Assessment of the applicability of machine learning models for forecasting the hydroecological state of small rivers
Abstract
Relevance. The catchment area of the Belaya River near Luhansk is exposed to natural and anthropogenic factors associated with the closure of coal mines. The use of modern machine learning methods will make it possible to predict the flow of water in a river and identify ways to provide sufficient supplies to industry and the public. Aim. Monthly prediction of water consumption based on several machine learning methods (ARIMA, SARIMAX, LSTM, CatBoost). Methods. The data of water flow rate, average air temperature, average wind speed, daily precipitation and dry residue, calculated as a result of chemical analysis from water samples at the level measuring station, which is located closest to the Isakovskoye Reservoir, are considered. Prognostic models are built on the original data, the corresponding average absolute errors are calculated and the possibility of building an effective system for monthly forecasting of water flow rate is shown. In order to assess the mutual influence of the specified data, it is proposed to use factor analysis. Results. As a result of the study, the applicability of the gradient boosting algorithm (CatBoost), which uses preset hydrometeorological information in the catchment area, has been revealed. The models are implemented using open software libraries in Python, which confirms the possibility of widespread use of the described techniques for scientific research and solving applied problems. Additionally, groups of mutual influence of factors were formed and their assessment was given. The obtained results are one of the important components for software and hardware tools necessary for identifying patterns of the multifactorial process of formation of runoff of surface water bodies and forecasting water consumption for the considered catchment area.
References
Артамонов Н.В., Ивин Е.А., Курбацкий А.Н., Фантаццини Д. Введение в анализ временных рядов. Вологда: ВолНЦ РАН, 2021. – 134 с.
Борщ С.В., Симонов Ю.А., Христофоров А.В. Прогнозирование стока рек России. М.: Гидрометцентр России, 2023. ‒ 200 с.
Данилов А.М., Гарькина И.А. Интерполяция, аппроксимация, оптимизация: анализ и синтез сложных систем. Пенза: ПГУАС, 2014. – 168 с.
Долгих В.П., Рыбалка С.В., Боблева И.С. Краткосрочное прогнозирование водного режима рек и водохранилищ методом Брауна. // Экологический вестник Донбасса. – 2024. – № 12. – С. 9–15.
Коптева А.К. О влиянии подземной добычи угля на водные ресурсы реки Белая и наполняемость Исаковского водохранилища в Луганской народной Республике. // Экологический вестник Донбасса. – 2023. – № 9. – С. 47–55.
Крамаренко А.А., Коптева А.К., Лысенко И.Л. О формировании стока малых рек в условиях углеразработок и о выборе рек-аналогов. // Экологический вестник Донбасса. – 2022. – № 7. – С. 37–50.
Мотовилов Ю.Г. Гидрологическое моделирование речных бассейнов в различных пространственных масштабах. 1. Алгоритмы генерализации и осреднения. // Водные Ресурсы. – 2016а. – Т. 43. № 3. – С. 243–253. DOI: 10.7868/S0321059616030111.
Мотовилов Ю.Г. Гидрологическое моделирование речных бассейнов в различных пространственных масштабах. 2. Результаты испытаний. // Водные Ресурсы. – 2016б. – Т. 43. № 5. – С. 467–475. DOI: 10.7868/S0321059616050096.
Погорелов А.В., Липилин Д.А., Яроцкая Е.В. Геоинформационный анализ современных изменений гидрографических характеристик речной сети на Азово-Кубанской равнине (бассейн реки Ея). // Геология и геофизика Юга России. – 2023. – Т 13. № 2. – С. –161–179. DOI: 10.46698/VNC.2023.35.64.001.
Правила эксплуатации Исаковского гидроузла. Луганск: ОКП «Луганская областная топливно-энергетическая компания», 2003. – 17 с.
Свод правил по проектированию и строительству. СП 529.1325800.2023. Определение основных расчетных гидрологических характеристик. М.: Госстрой России, 2023. – 103 с.
Смирнова И.В., Вознюк Ю.С. Расчёт подземного стока в реку Белая гидрохимическими методами. // Экологический вестник Донбасса. – 2023. – № 9. – С. 41–46.
Beven K. Deep learning, hydrological processes and the uniqueness of place. // Hydrological Processes. – 2020. – Vol. 34. Issue 16. – pp. 3608–3613. DOI: 10.1002/hyp.13805.
Borsch S., Simonov Y., Khristoforov A., Semenova N., Koliy V., Ryseva E., Krovotyntsev V., Derugina V. Russian Rivers Streamflow Forecasting Using Hydrograph Extrapolation Method. // Hydrology. – 2022. – Vol. 9. DOI: 10.3390/hydrology9010001.
Daniel C. Pandas for everyone: Python data analysis, 2nd edition. Addison-Wesley Data & Analytics Series. – 2023. – 512 p.
Douglas C.M., Cheryl L.J., Kulahci M. Introduction to time series analysis and forecasting. – John Wiley & Sons, Inc., Hoboken, New Jersey, 2015 – 671 p.
Deepali R.V., Gresha S. Bhatia python machine learning projects. – BPB Publications. – 2023. – 260 p.
Hancock J., Khoshgoftaar T. CatBoost for big data: an interdisciplinary review. // Journal of Big Data. – 2020. – Vol. 7(1). DOI: 10.1186/s40537-020-00369-8.
Prokhorenkova L., Gusev G., Vorobev A. CatBoost: unbiased boosting with categorical features. // Advances in Neural Information Processing Systems. – 2018. – Vol. 31.
Stewart J. Python for Scientists, 3rd Edition. – Cambridge University Press. – 2023. – 228 p.
Trancart T., Acou A., De Oliveira E. Forecasting animal migration using SARIMAX: An efficient means of reducing silver eel mortality caused by turbines. // Endangered Species Research. – 2013. – Vol. 21(2). – pp. 181–190. DOI: 10.3354/esr00517.
Vennerod Ch.B., Kjаrran A., Bugge E.S. Long short-term memory RNN. – 2021. – 16 p.
English
Русский
