Прогнозирование деградации многолетней мерзлоты на основе машинного обучения и его значение для геотехнических сооружений: комплексный обзор

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.