использованием спутниковых и метеорологических данных, а также цифровых моделей рельефа. <strong>Методы исследования.</strong> Использованы радиолокационные данные Sentinel-1, мультиспектральные данные Sentinel-2 и Landsat-8, цифровые модели рельефа SRTM DEM и ALOS PALSAR DEM, а также метеорологические данные ERA5 и GPM IMERG. Обработка и анализ данных выполнены средствами QGIS, ArcGIS Pro, Google Earth Engine и Python. Для классификации зон подтопления применен алгоритм Random Forest. <strong>Результаты.</strong> Установлено, что наиболее подвержены подтоплению пойменные территории, межгорные котловины и участки с малыми уклонами поверхности. Определены пороговые значения осадков, способствующие формированию опасных гидрологических ситуаций. Показана высокая эффективность совместного использования радиолокационных и оптических спутниковых данных. Разработанная модель обеспечила общую точность классификации 91–93 % и может использоваться для мониторинга, оценки гидрологических рисков и поддержки систем раннего предупреждения чрезвычайных ситуаций.</p>geoinformation modelingfloodingNorth Caucasusremote sensingSentinel-1Sentinel-2digital elevation modelhydrological analysisGISmeteorological datanatural hazardsfloodsгеоинформационное моделированиеподтоплениеСеверный Кавказдистанционное зондирование ЗемлиSentinel-1Sentinel-2цифровая модель рельефагидрологический анализГИСметеорологические данныеопасные природные процессыпаводки1.Denissova N., Chettykbayev R., Dyomina I., Petrova O., Saparkhojayev N. Integration of space and hydrological data into system of monitoring natural emergencies (Flood Hazards) // Applied Sciences (Switzerland). – 2025. – Vol. 15. No. 14. – Art. No. 8050. DOI: 10.3390/ app15148050.2.Detera B.J.M., Kanno T., Onda K., Tsubouchi K., Kodaka A., Nishino A., Kohtake N. Spatio-temporal analysis of mobile phone and social media data across multiple disaster scenarios: an input to population exposure assessment // ACM International Conference Proceeding Series. – 2023. – pp. 1–8. DOI: 10.1145/3606180.3606181.3.Freire S., Florczyk A., Ferri S. Modeling day- and nighttime population exposure at high resolution: Application to volcanic risk assessment in Campi Flegrei // In: 12th International Conference on Information Systems for Crisis Response and Management (ISCRAM 2015): Conference Proceedings. Kristiansand, Norway.4.Swain K.C., Singha C., Nayak L. Flood Susceptibility Mapping through the GIS-AHP Technique Using the Cloud // ISPRS International Journal of Geo-Information. – 2020. – Vol. 9. – pp. 720. DOI: 10.3390/ijgi9120720.5.Gharagozlou A., Diarjan M.H. Environmental planning by using GIS/RS for flood management // In: GI4DM 2010 Conference – Geomatics for Crisis Management. Turin, Italy, 2010. – pp. 16–23.6.Ismailov N., Chymyrov A., Bekturov A., Karagulov A. GIS Based spatial modelling of snow avalanche hazard along the North-South Alternative Road // International Journal of Geoinformatics. – 2023. – Vol. 19. No. 11. – pp. 54–61. DOI: 10.52939/ijg.v19i11.2925.7.Kasiyanchuk D., Davybida L. Geoinformation Modelling for the Siting of industrial solar power plants considering landslide processes in mountainous areas // Geodynamics. – 2025. – Vol. 39. No. 2. – pp. 83–98. DOI: 10.23939/jgd2025.02.083.8.Kril T., Shekhunova S., Cherevko I. Identification of potentially unstable areas by engineering and geological processes monitoring and heritage building deformations // In: Monitoring of Geological Processes and Ecological Condition of the Environment (Monitoring 2023): Materials XVII International Scientific Conference. Kiev, Ukraine, 2023. DOI: 10.3997/22144609.2023520203.9.Lemenkova P. Deep Learning methods of satellite image processing for monitoring of flood dynamics in the Ganges Delta, Bangladesh // Water (Switzerland). – 2024. – Vol. 16. No. 8. – Art. No. 1141. DOI: 10.3390/w16081141.10.Lukyanchuk K.A., Pidkova O.M. Geoinformation modeling of erosion processes in the basins of small rivers (on the example of the river Horynka) // In: Theoretical and Applied Aspects: Materials 20th International Conference on Geoinformatics. Kiev, Ukraine, 2021. DOI: 10.3997/2214-4609.20215521141.11.Melesse A.M., Rahmati O., Khosravi K., Petropoulos G.P. Remote sensing of soil and land surface processes: monitoring, mapping, and modeling. Amsterdam: Elsevier, 2023. – 449 p. DOI: 10.1016/C2022-0-00222-1.12.Seyoum W.M., Kwon D., Milewski A. M. Downscaling GRACE TWSA Data into HighResolution Groundwater Level Anomaly Using Machine Learning-Based Models in a Glacial Aquifer System // Remote Sensing. – 2019. – Vol. 11. – No. 7. – Art. No. 824. DOI: 10.3390/ rs11070824.13.Neposhyvailenko N., Gulyaev V., Gritsan Y., Huba O. Geoinformation modeling of radioactive contamination of territories on the example of mines of the “ShidGSK” mining and processing plant // Biosystems Diversity. – 2024. – Vol. 32. No. 1. – pp. 168–173. DOI: 10.15421/012417.14.Nikiforov D.V., Mezhova L.A., Kulnev V.V., Lugovskoi A.M., Nikanov A.N., Kizeev A.N., Repina E.M. Public health in radon-affected territories // Human Ecology. – 2019. – No. 1. – pp. 40–50.15.Pradhan B. Geoinformation techniques in natural hazard modeling: Preface // Geoscience Frontiers. – 2015. – Vol. 6. No. 6. – pp. 791–792. DOI: 10.1016/j.gsf.2014.10.001.16.Pradhan B., Buchroithner M. Terrigenous mass movements: detection, modelling, early warning and mitigation using geoinformation technology. Berlin: Springer, 2012. – 398 p. DOI: 10.1007/978-3-642-25495-6.17.Stefano F.D., Chiappini S., Sanita M., Pierdicca R., Malinverni E.S. Geomatics-enabled interdisciplinary approach based on geospatial data processing for hydrogeological risk-analysis // Geomatics and Environmental Engineering. – 2024. – Vol. 18. No. 3. – pp. 63–80. DOI: 10.7494/ geom.2024.18.3.63.18.Struchkova G.P., Nogovitsyn D.D., Kapitonova T.A., Kusatov K.I. Flood forecasting on River Lena during spring high water in area of location of potentially dangerous objects // In: IOP Conference Series: Earth and Environmental Science. – 2019. – Vol. 272. No. 2. – Art. No. 022054. DOI: 10.1088/1755-1315/272/2/022054.19.Yaitskaya N.A., Magaeva A.A. Hydrometeorological Phenomena and multi-hazards: mathematical modelling, decision support systems, geoinformation systems (Review) // Physical Oceanography. – 2022a. – Vol. 29. No. 4. – pp. 347–362. DOI: 10.22449/1573-160X-2022-4347-362.20.Yaitskaya N.A., Magaeva A.A. Ensembles of hazardous hydrometeorological phenomena: legal and regulatory aspects, terminology and classification (Review) // Physical Oceanography. – 2022b. – Vol. 29. No. 3. – pp. 237–256. DOI: 10.22449/1573-160X-2022-3-237-256.