В условиях климатических изменений и увеличения интереса к арктическим ресурсам долгосрочные прогнозы уровней воды рек становятся важным инструментом для обеспечения безопасности населения и инфраструктуры. В исследовании протестированы различные методы прогнозирования, основанные на машинном обучении, включая линейную регрессию, деревья решений, случайный лес, градиентный бустинг, метод опорных векторов и нейронные сети. В качестве объекта исследования выбрана река Пур в замыкающем створе Самбург. Наилучший результат продемонстрировали нейронные сети, особенно полносвязные и свёрточные архитектуры, которые показали высокую точность и стабильность прогнозов. При этом выбор подходящего оптимизатора оказался критически важным для успешного обучения моделей. Исследование подтверждает, что использование современных технологий машинного обучения может значительно повысить качество долгосрочных прогнозов. In the context of climate change and increasing interest in Arctic resources, long-term river water level forecasts are becoming an important tool for ensuring the safety of population and infrastructure. The study tested various forecasting methods based on machine learning, including linear regression, decision trees, random forest, gradient boosting, support vector machine method, and neural networks. The Pur River in the Samburg outlet was chosen as the object of study. The best result was demonstrated by neural networks, especially fully connected and convolutional architectures, which showed high accuracy and stability of forecasts. At the same time, the choice of an appropriate optimizer turned out to be critical for successful model training. The study confirms that the use of modern machine learning technologies can significantly improve the quality of long-term forecasts.