ТИПОЛОГИЯ КАЛЕНДАРНЫХ ЛЕТ И ДИНАМИКА ТЕРМИЧЕ-СКОГО РЕЖИМА В УСЛОВИЯХ ГЛОБАЛЬНОГО ПОТЕПЛЕНИЯ: ОЦЕНКА РИСКОВ ДЛЯ АЛМАТЫ
DOI:
https://doi.org/10.54668/2789-6323-2026-123-3-67-78Ключевые слова:
Климат Алматы, многомерный статистический анализ, факторизация, кластеризация, типология по годам, динамика повторяемости, точка перелома, критерий Петтита, критерий Манна–Кендалла, климатические риски и адаптацияАннотация
Целью данной работы являлась разработка статистически обоснованной типологии тепловых условий календарных лет для г. Алматы, а также количественный анализ их изменений на фоне современных климатических трансформаций. В исследовании применён двухэтапный подход. На первом этапе выполнено снижение размерности данных с использованием метода главных компонент (PCA), после чего проведена кластеризация методом k-средних для выделения типов календарных лет. На втором этапе осуществлён анализ динамики повторяемости выделенных типов с применением непараметрических статистических методов (критерий Петтита, критерий Манна–Кендалла, оценка Тейла-Сена). Результаты PCA (KMO = 0,764) позволили выявить четыре латентных фактора, объясняющих 61,6 % общей дисперсии и отражающих ключевые сезонные режимы. Кластерный анализ, основанный на данных факторах, позволил выделить 5 статистически устойчивых типов (классов) календарных лет с точностью классификации 95,8 %, что было подтверждено дискриминантным анализом (LDA). Динамический анализ выявил статистически значимую точку перелома климатического режима в 1993 г. (критерий Петтита, p < 0,001). Установлены исключительно высокие темпы трансформации: частота наиболее тёплого типа (мягкая зима, очень тёплое лето) увеличивается на +8,4 % за десятилетие, тогда как частота наиболее холодного типа снижается на –7,1 % за десятилетие. В современный период (2001...2025 гг.) сформировалась новая климатическая норма, при которой на самый тёплый тип приходится 68 % лет. Полученная типология и количественные оценки её динамики представляют собой практический инструмент для детальной климатической диагностики, оценки комплексных рисков (тепловые волны, ухудшение качества воздуха, нагрузка на инфраструктуру) и разработки целевых стратегий адаптации для мегаполиса, расположенного в регионе, рассматриваемом как «горячая точка» глобального потепления.
Библиографические ссылки
Semenov, S. M. (2015). Greenhouse effect: development of the concept, role in global climate formation and its anthropogenic changes. Fundamental and Applied Climatology, 2, 103–126. [in Russian]
Shalimov, S. A. (2015). Urban heat island in Almaty: intensity and spatial structure. News of NAS RK. Series of Geography and Geoecology, (4), 15–25. [in Russian]
Jacob, D. J., & Winner, D. A. (2009). Effect of climate change on air quality. Atmospheric Environment, 43(1), 51–63.
Gulakhmadov, A. A. (2021). Assessment of trends and magnitude changes of hydrometeorological parameters over recent decades in Central Asia. TSPBO Bulletin, (1), 8–18. [in Russian]
Huang, D., Qian, Y., & Zhu, J. (2020). Trends in regional blockings and their relationship with temperature extremes in Central Asia. International Journal of Climatology, 40(2), 1158–1172.
IPCC. (2021). Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, 2391 p.
Zadonsky, I. D. (2025). AI in time series forecasting: new approaches to non-linear data analysis. Bulletin of Science, 3(6), 1740–1747. [in Russian]
Kumratova, A. M. (2015). Mathematical methods and software tools for studying trends in evolutionary development of natural processes. Polythematic Online Scientific Journal of Kuban State Agricultural University, (111), 489–503. [in Russian]
Shugurova, M. A. (2026). Forecasting seasonal time series using hybrid regression models. Vestnik of Samara University. Natural Science Series, 32(1), 192–203. [in Russian]
Gulev, S. K., & Soloviev, D. A. (2025). Energetics and climate tipping points of the ocean-atmosphere system: risks and uncertainties for the XXI century. Environment and Energy Science, (4), 39–66. [in Russian]
Soldatenko, S. A., & Yusupov, R. M. (2019). Assessment of the impact of thermal inertia and feedbacks in the atmosphere-ocean system on global surface temperature variability. Izvestiya, Atmospheric and Oceanic Physics, 55(6), 114–126. [in Russian]
Wills, R. C., Dong, Y., Proistosecu, C., et al. (2022). Systematic climate model biases in the large-scale patterns of recent sea-surface temperature and climate change. Geophysical Research Letters, 49(17), 1–12.
Webb, E. J., & Magi, B. I. (2022). The ensemble oceanic Niño index and regional climate impacts. International Journal of Climatology, 42(10), 5321–5341.
Khlustov, V. K., & Kokorin, S. G. (2026). Typology of calendar years as a tool for substantiating economic adaptation to climate change. Environmental Engineering, (3), 120–128. [in Russian]
Gordov, E. P. (2023). Digital twins of systems and processes as a tool for modern climatology. Fundamental and Applied Climatology, 9(3), 269–298. [in Russian]
Bauer, P., Stevens, B., & Hazeleger, W. (2021). A digital twin of Earth for the green transition. Nature Climate Change, 11(2), 80–83.
Li, X., Feng, M., Ran, Y., et al. (2023). Big Data in Earth system science and progress towards a digital twin. Nature Reviews Earth & Environment, 4(5), 319–332.
Chen, G., Yang, J., Huang, B., et al. (2023). Toward digital twin of the ocean: Integrated 3D OHC monitoring and data-driven climate analysis. Intelligent Marine Technology and Systems, 1(1), 3.
Botygin, I. A., Kataev, S. G., Sherstnev, V. S., & Sherstneva, A. I. (2015). Methods for classification and analysis of climate fields. Journal of Eurasian Science, 7(6), 98. [in Russian]
Gusev, V. M., & Osipov, G. S. (2026). Comparative analysis of methods for assessing clustering quality on the example of k-means algorithm. Flagship of Science, (4), 39. [in Russian]
Dunskaia, L. K., & Popova, E. V. (2025). Adaptation of k-means as a tool for automating the forecasting process of weakly structured time series. π-Economy, 18(1), 160–177. [in Russian]
Kömüşcü, A. Ü., Turgu, E., & DeLiberty, T. (2022). Dynamics of precipitation regions of Turkey: A clustering approach by K-means methodology in respect of climate variability. Journal of Water and Climate Change, 13(10), 3578–3606.
Khlustov, V., Demakov, Y., & Bezborodov, Y. (2026). Long-term typology of Almaty thermal regime (1931–2025) based on multidimensional statistical analysis. E3S Web of Conferences, 719, 05001, 1–7.
Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31–36.
Kharchenko, S. V., & Shvarev, S. V. (2020). Forecasting dangerous natural processes based on linear discriminant analysis. Moscow University Bulletin. Series 5. Geography, (3), 22–33. [in Russian]
Mann, H. B. (1945). Nonparametric tests against trend. Econometrica, 13, 245–259.
Pettitt, A. N. (1979). A non-parametric approach to the change-point problem. Journal of the Royal Statistical Society. Series C (Applied Statistics), 28(2), 126–135.
Sen, P. K. (1968). Estimates of the regression coefficient based on Kendall's tau. Journal of the American Statistical Association, 68(324), 1379–1389.
Wang, F., Shao, W., Yu, H., et al. (2020). Re-evaluation of the power of the Mann-Kendall test for detecting monotonic trends in hydrometeorological time series. Frontiers in Earth Science, 8, 14.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Виталий Хлюстов, Юрий Демаков, Юрий Безбородов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
