Источник фото: Wirestock / платформа Magnific (Freepik)
Представляем немного сокращенный адаптированный перевод обзорной статьи американских и турецких специалистов (Memiş et al., 2025), посвященной прогнозированию деградации многолетней мерзлоты на основе машинного обучения для геотехнического строительства. Эта работа была опубликована в международном рецензируемом журнале AI in Civil Engineering («Искусственный интеллект в гражданском строительстве»), выпускаемом одним из крупнейших научных издательств Springer Nature совместно с престижным китайским Университетом «Тунцзи» (Tongji University). Данная статья находится в открытом доступе в соответствии с лицензией CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), которая позволяет распространять, переводить, адаптировать и дополнять эту работу при условии указания типов изменений и ссылки на первоисточник. В нашем случае полная ссылка на источник для представленного перевода (Memiş et al., 2025) приведена в конце.
Из-за изменений климата территории распространения многолетней мерзлоты (ММ) подвергаются стремительным трансформациям, что создает серьезную угрозу для дорог, трубопроводов, фундаментов и других геотехнических сооружений. Традиционные методы мониторинга и прогнозирования деградации ММ имеют ограничения по пространственному охвату, временному разрешению и способности адаптироваться к динамике изменений окружающей среды. В последние годы новый путь для моделирования сложных взаимодействий между свойствами грунтов, их температурным режимом и атмосферными факторами в холодных регионах был открыт благодаря развитию машинного обучения (МО).
В данной статье представлен обзор новых областей применения технологий МО (от алгоритмов обучения «с учителем», таких как «случайный лес» и метод опорных векторов, до моделей глубокого обучения, таких как сверточные нейронные сети) для прогнозирования глубины протаивания ММ, динамики изменений температуры грунта и развития термокарста. Приводится системная классификация областей применения МО по типам входных данных (таких как результаты дистанционного зондирования Земли, полевых измерений, съемок с метеорологических спутников) и геотехнических выходных переменных (таких как теплопроводность, прочность грунта, несущая способность). Также рассматривается интеграция подходов машинного обучения и физически информированного моделирования для улучшения обобщающей способности создаваемых гибридных моделей и интерпретируемости получаемых результатов их работы. Особое внимание уделяется рискам снижения прочностных характеристик грунтов, потери устойчивости фундаментов и эксплуатационной надежности инфраструктуры в результате таяния многолетней мерзлоты в арктических и субарктических регионах. Кроме того, обозначены ключевые проблемы, такие как дефицит данных, низкая универсальность моделей в отношении применения к разным регионам и нерешенность вопросов количественной оценки неопределенностей.
Благодаря системному обобщению информации по новейшим результатам исследований, источникам данных, структуре моделей и показателям эффективности оценок данный обзор может использоваться исследователями и практикующими специалистами, занимающимися вопросами геотехнического строительства в условиях изменяющегося климата, в качестве базового справочного материала. Результаты представленного исследования демонстрируют потенциал машинного обучения как высокоэффективного инструмента для применения в геотехническом строительстве в криолитозоне, способствующего мониторингу окружающей среды, оценке рисков и планированию развития инфраструктуры.
Многолетняя мерзлота (ММ) представляет собой толщу грунтов, находящуюся в мерзлом состоянии непрерывно в течение как минимум двух лет. Она является ключевым компонентом геотехнической среды в холодных регионах, особенно в арктической и субарктической зонах [1, 2], и служит основанием для дорог, трубопроводов, зданий и других важных объектов инфраструктуры. Однако по мере усиления изменений климата процессы оттаивания ММ становятся все более повсеместными. Такие процессы приводят к снижению несущей способности грунтовых оснований, их неравномерным осадкам, потере устойчивости склонов и откосов и даже к катастрофическим повреждениям и разрушениям строительных объектов [3, 4]. Это создает значительные инженерно-технические, экономические и экологические проблемы для жителей северных регионов. На рисунке 1 представлена концептуальная схема изменений состояния грунтового основания при оттаивании многолетней мерзлоты.
Рис. 1. Концептуальная схема изменений состояния грунтового основания при оттаивании многолетней мерзлоты
Традиционные методы моделирования ММ, включая эмпирическое уравнение индекса промерзания и модель теплопроводности на основе физических процессов, часто не позволяют адекватно отразить пространственно-временную изменчивость деградации многолетней мерзлоты на больших площадях [5]. Такие модели обычно опираются на исходные климатические данные низкого разрешения и на статические параметры грунтов, а также имеют ограничения из-за множества допущений, вводимых для их адаптации к условиям быстрого потепления. Процесс калибровки требует большого количества данных полевых наблюдений, особенно в таких труднодоступных регионах с малым числом станций мониторинга, как северная часть Канады, Аляска и Сибирь [6].
Напротив, модели машинного обучения (МО) способны выявлять нелинейные взаимосвязи в больших массивах информации, что обеспечивает новый подход, основанный на данных,для картирования и прогнозирования динамики изменений многолетней мерзлоты. Различия между традиционными методами и методами МО в требованиях к исходным данным, точности и пространственному разрешению представлены в таблице 1.
Таблица 1. Сопоставление возможностей и ограничений традиционных методов прогнозирования состояния многолетней мерзлоты и методов на основе машинного обучения
Результаты недавних полевых и лабораторных испытаний показывают, что деградация ММ приводит к серьезному ухудшению механических свойств грунтов, включая потерю их прочности, осадки фундаментов и неустойчивость склонов и откосов. Эти геотехнические проблемы свидетельствуют о необходимости создания прогностической системы на основе машинного обучения, способной количественно оценивать риски для инфраструктуры до возникновения катастрофических последствий, вызванных протаиванием многолетней мерзлоты, в целях обеспечения подачи сигналов раннего предупреждения, оптимизации проектных решений и осуществления превентивного технического обслуживания инженерных объектов в холодных регионах.
Для интеграции практически всех источников данных (от результатов дистанционного зондирования Земли и полевых измерений до топографических характеристик и климатических прогнозов) в единый инструмент прогнозирования температуры грунта и мощности деятельного слоя могут быть разработаны такие инструменты, как алгоритм «случайный лес», метод опорных векторов и нейронные сети глубокого обучения (многослойные) [7, 8]. Надежность и интерпретируемость этих моделей повышается за счет интеграции в методы машинного обучения физических ограничений, включая уравнение Стефана и закономерности проявления тепловой инерции [9, 10]. Однако эти новые подходы носят не только теоретический характер. В настоящее время они трансформируются в практические решения при планировании инфраструктуры, что наглядно подтверждается проектированием магистральных трубопроводов и трассированием автомобильных дорог с учетом состояния ММ [11].
Настоящая статья посвящена довольно краткому, но всестороннему обзору подходов на основе МО для прогнозирования деградации многолетней мерзлоты и оценки геотехнических рисков. В ней рассматриваются широко используемые архитектуры моделей, типы входных и выходных данных, методы валидации и метрики эффективности, а также определяются основные пробелы в текущем состоянии знаний в рассматриваемой сфере. Данная работа позволит как исследователям, так и практикующим специалистам оценить текущие возможности машинного обучения, ситуации, в которых оно превосходит традиционные методы, и наметить пути, необходимые для перехода от лабораторных испытаний к полевым измерениям в целях проектирования устойчивых объектов инфраструктуры на уязвимых территориях.
Деградация ММ обусловливает циклы сезонного промерзания-оттаивания, что приводит к постоянному расширению и сжатию грунтов в деятельном слое. Этот процесс не только изменяет их плотность и влажность, но и разрушает связи между частицами, ухудшая тем самым несущую способность оснований объектов инфраструктуры [12, 13]. При этом илистые, пылеватые и глинистые грунты предрасположены к снижению прочности из-за увеличения содержания незамерзшей воды, причем их сцепление и угол внутреннего трения могут уменьшаться на величину до 50% [12, 13]. Такие изменения приводят к ухудшению прочностных характеристик грунтовых оснований и насыпей, повышают риск неравномерных осадок и часто вызывают долгосрочные деформации зданий и сооружений.
Неравномерные осадки являются наиболее распространенной причиной повреждений строительных объектов при оттаивании многолетней мерзлоты. Вследствие неоднородности вертикальных смещений грунта в зоне протаивания возникают крены зданий, трещины и колеи на дорогах [14, 15]. Полевые наблюдения на Аляске показывают, что даже на насыпях с небольшой глубиной протаивания (около 0,5 м) неравномерные осадки могут превышать 15 см, что очень сильно влияет на эксплуатационные характеристики дорог [16]. Соответствующие повреждения были зафиксированы, например, в зоне ММ на северо-западе Канады. К тому же оттаивание грунта в этом регионе приводило к постепенному деформированию свайных фундаментов [17].
Еще одной большой геологической опасностью, связанной с оттаиванием многолетней мерзлоты, является термокарст. Этот процесс, возникающий из-за протаивания сильнольдистых грунтов, может приводить к значительному оседанию и потере устойчивости поверхности земли. В Сибири и других регионах с высоким содержанием льда и плохими условиями дренирования грунтов повсеместно фиксируются термокарстовые воронки, провалы и другие формы рельефа, обусловленные данным процессом [18, 19].
Например, в Якутии сформировался регрессивный термоцирк (провал протаивания) глубиной до 25 м, который серьезно повлиял на устойчивость железнодорожной насыпи, что привело к нарушению движения транспорта и потере устойчивости прилегающего склона.
В дельте реки Маккензи в Канаде за последние два десятилетия более чем на 50% увеличилась площадь термокарстовых озер и прудов, что усугубляет продолжающуюся деградацию ММ [20].
Такая динамичная трансформация условий не только наносит ущерб объектам инфраструктуры, но и ускоряет высвобождение в атмосферу углерода, а также изменяет гидрологические циклы.
На рисунке 2 показаны закономерности снижения несущей способности различных типов грунтов при оттаивании ММ. Построенные графики зависимости остаточной прочности (в процентах от исходной при мерзлом состоянии) от глубины протаивания для песчано-гравийного, пылевато-глинистого грунта, а также для пылеватого (или илистого) органического грунта показывают следующее. Прочностные характеристики всех этих отложений существенно ухудшаются, особенно когда глубина протаивания деятельного слоя превышает 0,5 м. Такая тенденция согласуется с выводами авторов опубликованных работ: в цикле сезонного промерзания-оттаивания пылеватые/илистые и мелкозернистые грунты предрасположены к снижению прочности из-за увеличения содержания незамерзшей воды и разрушения связей между частицами [13, 21]. Кроме того, в ходе полевых исследований на севере Канады было зафиксировано, что подобные грунтовые основания подвержены значительным осадкам и потере устойчивости даже при относительно небольшой глубине протаивания [15, 17]. Эти выводы дополнительно подтверждают, что строительные работы на территориях распространения многолетней мерзлоты необходимо проектировать с учетом характеристик грунтов.
Рис. 2. Кривые, отражающие снижение несущей способности грунтов трех типичных для криолитозоны типов при увеличении глубины протаивания многолетней мерзлоты (ММ)
В качестве эффективного дополнения к графическому анализу в таблице 2 приведены данные полевых и лабораторных измерений, отражающие снижение некоторых основных механических характеристик многолетнемерзлых грунтов после их оттаивания. Они показывают, что потеря прочности мелкозернистого грунта может превышать 60%, что отражает его высокую чувствительность даже к незначительному нарушению теплового режима. Эти количественные результаты имеют большое значение для проектирования устойчивых оснований и фундаментов в криолитозоне, а также для калибровки параметров моделей машинного обучения для прогнозирования опасных процессов, связанных с промерзанием-оттаиванием.
Таблица 2. Изменения механических свойств многолетнемерзлых грунтов после их оттаивания по данным полевых и лабораторных исследований
Машинное обучение стало революционным инструментом для моделирования деградации ММ. Методы МО позволяют моделировать сложные взаимодействия грунтов и климата, которые трудно поддаются анализу с помощью традиционных технологий, за счет эффективной интеграции спутниковых изображений, данных воздушного лазерного сканирования (съемки лидаром, LiDAR), климатического реанализа (пятого поколения реанализа Европейского центра среднесрочных прогнозов погоды, ERA5), цифровых моделей рельефа (ЦМР), а также результатов полевых измерений температуры и других наборов данных [23, 24].
В последние годы применение машинного обучения в проектировании геотехнических сооружений в криолитозоне получило дальнейшее развитие.
Например, авторы статьи [23] разработали гибридную систему искусственного интеллекта для прогнозирования температуры широко распространенных многолетнемерзлых грунтов на Северном склоне Аляски.
В работе [25] объединены результаты съемки интерферометрическим радиолокатором с синтезированной апертурой (InSAR) и методы МО для количественной оценки деформаций поверхности земли в районах прерывистого распространения многолетней мерзлоты.
В публикации [26] представлены доказательства общего увеличения глубины сезонно-талого слоя на основе регрессионного анализа данных дистанционного зондирования земли высокого разрешения и МО.
Авторы статьи [27] применили физически информированную модель машинного обучения для прогнозирования экономического ущерба инфраструктуре от протаивания мерзлоты.
В работе [10] использована модель класса «визуальные трансформеры» для автоматического распознавания криогенных форм рельефа и объектов инфраструктуры.
Эти исследования показывают, что моделирование на основе данных с целью повышения устойчивости геотехнической инфраструктуры в криолитозоне стремительно развивается.
По сравнению со многими типами машинного обучения «с учителем» алгоритм «случайный лес» демонстрирует значительную устойчивость при обработке зашумленных данных по условиям окружающей среды, а среднеквадратическая ошибка для оцененной им температуры грунтов в Арктике стабильно составляет менее 0,2 °C [5]. Сравнительный анализ результатов ряда исследований также показывает, что модели на основе МО неизменно превосходят традиционные эмпирические и регрессионные в отношении прогнозирования параметров многолетней мерзлоты.
Например, по сравнению с использованием традиционного регрессионного анализа применение моделей на базе алгоритма «случайный лес» и сверточных нейронных сетей снижает величину RMSE (Root Mean Square Error; эта метрика по физическому смыслу сопоставима со среднеквадратическим отклонением, СКО. – Ред.) на 15–40% и увеличивает коэффициент детерминации (R2) на 0,1–0,25.
При оценке мощности сезонно-талого слоя гибридная модель на основе сверточной и физически информированной нейронных сетей, предложенная в работе [28], позволила снизить RMSE с 0,21 м (для базовой эмпирической модели) до 0,13 м. А при использовании модели температуры грунта на основе метода опорных векторов коэффициент детерминации (R2) превысил 0,90, что примерно на 22% выше, чем дает метод линейной регрессии.
Эти количественные результаты подчеркивают более высокую прогностическую и обобщающую способность моделей на основе МО при моделировании деградации многолетней мерзлоты.
Метод опорных векторов использует радиальную базисную функцию (функцию ядра) и демонстрирует высокую эффективность при пространственном выделении мерзлых и талых зон на основе бинарной классификации грунтов, обеспечивая точность почти 90% для субарктического региона [9].
С целью прогнозирования мощности сезонно-талого слоя также применяется модель на основе искусственной нейронной сети, обученная на смешанных наборах данных (включая временные ряды климатических переменных и результаты полевых измерений)[29]. Ее RMSE составляет примерно 0,18 м.
Аналогичным образом, системы глубокого обучения для анализа пространственных данных, особенно сверточные нейронные сети, позволяют эффективно выявлять и картировать термокарстовые формы рельефа с использованием данных воздушного лазерного сканирования (LiDAR) высокого разрешения и мультиспектральной съемки с большой точностью, которая обычно превышает 92% [25].
Эффективность работы данных алгоритмов напрямую зависит от качества исходной информации, такой как данные спектральной съемки, высотные отметки, характеристики текстуры грунтов, а также временные ряды температуры и климатические параметры [23, 30].
Например, модель на основе метода «случайный лес», использовавшая в качестве входных данных снимки со спутника Sentinel-2, цифровую модель рельефа, параметры текстуры грунтов и результаты климатического реанализа (ERA5), позволила оценить мощность сезонно-талого слоя для множества участков криолитозоны на севере Канады при RMSE около 0,15 м и коэффициенте детерминации (R2) около 0,63 [31].
Модели на базе сверточных нейронных сетей, обученные на комбинированных наборах данных лидарной и спектральной съемки, продемонстрировали точность обнаружения и пространственной локализации термокарстовых форм рельефа около 92%, что позволяет существенно повысить качество картирования опасных природных процессов, проявляющихся на поверхности земли [25].
В ходе недавних исследований стали применяться физически информированные нейронные сети, которые напрямую включают в модель машинного обучения физически обоснованные ограничения моделирования процессов теплопереноса (такие как классическое уравнение теплопроводности). Один из вариантов использования таких сетей для прогнозирования мощности сезонно-талого слоя в сильно изменчивых арктических ландшафтах позволил снизить RMSE примерно до 0,17 м, что указывает на более высокую обобщающую способность этого метода по сравнению с подходами, основанными исключительно на данных [32].
Типичный процесс моделирования многолетней мерзлоты на основе машинного обучения состоит из следующих последовательных этапов: сбор данных; предварительная обработка и конструирование признаков; обучение модели; кросс-валидация (перекрестная проверка); использование с целью оценки рисков для инфраструктуры. Эта последовательность наглядно показана на рисунке 3, где пояснен каждый этап, необходимый для практического применения МО в геотехнике.
Рис. 3. Итеративный процесс машинного обучения для моделирования деградации многолетней мерзлоты. Этот процесс начинается со сбора данных и последовательно проходит этапы предварительной обработки, обучения и оценки модели. Готовая модель может практически применяться для реальных условий с получением обратной связи
В таблице 3 приведены показатели эффективности различных методов машинного обучения по данным репрезентативных исследований, которые могут послужить основой для прямого сравнения применимости и точности соответствующих моделей.
Таблица 3. Сопоставление эффективности алгоритмов машинного обучения, применяемых для прогнозирования состояния многолетней мерзлоты на основе опубликованных результатов исследований
Модели на базе машинного обучения, особенно сочетающие физические принципы с алгоритмами на основе данных, имеют значительные преимущества при оценке рисков для инфраструктуры, связанных с многолетней мерзлотой. Однако для их успешного применения требуются высококачественные аннотированные наборы данных, стандартизированный и воспроизводимый рабочий процесс и непрерывное переобучение моделей в целях адаптации к изменениям климата и пространственной неоднородности. Направления будущих исследований включают неконтролируемое («без учителя») извлечение признаков с помощью автокодировщика, распределенную обработку результатов измерений на основе федеративного обучения и динамическую оптимизацию моделей в ходе полевых наблюдений с использованием стратегии активного обучения [26, 33]. Кроме того, в недавних систематических обзорах подчеркивается ценность физически информированных методов для моделирования криосферы [4, 34].
Чтобы обеспечить стабильность, надежность и воспроизводимость прогнозов состояния многолетней мерзлоты на базе МО, в большинстве обзорных статей отмечается внедрение стандартизированной предобработки данных перед обучением моделей. В процесс такой предобработки входят:
Кроме того, в обзорах определены наиболее значимые показатели состояния окружающей среды и геотехнические параметры с помощью таких методов отбора признаков, как ранжирование на основе взаимной информации и оценка важности на основе значений Шепли (SHAP).
Практика доказала, что внедрение этих этапов предобработки является важным для повышения сходимости, интерпретируемости и устойчивости (робастности) моделей на основе машинного обучения при решении задач геокриологии.
Стратегия гибридного моделирования на основе физически информированного машинного обучения, объединяющая методы МО и традиционные физические подходы, привлекает все больше внимания в области исследований многолетней мерзлоты. Этот тип методов сохраняет адаптивность машинного обучения и в то же время обеспечивает термодинамическую обоснованность за счет внедрения уравнений, характеризующих фазовые переходы, таких как уравнение Стефана.
Например, в работе [3] в функцию потерь (критерий оптимизации) нейронной сети было встроено уравнение Стефана для более строгого соблюдения закона сохранения энергии, благодаря чему модель продемонстрировала термодинамически обоснованные процессы промерзания-оттаивания при сохранении гибкости (адаптивности) подхода на основе данных [5].
Аналогичным образом, авторы работы [4] получили физически оправданные и статистически устойчивые результаты динамического моделирования температуры грунта, используя ограничения на основе невязки уравнения теплопроводности при обучении глубокой нейронной сети [35].
Модели физически информированного машинного обучения обеспечили значительное повышение точности: гибридная модель на базе алгоритма «случайный лес» и сети с долговременной и кратковременной памятью (RF-LSTM) с дополнительной функцией регуляризации на основе уравнения Стефана при прогнозировании мощности сезонно-талого слоя снизила RMSE примерно на 15%, сохранив при этом интерпретируемость модели за счет внутренних модулей с явной физической интерпретацией [5, 36, 37]. Еще одно исследование, проведенное на Цинхай-Тибетском нагорье, показало, что вертикальный профиль подповерхностной температуры, сгенерированный глубокой нейронной сетью с ограничениями в виде уравнения теплопроводности, продемонстрировал высокую согласованность с известным теплофизическим поведением грунта в процессе промерзания-оттаивания, что существенно снизило дисперсию выходных данных [28, 35].
Однако проектирование гибридных моделей также сопряжено с дополнительными сложностями. Нахождение баланса между величинами функций потерь, основанных на данных, и штрафными слагаемыми за нарушение физических ограничений требует точной настройки параметров и валидации на основе предметных знаний. Примечательно, что становящиеся все более совершенными библиотеки моделей физически информированного машинного обучения с открытым исходным кодом существенно упрощают моделирование криосферы на практике[38].
Авторы работы [39] представили тройную гибридную модель на основе метода «случайный лес», сети с долговременной и кратковременной памятью и алгоритма экстремального градиентного бустинга (RF-LSTM-XGBoost). Эта модель показала конкурентоспособные результаты при прогнозировании глубины залегания кровли многолетней мерзлоты и включила в свою архитектуру предметные знания [40].
На рисунке 4 представлена блок-схема структуры типичной физически информированной гибридной модели МО, а также детально описан механизм интеграции входных климатических данных, блоков физических ограничений (таких как модуль закона Стефана) и ядра машинного обучения, а также способ формирования термодинамически согласованных выходных данных по температуре и глубине протаивания.
Рис. 4. Блок-схема структуры гибридной физически информированной модели машинного обучения для прогнозирования состояния многолетней мерзлоты
Входные климатические и геотехнические данные обрабатываются в гибридном вычислительном ядре, которое объединяет физические ограничения (такие как закон Стефана и уравнение теплопроводности) с обученными на данных моделями машинного обучения (включая модель «случайный лес», сети с долговременной и кратковременной памятью и глубокие нейронные сети). В итоге формируются термодинамически согласованные оценки мощности сезонно-талого слоя и температурного поля грунта.
В таблице 4 перечислены и кратко описаны отдельные гибридные модели, представленные в недавних публикациях.
Таблица 4. Гибридные физически информированные модели машинного обучения для исследований и прогнозирования состояния многолетней мерзлоты
Применение машинного обучения в исследованиях многолетней мерзлоты сталкивается с рядом существенных проблем, в особенности с дефицитом данных, где наиболее заметна нехватка долгосрочных непрерывных временных рядов результатов полевых измерений.
Как отмечают авторы работы [23], дефицит данных полевой верификации моделей в Арктике часто приводит к тому, что оцененные ими температуры грунтов имеют RMSE более 1 °C. Это ограничение напрямую влияет на надежность анализа неопределенностей, который позволяет судить о качестве оценки рисков в геотехническом строительстве.
Еще одна очевидная проблема заключается в ограниченной способности моделей МО к региональному обобщению: модели, обученные на данных по Аляске и другим подобным регионам, обычно демонстрируют низкую эффективность для территорий с иными механизмами связи в системе «атмосфера – грунты» (например, для Сибири или Цинхай-Тибетского нагорья) [4, 41].
В некоторых работах предлагается решать эту проблему с помощью обучения с переносом знаний (трансферного), но повышению эффективности этого подхода в сфере геокриологии все еще не хватает систематической оценки [36, 37].
Кроме того, большинство традиционных методов МО не позволяет интегрировать в свою работу количественную оценку неопределенностей. В результате в противовес вероятностным или интервальным решениям они способны выдавать лишь точечные (детерминированные) прогнозы, по которым трудно судить о надежности результатов. Однако ожидается, что такие перспективные технологии, как байесовские нейронные сети и федеративное обучение с учетом неопределенностей, позволят формировать вероятностные выходные данные и обеспечат ключевую доказательную базу для принятия решений на основе оценки рисков [42].
Федеративное обучение обладает значительным потенциалом для содействия обмену данными при условии обеспечения их конфиденциальности (приватности). Но возможность широкомасштабного применения этой технологии в исследованиях многолетней мерзлоты еще не верифицирована. К тому же ее внедрение в практику по-прежнему сталкивается с такими нерешенными проблемами, как необходимость обеспечения идентичного и независимого распределения данных на локальных узлах сети сбора информации, ограничения пропускной способности каналов связи и высокая частота отключений узлов [43–45].
И наконец, критически узким местом остается стандартизация данных: несогласованность их форматов и описаний метаданных существенно осложняет их сквозное сопоставление, воспроизведение и интеграцию. Хотя в настоящее время начинают появляться специализированные научно-исследовательские инициативы (например, «Программа по изучению многолетней мерзлоты Центра климатических исследований Вудвелла» –Woodwell permafrost program), они пока не получили широкого развития [46].
На рисунке 5 отражены взаимосвязи между указанными проблемами.
Рис. 5. Иерархическая структура проблем в области моделирования многолетней мерзлоты на основе машинного обучения, иллюстрирующая, как ключевые ограничения распространяются через воздействия на эффективность создания моделей, определяя низкий уровень их внедрения в практику
Недавние междисциплинарные исследования дополнительно показали, как можно эффективно расширить область применения подходов на основе данных – от общих задач геотехники до анализа процессов, связанных с многолетней мерзлотой. Например, авторы работы [47] разработали прогностические модели на базе машинного обучения для оценки прочности и поведения грунтов по данным статического зондирования конусным пенетрометром (CPT) и продемонстрировали большое значение интеграции результатов полевых измерений в надежные системы прогнозирования. Аналогичным образом, всесторонний анализ устойчивости скальных склонов, выполненный теми же авторами и представленный в публикации [48], показал, что стратегия физически обоснованного моделирования может эффективно улучшать как качество прогнозов на основе данных, так и возможности оценок неопределенностей для геотехнического строительства в холодных районах. Эти методы в совокупности предлагают ряд переносимых (универсальных) методологических подходов, которые в значительной мере способствуют непрерывному развитию технологий машинного обучения в сфере инженерного мерзлотоведения.
В таблице 5 перечислены и описаны рассмотренные проблемы, причины снижения эффективности моделирования, предлагаемые решения и текущее состояние исследований в данной области.
Таблица 5. Проблемы применения машинного обучения в геокриологии и пути их научно обоснованного решения
Одним из ключевых геотехнических последствий глобальных изменений климата является деградация многолетней мерзлоты, что представляет серьезную угрозу для инфраструктуры, особенно в арктических и субарктических регионах.
В данном систематическом обзоре был рассмотрен потенциал машинного обучения в прогнозировании деградации ММ и оценке соответствующих геотехнических рисков. Благодаря объединению разнородных данных (спутниковых снимков, результатов лидарной съемки, климатического реанализа, полевых измерений) модели МО обладают значительными преимуществами в учете сложных механизмов взаимодействий между грунтами и атмосферным воздухом, что эффективно преодолевает недостатки традиционных физически обоснованных моделей в данной области [23, 25]. Применение алгоритма «случайный лес», метода опорных векторов, искусственных нейронных сетей и сверточных нейронных сетей на сегодняшний день позволяет достичь высокой точности в прогнозировании таких ключевых характеристик, как мощность деятельного слоя, температура грунта и развитие термокарста [5, 9, 29].
Однако методы машинного обучения все еще сталкиваются с рядом существенных ограничений, включая нехватку данных, ограниченную пространственную обобщающую способность моделей в региональном масштабе и недостаточный или отсутствующий анализ неопределенностей [23]. Эти ограничения влияют на эффективность инженерных изысканий на важных для социума территориях распространения многолетней мерзлоты, в частности в пределах США.
Например, для арктических регионов дефицит результатов полевых измерений часто приводит к тому, что RMSE для прогнозируемой моделью температуры грунтов превышает 1 °C. Это снижает надежность анализа неопределенностей – ключевого элемента точной оценки геотехнических рисков.
Еще одной проблемой является плохая переносимость моделей МО между разными регионами с различающимися условиями. В частности, модели, построенные на основе данных по Аляске, часто трудно напрямую применить к регионам с иными грунтовыми и климатическими условиями, такими как Сибирь и Цинхай-Тибетское нагорье [4, 41]. Хотя для решения этой проблемы было предложено использовать трансферное обучение (с переносом знаний), оценка его эффективности в условиях многолетней мерзлоты все еще находится на предварительной стадии [36, 37].
Кроме того, для большинства традиционных методов машинного обучения нет встроенных инструментов количественной оценки неопределенностей, из-за чего результаты точечного прогнозирования не могут в полной мере отражать их собственную надежность. Тем не менее ожидается, что такие инновационные технологии, как федеративное (распределенное) обучение с учетом неопределенностей и байесовские нейронные сети, позволят получать вероятностные результаты прогнозирования и обеспечат ключевую поддержку для принятия решений на основе оценки рисков [42].
Взаимосвязь между использованием методов МО и планированием инфраструктуры имеет решающее значение для обеспечения устойчивости зданий и сооружений. Большинство геотехнических проблем, возникающих из-за таяния многолетней мерзлоты (потеря или снижение несущей способности, неравномерные осадки, развитие термокарста), напрямую влияет на срок службы и уровень безопасности критически важных инженерных объектов, включая автомобильные дороги, трубопроводы и здания [27, 49]. Модели на основе машинного обучения могут помочь инженерам путем заблаговременного прогнозирования возможных рисков и оптимизации проектирования объектов инфраструктуры с обеспечением их устойчивости к последствиям изменений климата. В частности, речь идет о циклах промерзания-оттаивания, более точный прогноз которых может повлиять на инженерные решения, например на выбор строительных материалов и глубины заложения фундаментов, что позволит снизить долгосрочные затраты и негативные воздействия на окружающую среду [50].
Практическое применение рассмотренных технологий приносит пользу как развитию науки, так и обществу и экономике в целом. Безопасность зданий и сооружений на территориях распространения многолетней мерзлоты приобретает огромное значение, поскольку она обеспечивает стабильность жизни местного населения и устойчивость экономических процессов, например добычи и транспортировки полезных ископаемых, от которых зависят многие регионы [51]. Разработка и внедрение решений на основе машинного обучения могут дать значительный экономический эффект за счет повышения эффективности эксплуатации строительных объектов и снижения последствий изменений климата в этих регионах. Такие инновационные подходы также имеют стратегическое значение для национальной безопасности и экономической стабильности, дополняя усилия США по защите критически важной инфраструктуры на арктических территориях страны.
Источник для перевода
Memiş M.A., Keskin I., Demir S., MemişŞ.U. Machine learning‑based prediction of permafrost degradation and its implications on geotechnical infrastructure: a comprehensive review // AI in Civil Engineering. 2025. Vol. 4. № 1. Article 28. URL: https://doi.org/10.1007/s43503-025-00080-8.
наверх
Поделиться
Поделиться
Скопировать ссылку
Скопировать ссылку 
Vk 
Telegram 
Viber 
WhatsApp 
Оформить подписку