Геоинформационное моделирование зон подтопления горных территорий Северного Кавказа на основе спутниковых и метеорологических данных

О.С. Ермолаева; С.О. Курашкин; О.С. Пучкова; А.В. Бабкина; О.В. Иванов

doi:10.46698/VNC.2026.61.21.001

О.С. Ермолаева Российский государственный аграрный университет – МСХА им. К.А. Тимирязева, Россия, 127434, г. Москва, ул. Тимирязевская, 49
С.О. Курашкин Российский 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, 5
О.С. Пучкова Российский государственный аграрный университет – МСХА им. К.А. Тимирязева, Россия, 127434, г. Москва, ул. Тимирязевская, 49
А.В. Бабкина Российский государственный аграрный университет – МСХА им. К.А. Тимирязева, Россия, 127434, г. Москва, ул. Тимирязевская, 49
О.В. Иванов Государственный морской университет им. адмирала Ф.Ф. Ушакова, Россия, 353918, г. Новороссийск, пр. Ленина, 93

DOI: https://doi.org/10.46698/VNC.2026.61.21.001

Ключевые слова: геоинформационное моделирование, подтопление, Северный Кавказ, дистанционное зондирование Земли, Sentinel-1, Sentinel-2, цифровая модель рельефа, гидрологический анализ, ГИС, метеорологические данные, опасные природные процессы, паводки

Резюме

Актуальность работы. 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. Цель исследования. Разработка геоинформационной модели выявления зон подтопления горных территорий Северного Кавказа с использованием спутниковых и метеорологических данных, а также цифровых моделей рельефа. Методы исследования. 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. Результаты. 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.

Литература

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.