Довгострокове прогнозування шарів стоку весняного водопілля річки Десна
DOI:
https://doi.org/10.26565/2410-7360-2026-64-22Ключові слова:
весняне водопілля, шар стоку, телеконнекційні індекси та паттерни, водний баланс, фізико-статистичний метод, довгострокове прогнозування, Десна, методикаАнотація
У період весняного водопілля річкою Десна надходять значні об’єми води до Канівського водосховища. Довгострокове прогнозування цих об’ємів дозволяє планувати виробіток електроенергії на Канівській ГЕС, питне та технічне водопостачання, регулювання стоку каскаду дніпровських водосховищ, зрошення, рибальство, водний туризм та відпочинок. За основу концептуальних моделей, а також методик довгострокового прогнозування параметрів весняного водопілля, зазвичай приймають метод водного балансу, який потребує значної кількості гідрометеорологічної інформації на водозбірній території річок. Разом з цим, недоступність гідрометеорологічних даних з російської частини водозбору Десни перешкоджає повноцінному застосуванню методу водного балансу для розроблення методики довгострокового прогнозування об’ємів (шарів стоку) весняного водопілля. Спроби замінити дані наземних спостережень на дані реаналізу (запаси води у сніговому покриві та глибина промерзання ґрунту на водозборі р. Десна), які містяться у базі даних ERA5-Land, виявилися невдалими. У тих випадках, коли гідрометеорологічної інформації недостатньо або вона відсутня чи недоступна, застосовують фізико-статистичні або статистичні методи прогнозування. Отже, у дослідженні розроблена методика довгострокового прогнозування шарів стоку весняного водопілля р. Десна – с. Літки на основі фізико-статистичного методу. Отримане регресійне прогнозне рівняння дозволяє прогнозувати шар стоку весняного водопілля за двома предикторами: мінімальною витратою води у першій та другій декаді лютого та середнім місячним значенням телеконнекційного паттерну poleur у серпні місяці. Перший предиктор характеризує зволоженість ґрунтів водозбору річки і, відповідно, потенційні втрати стоку на інфільтрацію, а другий – синоптичні процеси, які, за нашим припущенням, визначають надходження вологи на водозбір річки у зимово-весняний період. Методика прогнозування має статистичну оцінку якості «задовільно» при допустимій похибці перевірочних прогнозів на рівні 15 мм, визначеній за період 1973-2020 рр. Ймовірність неперевищення допустимої похибки становить 69 %, а відношення середньої квадратичної помилки перевірочних прогнозів (S ) до середнього квадратичного відхилення прогнозної величини (ó ), тобто S / ó , склало 0,77. Після подовження ряду спостережень за шарами стоку р. Десна – с. Літки за даними спостережень р. Десна – м. Чернігів, допустима похибка зросла до 21 мм, що покращило оцінку якості методики від «задовільної» до «доброї».
Посилання
Shakirzanova, Z.R., Perevozchikov, I.M., & Shevchenko, O.P. (2023). Application of the method of territorial long-term forecasts to determine the maximum water discharge rates under the conditions of spring flood 2022-2023 formation across the Desna basin. Ukrainian Hydrometeorological Journal, 31, 5–21. https://doi.org/10.31481/uhmj.31.2023.01 [in Ukrainian]
2. Guide to Hydrological Practices (2009). Management of Water Resources and Application of Hydrological Practices. Vol. II. Sixth edition. WMO-No. 168. Geneva: World Meteorological Organization.
3. Guide to hydrological forecasts (1989). Vol. 1. Long-term forecasts of elements of the water regime of rivers and reservoirs. Leningrad: Hydrometeoizdat.
4. Pashova, L.T., Kochelaba, E.I., & Vodolaskov, V.P. (1988). To develop a method of long-term forecasting of the spring runoff of rivers of the Upper Dnieper basin, forming the inflow of water into the Kyiv and Kanev reservoirs. Report. Kyiv: Ukrainian Research Hydrometeorological Institute.
5. Kochelaba, E.I., Okorsky, V.P., & Sosedko, M.N. (1990). Mathematical modeling of flood runoff formation processes on the territory of Polesia, taking into account thawing phenomena. Тrudy UkrNIGMI, 235, 3–18.
6. Shakirzanova, Z. R., Perevozchikov, I. M., & Shevchenko, O. P. (2023). Application of the method of territorial long-term forecasts to determine the maximum water discharge rates under the conditions of spring flood 2022-2023 formation across the Desna basin. Ukrainian Hydrometeorological Journal, (31), 5–21. https://doi.org/10.31481/uhmj.31.2023.01 [in Ukrainian]
7. Lee, S.-J., Maeng, S.-J., Kim, H.-S., & Na, S.-I. (2012). Analysis of runoff in the Han River basin by SSARR model considering agricultural water. Paddy Water Environ, 10, 265–280. https://doi.org/10.1007/s10333-011-0278-y
8. Huang, S., Eisner, S., Magnusson, J.O., Lussana, Ch., Yang, X., & Beldring, S. (2019). Improvements of the spatially distributed hydrological modelling using the HBV model at 1 km resolution. Norway Journal of Hydrology, 577, 123585. https://doi.org/10.1016/j.jhydrol.2019.03.051
9. Thapa, B.R., Ishidaira, H., Pandey, V.P., & Shakya, N.M. (2017). A multi-model approach for analyzing water balance dynamics in Kathmandu Valley, Nepal. Journal of Hydrology: Regional Studies, 9, 149–162. https://doi.org/10.1016/j.ejrh.2016.12.080
10. Hwang, J.H., Maeng, S.J., Kim, H.S., & Lee, S.W. (2020). Analysis of river bed variation using SSARR and RMA-2 models. Smart Water, 5(1). https://doi.org/10.1186/s40713-019-0019-8
11. Douglas‐Mankin, K.R., Srinivasan, R., & Arnold, J.G. (2010). Soil and Water Assessment Tool (SWAT) Model: Current Developments and Applications. Transactions of the ASABE, 53(5), 1423-1431. https://doi.org/10.13031/2013.34915
12. Osypov, V., Speka, O., Osadchyi, V., Osadcha, N., & Bonchkovskyi, A. (2024). Hydrograph fore - casting using the SWAT model (Soil and Water Assessment Tool) on the example of the Desna basin. Reports of the National Academy of Sciences of Ukraine, 9, 98–107. https://doi.org/10.15407/dopovidi2020.09.098 [in Ukrainian]
13. Osypov, V., Speka, O., Chyhareva, A., Osadcha, N., Krakovska, S., Osadchyi, V. (2021). Water resources of the Desna River basin under future climate. Journal of Water and Climate Change, 1(7), 3355–3372. https://doi.org/10.2166/wcc.2021.034
14. Machiwal, D., & Jha, M.K. (2012). Hydrologic Time Series Analysis: Theory and Practice. India, New Delhi: Springer. https://doi.org/10.1007/978-94-007-1861-6
15. Woldemeskel, F., McInerney, D., Lerat, J., Thyer, M., Kavetski, D., Shin, D., Tuteja, N., & Kuczera, G. (2018). Evaluating post-processing approaches for monthly and seasonal streamflow forecasts. Hydrology and Earth System Sciences, 22, 6257–6278. https://doi.org/10.5194/hess-22-6257-2018
16. Tyralis, H., Papacharalampous, G., & Langousis, A. (2021). Streamflow forecasting at large time scales using statistical models. In: P. Sharma, & D. Machiwal (eds.). Advances in Streamflow Forecasting. Elsevier. https://doi.org/10.1016/B978-0-12-820673-7.00004-4
17. Ciner, M.N., Güler, M., Namlı, E., Samastı, M., Ulu, M., Peker, ˙I.B., & Gülbaz, S. (2024). The Forecast of Streamflow through Göksu Stream Using Machine Learning and Statistical Methods. Water, 16, 1125. https://doi.org/10.3390/w16081125
18. van Ogtrop, F. F., Vervoort, R.W., Heller, G.Z., Stasinopoulos, D.M., & Rigby, R.A. (2011). Long-range forecasting of intermittent streamflow. Hydrology and Earth System Sciences, 15(11), 3343–3354. https://doi.org/10.5194/hess-15-3343-2011
19. Masselot, P., Dabo-Niang, S., Chebana F., Ouarda, T.B.M.J. (2016). Streamflow forecasting using functional regression. Journal of Hydrology, 538, 754-766. https://doi.org/10.1016/j.jhydrol.2016.04.048
20. Slater, L.J., & Villarini, G. (2018). Enhancing the predictability of seasonal streamflow with a statistical-dynamical approach. Geophysical Research Letters, 45, 6504–6513. https://doi.org/10.1029/2018GL077945
21. Khrystiuk, B., & Gorbachova, L. (2019). Long-term forecasting of extraordinary spring floods by commensurability method on the Dnipro River near Kyiv city, Ukraine. Environmental Research, Engineering and Management, 75 (2), 74–81. https://doi.org/10.5755/j01.erem.75.2.22683
22. Horoshkovа, L.A., Menshov, O.I., Korniichuk, Y.D., & Soloviova, A.O. (2025). The war anthropogenic impact on the conditions of the Desna River surface waters. Man and Environment. Issues of Neoecology, (44), 74-93. https://doi.org/10.26565/1992-4224-2025-44-06
23. Gorbachova, L.A, & Kolyanchuk, O.V. (2011). Catalog of spring floods in the basin of the Desna River. Тrudy UkrNIGMI, 261, 179–191. [in Ukrainian]
24. Khrystyuk, B., Gorbachova, L., & Koshkina O. (2017). The impact of climatic conditions of spring flood formation on hydrograph shape of the Desna River. Meteorology Hydrology and Water Management, 5 (1), 63–70. https://doi.org/10.26491/mhwm/67914
25. Koshkina, О.V. (2017). Factors, parameters and current tendencies of the maximum runoff of spring flood in the Desna River basin. Dys. ... kand. geogr. nauk: 11.00.07. Taras Shevchenko National University of Kyiv, Kyiv. [in Ukrainian]
26. Muñoz Sabater, J. (2019). ERA5-Land hourly data from 1950 to present. Copernicus Climate Change Service (C3S) Climate Data Store (CDS). https://doi.org/10.24381/cds.e2161bac
27. National Weather Service. Climate Prediction Center. https://www.cpc.ncep.noaa.gov/data/indices/
28. Operational Hydrology Manual (2012). Forecasts of the Land Water Regime. Hydrological Support and Maintenance. Kyiv: Verlan Publishing House. [in Ukrainian]
29. Zhang, Y., Chiew, F.H.S., Li, M., & Post, D. (2018). Predicting runoff signatures using regression and hydrological modeling approaches. Water Resources Research, 54, 7859–7878. https://doi.org/10.1029/2018WR023325
30. Barbarossa, V., Huijbregts, M.A.J., Hendriks, A.J., Beusen, A.H.W., Clavreul, J, King, H., & Schipper, A.M. (2017). Developing and testing a global-scale regression model to quantify mean annual streamflow. Journal of Hydrology, 544, 479-487. https://doi.org/10.1016/j.jhydrol.2016.11.053
