Аннотация
В настоящем исследовании представлена интеграция физически обоснованной модели Snow ThermalModel (SNTHERM) с методами машинного обучения для симуляции и анализа сезонной динамики снежного покрова в предгорной зоне Восточного Казахстана. Модельный подход был реализован на примере метеостанции Шемонаиха, расположенной в паводкоопасном районе с резко континентальным климатом. В качестве метеорологического форсинга использовались почасовые данные реанализа ERA5-Land, что позволило провести высокоточное моделирование процессов накопления, трансформации и таяния снега в течение зимнего сезона 2022-2023 гг. Результаты моделирования, включая водный эквивалент снега (SWE), глубину снежного покрова и температурные профили, были интерполированы на суточный шаг и использованы для извлечения ключевых индикаторов снежного цикла, таких как даты максимального значения SWE, начала устойчивого таяния при положительных температурах и момента полного исчезновения снежного покрова. Для идентификации и количественной оценки фаз таяния применялись методы анализа временных рядов и алгоритмы машинного обучения (Random Forest, XGBoost, логистическая регрессия, SVM, KNN). Модель SNTHERM обеспечила высокую точность воспроизведения глубины снега по сравнению с наблюдениями Казгидромета (𝑅2=0.91), а ансамблевые алгоритмы показали лучшие результаты классификации паводкоопасных условий (Precision = 1.0, Recall = 0.8). Полученные результаты подтверждают потенциал предлагаемого подхода для моделирования снеготаяния и оценки гидрологических рисков в континентальных регионах с ограниченной сетью наблюдений.