---
title: "Гибридный ИИ и физика улучшили прогноз высоты волн при тайфунах"
url: "https://oceanolog.ru/2026/08/07/gibridnyj-ii-i-fizika-uluchshili-prognoz-voln-pri-tajfunah/"
language: "ru-RU"
updated: "2026-08-07T09:39:28+00:00"
---

# Гибридный ИИ и физика улучшили прогноз высоты волн при тайфунах

Тайфуны в северо-западной части Тихого океана создают волны-убийцы. Они угрожают судам, нефтяным платформам и прибрежным городам. Современные модели прогноза часто недооценивают высоту самых опасных волн. Это приводит к трагическим ошибкам. Китайские учёные создали новую гибридную модель. Она сочетает машинное обучение с физическими законами. Результаты опубликованы в журнале Ocean Engineering \[[1](https://www.sciencedirect.com/science/article/abs/pii/S0029801826031331)\].

## Проблема недооценки волн

Стандартная модель SWAN (Simulating WAves Nearshore) широко используется для прогноза волн. Однако при тайфунах она систематически занижает высоту волн. Главная причина — нехватка точных данных о ветре в экстремальных условиях. Кроме того, поправки к модели работают плохо, потому что волны растут и спадают слишком быстро \[[2](https://www.sciencedirect.com/science/article/abs/pii/S1463500325001039)\].

Исправить ошибки вручную практически невозможно. Поэтому учёные обратились к искусственному интеллекту.

## Два подхода к исправлению ошибок

Учёные протестировали два типа нейросетей и их комбинацию.

**Физически-информированные нейросети (PINN)** используют физические законы как ограничители. Они дают стабильные и реалистичные результаты. Однако PINN может сглаживать самые сильные пики волн. Он слишком «осторожен» в экстремальных условиях.

**Генеративно-состязательные сети (GAN)** лучше учатся на редких и экстремальных паттернах. Они отлично справляются с высокими волнами, которые другие модели пропускают. Но GAN может генерировать нереалистичные колебания без контроля физикой \[[1](https://www.sciencedirect.com/science/article/abs/pii/S0029801826031331)\].

**Гибридная модель PINN-GAN** объединяет сильные стороны обоих методов. Она использует физику для сохранения правдоподобия, а GAN — для улавливания экстремальных значений. Такой подход лучше всего подходит для быстро меняющихся тайфунных волн \[[3](http://www.chinaoceanengin.cn/article/app/id/9dbc4162-7667-4a0f-ab18-0e5edc8d1a7d/#References)\].

## Как тестировали новую модель

Учёные проверили модель на двух тайфунах 2024 года в Восточно-Китайском море. Они использовали данные с 29 буёв и прибрежных станций.

**Тест А** (затухание тайфуна Бебинка): гибридная модель снизила среднеквадратичную ошибку на 34,9% по сравнению со стандартной SWAN.

**Тест Б** (полный жизненный цикл тайфуна Пуласан): ошибка снизилась на 11,0%.

В условиях, сильно отличающихся от обучающих данных, физически-информированная модель показала лучшую устойчивость. Однако гибрид оказался самым надёжным для волн выше 3 метров, где SWAN даёт наибольшие ошибки \[[4](https://www.linkedin.com/posts/phys-org_coupled-ai-and-physics-model-improves-typhoon-wave-activity-7491127733570174976-0xak)\].

## Ограничения и планы

Гибридная модель показала слабости у сложных береговых линий. В одном прибрежном тесте прогноз ухудшился. Кроме того, тесты проведены только на двух тайфунах. Этого недостаточно для уверенного применения в реальных условиях.

Учёные планируют проверить модель на большем количестве штормов и в разных регионах. Они также хотят отделить ошибки из-за данных о ветре от ошибок самой модели. Тем не менее, гибридный подход уже показал свою эффективность. Он может стать основой для новой системы оперативного прогноза, которая спасёт жизни и защитит инфраструктуру \[[1](https://www.sciencedirect.com/science/article/abs/pii/S0029801826031331)\].

## Читайте также:

[Спутник NASA впервые увидел цунами из космоса. Открытие удивило учёных](https://oceanolog.ru/2026/07/11/sputnik-nasa-uvidel-tsunami-iz-kosmosa/)

[Камчатский феномен: почему землетрясение 2025 года нарушило все прогнозы](https://oceanolog.ru/2026/06/12/kamchatskij-fenomen-2025/)

---

## Список источников

1. [A PINN–GAN coupled model for physics-guided correction of SWAN significant wave height under typhoon-driven sea states](https://www.sciencedirect.com/science/article/abs/pii/S0029801826031331) – Ocean Engineering, 2026
2. [Real-time wave model error correction via coupled neural networks and WAM under extreme weather](https://www.sciencedirect.com/science/article/abs/pii/S1463500325001039) – Ocean Modelling, 2025
3. [Physics-Guided Deep Learning Model for Ocean Waves and Storm Surges Induced by Tropical Cyclones](http://www.chinaoceanengin.cn/article/app/id/9dbc4162-7667-4a0f-ab18-0e5edc8d1a7d/#References) – China Ocean Engineering, 2026
4. [Coupled AI and physics model improves typhoon-wave height forecasting](https://www.linkedin.com/posts/phys-org_coupled-ai-and-physics-model-improves-typhoon-wave-activity-7491127733570174976-0xak) – [Phys.org/LinkedIn](https://phys.org/LinkedIn), 2026