91��ý

2012 год. 2018 год. Фермеры Северного Казахстана помнят эти годы: в отдельных районах потери урожая достигли 40%. Посевы стояли без дождя, зерно не наливалось, влаги не было. И не было предупреждения.

Именно эта незащищённость от внезапности стала отправной точкой нового научного проекта. «Оценка риска атмосферных засух и разработка системы раннего предупреждения для Северного Казахстана на основе машинного обучения» реализуется в 2025–2027 годах в рамках приоритетного направления «Экология, окружающая среда и рациональное природопользование». Исследование носит фундаментальный характер по специализации «Науки о Земле».

Большая часть территории Казахстана расположена в аридных и полуаридных зонах. Северный Казахстан — главная зернопроизводящая территория страны. В 2020 году республика заняла 5-е место в мире по экспорту пшеницы, отгрузив 7,4 миллиона метрических тонн. В 2022–2023 годах производство составило 16,4 миллиона тонн, что обеспечило 9-е место среди крупнейших мировых производителей. Однако сельскохозяйственный комплекс региона почти полностью зависит от атмосферных осадков: ирригационная инфраструктура ограничена, и засуха бьёт напрямую по урожаю.

Глобальное потепление делает эту зависимость всё более опасной. Согласно докладам МГЭИК и многочисленным международным исследованиям, изменение климата ведёт к нарастанию частоты и интенсивности экстремальных погодных явлений — засух в том числе. В Центральной Азии за последние десятилетия зафиксировано значительное повышение среднегодовой температуры при незначительном снижении осадков. Около 75% территории региона относится к зонам высокого риска природных катастроф. По общемировым оценкам, до 80% экономических потерь в сельском хозяйстве как развивающихся, так и развитых стран связано именно с засухами; за сорок лет площадь подверженных им земель удвоилась.

Казахстанские исследователи уже изучали эту проблему. На основе данных 1971–2008 годов была проанализирована повторяемость атмосферных засух в Северном Казахстане с использованием индексов ГТК Г.Т. Селянинова, SPI, Д.И. Шашко и Д.А. Педя. Была разработана технология долгосрочного прогнозирования засух.

Однако у этих работ есть принципиальные ограничения. Во-первых, применявшиеся классические методы — аналоговый и численные модели климата — давали оправдываемость прогнозов в диапазоне 50–70%, особенно ненадёжно — по осадкам. Во-вторых, анализ проводился на региональном уровне без субрегиональной детализации.

Между тем климатические условия могут существенно различаться внутри одного крупного региона. Прогноз, рассчитанный «на Северный Казахстан в целом», не даёт точных ответов для конкретного района. Именно этот пробел данный проект призван восполнить.

Проект принципиально отличается от предшествующих работ в трёх аспектах.

Первый — алгоритмы. Вместо классических статистических методов применяются современные алгоритмы машинного обучения: GRU (Gated Recurrent Unit) для прогнозирования временных рядов метеорологических данных, Random Forest и XGBoost — для классификации засушливых и незасушливых состояний. Эти алгоритмы способны выявлять скрытые нелинейные взаимосвязи между климатическими факторами и возникновением засух, что недоступно классическим подходам.

Второй — источники данных. Наряду с метеорологическими данными используются спутниковые данные дистанционного зондирования: индексы NDVI (нормализованный разностный вегетационный индекс) и EVI (улучшенный вегетационный индекс) из баз данных Copernicus и EUMETSAT. Эти индексы отражают реальное состояние растительного покрова и почвы в режиме близком к реальному времени. Их интеграция с метеорологическими данными существенно повышает точность моделей.

Третий — субрегиональный анализ. Вместо единого регионального прогноза проект ориентирован на субрегиональный уровень, учитывающий пространственную неоднородность климатических условий внутри Северного Казахстана. Прогноз, актуальный для конкретного района, обладает несравнимо большей практической ценностью для фермеров и местных властей.

Дополнительно в рамках проекта проводится сравнительная оценка пяти индексов засушливости — SPI, ГТК, SPEI, MCZI — для выявления наиболее эффективного применительно к условиям региона.

Цель проекта — разработать систему раннего предупреждения атмосферных засух для сельскохозяйственных регионов Северного Казахстана на основе интеграции климатических данных и спутникового мониторинга с применением машинного обучения. Система должна своевременно обеспечивать фермеров и органы власти точной информацией о неблагоприятных климатических условиях.

Три взаимосвязанные задачи структурируют работу. Первая — анализ современных особенностей режима температуры, осадков и влажности и оценка рисков атмосферных засух в Северном Казахстане на основе метеорологических данных за последние 30 лет. Вторая — разработка прогнозирования атмосферных засух с использованием машинного обучения, включая оценку состояния растительности и почвы по данным дистанционного зондирования и обучение алгоритмов GRU, Random Forest и XGBoost. Третья — создание, тестирование системы раннего предупреждения на примере двух областей и разработка практических рекомендаций по адаптации к засухам для фермеров и местных органов власти.

Исторические климатические данные — температура воздуха, осадки, влажность — извлекаются из базы ERA5 Европейского центра среднесрочных прогнозов погоды (ECMWF). Статистический анализ проводится на языке R в среде RStudio с применением теста Манна-Кендалла, оценки наклона Сена, Run Theory, анализа тяжести засух и коэффициентов корреляции.

Спутниковые данные из баз Copernicus и EUMETSAT используются для мониторинга состояния растительного покрова и почвы на основе индексов NDVI и EVI. Модели машинного обучения разрабатываются с использованием библиотеки Python NumPy для обработки данных. GRU применяется для прогнозирования временных рядов, Random Forest и XGBoost — для классификации состояний. Достоверность результатов верифицируется контрольными расчётами.

В 2025 году собираются и обрабатываются метеорологические данные за 30 лет, проводится комплексный анализ климатического режима. Сравнивается эффективность пяти индексов засушливости применительно к условиям Северного Казахстана. Начинается сбор спутниковых данных и мониторинг состояния растительности и почвы.

В 2026 году обучаются и верифицируются модели машинного обучения. Выявляются взаимосвязи между климатическими параметрами и возникновением засух. Тестируется точность алгоритмов для краткосрочных и долгосрочных прогнозов.

В 2027 году система раннего предупреждения разрабатывается в готовом виде и тестируется на двух областях Северного Казахстана. Готовятся практические рекомендации для фермеров и местных органов власти. Результаты публикуются в международных рецензируемых изданиях.

Конечным результатом проекта станет работающая система раннего предупреждения атмосферных засух, поддерживаемая информационной платформой с доступом к данным для фермеров и органов власти. Система позволит заблаговременно планировать орошение, корректировать агротехнические мероприятия и принимать меры по смягчению потерь урожая.

В научном плане будут получены верифицированные модели машинного обучения с задокументированной точностью субрегионального прогнозирования. Будет определён оптимальный индекс засушливости для условий Северного Казахстана. Разработанные методы могут быть адаптированы для других регионов с аналогичными климатическими условиями как в самом Казахстане, так и за его пределами — это обеспечивает международную значимость результатов.

Все результаты публикуются в журналах, индексируемых в Scopus и Web of Science.