Best Practice Guidance Document - Draft - Chapter1 - 2022 перевод

СНИЖЕНИЕ УЯЗВИМОСТИ НАСЕЛЕНИЯ
В ЦЕНТРАЛЬНО-АЗИАТСКОМ РЕГИОНЕ ОТ
ПРОРЫВА ЛЕДНИКОВЫХ ОЗЕР В УСЛОВИЯХ
ИЗМЕНЕНИЯ КЛИМАТА (GLOFCA)
РУКОВОДЯЩИЙ ДОКУМЕНТ ПО
НАИЛУЧШЕЙ ПРАКТИКЕ
ПО ОЦЕНКЕ РИСКОВ GLOF
С
СНИЖЕНИЕ УЯЗВИМОСТИ НАСЕЛЕНИЯ
В ЦЕНТРАЛЬНО-АЗИАТСКОМ РЕГИОНЕ ОТ ПРОРЫВА
ЛЕДНИКОВЫХ ОЗЕР В УСЛОВИЯХ ИЗМЕНЕНИЯ
КЛИМАТА (GLOFCA)
РУКОВОДЯЩИЙ ДОКУМЕНТ ПО НАИЛУЧШЕЙ

ПРАКТИКЕ
ПО ОЦЕНКЕ РИСКОВ GLOF
ПАРТНЕРЫ-ИСПОЛНИТЕЛИ:
! Логотипы всех партнеров должны быть предоставлены и добавлены сюда!
РУКОВОДЯЩИЙ ДОКУМЕНТ ПО НАИЛУЧШЕЙ
ПРАКТИКЕ
ПО ОЦЕНКЕ РИСКОВ И УПРАВЛЕНИЕ GLOF
Глава 1: Картирование озер и оценка восприимчивости

(запланировано на 2022 г.)
Глава 2: Моделирование GLOF, картирование опасностей и рисков

Глава 3: Комплексная разработка и внедрение СРП EWS Design

(запланировано на 2024 год)
Глава 4: Дополнительные стратегии снижения рисков GLOF

(запланированы на 2025 г.)
Глава 5: Масштабируемость и устойчивость стратегий снижения рисков GLOF

ПРИМЕЧАНИЕ. Содержание главы и расписание являются предварительными и будут

развиваться в зависимости от потребностей проекта GLOFCA и ожиданий всех партнеров.
1
Глава 1
Картирование озера и оценка восприимчивости
1: Введение и оформление 3
1.1 Предыстория, контекст и мотивация 3
1.2 Терминология & Структура 4
2: Картирование озера 5
2.1 Международный уровень техники 5
2.1.1 Используемые датчики 5
2.1.2 Классические подходы 7
2.1.3 Подходы к машинному обучению 9
2.1.4 Вспомогательные источники информации 9
2.2 Национальные подходы, используемые для картирования озер 9
3: Оценка восприимчивости 13
3.1 Международный уровень техники 13
3.1.1 Криосферные факторы 14
3.1.2 Геотехнические и геоморфологические факторы 15
3.2 Национальные подходы к оценке восприимчивости 17
4: Вклад GLOFCA в передовой региональный опыт 31

4.1 Картирование озера 31
4.2 Оценка восприимчивости 37
Использованная литература 47
2
1: Введение и оформление
1.1 Предыстория, контекст и мотивация
Благодаря своим богатым природным ресурсам, уникальным экосистемным услугам и живописным

ландшафтам горные районы всегда были домом для людей. Однако неровная топография, большие
перепады высот и крутые склоны приводят к процессам, представляющим опасность для нижнего
населения и инфраструктуры. Оценка природных опасностей и рисков и управление ими всегда
были неотъемлемой частью деятельности человека в горах.
За последние несколько десятилетий высокогорные регионы во всем мире также все больше
страдают от продолжающегося изменения климата. Повышение температуры приводит к
сокращению и, в конечном счете, исчезновению ледников, а также к потеплению и деградации
вечной мерзлоты. Эти изменения приводят к фундаментальным и долговременным изменениям
ландшафта и многих взаимосвязанных систем. Сегодня оценка опасностей криосферы не может
основываться на опыте прошлого, поскольку условия и ситуации выходят за рамки каких-либо
исторических свидетельств. Поэтому для оценки и управления текущими и потенциальными
будущими опасностями и рисками необходимы основанные на сценариях и ориентированные
на будущее подходы.
Прорывные паводки из ледниковых озер могут нанести ущерб на расстоянии до нескольких

сотен километров ниже по течению от озер-источников. Таким образом, управление рисками,
связанными с такими GLOF, является трансграничной задачей, требующей скоординированных
усилий на региональном уровне. Проект GLOFCA является одним из первых региональных
проектов, финансируемых Адаптационным фондом ООН и осуществляемых ЮНЕСКО
совместно с Цюрихским университетом в качестве международного партнера-исполнителя. Его
основная цель – снизить уязвимость людей в Казахстане, Кыргызстане, Таджикистане и
Узбекистане к наводнениям, вызванным прорывом ледниковых озер (GLOF). Эти четыре
страны Центральной Азии сильно пострадали от изменения климата и в то же время имеют
долгую историю и традиции в области снижения риска бедствий и управления ими,
связанными с горными процессами.
Настоящий документ представляет собой направляющее руководство на передовой опыт

управления опасностями и рисками GLOF в Центральной Азии, собранный в рамках проекта
GLOFCA. В нем рассматриваются процедуры и стандарты для оценки и управления
ледниковыми озерами и связанными с ними опасностями и рисками, которые были установлены
в четырех странах, и сочетаются они с международными научными современными подходами.
Это рабочий документ, который будет развиваться в течение всего проекта. Документ основан
на вкладе международных и национальных экспертов, представляющих различные учреждения,
участвующие в проекте GLOFCA..
Читатели, которым нужна дополнительная информация о национальном опыте управления

опасностями и рисками GLOF в Центральной Азии, могут обратиться к обобщающим отчетам
национального уровня, подготовленным в рамках GLOFCA (<ссылка будет предоставлена на
платформу знаний GLOFCA>). Эти проекты отчетов послужили исходными данными для
руководящего документа.
3
1.2 Терминология & Структура
Согласно терминологии UNDRR1, стихийное бедствие – это естественный процесс или явление,
которые могут привести к гибели людей, материальному ущербу, социальным и экономическим
потрясениям или ухудшению состояния окружающей среды. Опасности характеризуются своим
местоположением, интенсивностью (или величиной) и вероятностью возникновения. Риск, с другой
стороны, учитывает не только опасное событие, но и его последствия. В своем Специальном
отчете о рисках экстремальных явлений и бедствий (SREX)2 IPCC определяет риск как функцию
опасности, воздействия и уязвимости. Между тем, это установленный стандарт, и поэтому мы
основываем наш подход на этой концепции. Снижение риска бедствий (СРБ) описывает усилия,
направленные на предотвращение новых и снижение существующих рисков, а также управление
остаточными рисками.
Чтобы всесторонне рассматривать опасности и риски GLOF для очень большой территории,
такой как Центральная Азия, с тысячами ледниковых озер, необходим поэтапный подход.
Потенциально критические ситуации необходимо выявлять с помощью простых, но надежных
подходов в крупном масштабе, после чего должны следовать подробные углубленные оценки
в локальном масштабе для горячих точек и объектов с высоким приоритетом (см. рис. 1).
Рисунок 1: Система оценки опасностей и рисков, используемая в проекте GLOFCA
1
https://www.undrr.org/terminology/ (accessed March 2022)
2
IPCC, 2012: Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation. Field,
C.B., V. Barros, T.F. Stocker, D. Qin, D.J. Dokken, K.L. Ebi, M.D. Mastrandrea, K.J. Mach, G.-K. Plattner, S.K.
Allen, M. Tignor, and P.M. Midgley (eds.). A Special Report of Working Groups I and II of the Intergovernmental
Panel on Climate Change. Cambridge, UK, 582 pp.
4
Задачи первого этапа, оценки риска первого порядка, включают подходы на основе дистанционного
зондирования для обнаружения, картирования или мониторинга всех ледниковых озер на большой
территории. Простые, но надежные методы оценки дают первое представление о восприимчивости
или устойчивости таких озер и их плотин, а в некоторых случаях — первые признаки потенциального
воздействия в нижнем течении. Восприимчивость - это относительная мера вероятности (или
возможности) того, что озеро вызовет прорывной паводок, с учетом физических характеристик
озера и окружающей его среды.
Ледниковые озера, определенные как потенциально критические в этой оценке первого порядка,
затем исследуются в масштабе детализации в каждом конкретном случае. При такой детальной
оценке риска устойчивость озера и подверженность прорыву оцениваются более подробно с учетом
характеристик озера, плотины и потенциальных триггеров прорыва. На основе этих результатов
моделируются воздействия ниже по течению путем рассмотрения сценариев выброса с различной
вероятностью и величиной с использованием физически обоснованных численных моделей.
Результаты таких моделей в сочетании с полевыми работами можно затем использовать для
составления подробных карт опасностей. В сочетании с данными и информацией об активах,
подверженных риску, такие карты опасностей обеспечивают основу для картирования рисков..
Для управления рисками GLOF существуют различные меры по снижению риска бедствий (СРБ),
направленные на снижение одного или нескольких факторов риска (т. е. опасности,
незащищенности, уязвимости). Здесь особое внимание уделяется комплексным системам раннего
предупреждения (СРП), которые направлены на снижение уязвимости и незащищенности
потенциально пострадавшего населения. СРП являются очень эффективными мерами с точки зрения
затрат и выгод и являются приоритетными в международных политических документах, таких как
Сендайская рамочная программа по снижению риска бедствий или Цели устойчивого развития
(ЦУР) ООН. Особенно в сочетании с другими мерами по снижению риска СРП может значительно
способствовать снижению риска GLOF.
На данном этапе настоящий документ охватывает компиляцию и рекомендации по картированию

ледниковых озер и оценке восприимчивости ледниковых озер в Центральной Азии (Казахстан,
Кыргызстан, Таджикистан, Узбекистан) (Глава 1). Дальнейшие главы будут разработаны в ходе
проекта GLОFCA.
2: Картирование озера
2.1 Международный уровень техники
2.1.1 Используемые датчики

В нескольких недавних исследованиях по картированию ледниковых озер использовались либо
отдельные безоблачные оптические изображения, либо данные радара с синтезированной апертурой
(SAR). Оптические изображения, используемые в таких исследованиях, обеспечивают ряд
различных спектральных характеристик для оценки, в основном по отражательной способности
верхних слоев атмосферы (Pekel et al., 2016; Wangchuk and Bolch, 2020; Zhang et al., 2020b), иногда
после атмосферных коррекций (Dirscherl et al., 2020; Jha and Khare, 2017). С другой стороны,
использование данных SAR для картирования водоемов основано на низком и переменном во
времени обратном рассеянии поверхностных вод (Santoro and Wegmuller, 2014; How et al., 2021).
5
2.1.2 Классические подходы
Чистая вода является одной из самых темных естественных целей дистанционного зондирования, и
поглощение чистой водой сильно увеличивается с увеличением длины волны во всем видимом и
ближнем инфракрасном (БИК) спектре. Высокая концентрация взвешенных частиц может
противодействовать этому доминирующему свойству природных вод и сдвигать спектральный пик
коэффициента отражения выходящей воды до 600-800 нм для концентраций в несколько сотен г/м3
(например, рисунок 3 в Doxaran et al., 2003). Тем не менее, сопоставление относительно высокой
видимой области с очень низкой отражательной способностью в ближнем инфакрасном и
коротковолновом инфракрасном (КВИК) диапазонах остается одним из наиболее эффективных
подходов к различению воды и поверхности земли.
Zhang et al. (2020b) оценили надежность каждого признака, в результате чего были получены самые
высокие баллы за Нормализованный Разностный Индекс Воды — Синий (НРИВ-С),
Нормализованный Разностный Индекс Воды — Зеленый (НРИВ-З) и Расширенный Индекс Воды
(РИВ). Они также обнаружили, что наиболее широко используемые индексы сильно коррелированы,
что предполагает ограниченный потенциал повышения точности классификации с помощью
комбинаций оптических индексов. Наиболее широко используемый(НРИВ-З) показал лучшие
результаты в своем анализе и в баллах по сравнению с РИВ и НРИВ-С и для них соответственно.
Zhang et. al (2020b) использовали коэффициент отражения в Верхней Части Атмосферы (ВЧА) и
обнаружили, что нормализованные индексы неизменно являются более надежными средствами
классификации, чем отдельные полосы или отношения полос. Напротив, Dirscherl et al. (2020)
обнаружили, что коэффициенты отражения одной полосы с атмосферной поправкой, полученные
Sentinel-2 (665 нм, 560 нм, 705 нм, 740 нм, 783 нм в порядке важности), представляют собой лучшие
критерии классификации, чем индексы (TCwet, AWEInsh, AWEIsh заняли 2-е место, 5, 8). Похоже, что это
различие в первую очередь связано с применением атмосферной поправки Dirscherl et al. (2020), в
отличие от Zhang et al. (2020b), где абсолютная отражательная способность ВЧА подвержена
сильным вариациям атмосферного рассеяния, которые требуют нормализации с индексом.
Вторичные эффекты ожидаются от состава пикселей в перигляциальной области, которая значительно
различается между Антарктидой (Dirscherl et al., 2020) и горными хребтами Азии (Zhang et al., 2020b).
Набор индексов, использованный Pekel et al. (2016) существенно отличается. Спектральные

характеристики, которые они использовали, включают, помимо входных полос Landsat в
коэффициенте отражения ВЧА, НРИВ и Тон-Насыщенность-Яркость(HSV), рассчитанные на основе
двух разных триплетов спектральных полос Landsat (называемых HSV-S и HSV-N). Преобразование
HSV позволяет основывать решения о классификации на значении оттенка, которое, как и
спектральные индексы, менее чувствительно к освещению и изменчивости атмосферного рассеяния,
чем коэффициенты отражения ВЧА. Однако существующие подходы к дистанционному
зондированию на основе порогов и индексов имеют различные ограничения. На эффективность таких
подходов влияет мутность ледниковых озер, тени от облаков и гор, облачный покров, сезонный снег
и замерзание ледниковых озер. Следовательно, для таких методологий часто необходимы этапы
постобработки..
Санторо и Вегмюллер (2014) использовали минимальное обратное рассеяние и временную

изменчивость, определяемую как стандартное отклонение значений силы обратного рассеяния в
логарифмической децибел (дБ) для отображения масштаба воды во временных рядах Envisat-ASAR.
Используя этот подход, было отмечено, что минимальное обратное рассеяние наземных пикселей в
труднодоступных районах уменьшается, а временная изменчивость обратного рассеяния повышается,
что приводит к уменьшению сепарации от пикселей воды для горных районов.
6
Кроме того, влажный снег может уменьшить обратное рассеяние в данном пикселе временно и
следовательно причина, в течение длительных периодов, увеличение изменчивости. На этом фоне, и
учитывая увеличение временного разрешения, обеспечиваемого миссией Sentinel-1, анализ временных
рядов принята вместо метрики временной изменчивости в исследовании How et al. (2021). Эти
исследования на основе Гренландских-данных Sentinel-1 (IW-GRD)
для горизонтально-горизонтальной (ГГ) и горизонтально-вертикальной (ГВ) поляризации.
Данные обратного рассеяния C-диапазона Sentinel-1 также использовались для создания

высокочастотных очертаний ледников для юго-восточного Тибетского Плато (Zhang et al.,
2020a).
В этой работе была проведена начальная сегментация озера, основанная на пороге обратного рассеяния,
и ежегодное медианное обратное рассеяние в каждом пикселе было использовано для регуляризации
согласно Сильвейре и Хелено (2009). Аналогично, Вангчук и Больч (2020) использовали порог обратного
рассеяния -14 дБ для данных Sentinel-1, используемых в их классификаторе.
2.1.3 Подходы к машинному обучению

Вангчук и Больч (2020 год) продемонстрировали, что интеграция различных источников данных в
подходы машинного обучения (МО) может значительно повысить надежность неконтролируемой
классификации земель/водных ресурсов в высокогорных районах. Кроме того, Dirscherl et al., (2020)
разработал аналогичный метод специально для арктических ледниковых озер. Вангчук и Болч (2020)
предложили использовать случайный лесной MО-классификатор по данным Sentinel-2 MSI и Sentinel-1
SAR, а также DEM для сегментации ледниковых озер на основе правил. Эта методология МО была
проверена с использованием данных, полученных в высокогорных районах Азии, Альп и Анд. Этот
подход оказался относительно более эффективным по сравнению с различными существующими
методологиями, подчеркивающими потенциал и возможности анализа спутниковых изображений на
основе МО для мониторинга ледниковых озер.
2.1.4 Вспомогательные источники информации

Вспомогательные источники информации также использовались для картирования ледниковых озер
(Вангчук и Больч, 2020; Pekel et al., 2016; Zhang et al., 2020a) в основном для уменьшения
погрешностей, особенно для крутых склонов, которые подвержены затенению. Удобство
использования цифровых моделей рельефа (ЦМР) для этой задачи зависит от их пространственного
разрешения и точности для горных районов, но является очень надежным для ЦМР-производных
склонов выше 20-30 °. Система ASTER GDEM V2 была использована для идентификации горных теней
в данных SAR (Zhang et al., 2020a). Помимо ЦМР, периметры ледников, городских районов и лавовых
потоков были использованы Pekel et al. (2016, которые полезны для удаления тени местности,
связанных с ледниками погрешностей, зданий и т.п.
2.2Национальные подходы , используемые в Центральной Азии

Кадастры ледниковых озер в Центральной Азии составляются местными органами власти и научно-
исследовательскими институтами, а также международными учеными. Кадастры местных ледниковых
озер, как правило, составляются на основе свободно доступных изображений дистанционного
зондирования (рис. 2). База данных включает, но не ограничивается, ASTER, Hexagon, IKONOS, Landsat
5 (TM), Landsat 7 (ETM+), Landsat 8 (OLI), Sentinel 1 и Sentinel 2B, SPOT5, ldWorView-2 (наряду с
другими Mergili et al, 2013, Petrov, Pital, 2017, Pital, 2017, Pital. В некоторых случаях рассекреченные
разведывательные данные, такие как Corona, использовались для расширения анализа в прошлом
веке(Bolch et al., 2011, Mergili et al., 2012).
Кадастры обычно не обновляются в соответствии с регулярным графиком, а зависят главным образом от

инициативы административных или исследовательских учреждений в регионе.
7
В большинстве случаев очертания
ледниковых озер определяются вручную и
оцифровываются. Тем не менее, некоторые
исследования используют автоматические
или полуавтоматические методы для
обнаружения и разграничения, используя
нормализованный индекс разницы воды
(НИРВ) (Bolch et al., 2011, Semakova et al.,
2015) Основные недостатки и ограничения
таких подходов связаны с трудностями
классификации затененных районов, таяния
льдов и мутных озер (раздел 2.1). По этим и
другим возможным причинам важное
значение по-прежнему имеет ручное
определение контуров озер. Использование
алгоритмов машинного обучения и данных
SAR может улучшить обнаружение
небольших озер и позволить анализ высокого
временного разрешения даже в условиях
облачного покрова; Таким образом, можно
проводить полугодовой анализ колебаний
ледниковых озер и выявлять потенциально
опасные эфемерные озера
При повторном картировании с годовой

периодичностью обычно используются снимки,
полученные в конце периода абляции, т.е. с августа
или сентября, для сведения к минимуму сезонно
Диаграмма 2: примеры различных типов озер.
замерзшей воды, снежного покрова и в целом Снимки ландшафта (2014 год) и аэрофотоснимки
неопределенности, связанной с сезонными косых участков (слева и справа соответственно).
колебаниями (Zheng et al., 2019) Из Капица и др., 2017
Помимо ограничений в видимости и физических изменений

Что касается озер, то основным источником неопределенности, который обычно
оценивается в рамках местных/региональных исследований, является грубое
пространственное разрешение данных дистанционного зондирования. Точность контура
озера зависит главным образом от разрешения данных, используемых для картирования
(Petrov et al., 2017). Согласно передовой международной практике, относительная ошибка
рассчитывается путем умножения периметра озера на буфер, репрезентативный для
абсолютной ошибки. Это значение принимается как половина пиксельного измерения. В
некоторых исследованиях использовались более сложные методы оценки буфера, включая
неопределенность, обусловленную субъективным ручным отображением (например,
Mergili et al., 2013)
.
Подтверждение результатов с помощью измерений на местах является полезным и позволяет получить
важные данные о местных характеристиках ледников, озер и плотин. Важную информацию об озерной
батиметрии и наземном льде, которая имеет важное значение для подробных местных оценок и
калибровки параметрических уравнений для оценки объемов озер (рис. З) и оценки восприимчивости,
можно получить только с помощью подробных обследований на местах. Однако доступ к большинству
полевых объектов затруднен, а работа на местах в таких условиях является трудоемкой и затратной.
Полеты вертолетов могут обеспечить хороший компромисс только между обследованиями на местах и
8
данными спутникового дистанционного зондирования.
9
Еще одна трудность может возникнуть в ограниченных пограничных районах, где трудно получить
разрешение на проведение полевых или вертолетных съемок. Одним из основных преимуществ
включения данных с мест является, при условии надлежащей интеграции данных, возможность
расширения периода наблюдений в течение нескольких десятилетий в прошлом путем использования
результатов старых полевых исследований.
По практическим соображениям, также связанным с разрешением, кадастры

устанавливают порог для района ледникового озера, под которым озера не
учитываются. Большинство исследований устанавливают это значение в пределах от
2000 до 2500 м2, но некоторые инвентарные запасы, основанные на изображениях с
более высоким разрешением, снизили порог цифровизации до менее 1000 м2 (Petrov
et al.,
2017, Kapitsa et al., 2017). Таким образом, использование коммерческих спутниковых
данных с высоким разрешением может повысить как качество, так и точность
кадастров региональных ледниковых озер.
Цифровые модели рельефа (ЦМР)
используются для установления минимального
порогового значения высоты озера,
подлежащего включению в кадастр. Это
значение обычно устанавливается на уровне
1500 м а. с. л. в странах Центральной Азии.
Цифровые данные о рельефе также полезны для
количественной оценки степени
подверженности озер наводнениям и могут
использоваться для оценки траектории течения
и величины возможных перемещений массы.
Свободно доступными информационными
продуктами являются ASTER DEM и SRTM с
разрешением 30 м. Вертикальная Рисунок З: Взаимосвязь между районом озера и объемом в
Зайлийском и Джунгарском Алатау, Kapitsa et al., 2017.
неопределенность была оценена Kapitsa и др.
(2017) как ±10 м для Джаунгарского региона.
Алатау в Казахстане. В конкретных обстоятельствах используются ЦМР с высоким
разрешением, однако пространственные масштабы GLOF таковы, что расчет
необходимых данных может потребовать очень много времени и ресурсов. Модели
высот могут также использоваться для расчета будущей эволюции размеров и числа
ледниковых озер. Для Центральной Азии такая эволюция оценивается различными
авторами на основе моделирования толщины ледников и идентификации чрезмерных
углублений (например, Kapitsa et al., 2017, Zheng et al., 2021).
В региональной литературе, как и на международной арене, отсутствует консенсус в

отношении классификации ледниковых озер. Kapitsa et al. (2017) объединяют подходы
Попова (1986 год) и Medeu et al. (2013) и разрабатывают новую классификационную
схему дифференциации: контактные озера, развивающиеся на ледниковых языках,
проледниковые моренные озера, формирующиеся на моренах 20-21 века (в пределах 500
м) Но без контакта с ледником, моренными озёрами, расположенными в LIA или более
древних моренах, и запруженными озерами, образующимися из-за запруды рек и ручьев.
Petrov et al. (2017)предлагают геометрический критерий для классификации типов озер,
основанный на относительном положении озер и ледников: надводные озера
располагаются на поверхности ледника, проледниковые озера расположены на краях
ледника и непосредственно связаны с ним, Периледниковые озера определяются в
пределах 2 км от ледникового конца, и, наконец, внеледниковые озера представляют
собой остальное (Рис. 4). Возможность консенсусного подхода к региональному
10
исследованию предусматривается несколькими автороми и представляется
осуществимым в практическом смысле с учетом значительного дублирования
различных подходов.
Наряду с базовым обнаружением многие кадастры также содержат информацию, полезную для
применения критериев опасности, таких, как тип озера, тип дамбы, наличие каскадных озер, площадь
озера, высота надводного борта, расстояние до инфраструктуры, средний уклон и уклон вблизи
дамбы озера. Этот вопрос обсуждается далее в главе 3.2.
3: Оценка восприимчивости
3.1 Современное
международное
оборудование для оценки
уязвимости
Настоящий раздел посвящен оценке производства руководящего документа

восприимчивости озера. Некоторые ученые
называют этот шаг оценкой опасности озер
или оценкой опасности. Здесь мы
употребляем термин "оценка
восприимчивости", однако независимо от
используемой терминологии важно
проводить различие между этим шагом и
оценкой опасности в нижнем течении, в ходе
которой затем рассматривается вопрос о том,
каким образом вспышка будет
распространяться вниз по течению и каковы
последствия (высота потока, скорость и т.д.)
будет относиться к инфраструктуре и
общинам. Этот аспект моделирования и
картирования рисков на последующих этапах Рисунок 4: Расположение озер по отношению к
ледникам и их эволюция во времени, Petrov et al., 2017
Оценка восприимчивости к озерам) включает в себя определение того, из каких озер,

насколько вероятным и каким крупным может быть событие, на основе анализа
широкого диапазона факторов, вызывающих и обусловливающих воздействие, в
результате объединения атмосферных, криосферных, геологических,
геоморфологические и гидрологические процессы. Определяющие факторы включают в
себя статические и неотъемлемые характеристики участка, а также динамические
факторы, которые постепенно повышают восприимчивость участка с течением времени
(например, характеристики плотины, размер озера). Таким образом, триггерные факторы
зарезервированы для тех процессов, которые непосредственно инициируют взрыв или
преобразуют участок из стабильного в нестабильное состояние (например,
экстремальное таяние или выпадение дождя, обвал в озеро, землетрясение). То,
насколько важны определенные факторы для восприимчивости или стабильности, будет
варьироваться от региона к региону, и необходимо экспертное заключение для
определения того, следует ли делать больший акцент (взвешивание) на некоторых
факторах при местной оценке восприимчивости.
Были предложены различные схемы оценки степени восприимчивости ледниковых озер, главным
образом с использованием информации дистанционного зондирования для описания
полуколичественной криосферной среды; Район озера и плотины, а также другие геотехнические и
11
геоморфные характеристики верхнего водосборного бассейна озера (например, Huggel et al., 2002;
McKillop and Clague, 2007; Worni et al., 2013). В горных районах Гималаев и Анд, где проводились
многочисленные исследования, классификационные схемы, как правило, подчеркивают роль
горных/ледяных лавин в качестве основного фактора. Вероятность столкновения неустойчивых
горных пород и/или льда с озером может быть определена на основе расстояний выбега в худшем
случае. Подходы к оценке были в основном разработаны и адаптированы к региональному
осуществлению, и в частности для моренных дамб, для которых Маккиллоп и Клаг (2007 год)
Представлен предварительный всеобъемлющий обзор многих соответствующих факторов
восприимчивости, которые могут обусловить или вызвать вспышку (рис. 5). За время, прошедшее
после этой ранней работы, возник более широкий круг факторов, имеющих отношение к
дестабилизации льда, морена и коренных запруд озер.
Различные процедуры оценки восприимчивости к озерам или опасности были представлены в

литературе (Kougkoulos et al., 2018), основанной на ранних систематических подходах (Huggel et al.,
2002; McKillop и Clague, 2007) и региональных исследованиях (Ives et al., 2010). Окончательная
оценка восприимчивости (иногда называемая уровнем опасности) для любого конкретного озера, как
правило, основывается на упрощенной схеме классификации, основанной на эмпирическом опыте
(например, на дереве решений), или на индексе, который математически комбинирует несколько
факторов. Что касается суб- или инмолярного дренажа ледяных озер или сложных ледяных моренных
структур, то понимание процессов на международном уровне остается довольно ограниченным, и
отсутствуют надежные критерии оценки.
3.1.1 Криосферные факторы

Ключевыми определяющими факторами восприимчивости к GLOF и величиной результирующего
события являются размер ледникового озера, механизм выброса (и связанная с ним гидрография) и
характеристики нисходящего потока (определяемые наклонением канала и доступностью мусора)
(Эммер, 2017 год). Крупные озера могут вызывать потенциально более сильные наводнения, однако
более крупные озера также более восприимчивы к ударам со стороны скал и льда. Вместе с тем, если
слишком много внимания или внимания уделяется абсолютным размерам озер, то можно упустить из
виду опасные ситуации, связанные с меньшими озерами или быстро меняющимися озерами. В
разделе 2 представлена международная передовая практика мониторинга района озера и изменения
размера озера. Прямые замеры объемов озер по-прежнему проводятся редко из-за трудностей и
опасности, связанных с обследованием батиметрий озер в отдаленных районах. Подходы,
предусматривающие использование небольших беспилотных катеров с гидролокационными
приборами, обеспечивают безопасный и экономически эффективный вариант обследования
критических озер, обеспечивая подробную батиметрию. Для региональных и бассейновых
исследований оценка объема озер первого порядка может быть получена на основе эмпирических
уравнений, увязывающих среднюю глубину озер с районом озера (Fujita et al., 2013; Huggel et al.,
2002; O’Connor et al., 2001). Рассмотрение геоморфологического контекста (например, морен-дамба,
супраглазия или ледяной засоренности) показало, что значительно улучшает такие оценки объема
озера первого порядка (Cook and Quincey, 2015). Можно предвидеть будущие угрозы в тех случаях,
когда озера расширяются или развиваются в пределах впадин в слое ледника. Возможные места, где
озера могут развиваться в будущем, могут быть определены на основе морфологических критериев
(Frey et al., 2010) или на основе топографии смоделированного слоя (Farinotti et al., 2019; Linsbauer et
al., 2016)Хотя будущие объемы озер могут оцениваться лишь в приблизительном порядке.
Динамика ледников (опережение, отступление, отеллинг, обесценивание и подъем) может

контролироваться на больших площадях с помощью дистанционного зондирования и
фотограмметрии и должна сочетаться с регулярным мониторингом развития озер и обновлением
кадастра озер. Условия вечной мерзлоты должны быть характерны как для окружающих крутых
скальных склонов, так и для зоны дамбы озера, чтобы определить наличие и вероятное состояние
любого земного льда в структуре плотины (ледник с ледниками и моренами) которые могут быть
очень восприимчивы к дальнейшему потеплению и таянию. Для критических конструкций плотин
затем могут использоваться геофизические методы для более точного определения подземных
тепловых условий. Если надщелочные дренажные сети могут наблюдаться на поверхности, то связь
12
озер с субзональной или энгальционной системой может быть установлена только путем наблюдения
за прошлыми дренажными явлениями, полевых экспериментов (например, отслеживания красителей)
или моделирования.
3.1.2 Геотехнические и геоморфные факторы

При оценке степени восприимчивости к озерам проводится различие между теми факторами, которые
имеют решающее значение для стабильности озерной плотины, и теми, которые влияют на потенциал
внешнего инициирующего явления, такими, как факторы, вызывающие скальную или ледяную
лавину, или поток мусора (полное обсуждение смотрите Эммер, 2017). Кроме того, исследования
высветили гидрогеоморфные характеристики водосборного бассейна озера, которые могут влиять на
восприимчивость к осадкам или вспышкам, вызванным таянием.
Благодаря оптическим изображениям с высоким разрешением (например, получаемым с помощью

Google Earth) и соответствующим высококачественным цифровым моделям рельефа стало
возможным дистанционно определять различные физические характеристики плотины и
водосборного бассейна в больших пространственных масштабах (Allen et al., 2019; Dubey and Goyal,
2020; Rounce et al., 2016). Вместе с тем точные геометрические измерения (например, высота
надводного борта дамбы или плотины) и характеристики на месте (например, ледяное ядро,
литология) по-прежнему лучше всего проводить на местах.
Средства географической информационной системы (ГИС) могут использоваться для определения

верхнего водосборного бассейна каждого ледникового озера и количественной оценки его основных
гидрологических характеристик (Allen et al., 2015). Хотя эмпирические данные, связывающие
характеристики водосборных бассейнов с восприимчивостью к GLOF, остаются ограниченными,
можно предположить, что озера, питаемые крутыми, быстро дренирующимися водосборными
бассейнами, в большей степени подвержены быстрому притоку осадков или таяния снега. Те же
самые инструменты могут использоваться для оценки топографических и геоморфологических
характеристик русла затопления ниже озера.
13
Рисунок 5: Резюме факторов, имеющих отношение к стабильности ледниковых озер с моренными
дамбами, представленных Маккиллопом и Клагом (2007 год). К ним относятся: (1) надводный борт
озера, (2) отношение высоты надводного борта озера к высоте гребня морена, (3) площадь озера,
(4) отношение высоты морена к ширине, (5) морен к крутизне нижнего течения, (6) охват морской
растительности, (7) ледниковая морена, (8) моренная литология, (9-ледниковое озеро)
(горизонтальное расстояние), (10) рельеф озера-ледника (вертикальное расстояние), (11) склон
между озером и ледником, (12) трещины ледникового рыла, (13) ледникового отеля передней
ширины, (14) ледниковая морда крутизны, (15) снежные лавины, (16) оползников, (17) неустойчивые
озера вверх, и 18 (14) район водосбора.
14
3.2 Национальные подходы, используемые для оценки восприимчивости
Большая часть литературы и подходов к оценке в Центральной Азии касается термина оценка
опасности для озер, а не термина оценка восприимчивости к озерам, который чаще используется в
международной литературе. Здесь мы сохраняем первоначальную формулировку национальных
подходов и понимаем как синонимы как оценку восприимчивости к озерам, так и оценку опасности
озер.
На первом этапе принимается решение о том, какие озера будут подвергнуты детальной оценке. В
Республике Узбекистан на основе Petrov et al. (2017) проводится детальная оценка опасности для всех
озер на высотах свыше 1500 м а.с. над площадью 100 м2 и стока в Узбекистан. В Республике Казахстан
оцениваются наиболее опасные озера, а с 2015 года - все моренные озера. В Республике Кыргызстан
проводится подробная ежегодная оценка и классификация озер, подверженных воздействию GLOF.
Эти озера перечислены в национальном атласе озер, который регулярно обновляется и служит основой
для мониторинга и оценки озер. В Республике Таджикистан оценки опасности проводятся в три этапа,
включая, во-первых, предварительный анализ опасности, а во-вторых, определение возможных
последовательностей опасности и, в-третьих, анализ последствий.
Для подробной оценки восприимчивости к воздействию на озера все четыре страны используют
классификацию опасности на основе различных типов характеристик различной степени детализации, на
которые влияют атмосферные, криосферные, геологические, геоморфологические и гидрологические
процессы. Озера отнесены к одной из двух категорий опасности в Казахстане, одной из трех категорий в
Узбекистане и Таджикистане или одной из четырех категорий в Кыргызстане. Детальные оценки опасности
и классификация основаны на наземных обследованиях (например, батиметрии), аэрофотосъемках и
интерпретации космических и аэрофотоснимков. Они проводятся на основе экспертных оценок и с учетом
перечня критериев. Параметры классификации опасности определяются качественно (визуально) и
количественно на основе долгосрочных полевых наблюдений за локальными процессами, состоянием озер и
окрестностей, а также записей прошлых событий.
Рис. 6: Наземные наблюдения на озере Nº 1 в бассейне реки Турген, Илe-Алатау, 2020 год
15
В Казахстане озера отнесены к одной из двух категорий с высоким или низким потенциалом опасности
на основе критериев для озера, дамбы и ледника. Они включают тип озера, объем озера, режим
наполнения, геоморфологию бассейна, сток и дренажный канал для критериев озера; тип плотины,
состав, размеры, состояние и местоположение для критериев плотины; и тип, размеры и
местоположение для критериев ледника. Качественные экспертные оценки, а также
твердые/абсолютные значения используются в некоторых критериях категоризации (для последней
категории, например, ширина дамбы или высота >10 м или
<10 м; расположение дамбы по отношению к озеру <500 м или >500 м; расположение ледника по
отношению к озеру <500 м или >500 м; или размеры ледника>0,5 км2 или <0,5 км2) (подробности см.,
таблица 1).
Выделяются стационарные и нестационарные озера. Хотя количество нестационарных озер

значительно ниже, чем количество стационарных озер, на них приходится более 50% катастрофических
ГОФ. Нестационарные озера заполняются в самом начале периода абляции вплоть до предзимнего
периода. Заполнение озер происходит в результате блокирования ледяных туннелей, и их прорыв чаще
всего является результатом открытия таких подземных стоков. Считается, что озера в возрасте 20 или
более лет представляют минимальную угрозу вспышки. В Казахстане большинство моренных дамб
имеют плотины, сделанные из моренных материалов, содержащих закопанные ледяные керны или
вечную мерзлоту. Основными причинами прорывов в озерах считаются деградация плотин из-за таяния
почвы и быстрого заполнения озер летом и последующая эрозия дамб через поверхностные дренажные
каналы, а также внутриморенные стоковые каналы.
I В Республике Таджикистан ледниковые озера классифицируются по трем категориям опасности, а

именно: (1) озера на стадии выброса, (2) озера, которые приближаются к стадии выброса, но не
представляют непосредственной угрозы, и (3) озера с возможностью вспышки в будущем, но сейчас
они в безопасности. Хотя озера категории (З) должны обследоваться ежегодно, озера категории (2)
должны наблюдаться, а для озер категории (1) необходимы защитные и превентивные меры для
предотвращения возможных катастрофических последствий. Для Таджикистана единственное
исследование с подробной оценкой ледниковых озер было проведено в 2009-2010 годах и
опубликовано Шнайдером и др. (2010 год). Однако в нем рассматриваются главным образом
вопросы моделирования сценариев GLOF, а не конкретные критерии оценки восприимчивости к
озерам.
В Кыргызстане горные озера классифицируются по геологическим факторам их формирования, а

именно по происхождению их плотин и особенностям структуры и состава этих плотин. Согласно
генезису, природе строения и составу их плотин, горные озера, подверженные выбросу воды,
делятся на следующие типы: ледниковые, моренно-ледниковые, моренно-дамбы и оползни; и
подтипы (см Рисунок 7). Озера каждого типа и подтипа имеют свои характерные особенности,
которые должны учитываться при оценке их восприимчивости к вспышкам. Для классификации
опасности используются те же категории опасности, что и в Таджикистане, но с дополнительной
категорией (4) озер, которые уже взорвались, но все еще сохраняют значительное количество воды, а
в случае кардинальных изменений в природных условиях (например, землетрясение, оползень,
поломка склона, оползень и т.д.) могут вновь обрушиться. Наиболее важными критериями,
используемыми для классификации, являются тип озера, характер наполнения, характер стока,
положение ледников, активность термокарстовых процессов и условия питания в озере, а также
изменяющиеся условия (например, температура, осадки, землетрясения)и накопление сыпучих
материалов на крутых склонах. В последнее время наиболее важные критерии были
скорректированы с учетом следующих факторов: наполнение озера, характер стока озера, характер
16
дамбы и свидетельства разрушения дамбы, а также контакт с ледником. Например, морено-
ледниковые озера считаются наиболее подверженными выбросам в Кыргызстане, а озера с
подземным течением - наиболее подвержены выбросу. Озера наиболее подвержены вспышкам в
период с мая по сентябрь, когда уровень и объем озера возрастают в зависимости от типа озера.
Подробный перечень критериев оценки восприимчивости к выбросам и классификации для
различных типов озер показан в таблице 2.
Рисунок 7: Система классификации опасных горных озер в Кыргызстане (С.А. Эрохин, диссертация).
В Узбекистане озерам, по которым проводится оценка опасности, присваивается одна из трех

категорий потенциального выброса (низкая, средняя или высокая) в зависимости от типа озера, типа
дамбы, надводного борта, соединения, типа дренажа, и возможные возможности столкновения с озером
(диаграмма 8).
Во всех странах мониторинг озер и их изменений (например, размера или объема озер) осуществляется
с использованием методов дистанционного зондирования на основе анализа данных космической
съемки, полевых наблюдений и ежедневных синоптических прогнозов. Особое значение придается
нестационарным озерам. В большинстве случаев мониторинг этих динамичных озер осуществляется
ежегодно. После этого проводится переоценка кадастров озер и их потенциальной опасности.
17
Диаграмма 8: Диаграмма, иллюстрирующая структуру, используемую для составления кадастра горных озер
Узбекистана и для классификации потенциала прорыва озер(Petrov et al., 2017)
Таблица 1: Критерии, используемые для оценки опасности озер в Казахстане, резюме,

основанное на таблицах, представленных д-ром Кассеновым (Казселезащита)
Озер
о
Тип Объем Режим Резервуар Сток Канал Категория

заполнения отвода опасности
Нестационар > 40’000 Внезапное Крутые отвесные Отсутсвует Не Опасный

ная М3 заполнение ранее борта стокового обнаружен
пустовавшего русла и котловины
бассейна в озера. Участки
текущем году (в обнаженного
начале погребенного льда.
селеопасного Нижний наклон к
сезона) переборке
18
> 50’000 подземный возможно, потенциально
М 3 заблокирова опасный
но
наибольша обрушением
я глубина в почвы
центре или
у
переборки
<40’000 m3 отсутствие роста плоские стороны. подземный нет Неопасный

объемов за слабый уклон днища в возможности
наибольша последние 10 лет сторону переборки перекрытия
я глубина в или деградация обрушением
центре или бассейна озера грунта
на
противопо
ложной
стороне
переборки
30x50 m со Крутые борта. подземный возможно развивающий
значительн Участки с открытым заблокирова ся
ым погребенным льдом. но
потенциало Крутой уклон днища к обрушением
м развития переборке грунта, льда
Стационарны Частично Легко

>40 000 м3 Интенсивный рост Крутые отвесные опасный
й поверхностный разрушается
объема за борта. Участки с (на короткое
наибольшая последние 2-10 открытым расстояние) Легко
глубина у лет - (от десятков погребенным льдом. блокируется
переборки до сотен тысяч Нижний наклон к обрушением
или в м3) переборке подземный грунта, льда,
центрально снега
й части
Стационар > 50’000 Медленный рост Не крутые борта. частично разрушенны потенциально
3 объемов за Участки с открытым поверхностны й опасный
ные m
(оползнев последние 10 лет погребенным льдом. й (на короткое
ые, наибольша (с десятков тысяч Слабый уклон днища расстояние)
забитые) я глубина в м3) в сторону переборки
центре или
у
переборки
19
частично не размытый
<40’000 m3 отсутствие роста плоские стороны. Неопасный
поверхностный
объемов за слабый уклон днища в подземный
Стационар наибольша последние 10 лет сторону переборки
ные я глубина в или деградация
(оползнев центре или бассейна озера
ые, на нет
тарновые) противопо возможности
ложной перекрытия
стороне обрушением
переборки грунта
> 5’000 m3 Интенсивный рост Крутые борта. Частично Размытое развивающий

объемов за поверхностны или ся
Участки с открытым
последние 1-3 погребенным льдом. й (на неорганизова
года до десятков Крутой уклон днища к небольшом нное
тысяч м3) переборке расстоянии) стоковое
или полное русло без
отсутствие проложенног
стока о
естественног
о
армирования
русла
Возможно
заблокирова
но
обрушением
грунта, льда.
Переборка
озера
Состав Размеры Кондиция Категория

опасности
Ледяна <10 м в Проседание почвы. Пустоты, гроты. опасный

я ширину Поверхностный сток. Выходы утечки воды на поверхность в хвостовом
брекчи отсеке переборки.
я
Ледяна >10m в Отдельные пустоты, гроты. потенциально
я ширину поверхностный сток или выходы просачивающихся вод на поверхность в опасный
брекчи хвостовом отсеке переборки
я
уплотненные <10m в Поверхностный сток отсутствует или незначителен. Выходов Неопасный
почвы ширину просачивающейся воды на поверхность нет. В перемычке озера
наблюдаются выходы коренных пород.
Морена
20
Кондиция Категория
опасности
21
Наличие следов прохождения локальных и микроселей. опасный
Трещины, просадки, воронки, гроты, термокарстовые воронки с отчетливыми стоковыми каналами
водоснабжения.
Значительное обводнение морены.
Незначительная просадка, мелкие потенциально

трещины. Следы прохождения опасный
микроселей, Процесс формирования
стокового русла.
Средняя обводненность.
Отсутствие просадок и трещин. Отсутствие следов прохождения микроселей. Процесс Неопасный
формирования канала стока завершен или отсутствует.
Средняя или низкая обводненность.
Уступ
Морены
Параметры Кондиция Расположение озера по Категория

отношению к моренному опасности
выступу
Высота ≥10m Неоднородность распределения частиц по На дистанции ≤ 300m опасный
размерам
Оползни, оползневые воронки
Высокий уровень воды
Высота ~10m Неоднородность гранулометрического На дистанции ~500m потенциально

состава опасный
Отдельные оползни, оползневые воронки
Средняя обводненность
Высота <10m Неоднородность гранулометрического На дистанции ≥ 500 m Неопасный
состава
Отдельные оползни, оползневые воронки
Средняя обводненность
Ледник
Тип Размеры Расположение озера Категория

относительно ледника опасности
долина ≥ 0.5 km2

≤ 0.5 km опасный
висячий ~ 0.25 km 2
22
долина ≥ 0.5 km2 потенциально
> 0.5 km
опасный
~ 0.25 km2
висячий
долина, Неопасный
тарн, < 0.5 km2 > 0.5 km
висячие
Зона Категория
риска опасности
с наличием людей, находящихся в селеопасной зоне с численностью населения более 50 человек очень
опасный
отсутствие инженерных селезащитных сооружений очень

опасный
Таблица 2: Обновленные критерии классификации озер по прорывоопасности в Кыргызской Республике.

Источник: Ерохин С. А., Загинаев В. В. (2020b). Тенденции выбросоопасности динамики горных озер Кыргызстана.
В С. С. Черноморец и К. С. Висхадзиев (ред.), Селевой поток: бедствия, риск, прогноз, защита. Материалы 6-й
Международной конференции (Таджикистан) (Том 1, стр. 194–207).
Генети Подкласс Критерии взрывоопасности *

ческий Категор
класс ия
озера опаснос
ти
Ледяная Надледниковый · Быстрое повышение уровня озера в сезон таяния 1, 2
плотина
Ледниковый · Вспышки событий в прошлом
Ледник
запруженный
· Уровень озера стабилен или постепенно повышается 3, 4
· Вспышки событий в прошлом
Моренная Внутриморенные · Прямой контакт с ледником 1

плотина (с впадины · Под землей
ледяным
керном) · Овраги и трубопроводы на нижнем бьефе плотины
· Признаки проседания плотины вдоль подземных каналов
· Колебания уровня воды в озере до нескольких метров;
· Быстрое наполнение озера (недели, месяцы);
потенциальное переполнение
23
· Прямой контакт с ледником 2
· Под землей
· Признаки проседания плотины вдоль подземных каналов
· У подошвы плотины наблюдаются овраги и
трубопроводы
· Колебания уровня воды в озере до нескольких метров;
· Постепенное заполнение озера (1-3 года);
·· Подземный/комбинированный слив 3
·· Признаки проседания плотины вдоль подземных каналов
·· У подошвы плотины наблюдаются овраги и трубопроводы
·· Амплитуда колебаний уровня воды в озере незначительна;
стабильный режим притока и оттока воды
·· Постепенное наполнение озера/уровень озера стабилен;
·· Подземный/поверхностный (стабильный 4
перелив)/комбинированный слив (стабильный)
·· Постепенное снижение уровня воды
Термокарст ·· Подземный выход 1

·· Обнажение льда по берегам озера
·· Интенсивное оседание берегов и дна озерной котловины;
просадочные трещины
·· Быстрое наполнение озера (недели, месяцы);
·· Подземный выход 2
·· Признаки проседания дамб на отдельных участках берегов
озерной котловины
·· Постепенное заполнение озера
· Подземный выход 3
· Незначительное заполнение озера
· Уровень озера стабилен или снижается 4
Коренны · · Прямой контакт с ледником 1

еи · · Подземный/комбинированный слив
моренны
е · · Овраги и трубопроводы на нижнем бьефе плотины
плотины -//- · · Признаки проседания плотины вдоль подземных каналов
· · колебания уровня воды в озере до нескольких метров;
· · Быстрое наполнение озера (недели, месяцы);
потенциальное переполнение
24
·· Прямой контакт с ледником 2
·· Под землей
·· колебания уровня воды в озере до нескольких метров;
·· Постепенное заполнение озера (1-3 года);
·· Подземный/комбинированный слив 3
·· Амплитуда колебаний уровня воды в озере незначительна;
стабильный режим притока и оттока воды
·· Постепенное наполнение озера/уровень озера стабилен
· · Подземный/наземный (при стабильном переливе) 4
· /комбинированный отток (стабильный)
· · Постепенное снижение уровня воды
Моренна · · Подземный выход 1

я -//-
· · Овраги и трубопроводы на нижнем бьефе плотины
плотина
(безо · · колебания уровня воды в озере до нескольких метров;
льда) · · Быстрое заполнение озера
· · Подземный выход 2
· · Галлион на нижнем бьефе плотины
· · Постепенное заполнение озера
· · Подземный отток/стабильный поверхностный отток 3

· · Галлион на нижнем бьефе плотины
· · Постепенное наполнение озера
· · Незначительная амплитуда колебаний уровня воды в
озере
· · Стабильный режим притока и оттока воды
Оползень Оползень - ·· Подземный выход 1

запруженный ·· Интенсивная эрозия, овраги и трубопроводы на нижнем
бьефе плотины
·· Быстрое заполнение озера
· · Овраги на нижнем бьефе плотины
· · Постепенное заполнение озера
25
· · Овраги на нижнем бьефе плотины
озере
Селево-запрудное · · Отсутствие оттока воды 1

озеро · · Быстрое повышение уровня воды/возможный перелив
воды
· · Постепенное повышение уровня воды

озере
Оползнево- · · Отсутствие оттока воды 1

запрудное озеро · · Быстрое повышение уровня воды/возможный перелив
воды
· · Постепенное повышение уровня воды

* 1-й класс опасности присваивается озерам с наибольшей выбросоопасностью, 4-й класс опасности
присваивается озерам с наименьшей выбросоопасностью.
26
4: Вклад GLOFCA в передовой региональный опыт
В этом разделе мы опираемся на опыт международных передовых и текущих национальных
подходов, чтобы представить рекомендуемые подходы и новые инструменты, разрабатываемые в
рамках проекта GLOFCA
для картирования озер и оценки восприимчивости.
4.1 Вклад GLOFCA в картографирование озер
Всеобъемлющая и актуальная инвентаризация ледниковых озер на национальном и региональном

уровнях является ключевым первым шагом для отслеживания изменений с течением времени и
выявления потенциально опасных озер. В частности, в Центральной Азии опыт показал, что новые
озера могут образовываться чрезвычайно быстро, а нестационарные озера могут расширяться или
восстанавливаться в течение недель или месяцев. Это требует регулярного повторения картирования
озер, в том числе (и, что, возможно, более важно) в периоды времени, когда плохая погода может
препятствовать доступу к полям или доступности безоблачных оптических спутниковых изображений.
Поэтому мы разрабатываем набор инструментов Glacial Lakes Inventory (GLI) для картирования и
мониторинга ледниковых озер в Центральной Азии (Узбекистан, Казахстан, Кыргызстан, Таджикистан)
с использованием библиотеки python Tkinter. Эта библиотека используется для создания графического
пользовательского интерфейса (GUI) для панели инструментов. Tkinter доступен в таких операционных
системах, как Linux, MacOS и Windows. Более подробную информацию о библиотеке можно найти на
странице официальной онлайн-документации Tkinter, см. https://docs.python.org/3/library/tkinter.html.
Набор инструментов будет отслеживать динамику озер и предоставлять статистику, такую как
изменение площади поверхности, появление новых и исчезновение существующих озер. В нашем
наборе инструментов мы используем Sentinel-2 Normalized Difference Water Index (NDWI) для
обнаружения ледниковых озер. Учитывая тот факт, что машинное обучение является
многообещающим направлением исследований (см. раздел 2.1.3), мы разрабатываем методологию,
основанную на глубоком обучении, которая использует дополнительную информацию в радарах с
синтезированной апертурой (SAR) Sentinel-1 и Sentinel-2. оптические спутниковые данные. Этот
подход обеспечивает высокое временное разрешение, в то время как SAR может проникать сквозь
облачность и обеспечивать круглогодичный мониторинг.
Тем не менее, есть несколько основных проблем. Большинство из этих озер очень малы по площади и
большую часть года замерзают, что затрудняет картографирование и мониторинг с использованием
спутниковых датчиков. Кроме того, наблюдение за такими озерами с помощью оптических
спутниковых изображений, таких как Sentinel-2, становится затруднительным из-за неспособности
датчика проникать сквозь облака. Кроме того, отбрасываемые и облачные тени, а также
увеличивающаяся мутность озера и атмосферы создают дополнительные препятствия, которые
необходимо устранить. С другой стороны, для мониторинга с использованием спутниковых датчиков
SAR (например, Sentinel-1 SAR) основными трудностями являются обработка случаев ветреных
сценариев наряду с отбрасываемыми тенями и вариациями обратного рассеяния из-за изменений
мутности.
Снимок прототипа набора инструментов GLI (версия 0.0), который был представлен на региональном
семинаре по обмену (Ташкент, ноябрь 2021 г.), показан на рисунке 9.
27
Рисунок 9. Скриншот прототипа набора инструментов Glacial Lakes Inventory (GLI) (версия 0.0).
Ниже приводятся некоторые отдельные особенности текущей версии набора инструментальных

средств (версия 0.0):
1) Наш инструментарий предлагает возможность выбора и визуализации различных карт
(Sentinel-1 и -2, NDWI и т.д.)
2) В графическом интерфейсе пользователя (GUI) спутниковое изображение и соответствующая
карта водного объекта могут быть визуализированы бок о бок.
З) Набор инструментов оснащен кнопками для перемещения между различными картами
(включая кнопки выбора года, региона интереса и т.д.).
4) Функция увеличения (ввода и вывода) и перевода карты является особенностью
инструментария.
5) Существует скользящая полоса для изменения порогового значения NDWI и определения
соответствующего воздействия на карты водных объектов в режиме реального времени.
Версия 0.0 набора инструментальных средств будет обновлена и оптимизирована с учетом

предложений местных партнеров после обучения и практического опыта работы с этим набором.
В рамках нашего подхода к глубокому изучению мы использовали картирование ледниковых озер в

качестве одного пиксельного 2-класса (озеро, фон) с контролем семантической сегментации
(классификация) и решили ту же задачу с помощью сети мониторинга ледниковых озер (МЛО).
Предлагаемая сетевая архитектура показана на рис. 10. Вспомогательные источники информации,
такие, как DEM, данные по периметру и т.д. (см. раздел 2.1.4), не используются. Кроме того,
включение информации об аспектах и уклонах в трубопровод может способствовать сокращению
площади, представляющей интерес, и, следовательно, уменьшению вычислительных возможностей.
28
Цель состоит в том, чтобы осуществить слияние карт водных объектов на уровне принятия решений,
полученных на основе данных, полученных с помощью входных спутниковых данных, с тем чтобы
использовать преимущества обоих датчиков, опираясь на основанный на данных подход,
основанный на глубоком обучении снизу вверх.
Датчик Sentinel-1 SAR посылает электромагнитные волны с частотной модуляцией (C-диапазон) и

обнаруживает обратное эхо поверхности. Из отраженного сигнала датчик SAR измеряет амплитуду
и фазу. Мы используем только информацию амплитуды (Уровень-1 Заземление Обнаружено [GRD]
продукт в интерферометрическом широком [IW] режиме Swath). Этот продукт больше не имеет
информации о фазах и имеет почти квадратный след. Более подробную информацию об
используемых ПС данных (включая подробные сведения о этапах предварительной обработки)
можно получить на веб-сайте: https://developers.google.com/earth-
engine/datasets/catalog/COPERNICUS_S1_GRD
Архитектура GLM основана на дизайне в стиле кодер-декодер для семантической сегментации. Есть
две входные ветви (одна на спутниковый тип). В каждой входной ветви соответствующие спутниковые
данные кодируются в компактное представление с использованием соответствующей подсети
кодировщиков. Каждая ветвь кодировщика имеет индивидуальный макет и весы, чтобы сопоставить
его исходные значения изображения с предиктивными функциями. Мы предлагаем следующие две
архитектуры на основе свёрточной нейронной сети (CNN), которые могут быть использованы в
качестве кодеров:
1) U-Net (Ronneberger et al., 2015) - кодировщик в стиле: Эта сеть CNN использует функцию активации ReLU
(alpha=0.05-0.2) и имеет относительно небольшое количество параметров (около 2,3 млн.), см. Рис.9b для сетевой
структуры.
2) Кодировщик Deeplab v3+ (Chen et al. 2018a): Это параметр тяжелый (приблизительно 6,5 млн.,
мобильная магистраль), очень глубокая архитектура CNN на основе CNN (см. Рис., 9c), которая
основана на концепциях atrous (расширенный) сверточный, модуль пространственной пирамиды для
извлечения многомасштабных функций и депарциальных операций свёртки. Основное различие между
atrous и стандартной свёрткой заключается в том, что она имеет дополнительный параметр,
называемый "скорость расширения", который соответствует шагу, с которой отбирается входной
сигнал. Скорее, стандартная свёртка - это особый случай атрусной свёртки со скоростью
расширения=1. В круговой свёртке ядро 3x3 со скоростью дилатации=2 имеет эквивалентное
рецептивное поле стандартной свёртки 5x5, но использует только 9 параметров. Для получения более
подробной информации о спирали обратитесь к Holschneider et al. (1990). Подробнее о применении
атрусных свёрток в ХН для семантической сегментации можно узнать в Chen et al., 2018b. Обратитесь к
Sandler et al. (2018) для получения подробной информации о базе мобильников 2 (включая подробности
о функции активации).
Сеть GLM следует модульному языку проектирования в том смысле, что различные кодировщики
могут быть протестированы в зависимости от типа и сложности входных данных. В предлагаемой
конфигурации тип и число входных ветвей являются гибкими. Довольно просто включить
дополнительные спутниковые датчики, спроектировав подходящий кодировщик и отладив общий блок
для учета новых характеристик входных данных. В этом контексте обратите внимание, что свёрточный
слой может обрабатывать различные входные размеры, поэтому можно использовать входные
изображения различных размеров, соответственно пространственного разрешения (на самом деле наши
входные данные также не имеют одинаковых размеров пикселей). Если позволит время, мы планируем
протестировать оба варианта кодера для обоих входных спутниковых ветвей, чтобы выбрать лучший
вариант для каждого типа входных данных. Входные ветви датчика, которые можно интерпретировать
как "предварительную обработку" в общем пространстве ("скрытое представление")За ними следует
блок общего декодера, который состоит из мелкой сети со свёрткой 1x1 и слоями конкатенации,
которые по существу изучают общее представление признаков (спутниковое вложение или 'Emb', как
показано на Fig. 9a). В этом блоке все веса изучаются на основе данных. Фактически, общий декодер
выполняет слияние зашифрованных входных данных от многоканальных спутниковых датчиков.
29
Для изучения параметров сети путем обратного распространения градиентов используется
оптимизатор Адама (Kingma и Ba, 2014), который минимизирует потери кросс-энтропии (Lce), которые
для многоклассовой задачи (M классов) задаются:
где yt,c и pc - метка истины (справочная информация) и вероятность softmax класса cth соответственно. Для
проблемы 2 класса потери сводятся к:
В настоящее время мы испытываем наш алгоритм глубокого обучения на ледниковых озерах, расположенных в
швейцарских Альпах. Некоторые предварительные результаты по данным Sentinel-1 и Sentinel-2 показаны на рис.
10.
а) архитектура предлагаемой сети GLM. S2 и S1-SAR указывают на Sentinel-2 и Sentinel-1 SAR,

соответственно. Conv и Emb представляют свёрточные слои и обучаемое вложение
соответственно.
30
а) Архитектура кодировщика в стиле U-Net (предоставлено изображением Tom et al., 2021). Conv и FM
представляют сверточный слой и отображение признаков соответственно. Этот пример показан
для входа Sentinel-1. Однако он может быть применен и к Sentinel-2.
а) Архитектура кодера Deeplab v3+. Conv представляет собой свёрточный слой.
Рисунок 10. Сеть мониторинга ледниковых озер (GLM).
31
Рисунок 11. Предварительные результаты сети GLM (U-Net encoder) по данным Sentinel-1 (S1) и
Sentinel-2 (S2) для некоторых ледниковых озер в Швейцарии. Первая и вторая колонки показывают
композит S1 RGB от 30.08.2015 и композит S2 от 29.08.2015, соответственно. Третий и
четвертый столбцы отображают результаты прогноза для ветвей S1 и S2 соответственно.
Пятый и шестой столбцы показывают соответствующие значения доверия в пикселях (чем больше
белый цвет, тем более уверенным является классификатор). В последнем столбце показаны
пометки наземной истины в каждый пиксель (справочные данные). В столбце З каждый пиксель
озера обозначен чёрным, а фоновый пиксель чёрным. В колонках 4 и 7 каждый пиксель озера
обозначен белым, а фоновый пиксель - черным.
В качестве следующего шага мы определим пределы (особенно размер самого маленького ледникового
озера, которое может быть обнаружено с высокой степенью уверенности) нашего алгоритма. Что более
важно, мы адаптируем алгоритм глубокого обучения (разработанный для швейцарских ледниковых
озер) для Центральной Азии. Для того чтобы наш подход учитывал состояние озер в Центральной
Азии, может потребоваться доработка методологии. Для этого потребуются некоторые данные из
Центральной Азии. Однако чрезмерная корректировка подхода для каждой целевой страны (или даже
для каждого озера) займет много времени и, следовательно, не будет проведена. Мы доработаем набор
параметров для нашего подхода, которые будут жизнеспособны для всех четырех целевых стран, с тем
чтобы объединить все вместе в единый региональный перечень. Кроме того, это повысит
универсальность нашей методологии, которая будет полезной, когда
ледниковое озеро из другого географического региона должно быть картировано без изменения
параметров.
32
Пространственное разрешение Sentinel-1 SAR составляет около 20 м, а для Sentinel-2 - 10 м. Метод
машинного обучения Вангчука и Больча (2020) (который также использовал данные Сентинел-1 и
Сентинел-2) обнаружил озера размером 0,01 км2 (площадь поверхности). На данный момент мы
протестировали алгоритм только на больших ледниковых озерах. Мы также предполагаем, что наш
алгоритм сможет обнаружить небольшие озёра, расположенные в районе 0,01 км2. Однако это может
быть подтверждено только после завершения испытаний модели. Тем не менее мониторинг малых озер
(< 0,01 км2) и субледниковых явлений) с помощью дистанционного зондирования представляется
сложным, что подчеркивает важность полевых кампаний для таких сценариев. Обратите внимание, что
для мелкозернистого мониторинга предложенный алгоритм глубокого обучения может быть
адаптирован к изображениям RGB, свободно доступным изображениям с высоким разрешением,
изображениям UAV и т.д. Однако параметры сети должны быть перенастроены на новый метод
обработки данных, который требует больших затрат временипотребление. Кроме того, требуются
достаточные аннотированные справочные данные (по Центральной Азии). Поэтому данное
исследование не будет проведено. Теоретически, глубину ледникового озера можно определить с
помощью нашего алгоритма, когда данные Sentinel-1 или Sentinel-2 без облаков фиксируют
интересующую область. Однако мы ожидаем, что темпоральное разрешение конечного продукта будет
меньше, поскольку мы предвидим некоторые многовременные шаги по сглаживанию, которые
необходимо сделать. Тем не менее, по крайней мере одно обнаружение в месяц представляется
возможным.
4.2 Вклад GLOFCA в оценку восприимчивости
Здесь мы объединяем региональный опыт с международной передовой практикой (GAPHAZ 2017),

чтобы предоставить экспертам обзор всех факторов, которые следует учитывать при всеобъемлющей
оценке восприимчивости GLOF к тому или иному озеру. Из раздела З ясно, что существует много
общего с национальными подходами, используемыми в Центральной Азии, особенно в отношении
быстро меняющихся нестационарных озер, озер, формирующихся в сложных моренных структурах, и
термолитых сред. Учреждения в Центральной Азии обладают уникальным и ведущим в мире опытом
работы с этими типами озер и могут способствовать улучшению понимания этих озер в других
аналогичных горных регионах. Некоторые другие процессы прорыва ледниковых озер, в частности
каскадные явления, связанные с обвальными скалами или ледяными лавинами, поражающими крупные
проледниковые озера, редко наблюдаются в Центральной Азии, но чаще встречаются, например, в
Андах или Гималаях. В рамках GLOFCA существует возможность объединить знания, накопленные в
этих различных регионах, для обеспечения того, чтобы подходы к оценке были всеобъемлющими для
всех типов озер и GLOF.
Таким образом, ниже приводится контрольный перечень (таблица З), который служит руководством
для местных экспертов в их оценке. Контрольный перечень предназначен для охвата всех типов
озер и широкого спектра факторов, которые могут способствовать или вызывать вспышки.
Таким образом, таблица содержит общие руководящие указания и призвана дополнить, но не
заменить подробные системы классификаций, используемые на национальном уровне или
различными учреждениями (например, таблицы 1 и 2). Контрольный перечень содержит все
факторы, которые обычно оцениваются в рамках национальных подходов, а также дополнительные
факторы, которые, возможно, менее часто наблюдаются в контексте Центральной Азии. Специалиста
призывают учитывать все факторы, даже если в прошлом некоторые типы GLOF или процессы
его инициирования наблюдались редко - быстрые экологические изменения могут привести к
неожиданностям и возникновению новых, даже беспрецедентных ситуаций.
33
Контрольный перечень может служить подспорьем как для широкомасштабной, основанной на
дистанционном зондировании приоритизации ледниковых озер, так и для местных полевых
исследований, позволяющих в полной мере изучить важные факторы, определяющие восприимчивость
к GLOF.
Контрольный перечень сам по себе не ведет к принятию окончательного решения относительно

степени восприимчивости озера. Как показано в разделе З, для определения уровня опасности
конкретного озера (например, высокого, среднего или низкого) используются различные схемы
классификации на международном и национальном уровнях, и ни одна из них не подходит для всех
процессов и типов озер. Поэтому после рассмотрения всех факторов, способствующих
восприимчивости к GLOF, навыки и опыт местных экспертов остаются наиболее важными для
принятия решения о том, требует ли озеро дальнейшего мониторинга и/или немедленных
действий.
В качестве общего руководящего принципа чем больше факторов, выявленных в контрольной таблице,
которые указывают на более высокую подверженность GLOF, тем выше будет общая восприимчивость
этого озера. Вместе с тем международный и региональный опыт показывает, что некоторые
факторы имеют более важное значение, чем другие, и эксперт может придавать им большее
значение. Эти факторы обозначены звездочкой (*) в таблице. Например, озеро, быстрое
расширение которого происходит в течение нескольких недель или месяцев, может рассматриваться в
качестве наиболее уязвимой категории, независимо от оценки других факторов. Это свидетельствует о
важности разработки процедур картирования и мониторинга озер с высокой временной разрешающей
способностью для поддержки оценки уязвимости.
Наконец, срочность и тип мер реагирования, требуемых для того или иного сильно восприимчивого к
воздействию озера, будут в значительной степени зависеть от опасности и риска для инфраструктуры и
общин, расположенных ниже по течению (об этом говорится в главе 2 настоящего руководящего
документа).
34
Таблица З: Контрольный перечень для оценки подверженности конкретного озера воздействию
GLOF. Факторы могут иметь значение для кондиционирования (Con.), срабатывания (Trig.) и/или
величины (Mag.) любого GLOF. Звездочка (*) указывает на те факторы, которые были показаны в
нескольких исследованиях, как важные для восприимчивости к GLOF.
Факторы Значимость Ключевые Восприимчивость к Методы

восприимчивос атрибуты GLOF оценки
ти для GLOF
C T M Нижний Верхний
o r a
i g
n g .
. .
Метеорология
Долгосро + Повышение средней

Никакой Сильная Станционный или
тенденции тенденция с координатной
чная температуры
☐ ☐
перспектива привязкой
темпера
турные
тенденци
климатический
Никакой Сильная анализ
Увеличение
тенденции тенденция
интенсивности и
частоты
экстремальных
температур
☐
Никакой Сильная
Тенденци + + Увеличение
тенденции тенденция
и долгосрочных интенсивности и
осадков частоты
экстремальных ☐ ☐
осадков
Никакой Необычно теплая
Экстре + Необычно высокие
тенденции ☐
мальные температуры в
сезонные течение нескольких
недель или месяцев
температ
уры* ☐
Никакой Необычно
Экстре + Необычно сильные
тенденции влажная
мальные осадки в течение
периода от недель ☐
сезонные
до месяцев ☐
осадки *
35
Криосфера и озеро
Нет вечной Теплая (тающая)
Условия + Тепловое состояние Основанные
вечной мерзлоты; мерзлоты или вечная мерзлота. на модели
вечной холодной вечной
мерзлот распространение и (косвенные)
мерзлоты ☐
ы устойчивость в Геофизическ
районе плотины ☐ ие
озера и окружающих (полупрямые
склонах )
Геоморфиче
ские данные
(деформация
и оползание).
Отсутствие Значительное
Отступление + + Отступающий язык,
отступления или отступление и
Дистанционное
ледника и дестабилизирующий зондирование
воздействия на воздействие на
истощение соседние склоны;
окружающие окружающие
отступление,
склоны или склоны или
непосредственно
устойчивость устойчивость
дестабилизирующее плотины плотины
плотину озера
☐
(актуально для озер, ☐
покрытых льдом, или
озер, запруженных
сбоку мореной ледника)
Наступающий + Возможное Нет Возможно Дистанционное
ледник (в образование наступающ опережение зондирование
т.ч. запруженных льдом их или всплеск Доказательства
озер ледников и прошлых
пульсирующи
нет записей событий
й)* о приливах
☐ ☐
Ледяная лавина + + Крутые неустойчивые Нет или Возможность Полевые

потенциальная* ледяные массивы; минима частых и/или исследовани
изменения скорости льный крупных я в области
льда в трещинах; потенци ледовых дистанционн
свидетельство ал лавин ого
прошлых событий зондировани
я
☐ ☐
Ледник в контакте с Нет контакта или Большой и Дистанционного
Потенциал отёла + +
ледником; ширина ледника минимальный частый зондирования и
полевых операций
передний; активность; потенциальная возможный исследования.
плотность трещин
Не похоже на Известные или

Гравитаци + + + Наличие или Прошлые
потенциал для карманы с водой вероятные свидетельства
онная или водяные карманы
обручальных водяных ☐ (повторяющиес
субледниковые ☐
водные карманов я события),
Геофизический
карманы *
мониторинг,
Моделирование
топографии
коренных пород
Площадь или объем; Малый или Большие или Дистанционно
Размера озера + +
потенциал для нулевой имеющие е
потенциал для потенциал для
будущего роста зондирование,
роста
значительного моделировани
36
☐ роста е топографии
☐ постели,
полевые
исследования
37
Прошлых События
Вспышка прошлого + + + Величина и частота
событий не было прошлого
Дистанцион
события * прошлых событий ное
(имеет значение ☐ ☐ зондировани
только там, где вода е,
остается или может исторически
наполняться). е записи,
местные
знания.
Долгосрочное озеро + + От однолетнего до Отсут Рост озера Дистанционное
рост десятилетнего роста ствие зондирование
озер или
минима
льное
измене
ние
☐ ☐
Отсутствие или Значительные

Новые озера или + + + Изменение уровня воды Мониторинг на
минимальное изменения
быстрое и площади озера в местах
течение нескольких изменение ☐ ☐
расширение
озера недель или месяцев.
Большая глубина Мелководье Глубоко Полевые

Глубина озера + +
озера оказывает ☐ ☐ исследования
гидростатическое (гидролокацио
давление на дамбу нные
озера. измерения
батиметрии
озера)
Все глубже к Снижение
Топогра + + Постель тография Полевые
влияет на плотине озера уровня воды в исследования
фия дна направлении
распространение ☐ (гидролокацио
озера дамбы озера
лавинных волн нные
смещения и разгон. ☐ измерения
батиметрии
озера)
Сток с озера + Тип оттока Стаби Отсутствие Полевые
(поверхность, под льный оттока или исследования
землей); поверх подземного
стабильность ностны (субледников
дренажных каналов й отток ого) оттока
☐ ☐
Дамба озера
Основа Лед, морен или
Тип + + Основа; морен; лед Полевые
смешанный исследования
☐ ☐
Без ледяного Потенциальное

Ледяная морена + + Видимые ледяные
сердечника
Геофизические
линзы в дамбе; или наблюдаемое полевые
или ледяное ядро
термолит * толщина; стойкость; исследования
тепловое состояние ☐
(связанное с вечной ☐
мерзлотой)
38
Широкая, низкая Высокая, узкая
Отношение + + Ширина гребня дамбы
плотина плотина
Анализ DTM,
ширины относительно полевые
☐ ☐
дамбы к высоты дамбы (см.) на исследовани
высоте рисунке 5) я
Разница высот между Крупный Небольшой Дистанцион

Hадводный борт * + +
надводный борт
поверхностью озера и ное
☐ или нет
самой низкой точкой зондировани
моренного гребня. ☐ е, анализ
DTM,
полевые
исследовани
я
Большой блочный Преобладающий Преобладание Полевые
Литология + +
материал; наличие грубый материал мелкозернистого исследования
☐ материала
мелкозернистого
материала. ☐
Отсутствие Видимое
Оседание + Оседание и трещины в Дистанцион
результате оседания оседание ное
дамба *
трубопроводов под ☐ ☐ зондировани
дамбой; свидетельства е, анализ
таяния вечной DTM,
мерзлоты внутри полевые
плотины исследовани
я
Пологий склон Крутой склон
Нисходящий склон + Склон вниз по Анализ DTM,
течению от дамбы ☐ ☐ полевые
озера. исследовани
я
Отсутствие Видимые эрозии
Эрозия на + + Овраги, трещины и
эрозии
трубопроводы, ☐ ное
склоне вниз по
течению * наблюдаемые на склоне зондировани
вниз по течению ☐ е, анализ
DTM,
полевые
исследовани
я
Широкое Редкий или
Растительность + Плотность и тип
распространение отсутствующий
Дистанцио
растительности нное
(трава, кустарники, ☐ зондирован
деревья). ☐ ие, полевые
исследован
ия
Гидрология (влияние стока в озеро)
Небольшой Большой
Площадь + + Общая площадь DTM анализ
дренажной зоны водосбор водосбор
водосборного
выше водосбора ☐ ☐
бассейна
вверх по
течению
озеро
Пологий спуск Крутой склон
Средний уклон + Крутизна водосборной DTM анализ
площади ☐ ☐
район
верхнего
водосбора
39
Низкая Высокая
Плотность + Плотность речной DTM анализ
сети в плотность плотность
дренажа
водосборном ☐ ☐
бассейне
40
Нет потоков или Видны большие
Размер + Наличие крупных
только потоки
ручья, речных потоков, ное
небольшие ☐
впадающего в способствующих зондировани
потоки
озеро быстрому стоку в е, анализ
☐
озеро DTM порядка
потока
Отсутствующий Одно или
Озера вверх по + + + Наличие и Дистанционное
восприимчивость озер несколько зондирование
течению уязвимых озер
вверх по течению,
которые могут ☐
☐
вызвать каскадные
процессы
Геотехнические факторы
Крутые склоны; сильно Нет или Возможность Дистанционное

Потенциал + + минимальный частых и/или
скальной лавины трещиноватая зондирование
потенциал крупных
* коренная порода; Геотехнические
каменных лавин
теплая вечная изыскания и
мерзлота; деформация ☐ анализы,
или движение; ☐ моделирование
свидетельство
прошлых событий
Крутые боковые Отсутствие Крутые, Анализ DTM,
Неустойчивос + + крутых неустойчивые
ть морены, окружающие дистанционное
моренных моренные
боковой озеро; теплая вечная зондирование,
склонов, склоны,
морены * мерзлота; эрозии и полевые
прилегающих к прилегающие к
овраги; деформация работы,
озеру озеру
или движение; геофизические
☐
свидетельства исследования
прошлых событий. ☐
Низкая Высокая
Cейсмичность + Потенциальная Геологич
величина и частота, сейсмичность сейсмичность еское
ускорение земли ☐ ☐ картиров
ание и
моделиро
вание.
41
Использованная литература
Allen SK, Rastner P, Arora M, Huggel C, Stoffel M. 2015. Lake outburst and debris flow
disaster at Kedarnath, June 2013: hydrometeorological triggering and topographic predisposition.
Landslides, 13: 1479–1491.
Allen, S. K., Zhang, G., Wang, W., Yao, T., & Bolch, T. 2019. Potentially dangerous glacial
lakes across the Tibetan Plateau revealed using a large-scale automated assessment approach. Science
Bulletin, 64(7), 435–445.
Bolch, T., Peters, J., Yegorov, A., Pradhan, B., Buchroithner, M., Blagoveshchensky,
V. (2012). Identification of Potentially Dangerous Glacial Lakes in the Northern Tian Shan. In: Pradhan, B.,
Buchroithner, M. (eds) Terrigenous Mass Movements. Springer, Berlin, Heidelberg.
https://doi.org/10.1007/978-3-642-25495-6_12
Bhardwaj, A., Singh, M.K., Joshi, P.K., Snehmani, Singh, S., Sam, L., Gupta, R.D., Kumar, R.,
2015. A lake detection algorithm (LDA) using Landsat 8 data: A comparative approach in glacial
environment. Int. J. Appl. Earth Obs. Geoinformation 38, 150–163.
https://doi.org/10.1016/j.jag.2015.01.004
Chen, L.-C., Zhu, Y., Papandreou, G., Schroff, F., Adam, H., 2018a. Encoder-decoder with
atrous separable convolution for semantic image segmentation. European Conference on Computer Vision.
Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., Yuille, A.L., 2018b. DeepLab:
Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected
CRFs. IEEE Trans. Pattern Anal. Mach. Intell. 40(4), 834-848.
https://doi.org/10.1109/TPAMI.2017.2699184
Cook SJ, Quincey DJ. 2015. Estimating the volume of Alpine glacial lakes. Earth Surface
Dynamics, 3(4): 559–575. https://doi.org/10.5194/esurf-3-559-2015.
Crist, E.P., Cicone, R.C., 1984. A Physically-Based Transformation of Thematic Mapper Data
—The TM Tasseled Cap. IEEE Trans. Geosci. Remote Sens. GE-22, 256–263.
https://doi.org/10.1109/TGRS.1984.350619
Dirscherl, M., Dietz, A.J., Kneisel, C., Kuenzer, C., 2020. Automated Mapping of Antarctic
Supraglacial Lakes Using a Machine Learning Approach. Remote Sens. 12.
https://doi.org/10.3390/rs12071203
Doxaran, D., Froidefond, J.-M., Castaing, P., 2003. Remote-sensing reflectance of turbid
sediment-dominated waters. Reduction of sediment type variations and changing illumination conditions
effects by use of reflectance ratios. Appl Opt 42, 2623–2634. https://doi.org/10.1364/AO.42.002623
Dubey, S., & Goyal, M. K. 2020. Glacial lake outburst flood (GLOF) hazard, downstream
impact, and risk over the Indian Himalayas. Water Resources Research, 56(4), Article e2019WR026533.
42
Emmer, A. 2017. Glacier retreat and glacial lake outburst floods (GLOFs. In Oxford research
encyclopedia of natural hazard science. Oxford University Press. https://
oxfordre.com/naturalhazardscience/view/10
Erokhin, S. A., & Zaginaev, V. V. (2020). Trends of outburst hazard for the dynamics of
mountain lakes in Kyrgyzstan. In S. S. Chernomorets & K. S. Viskhadziev (Eds.), Debris Flow: Disasters,
Risk, Forecast, Protection. Proceedings of the 6th International Conference (Tajikistan) (Vol. 1, pp. 194–
207).
Erokhin, S.A., Zaginaev, V.V., Meleshko, A.A., In prep. Inventory of hazardous mountain
lakes in Kyrgyzstan.
Farinotti, D., Round, V., Huss, M., Compagno, L., & Zekollari, H. 2019. Large hydropower
and water-storage potential in future glacier-free basins. Nature, 575(7782), 341– 344.
Feyisa, G.L., Meilby, H., Fensholt, R., Proud, S.R., 2014. Automated Water Extraction Index:
A new technique for surface water mapping using Landsat imagery. Remote Sens. Environ. 140, 23–35.
https://doi.org/10.1016/j.rse.2013.08.029
Frey, H., Haeberli, W., Linsbauer, A., Huggel, C., and Paul, F. 2010. A multi-level strategy for
anticipating future glacier lake formation and associated hazard potentials, Nat. Hazards Earth Syst. Sci.,
10, 339–352, https://doi.org/10.5194/nhess-10-339-2010.
Frey, H., Huggel, C., Chisolm, R. E., Baer, P., Mcardell, B. W., Cochachin, A., &
Portocarrero, C. 2018. Multi-source glacial lake outburst flood hazard assessment and mapping for Huaraz,
Cordillera Blanca, Peru. Frontiers in Earth Science, 6(210).
Fujita, K., Sakai, A., Takenaka, S., Nuimura, T., Surazakov, A. B., Sawagaki, T., &
Yamanokuchi, T. 2013. Potential flood volume of Himalayan glacial lakes. Natural Hazards and Earth
System Science, 13(7), 1827–1839.
Gao, B., 1996. NDWI—A normalized difference water index for remote sensing of vegetation
liquid water from space. Remote Sens. Environ. 58, 257–266. https://doi.org/10.1016/S0034-
4257(96)00067-3
Gautam, V.K., Gaurav, P.K., Murugan, P., Annadurai, M., 2015. Assessment of Surface Water
Dynamicsin Bangalore Using WRI, NDWI, MNDWI, Supervised Classification and K-T Transformation.
Aquat. Procedia 4, 739–746. https://doi.org/10.1016/j.aqpro.2015.02.095
Grundstein, A., 2009. Evaluation of climate change over the continental United States using a
moisture index. Clim. Change 93, 103–115. https://doi.org/10.1007/s10584-008-9480-3
Holschneider, M., Kronland-Martinet, R., Morlet, J., Tchamitchian, P., 1990. A Real- Time
Algorithm for Signal Analysis with the Help of the Wavelet Transform. In: Combes, JM., Grossmann, A.,
Tchamitchian, P. (eds) Wavelets. inverse problems and theoretical imaging. Springer, Berlin, Heidelberg.
https://doi.org/10.1007/978-3-642-75988-8_28
43
How, P., Messerli, A., Mätzler, E., Santoro, M., Wiesmann, A., Caduff, R., Langley, K.,
Bojesen, M.H., Paul, F., Kääb, A., et al., 2021. Greenland-wide inventory of ice marginal lakes using a
multi-method approach. Scientific Reports 11, 4481.
Huggel, C., Kääb, A., Haeberli, W., Teysseire, P., Paul, F., 2002. Remote sensing based
assessment of hazards from glacier lake outbursts: a case study in the Swiss Alps. Can. Geotech. J. 39, 316–
330. https://doi.org/10.1139/T01-099
Hunt, E.R., Rock, B.N., 1989. Detection of changes in leaf water content using Near- and
Middle-Infrared reflectances. Remote Sens. Environ. 30, 43–54. https://doi.org/10.1016/0034-
4257(89)90046-1
Jha, L.K., Khare, D., 2017. Detection and delineation of glacial lakes and identification of
potentially dangerous lakes of Dhauliganga basin in the Himalaya by remote sensing techniques. Nat.
Hazards 85, 301–327. https://doi.org/10.1007/s11069-016-2565-9
Ives, J. D., Shrestha, R. B., & Mool, P. K. 2010. Formation of glacial lakes in the Hindu Kush-
Himalayas and GLOF risk assessment. International Centre for Integrated Mountain Development
(ICIMOD).
Kapitsa, V., Shahgedanova, M., Machguth, H., Severskiy, I., and Medeu, A., 2017:
Assessment of evolution and risks of glacier lake outbursts in the Djungarskiy Alatau, Central Asia, using
Landsat imagery and glacier bed topography modelling, Nat. Hazards Earth Syst. Sci., 17, 1837–1856,
https://doi.org/10.5194/nhess-17-1837-2017.
Kingma, D.P., Ba, J., 2014. Adam: A Method for Stochastic Optimization. International
Conference on Learning Representations, 14-16 April, Banff, Canada.
Kougkoulos, I., Cook, S. J., Jomelli, V., Clarke, L., Symeonakis, E., Dortch, J. M., Edwards, L.
A., & Merad, M. 2018. Use of multi-criteria decision analysis to identify potentially dangerous glacial lake.
Science of The Total Environment, 621, 1453–1466.
Lacaux, J.P., Tourre, Y.M., Vignolles, C., Ndione, J.A., Lafaye, M., 2007. Classification of
ponds from high-spatial resolution remote sensing: Application to Rift Valley Fever epidemics in Senegal.
Remote Sens. Environ. 106, 66–74. https://doi.org/10.1016/j.rse.2006.07.012
Linsbauer A, Frey H, Haeberli W, Machguth H, Azam MF, Allen S. 2016. Modelling glacier-
bed overdeepenings and possible future lakes for the glaciers in the Himalaya–Karakoram region. Annals of
Glaciology, 57: 119–130.
McFeeters, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the
delineation of open water features. Int. J. Remote Sens. 17, 1425–1432.
https://doi.org/10.1080/01431169608948714
McKillop, R. J. and Clague, J. J. 2007. Statistical, remote sensing-based approach for

estimating the probability of catastrophic drainage from moraine-dammed lakes in southwestern British
Columbia, Glob. Planet. Change, 56, 153–171.
44
Medeu, A. R., Tokmagambetov, T. G., Kokarev, A. L., Plehanov, P.A., and Plehanova N. S.:
Glacial lakes of the River Horgos basinand assessment of their outburst, Led i Sneg (Ice and Snow),
3,99–106, 2013 (in Russian)
Mergili, M., Kopf, C., Müllebner, B. and Schneider, J.F., 2012. Changes of the
cryosphere and related geohazards in the high‐mountain areas of tajikistan and austria: a
comparison. Geografiska Annaler: Series A, Physical Geography, 94(1), pp.79-96.
Mergili, M., Müller, J., & Schneider, J.F., 2013. Spatio-temporal development of high-
mountain lakes in the headwaters of the Amu Darya River (Central Asia). Global and Planetary
Change, 107, 13-24.
Mölg, N., Huggel, C., Herold, T., Storck, F., Allen, S., Haeberli, W., Schaub, Y., and
Odermatt, D., 2021. Inventory and evolution of glacial lakes since the Little Ice Age: lessons from the case
of Switzerland. Earth Surface Processes and Landforms.
O’Connor, J. E., Hardison, J. H., & Costa, J. E. 2001. Debris flows from failures of
Neoglacial-age moraine dams in the Three Sisters and Mount Jefferson wilderness areas, Oregon (Paper No.
1606). US Geological Survey.
Pei, Y., Zhang, Y. J., and Yuan, Z., 2007. A study on information extraction of water system in
semi-arid regions with the enhanced water index (EWI) and GIS based noise remove techniques. Remote
Sensing Information. Vol.6, pp. 62-67.
Pekel, J.-F., Cottam, A., Gorelick, N., Belward, A.S., 2016. High-resolution mapping of
global surface water and its long-term changes. Nature 540, 418–422.
Petrov, M. A., Sabitov, T. Y., Tomashevskaya, I. G., Glazirin, G. E., Chernomorets, S. S.,
Savernyuk, E. A., Tutubalina, O. V., Petrakov, D. A., Sokolov, L. S., Dokukin, M. D., Mountrakis, G.,
Ruiz-Villanueva, V., & Stoffel, M. (2017). Glacial lake inventory and lake outburst potential in Uzbekistan.
Science of the Total Environment, 592, 228–242. https://doi.org/10.1016/j.scitotenv.2017.03.068
Popov, N. V.: Issledovanie ozer glyatsialnoi zony yugo-vostokaKazakhstana s tselyu otsenki

vozmozhnosti ih proryvov i mon-itoringa seleopasnosti (Study of Glacier Lakes in south-
easternKazakhstan to Evaluate Risks of Their Outburst and Monitoringof Debris Flows), PhD Thesis,
Institute of Geography, Almaty,Kazakhstan, 97 pp., 1986 (in Russian).
Rogers, A.S., Kearney, M.S., 2004. Reducing signature variability in unmixing coastal marsh
Thematic Mapper scenes using spectral indices. Int. J. Remote Sens. 25, 2317–2335.
https://doi.org/10.1080/01431160310001618103
Ronneberger, O., Fischer, P., Brox, T., 2015. U-Net: Convolutional Networks for Biomedical
Image Segmentation. Medical Image Computing and Computer-Assisted Intervention.
https://doi.org/10.1007/978-3-319-24574-4_28
Rounce, D. R., Mckinney, D. C., Lala, J. M., Byers, A. C., & Watson, C. S. 2016. A new
remote hazard and risk assessment framework for glacial lakes in the Nepal Himalaya. Hydrology and Earth
System Sciences, 20, 3455–3475.
45
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., Chen, L.-C., 2018. MobileNetV2: Inverted
Residuals and Linear Bottlenecks. International Conference on Computer Vision and Pattern Recognition.
Santoro, M., Wegmüller, U., 2014. Multi-temporal Synthetic Aperture Radar Metrics Applied
to Map Open Water Bodies. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 7, 3225– 3238.
https://doi.org/10.1109/JSTARS.2013.2289301
Semakova, E., Gunasekara, K. & Semakov, De. 2016. Identification of the glaciers and
mountain naturally dammed lakes in the Pskem, the Kashkadarya and the Surhandarya River basins,
Uzbekistan, using ALOS satellite data, Geomatics, Natural Hazards and Risk, 7:3, 1081- 1098, DOI:
10.1080/19475705.2015.1023852
Schwatke, C., Scherer, D., Dettmering, D., 2019. Automated Extraction of Consistent Time-
Variable Water Surfaces of Lakes and Reservoirs Based on Landsat and Sentinel-2. Remote Sens. 11.
https://doi.org/10.3390/rs11091010
Silveira, M., S. Heleno, 2009. Separation Between Water and Land in SAR Images Using
Region-Based Level Sets. IEEE Geosci. Remote Sens. Lett. 6, 471–475.
https://doi.org/10.1109/LGRS.2009.2017283
Smith, A.R., 1978. Color gamut transform pairs. SIGGRAPH Comput Graph.
Tom, M., Jiang, Y., Baltsavias, E., and Schindler, K., 2021. Learning a Sensor- invariant
Embedding of Satellite Data: A Case Study for Lake Ice Monitoring. arXiv preprint, vol. arXiv:2107.09092,
2021, https://arxiv.org/abs/2107.09092
Wangchuk, S., and Bolch, T., 2020. Mapping of glacial lakes using Sentinel-1 and Sentinel-2
data and a random forest classifier: Strengths and challenges. Science of Remote Sensing 2, 100008.
Worni, R., Huggel, C. and Stoffel, M. 2013. Glacier lakes in the Indian Himalayas – From an
area-wide glacial lake inventory to on-site and modeling based risk assessment of critical glacial lakes, Sci.
Total Environ., 468–469, s71–s84.
Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open
water features in remotely sensed imagery. Int. J. Remote Sens. 27, 3025–3033.
https://doi.org/10.1080/01431160600589179
Zhang, G., Yao, T., Xie, H., Wang, W., and Yang, W., 2015. An inventory of glacial lakes in
the Third Pole region and their changes in response to global warming. Global and Planetary Change 131,
148–157.
Zhang, M., Chen, F., Tian, B., Liang, D., Yang, A., 2020a. High-Frequency Glacial Lake
Mapping Using Time Series of Sentinel-1A/1B SAR Imagery: An Assessment for the
46
Southeastern Tibetan Plateau. Int. J. Environ. Res. Public. Health 17.
https://doi.org/10.3390/ijerph17031072
Zhang, Meimei, Zhao, H., Chen, F., Zeng, J., 2020b. Evaluation of effective spectral features
for glacial lake mapping by using Landsat-8 OLI imagery. J. Mt. Sci. 17, 2707–2723.
https://doi.org/10.1007/s11629-020-6255-4
Zhu, Z., Woodcock, C.E., 2014. Continuous change detection and classification of land cover
using all available Landsat data. Remote Sensing of Environment 144, 152–171.
https://doi.org/10.1016/j.rse.2014.01.011
47

Best Practice Guidance Document - Draft - Chapter1 - 2022 перевод

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Best Practice Guidance Document - Draft - Chapter1 - 2022 перевод

Загружено:

Авторское право:

Доступные форматы

СНИЖЕНИЕ УЯЗВИМОСТИ НАСЕЛЕНИЯ

РУКОВОДЯЩИЙ ДОКУМЕНТ ПО НАИЛУЧШЕЙ

Глава 1: Картирование озер и оценка восприимчивости

Глава 2: Моделирование GLOF, картирование опасностей и рисков

Глава 3: Комплексная разработка и внедрение СРП EWS Design

Глава 4: Дополнительные стратегии снижения рисков GLOF

Глава 5: Масштабируемость и устойчивость стратегий снижения рисков GLOF

ПРИМЕЧАНИЕ. Содержание главы и расписание являются предварительными и будут

Картирование озера и оценка восприимчивости

4: Вклад GLOFCA в передовой региональный опыт 31

1.1 Предыстория, контекст и мотивация

Благодаря своим богатым природным ресурсам, уникальным экосистемным услугам и живописным

Прорывные паводки из ледниковых озер могут нанести ущерб на расстоянии до нескольких

Настоящий документ представляет собой направляющее руководство на передовой опыт

Читатели, которым нужна дополнительная информация о национальном опыте управления

Рисунок 1: Система оценки опасностей и рисков, используемая в проекте GLOFCA

На данном этапе настоящий документ охватывает компиляцию и рекомендации по картированию

2.1 Международный уровень техники

2.1.1 Используемые датчики

Набор индексов, использованный Pekel et al. (2016) существенно отличается. Спектральные

Санторо и Вегмюллер (2014) использовали минимальное обратное рассеяние и временную

Данные обратного рассеяния C-диапазона Sentinel-1 также использовались для создания

2.1.3 Подходы к машинному обучению

2.1.4 Вспомогательные источники информации

2.2Национальные подходы , используемые в Центральной Азии

Кадастры обычно не обновляются в соответствии с регулярным графиком, а зависят главным образом от

При повторном картировании с годовой

Помимо ограничений в видимости и физических изменений

По практическим соображениям, также связанным с разрешением, кадастры

В региональной литературе, как и на международной арене, отсутствует консенсус в

Настоящий раздел посвящен оценке производства руководящего документа

Оценка восприимчивости к озерам) включает в себя определение того, из каких озер,

Различные процедуры оценки восприимчивости к озерам или опасности были представлены в

3.1.1 Криосферные факторы

Динамика ледников (опережение, отступление, отеллинг, обесценивание и подъем) может

3.1.2 Геотехнические и геоморфные факторы

Благодаря оптическим изображениям с высоким разрешением (например, получаемым с помощью

Средства географической информационной системы (ГИС) могут использоваться для определения

Выделяются стационарные и нестационарные озера. Хотя количество нестационарных озер

I В Республике Таджикистан ледниковые озера классифицируются по трем категориям опасности, а

В Кыргызстане горные озера классифицируются по геологическим факторам их формирования, а

В Узбекистане озерам, по которым проводится оценка опасности, присваивается одна из трех

Таблица 1: Критерии, используемые для оценки опасности озер в Казахстане, резюме,

Тип Объем Режим Резервуар Сток Канал Категория

Нестационар > 40’000 Внезапное Крутые отвесные Отсутсвует Не Опасный

<40’000 m3 отсутствие роста плоские стороны. подземный нет Неопасный

Стационарны Частично Легко

> 5’000 m3 Интенсивный рост Крутые борта. Частично Размытое развивающий

Состав Размеры Кондиция Категория

Ледяна <10 м в Проседание почвы. Пустоты, гроты. опасный

Незначительная просадка, мелкие потенциально

Параметры Кондиция Расположение озера по Категория

Высота ~10m Неоднородность гранулометрического На дистанции ~500m потенциально

Тип Размеры Расположение озера Категория

долина ≥ 0.5 km2

отсутствие инженерных селезащитных сооружений очень

Таблица 2: Обновленные критерии классификации озер по прорывоопасности в Кыргызской Республике.

Генети Подкласс Критерии взрывоопасности *

Моренная Внутриморенные · Прямой контакт с ледником 1

Термокарст ·· Подземный выход 1

· Уровень озера стабилен или снижается 4

Коренны · · Прямой контакт с ледником 1

Моренна · · Подземный выход 1