Создана крупнейшая база данных по динамике берегов рек Северной Евразии
<div>
Уникальную по полноте базу данных по динамике берегов рек Северной Евразии разработали ученые географического факультета МГУ имени М.В. Ломоносова совместно с коллегами из научных организаций России, Польши и Китая. База <a target="_blank" href="https://zenodo.org/records/15965461"><span style="color: #00aeef;">NERM</span></a> (The Northern Eurasian Riverbank Migration multi-tool dataset) содержит данные по более чем 620 тыс. речных участков и позволяет оценить устойчивость берегов и параметры боковой эрозии в условиях изменения климата. Результаты исследования <a target="_blank" href="https://essd.copernicus.org/articles/17/5615/2025/"><span style="color: #00aeef;">опубликованы</span></a> в журнале Earth System Science Data (Q1). <br>
<br>
Массив NERM представляет собой крупнейший в мировой практике открытый банк пространственно-временных данных о динамике речных берегов в Северной Евразии. Он включает 626 772 участка, охватывающие свыше 140 тыс. км речных русел Вислы, Волги, Урала, Сакмары, водосбор бассейна Оби, Оку, Надым, Енисей и его притоки, Лену, Индигирку, Яну, Мессояху, Колыму, Амур, Камчатку, а также малые водотоки Московского региона, бассейн Кудьмы, Селенги и Уссури.<br>
<br>
База данных объединяет результаты полевых измерений, дешифрирования многолетних серий спутниковых снимков (Landsat, Sentinel, Keyhole) и высокодетальной аэрофотосъемки с применением беспилотных летательных аппаратов. Использование разнородных источников позволило получить согласованные во времени оценки устойчивости берегов и параметров боковой эрозии (т.е. размывов берегов). В частности, рассчитаны средние и максимальные скорости отступания береговой линии, площадь и объемы размыва, величины выноса наносов, а также установлены связи между интенсивностью переформирований русел и гидрологическими, мерзлотными, геологическими и геоморфологическими параметрами. Особое внимание уделено факторам, контролирующим боковую эрозию в различных природных зонах — от лесостепей Восточной Европы до арктических регионов с развитой толщей многолетнемерзлых пород.<br>
<br>
Масштаб данных делает базу данных NERM принципиально новым инструментом для сравнительных межрегиональных исследований речной морфодинамики. <i>"Сопоставление данных по десяткам речных бассейнов позволило выявить пространственные закономерности, ранее не доступные при изучении отдельных водотоков. Полученные результаты показывают, что в Северной Евразии ведущими контролирующими факторами динамики берегов являются расходы воды и распространение многолетнемерзлых пород. В районах с высокой долей криолитозоны наблюдается более активная перестройка береговых откосов за счет термоабразионных процессов, при которых происходят таяние и последующий размыв вечномерзлых пород, тогда как в умеренных широтах доминируют гидродинамические механизмы боковой эрозии",</i> — отметил ведущий автор исследования, профессор географического факультета МГУ <b>Сергей Чалов</b>.<br>
<br>
Все материалы набора данных NERM опубликованы в открытом доступе и позволяют исследователям, органам государственного экологического и водного надзора, инженерным организациям и специалистам в области оценки природных рисков использовать информацию как для научных целей, так и для практических задач. Для удобства пользователей подготовлены два основных формата представления: интерактивная карта, позволяющая визуализировать динамику береговой линии по годам, и архив данных в репозитории Zenodo, включающий геопространственные слои, метаданные и подробное описание методологии.<br>
<br>
Набор данных NERM формирует основу для разработки моделей прогнозирования будущих изменений конфигурации берегов, оценки вероятных зон риска для населенных пунктов, транспортной и производственной инфраструктуры, а также для анализа устойчивости речных систем в условиях современных климатических тенденций. Благодаря открытому доступу и масштабности охвата NERM уже рассматривается как ключевой инструмент для интеграции региональных исследований в единую паневразийскую систему мониторинга речной динамики.<br>
<br>
Работа выполнена в рамках Мегагранта Правительства РФ "Потоки потенциально токсичных элементов и соединений в речных бассейнах: технологии изучения, количественная оценка и прогноз".
</div>
<br>
Источник: <a target="_blank" href="https://scientificrussia.ru/articles/sozdana-krupnejsaa-baza-dannyh-po-dinamike-beregov-rek-severnoj-evrazii"><span style="color: #00aeef;">портал "Научная Россия"</span></a><br>
Сколтех представил систему прогнозирования ледовой обстановки «Хиона»
<p>
</p>
Центр искусственного интеллекта Сколтеха совместно с Институтом океанологии им. П. П. Ширшова РАН провели на площадке АНО "Цифровая экономика" презентацию "Хионы" — интеллектуальной системы оперативных прогнозов ледовой обстановки и погоды в Арктике. Сервис ориентирован на судоходные и нефтегазовые компании, порты и ситуационные центры и объединяет современные численные модели океана и атмосферы с алгоритмами искусственного интеллекта. "Хиона" формирует краткосрочные прогнозы по ключевым параметрам — сплочённости, толщине и дрейфу льда, а также метеорологическим и океанологическим условиям — на горизонте до 72 часов. В основе системы — открытые модели NEMO+SI3, WRF и WW3. <br>
<br>
<section> <b>Владимир Вановский</b>, руководитель направления гибридного моделирования Центра ИИ Сколтеха, подробно представил методологию построения прогнозов "Хионы": показал, какие параметры входят в прогноз — сплочённость, толщина, дрейф и сжатие льда, метеорологические и океанологические условия, спутниковые снимки; объяснил, как связываются используемые модели с данными реанализа и спутниковых наблюдений, и как применяются методы ИИ, включая усвоение данных, для повышения точности и скорости расчётов. <br>
<section><br>
</section><section> <b>Александр Коновалов</b>, руководитель группы разработки, провёл демонстрацию сервиса и видеокейсов практического использования системы, описал форматы доступа — веб-интерфейс, подключение по API — и варианты интеграции сервиса с инфраструктурой заказчика. Гости мероприятия смогли получить тестовый доступ к системе. <br>
<section><br>
</section><section> <i>"„Хиона“ — пример инженерного ИИ: строгие физические модели сочетаются с методами машинного обучения, чтобы давать отрасли оперативный и воспроизводимый прогноз. Такой подход снижает неопределённость при планировании, переводит управление рисками в проактивный режим и помогает принимать решения в реальном времени — от маршрутизации судов и оптимизации расходов на ледокольное сопровождение до поддержки ситуационных центров. Мы изначально делаем систему масштабируемой и интегрируемой: веб-интерфейс для оперативной работы, API для встраивания в корпоративные процессы и локальное развёртывание у заказчика для тех, кому нужен суверенный контур",</i> — подчеркнул профессор <b>Евгений Бурнаев</b>, вице-президент по развитию искусственного интеллекта в Сколтехе.<br>
<section><br>
</section><section> <i>"Сегодня, когда Северный морской путь становится важнейшим национальным и международным приоритетом, обеспечивающим перевозки между восточной и западной частью России, а также между Европой и Азией, прогнозирование не только ледовых, но и гидродинамических условий в океане и метеорологических условий в атмосфере вдоль трассы Северного морского пути становится важнейшим вызовом для учёных. Наша совместная работа, система „Хиона“, включает гидродинамическое моделирование, развитое в Институте океанологии, и разработанные в Сколтехе технологии машинного обучения и искусственного интеллекта, которые помогают не только усваивать данные, но и в значительной степени детализировать картину гидродинамических процессов. „Хиона“ не может существовать в „замороженном“ виде: она должна развиваться и регулярно обновляться, потому что меняется климат, ледовая обстановка и динамика во многих областях Арктического бассейна, и всё это необходимо учитывать",</i> — отметил академик РАН <b>Сергей Гулёв</b>, руководитель лаборатории Института океанологии РАН.<br>
<br>
<span style="color: #2f312e;"><span style="color: #000000;">Запросы на доступ и вопросы по интеграции:</span> </span><a href="mailto:chione@skoltech.ru" target="_blank"><span style="color: #00aeef;">chione@skoltech.ru</span></a><span style="color: #2f312e;">. <span style="color: #000000;">Подробности — на странице проекта:</span></span><a href="https://events.skoltech.ru/chione_ru" target="_blank"> <span style="color: #00aeef;">https://events.skoltech.ru/chione_ru</span></a>. <span style="color: #000000;">Видеоролик о</span> <span style="color: #000000;">системе:</span> <a href="https://disk.yandex.ru/i/7O9D6JT5pXx-3w" target="_blank"><span style="color: #00aeef;">https://disk.yandex.ru/i/7O9D6JT5pXx-3w</span></a></section></section></section></section><section style="color: #2f312e;"><section><section><section> <br>
<span style="color: #000000;">Источник: <a target="_blank" href="https://events.skoltech.ru/chione_ru"><span style="color: #00aeef;">Сколтех</span></a><br>
</span></section></section></section> </section>