Экспертные заключения: 10
Консультации: 0

Модель прогноза стока на основе SRM и Transformer с интерпретируемостью механизмов формирования стока реки

1. Идея проекта
Создать гибридную гидрологическую модель, которая объединяет физический расчёт снеготаяния (SRM) и нейросеть Transformer. Модель прогнозирует приток воды в водохранилища и опасные паводки на 1–30 суток вперёд и при этом объясняет, из чего сложился прогноз. Обычные физические модели понятны, но ошибаются при аномалиях. Чистые нейросети точнее, но работают как «чёрный ящик». Мы соединяем оба подхода: физика даёт каркас, нейросеть — точность, а модуль объяснимости показывает вклад каждого фактора.

2. Связь с НПТЛ

Проект «Модель прогноза стока на основе SRM и Transformer с интерпретируемостью механизмов формирования стока реки» соотносится с национальным проектом технологического лидерства «Микроэлектроника» через уровни «Аппаратура космических аппаратов связи и ДЗЗ, средства выведения, наземные средства приема и обработки целевой информации» и «Наземные средства приема, обработки и интерполяции целевой спутниковой информации», что соответствует обеспечивающей связи, поскольку модель использует спутниковые данные ДЗЗ (MODIS, Sentinel-2, «Метеор-М») для непрерывного расчёта суточной площади снегопокрытия (SCA) по высотным зонам бассейна, но не создаёт сами космические аппараты и наземную инфраструктуру приёма.

Дополнительно проект соотносится: с НПТЛ «Микроэлектроника» через уровни «Системы управления с применением искусственного интеллекта (робототехника и предиктивная аналитика)» и «Специализированное алгоритмическое обеспечение и программные платформы искусственного интеллекта» — тип связи прямая технологическая, поскольку проект создаёт алгоритмы доверенного и объяснимого искусственного интеллекта (XAI) для системы поддержки принятия решений (СППР) в гидрологическом прогнозировании, но не создаёт саму микроэлектронную компонентную базу.

Также проект соотносится: с НПТЛ «Технологическое обеспечение продовольственной безопасности» через уровень «Агротехнологии» — тип связи обеспечивающая, поскольку модель обеспечивает предиктивное управление водными ресурсами для систем орошения и мелиорации АПК, но не создаёт саму сельскохозяйственную технику или технологии.

3. Цель проекта

Создать прототип веб-сервиса, который прогнозирует приток воды в водохранилища на 1–30 суток вперёд и объясняет, из чего сложился прогноз.

4. Задачи проекта

  • Провести интервью с гидроэнергетиками и гидрологами-прогнозистами.
  • Выбрать модельный речной бассейн (горный или предгорный).
  • Собрать данные: расходы воды, осадки, температура, спутниковые снимки снега.
  • Реализовать модель снеготаяния SRM с разбивкой бассейна по высотным зонам.
  • Обучить нейросеть Transformer на данных SRM и метеоданных.
  • Сделать модуль объяснимости: показать вклад снега, дождя и грунтовых вод.
  • Создать простой веб-интерфейс с графиком прогноза и блоком объяснения.
  • Проверить модель на реальном паводке.

5. Ожидаемые результаты

  • Обученная гибридная модель (SRM + Transformer) с проверкой на реальном событии.
  • Модуль объяснимости: диаграмма вклада факторов в пик паводка.
  • Прототип веб-интерфейса с графиком прогноза и блоком объяснения.

6. Описание продукта
Программно-аналитический комплекс для гидрологического прогнозирования. Пользователь (диспетчер ГЭС или гидролог-прогнозист) видит график прогноза расхода воды на 1–15 суток с доверительным коридором погрешности и блок объяснимости: наглядную диаграмму, показывающую, из чего сложился пик паводка (например, «60% — таяние снега с высот более 2500 м, 25% — вчерашний дождь в долине, 15% — базовое грунтовое питание; пик наступит через 48 часов из-за времени добегания»). В основе — гибридная модель, объединяющая физический расчёт снеготаяния SRM и нейросеть Transformer с механизмами внимания.

7. Области применения результатов

  • Прогнозирование притока в водохранилища ГЭС.
  • Прогноз опасных половодий и паводков.
  • Оптимизация режимов сбросов и выработки электроэнергии.
  • Поддержка принятия решений диспетчерами ГЭС и гидрологами.
  • Научные исследования в области гидрологии и машинного обучения.
  • Образовательные задачи (подготовка гидрологов и гидроэнергетиков).

8. Потенциальные потребительские сегменты

  • ПАО «РусГидро» и системные операторы ГЭС (диспетчеры, гидрологи, 30–50 лет), заинтересованные в точном прогнозе притока и оптимизации сбросов.
  • ФГБУ «Гидрометцентр России» (гидрологи-прогнозисты, 30–50 лет), использующие сервис для прогноза паводков.
  • Бассейновые водные управления Росводресурсов (специалисты по управлению водными ресурсами, 30–50 лет).
  • Проектные и научно-исследовательские институты гидрологического профиля.
  • Частные гидрологи и исследователи, работающие с прогнозированием стока.

БИЗНЕС-МОДЕЛЬ

1. ПРОБЛЕМА
Неточность и непрозрачность прогнозов существующих моделей прогнозирования стока рек.

1а. СУЩЕСТВУЮЩИЕ АЛЬТЕРНАТИВЫ
MIKE HYDRO, HEC-RAS, iAMP-Hydro, прогнозы от Росгидромета.

2. ПОТРЕБИТЕЛЬСКИЙ СЕГМЕНТ

  1. Гидроэлектростанции (ГЭС)
  2. Гидрометеорологические станции (Росгидромет)
  3. НИИ, проектно-изыскательские организации

2а. РАННИЕ ПОСЛЕДОВАТЕЛИ
Проектно-изыскательские организации.

3. ЦЕННОСТНОЕ ПРЕДЛОЖЕНИЕ
Модель прогноза стока на основе SRM и Transformer с интерпретируемостью механизмов формирования стока предоставит прогнозы с достоверностью более 90% за сутки.

4. РЕШЕНИЕ
Модель прогнозирования стока на основе SRM и Transformer, которая учитывает сезонную динамику, погодные и гидрологические факторы и позволяет интерпретировать механизмы формирования прогноза.

5. КАНАЛЫ РАСПРОСТРАНЕНИЯ

  1. Сайт компании
  2. MAX — канал
  3. Участие в профессиональных форумах и выставках

6. ПОТОКИ ПОСТУПЛЕНИЯ ДОХОДОВ

  1. Доход от продажи подписок и от доступа к базам данных
  2. Доходы от продажи рекламы

6а. МОДЕЛЬ МОНЕТИЗАЦИИ
Подписочная модель на 1 устройство (обычная подписка — информационные сведения, подписка PRO — уведомления об опасности).

7. СТРУКТУРА РАСХОДОВ
Покупка доступа к сайтам и данным, покупка серверов, оплата труда разработчиков и сотрудников, налоги, аренда помещения, затраты на продвижение и т.д.

8. КЛЮЧЕВЫЕ МЕТРИКИ

  1. Частота покупки подписок
  2. Оценка и отзывы пользователей
  3. Выручка

9. СКРЫТОЕ ПРЕИМУЩЕСТВО

  1. Гибридный подход
  2. Учёт сложных зависимостей
  3. Масштабируемость
  4. Снижение стоимости ошибки
  5. Интерпретируемость

Ссылка

На страницу проекта

Направление

IT, Геология, геодезия и метеорология

Рынки

TechNet

Сквозные технологии

Искусственный интеллект, Геоинформационные системы