НАУЧНАЯ СТАТЬЯ
УДК 556.1; 614.8
DOI: 10.55326/2227-8400-2026-1-40-48

Аннотация. Прогнозирование максимальных уровней воды является важной задачей для планирования водохозяйственных мероприятий и обеспечения безопасности гидротехнических сооружений. В условиях изменчивого климата и сложной гидрологической обстановки бассейна реки Таз традиционные методы прогнозирования не обеспечивают необходимой точности. В работе представлен сравнительный анализ эффективности современных алгоритмов машинного обучения для решения этой задачи. На основе долгосрочного ряда наблюдений (1976–2025 гг.) протестированы восемь моделей: Random Forest, Support Vector Regression (SVR), Gradient Boosting, метод k-ближайших соседей, а также линейные модели с L1-, L2- и комбинированной регуляризацией (Lasso, Ridge, ElasticNet). Рассмотрена расширенная инженерия признаков, включающая создание статистических агрегатов (среднее, максимум, диапазон), временных лагов и скользящих статистик, что позволило улучшить информативность исходных данных. Результаты исследования, оцененные по метрикам R², RMSE и MAE, показали превосходство алгоритма Random Forest, который продемонстрировал наивысшую объяснительную способность (R² = 0,236) и минимальные ошибки (RMSE = 29,03, MAE = 24,52). При этом линейные модели оказались неэффективными, показав отрицательные значения R², что свидетельствует о высокой нелинейности исследуемых гидрологических зависимостей. Практическая значимость работы заключается в разработке готовой методологии и обосновании выбора оптимального алгоритма для построения оперативной системы прогнозирования экстремальных уровней воды реки Таз.

Ключевые слова: прогнозирование уровня воды, машинное обучение, Random Forest, сравнительный анализ, инженерия признаков, гидрологическое моделирование, половодье

Для цитирования: Волкова Н. А., Дмитриев Г. Ю. Сравнительный анализ алгоритмов машинного обучения для прогноза максимальных уровней воды // Гидротехника. 2026. № 1. С. 40–48.