Institute of Hydrometeorology

ტომი No 136

უაკ:111.111
გვალვის მონიტორინგის შესაძლებლობები მანქანური სწავლების საშუალებით/ა. ფალავანდიშვილი/ სტუ-ის ჰმი-ის შრომათა კრებული-2025.-ტ.136.-გვ. 87-91. -ქართ., რეზ. ქართ., ინგლ., რუს.
ფიზიკის აქტუალურ პრობლემათა შორის ერთ-ერთი მნიშვნელოვანია ატმოსფეროში მიმდინარე ფიზიკური პროცესების კვლევა თანამედროვე მეთოდების და ახალი მონაცემების გამოყენებით. ბუნებრივ კატასტროფებს შორის გვალვა ერთ-ერთ საშიშროებას წარმოადგენს მსოფლიოს ბევრი რეგიონისთვის, მათ შორის საქართველოსთვის. კვლევა ჩატარდა საქართველოს ტერიტორიაზე, აღებულია 1960-2022 წლების პერიოდის მონაცემები გარემოს ეროვნული სააგენტოს მონაცემთა ბაზიდან, ასევე გამოყენებულია ნალექის 1960-1990 კოპერნიკუსის ERA5-ის რეანალიზის მონაცემები, რომლებიც ვალიდაციის მიზნით შედარებულია საქართველოს ტერიტორიაზე არსებული მიწისპირა სადგურების მონაცემებთან. საქართველოს მიწისპირა და სატელიტური წყაროების მონაცემების ანალიზით დადგინდა, რომ მანქანური სწავლების რეგრესიის მეთოდის გამოყენებით საკმარისია შეფასდეს 1960 - 2000 წლების მონაცემები სწავლებისთვის და 2001 - 2022 წლების მონაცემები ტრენინგისთვის. სატრენინგო ობიექტად შეირჩა SPI-3 სამ თვიანი ნალექის სტანდარტიზებული ინდექსი. მანქანური სწავლების მოდელის და ალგორითმის გამოყენება ნალექის განაწილების ანალიზის, გვალვის მონიტორინგის და პროგნოზირებისთვის მიზანშეწონილია როგორც საქართველოს, ასევე სხვა რეგიონებშიც დაკვირვების მონაცემებთა სათანადო ბაზის (60 წლიანი) პირობებში. მიღებული შედეგების გამოყენება რეკომენდირებულია ადრეული გაფრთხილების სისტემაში გვალვის მონიტორინგისთვის.

UDC:111.111
Drought monitoring capabilities through machine learning /A. Palavandishvili/ Transactions IHM, GTU. -2025. -vol.136. -pp.87-91. - Georg., Summ. Georg., Eng.Rus.
One of the key current problems in physics is studying atmospheric physical processes using modern methods and new data. Drought is among the most serious natural threats for many regions worldwide, including Georgia. This study focused on Georgia, using data from 1960–2022 obtained from the National Environmental Agency, as well as Copernicus ERA5 precipitation reanalysis data from 1960–1990, which were compared with ground station data in Georgia for validation. The analysis of ground and satellite data showed that using machine learning regression methods, data from 1960–2000 are sufficient for training, while 2001–2022 data can be used for testing. The SPI-3 (three-month Standardized Precipitation Index) was chosen as the target variable. Applying machine learning models and algorithms for precipitation analysis, drought monitoring, and forecasting is appropriate for Georgia and other regions with a 60-year observational record. The results are recommended for use in early warning systems for drought monitoring.

УДК: 111.111
Возможности мониторинга засухи с помощью машинного обучения /А. Палавандишвили / Сб. Трудов ИГМ ГТУ. - 2025. – том 136. - c. 87-91. - Груз.; Рез: Груз., Англ., Рус.
Одной из важнейших современных проблем физики является изучение физических процессов, происходящих в атмосфере, с использованием современных методов и новых данных. Среди стихийных бедствий засуха является одной из угроз для многих регионов мира, включая Грузию. Исследование проводилось на территории Грузии с использованием данных базы данных Национального агентства по охране окружающей среды за период 1960-2022 гг., а также данных реанализа осадков Copernicus ERA5 за период 1960-1990 гг., которые для проверки сравнивались с данными наземных станций на территории Грузии. Анализ данных наземных и спутниковых источников в Грузии показал, что при использовании метода регрессии машинного обучения для обучения достаточно оценить данные за 1960-2000 годы, а для тренировки — данные за 2001-2022 годы. В качестве объекта обучения был выбран трехмесячный стандартизированный индекс осадков SPI-3. Использование моделей и алгоритмов машинного обучения для анализа распределения осадков, мониторинга и прогнозирования засух целесообразно как в Грузии, так и в других регионах при наличии соответствующей базы данных наблюдений (60 лет). Полученные результаты рекомендуется использовать в системах раннего оповещения при мониторинге засух.