КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ


Номер проекта 23-77-01090

НазваниеИсследование суб-мезомасштабных вихрей в прикромочной зоне арктических морей на основе алгоритмов машинного обучения и спутниковых радиолокационных данных

Руководитель Сандалюк Никита Валерьевич, Кандидат географических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Московский физико-технический институт (национальный исследовательский университет)" , г Москва

Конкурс №84 - Конкурс 2023 года «Проведение инициативных исследований молодыми учеными» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 07 - Науки о Земле; 07-502 - Крупномасштабные и синоптические процессы в океане

Ключевые слова мезомасштабные вихри, субмезомасштабные вихри, автоматическая идентификация вихрей, машинное обучение, нейронные сети, радиолокатор с синтезированной апертурой, динамика океана

Код ГРНТИ37.25.03


 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ


Аннотация
Изучение океанических вихревых структур на основе данных дистанционного зондирования является одним из наиболее актуальных направлений в современной океанологии. Океанические вихри способны захватывать большие объемы воды, тепла, соли и биогенов. Одиночный вихрь может перемещать триллионы тон воды и десятки тераджоулей тепла из места его генерации до места диссипации. За последние 30 лет основным источником информации о мезомасштабных вихрях являлась спутниковая альтиметрия. Разработка различных алгоритмов автоматической идентификации вихрей на основе анализа полей аномалий уровня позволило ученым накопить большое количество данных о физических и кинематических характеристиках вихрей. Однако минимальный размер идентифицируемых на основе спутниковой альтиметрии вихрей ограничен пространственным разрешением данных спутниковой альтиметрии. Тем не менее, мезомасштабные и субмезомасштабные вихри, которые не разрешаются полями спутниковой альтиметрии, вносят существенный вклад в перераспределение тепла, соли и биогенов и оказывают значительное влияние на региональный климат. Данные процессы по-прежнему остаются недостаточно изученными. Это особенно актуально для полярных регионов ввиду их удаленности, недостаточного количества натурных наблюдений, наличию ледового покрова и значительно меньшему радиусу деформации Россби. Данные спутниковых радаров с синтезированной апертурой (РСА) обладают значительно более высоким разрешением по сравнению с данными альтиметрии и позволяют изучать вихревые структуры гораздо меньших горизонтальных масштабов. Данные РСА активно используются в современной океанологии для исследования мезомасштабных и субмезомасштабных вихрей. Однако, до настоящего момента, идентификация вихрей на основе снимков РСА осуществлялась исключительно методом визуального анализа спутниковых изображений. Такой подход неизбежно заключает в себе ряд ошибок и не позволяет накопить большой массив данных даже для отдельного района. Вихревые структуры оказывают существенное влияние на динамические процессы в прикромочной зоне Арктики, а также на весь арктический регион, перераспределяя тепло и биогены, ледовый покров, а также оказывая существенное влияние на среду обитания и миграцию морских организмов (Shepherd, 2013). Поэтому понимание динамики вихрей в данном регионе - один из ключевых факторов для прогнозирования изменений в климатической системе Арктики и устойчивого управления ресурсами региона. Разработка нового подхода к автоматизации процесса идентификации и анализа вихревых структур на основе спутниковых данных РСА в прикромочной зоне арктических морей позволит позволит получить уникальную информацию о вихревой динамике и будет иметь высокую высокую востребованность в мировом научном океанологическом сообществе. Основная цель данного проекта: разработка алгоритма автоматической идентификации суб-мезомасштабных вихрей на основе алгоритмов машинного обучения и спутниковых РСА данных в прикромочной зоне Арктики. Указанная цель достигается путем решения следующих задач: 1. Тестирование различных архитектур алгоритмов машинного обучения с целью выявления наиболее подходящей архитектуры для идентификации вихрей в прикромочной зоне арктических морей. 2. Верификация полученных результатов путем привлечения данных микроволновых спутниковых радиометров, спутниковых данных оптического диапазона и in situ данных. 3. Запуск алгоритма на длительный срок для региона прикромочной зоны арктических морей с целью набора многолетних статистических рядов. 4. Описание динамических особенностей мезомасштабных вихрей в прикромочной зоне арктических морей, выделенных с помощью разработанного автоматического алгоритма идентификации вихрей, и статистический анализ кинематических и физических характеристик вихрей. 5. Изучение влияния мезомасштабных вихрей на сплоченность морского льда и процессы ледообразования и таяния кромки льда в прикромочной ледовой зоне арктических морей.


 

ОТЧЁТНЫЕ МАТЕРИАЛЫ


 

Аннотация результатов, полученных в 2025 году
Во второй год реализации проекта были достигнуты важные результаты, направленные на развитие современных методов автоматической идентификации вихрей в прикромочной зоне арктических морях с использованием спутниковых радиолокационных данных высокого разрешения. Одной из первоочередных задач стало расширение обучающей выборки для нейросетевой модели, так как успешная работа модели напрямую зависит от качества и объёма исходных данных. Был проведен поиск сцен в районе пролива Фрама (на основе открытых данных спутников Sentinel-1A/B) и выполнена ручную разметка 115 радиолокационных изображений, содержащих вихревые структуры различного масштаба и формы. Это позволило значительно увеличить количество представленных сигнатур в обучающем датасете и повысить устойчивость модели к различным типам ледовой обстановки и шумам. Одновременно была решена критически важная задача — дисбаланс классов объектов. Циклонов в регионе существенно больше, чем антициклонов, и это отражалось в составе выборки. Для устранения перекоса и повышения точности распознавания менее представленного класса (антициклонов), была проведена серия экспериментов с методами расширенной аугментации, включая изменения цветовых параметров, вращения, мозаичную трансформацию (Mosaic) и копирование/вставку объектов (Copy-Paste). Особенно эффективной оказалась Mosaic-аугментация, которая использовалась в каждой эпохе обучения. В рамках проекта также был осуществлён переход на новую версию модели YOLOv11, недавно выпущенную разработчиками из компании Ultralytics. YOLOv11 — это современная архитектура, обладающая высокой точностью и скоростью работы. Для её внедрения потребовалась полная адаптация программного кода и пайплайна обработки, включая конфигурации, формат входных данных и стратегию обучения. После обновления удалось добиться значительного повышения качества детекции вихрей, особенно в сложных ледовых условиях прикромочной зоны. Чтобы проверить переносимость модели на другие регионы, был проведён эксперимент в районе восточной Антарктики — регионе, существенно отличающемся по своим физико-географическим условиям. В частности, здесь часто присутствуют материковые ледники, содержащие структуры, визуально похожие на вихри. Для тестирования были отобраны и вручную размечены 234 сцены РСА, после чего модель была протестирована на новых данных. Результаты подтвердили высокую адаптивность и точность алгоритма, а также его применимость за пределами обучающего региона. По итогам эксперимента подготовлена научная статья, направленная в журнал Journal of Glaciology (Q1). Особое внимание уделялось улучшению детекции мелких субмезомасштабных вихрей, диаметром 1–3 км. Эти структуры трудноразличимы и ранее часто пропускались моделью. Для решения проблемы был внедрён модуль SAHI (Slicing Aided Hyper Inference) — технология, позволяющая разбивать изображение на перекрывающиеся фрагменты и выполнять детекцию с повышенным разрешением. После серии тестов была выбрана оптимальная конфигурация параметров SAHI, позволившая существенно повысить чувствительность модели к мелким вихрям, особенно в хаотичных ледовых полях. Завершающим этапом второго года стал масштабный запуск модели на архивных данных с 2016 по 2025 годы, что потребовало серьёзных вычислительных мощностей. Обработка велась с использованием автоматизированного конвейера, включающего предобработку изображений, работу модели, постобработку и формирование финального массива данных. В результате был создан многолетний структурированный массив характеристик вихрей, включающий сведения об их местоположении, размерах, полярности и динамике. Этот массив будет опубликован в открытом доступе и станет важной основой для последующего анализа роли вихрей в процессах ледообразования, таяния и биологической продуктивности в Арктике.

 

Публикации

1. Сандалюк Н.В, Хачатрян Э.М. Automatic eddy detection in the MIZ based on YOLO algorithm and SAR images Science of Remote Sensing, Volume 11, 2025, 100228, ISSN 2666-0172 (год публикации - 2025)
10.1016/j.srs.2025.100228

2. Сандалюк Н.В., Хачатрян Э.М. Идентификация вихрей в прикромочной зоне арктики на основе нейронной сети YOLO Труды XIII Международной научно-практической конференции «Морские исследования и образование (MARESEDU-2024), Труды XIII Международной научно-практической конференции «Морские исследования и образование (MARESEDU-2024)» Том II (IV): [сборник]. (год публикации - 2024)

3. Сандалюк Н.В., Хачатрян Э.М., Будянский М.Е. Assessing the potential of Eddy detection in MIZ using SAR and Lagrangian modeling: A test case on Fram Strait Journal of Sea Research, Volume 201, 2024, 102531 (год публикации - 2024)
10.1016/j.seares.2024.102531.


Возможность практического использования результатов
Результаты, полученные в рамках проекта, обладают значительным потенциалом для практического применения в экономике и социальной сфере, а также могут стать основой для формирования научно-технологических заделов в интересах устойчивого развития Арктического региона и всей Российской Федерации. В частности, разработанный алгоритм может быть использован в промысловой океанологии для автоматической идентификации вихревых структур, которые играют ключевую роль в формировании зон повышенной биопродуктивности. Таким образом, использование алгоритма позволяет оперативно выявлять потенциально продуктивные районы вблизи ледовой кромки, оптимизировать маршруты промысловых судов, повышать эффективность рыболовства и снижать затраты на поисковые операции. В долгосрочной перспективе это может стать частью интеллектуальных систем поддержки принятия решений в сфере устойчивого морского природопользования.