Изменения климата и военные угрозы требуют от спасателей умения предсказывать возникновение чрезвычайных ситуаций и минимизировать их последствия. Однако на деле эксперты сталкиваются с разрозненностью получаемых данных и проблемами с их интерпретацией. Тем временем мировые корпорации уже используют сервисы, позволяющие предсказывать события и снижать потенциальный ущерб. Как свести воедино имеющиеся инструменты и сделать их эффективным инструментом в руках спасателей, обсуждали спикеры прошедшего в Казани Международного форума «Комплексная безопасность-2026».
Прогнозирование возникновения чрезвычайных ситуаций постепенно становится прерогативой искусственного интеллекта. Например, Google разработал сервис Flood Hub, который охватывает более 150 стран и с точностью до 90% предоставляет прогнозы речных наводнений с заблаговременностью до семи дней; в марте 2026 года сервис был дополнен функцией прогнозирования внезапных городских паводков на 24 часа вперёд. В основе технологии — анализ спутниковых снимков, данных о влажности почвы и уровнях воды в реках. Для обучения моделей ИИ проанализировал более пяти миллионов новостных сообщений о наводнениях за 20 лет, выделив 2,6 миллиона исторических событий. Точность таких прогнозов достигает 85–90%. Используя прогнозы Google Flood Hub, в 2024 году международная благотворительная организация Give Directly смогла доставить денежную помощь жителям Нигерии до того, как вода поднялась, что позволило семьям эвакуироваться и защитить имущество.
Модель GraphCast от Google DeepMind смогла предсказать беспрецедентные дожди в Дубае в апреле 2024 года за восемь дней до их наступления. В Греции запущена первая в мире национальная спутниковая группировка из четырёх тепловизионных спутников, которые сканируют территорию страны круглосуточно, а ИИ обрабатывает изображения, выявляя очаги размером 4х4 метра. Система передаёт данные в FireHUB, где они объединяются с прогнозами погоды и моделями распространения огня.
Подобные примеры есть и в России – холдинг «Росэлектроника» госкорпорации «Ростех» разработал программный модуль на основе ИИ для прогнозирования опасных природных явлений – штормов, землетрясений и извержений вулканов, способный анализировать гидрометеорологическую и геофизическую информацию со спутников, отслеживая места зарождения штормов, опасное таяние снега, земные толчки и повышение температуры в районах вулканов.
Однако пример «Ростеха» – пока скорее точечная история. Как заявили участники круглого стола «Большие данные и перспективы их применения для прогнозирования чрезвычайных ситуаций», прошедшего недавно в Казани в рамках форума «Комплексная безопасность-2026», масштабному использованию больших данных для прогнозирования рисков возникновения ЧС и минимизации их последствий мешает разрозненность данных и отсутствие единой системы их интерпретации.
«Если на входе мусор, на выходе тоже будет мусор»
Эксперты были едины во мнении – проблема не в моделях, а в данных: первые развиваются гигантскими темпами, но доступ к данным остаётся ограниченным.
— С нашей точки зрения, дело не в моделях, потому что модели развиваются в параллельной вселенной от МЧС. Здесь вопрос к данным. Их много, но они разобщённые, нестандартизированные. И мы, как сторонние компании, не имеющие прямого отношения к государственным данным, просто не имеем доступа и не можем помогать работать с ними, — признаётся директор по национальным стратегическим проектам «Яндекс.Клауд» Евгений Коклунов.
Вопрос усугубляется «множественной правдой»: вице-президент Академии наук Татарстана по развитию искусственного интеллекта и информационных технологий Айрат Хасьянов приводит данные региональных отчётов, согласно которым площадь паводков в республике может составлять 4,6 тыс. га, в то время как спутниковые снимки говорят о 11 тыс. га потенциально затапливаемых земель.
— Необходимо ввести «паспорта данных» — документы, которые будут фиксировать уровень доступа, источники и методику сбора. Это позволит не только облегчить интерфейсы для коммерческих структур, но и допустить студентов и аспирантов к открытым данным для экспериментов. Кроме того, паспорта помогут решить проблему верификации: когда мы в модель собираем мусор, мы получаем мусор на выходе, — констатирует Хасьянов.
Все учесть невозможно?
На множественность источников данных (спутниковые наблюдения, наземные метеопосты, аппаратные измерения и т.д.), которые могут использоваться в прогнозировании ЧС, указывает и заведующая кафедрой промышленной и экологической безопасности КНИТУ-КАИ Елена Муравьёва.
— Если всё свести воедино, вероятность прогноза, а значит, минимизации последствий – человеческих жертв, санитарных потерь, материального ущерба и нарушения условий для дальнейшей жизнедеятельности – естественно, увеличивается. Однако на практике данные до сих пор не объединены: у МЧС свои задачи и свои данные, у Росгидромета — свои, у экологов — свои. Вопрос о том, какой орган будет аккумулировать всю информацию в едином центре, пока не определён, – поясняет она в разговоре с KazanFirst.
Не добавляют ясности и сложности с обменом данными с зарубежными обсерваториями: когда спутниковые данные стали только появляться, «все с удовольствием ими обменивались, а потом стали просить за это деньги».
Ситуация с разрозненностью данных ещё более усложняется, если принять во внимание изменения климата, меняющие структуру чрезвычайных ситуаций. Муравьёва приводит примеры: лесные пожары теперь возникают в зонах, где раньше их не было; меняется растительность у рек, а с ней и их водность; появляются организмы, которые раньше в данном месте не встречались.
— Например, смерчей на Волге раньше не было, а теперь они есть. И чем теплее у нас вода, тем больше вероятность их возникновения, — продолжает она.
При этом сколько бы факторов ни было учтено при построении моделей, стопроцентный прогноз, по её словам, в принципе невозможен – слишком много вводных. Особенно наглядно это иллюстрируют малые реки, которые в мае этого года стали причиной наводнений в Дагестане.
— В случае с наводнениями необходимо учитывать множество составляющих – количество воды, состояние русла, степень промерзания почвы, пропитанность её водой. Это всё моделируется, но просчитать всё невозможно, — подчёркивает Муравьева.
Как это ни удивительно, но просчитать со стопроцентной вероятностью развитие событий невозможно даже в случае с Ноксой – малой рекой в Татарстане, которая, по словам Муравьёвой, является наиболее проблемной рекой в республике.
— В отличие от Волги или Мёши, разлив которых можно спрогнозировать с относительно высокой точностью, Нокса при таянии снега создаёт угрозу подтопления: вода не заливает дома сверху, а поднимается через канализационные люки и коммуникации. Русло Ноксы регулярно чистят, но точного прогноза, когда именно начнётся подтопление, не получается, — продолжает она.
Наибольшую сложность для прогнозирования представляют быстро развивающиеся локальные события с коротким временем на реагирование, подобные недавнему наводнению в Непале. И именно в этом сегменте наиболее остро стоит вопрос систем оповещения, хотя это, по определению заведующей кафедрой, «весьма недешёвое удовольствие». Тем не менее, если верить эксперту, сейчас на федеральном уровне прорабатывается вопрос установки на основе имеющихся данных систем оповещения и разработки планов эвакуации населения. И Татарстан, где в местах с наибольшей вероятностью возникновения паводков регулярно проводятся учения МЧС, в ходе которых, в том числе, отрабатываются мероприятия по эвакуации населения, здесь мог бы послужить хорошим примером.
«Старобельск можно было спрогнозировать»
Директор Института гражданской защиты Луганского государственного университета Владимир Малкин констатирует, что в зоне СВО данные по обстрелам, разрушениям и последствиям собираются, но их применение на земле часто запаздывает.
— Эвакуация гражданских лиц в начале СВО могла бы быть более эффективной при наличии прогнозных моделей, учитывающих социальные последствия. Если бы тогда существовали прогнозные модели, способные оценивать социальные последствия ударов и потребности в эвакуации, ситуацию можно было бы спрогнозировать более точно, а значит — подготовить пункты размещения и организовать вывоз людей с меньшими потерями, — уверен он.
Говоря о последствиях, Малкин имеет в виду и неготовность принимающей стороны к массовому потоку людей (многие пункты временного размещения, где планировалось расселить прибывших, оказались закрыты), и психологический фактор (местные жители, жившие в условиях обстрелов с 2014 года, были готовы к рискам и не воспринимали угрозу как критическую), и неопределённость сроков возвращения (эвакуированные не знали, на какое время покидают дома и смогут ли вернуться).
Малкин убеждён – при наличии корректных прогнозных моделей, основанных на анализе данных, можно было бы предупредить и трагедию в Старобельске, где в результате удара по общежитию колледжа погиб 21 человек.
– Прогнозирование ударов по гражданским объектам – задача военных, и она решается на основе анализа вооружения, местности, рельефа, степени урбанизации территории и социальной сферы – что именно находится в конкретной точке: завод по изготовлению оружия, военный объект или жилой квартал, — поясняет он.
По мнению представителя Луганского госуниверситета, математические модели применяются недостаточно для прогнозирования событий в прифронтовой зоне – речь о территориях, где расстояние до линии фронта составляет 20–30 км. Малкин заверяет – задача усложняется тем, что военные объекты в непосредственной близости отсутствуют, «но беспилотники противника мотаются по всему периметру и могут нанести удар в любой момент».
Тем не менее, отмечает эксперт, прогнозы на основе больших данных в военной сфере всё же используются, в частности, для противодействия ударам БПЛА по гражданским объектам в глубине страны.
Запуск платформы отложен
Впрочем, говорить о том, что профильные ведомства и организации не предпринимают никаких усилий для аккумуляции данных и выработки единой формулы их интерпретации, нельзя. В ноябре 2025 года участники подобной дискуссии, прошедшей в университете «Сириус», заявили о планах по созданию защищённой платформы для обмена данными между государственными ведомствами и научными организациями, а также запуске пилотных проектов для тестирования ИИ-решений в реальных условиях эксплуатации.
Уже в нынешнем сентябре МЧС РФ запустило ГИС по сбору информации системы-112, объединяющей данные о всех вызовах на номер спасения из регионов в единый государственный цифровой реестр происшествий, который становится источником достоверной информации о чрезвычайных ситуациях и преступлениях для разных ведомств. Платформа предоставляет руководству МЧС, МВД, Минздрава, главам регионов и другим уполномоченным органам аналитические данные, статистику и прогнозы.
Однако запуск наиболее масштабного продукта – Автоматизированной информационно-управляющей системы единой государственной системы предупреждения и ликвидации чрезвычайных ситуаций (ГИС АИУС РСЧС), представляющей из себя ту самую единую платформу по управлению ЧС, – отложен на целых два года (первоначально запустить систему в эксплуатацию планировалось в декабре 2026 года). Концепция ГИС АИУС РСЧС, создаваемой на единой цифровой платформе «ГосТех», предусматривает использование искусственного интеллекта для предиктивной аналитики и мониторинга. Причина всё та же — невозможность переиспользовать компоненты ведомственной информационной системы МЧС РФ «Атлас опасностей и рисков» в установленный срок, а также необходимость миграции на модернизированную версию платформы «ГосТех».
Comment section