Ученые из МФТИ и Норвегии использовали ИИ для обнаружения вихрей в Антарктике
фото: фрипик
Группа исследователей из России и Норвегии создала передовой нейросетевой алгоритм для автоматического выявления и классификации океанических вихрей в прикраевой зоне Антарктики. Этот регион, известный своей сложной структурой, включающей открытую воду, раздробленный лед и массивные ледяные поля, затрудняет использование традиционных методов наблюдения.
Южный океан играет важную роль в глобальной климатической системе, регулируя теплообмен между атмосферой и глубинными водными слоями. В этом регионе формируются тысячи вихрей, переносящих соли, тепло и биогенные вещества на значительные расстояния. Прикраевая зона, где эти вихри зарождаются и исчезают, труднодоступна для наблюдения, что ограничивает их изучение.
Читайте также
Спутниковые методы, такие как альтиметрия, неэффективны в условиях ледяного покрытия. Радиолокационные спутники предоставляют важные данные, но требуют длительной ручной обработки множества изображений.
Для обучения алгоритма была собрана база данных из 234 спутниковых снимков высокого разрешения Sentinel-1 над Восточной Антарктидой. Эти изображения были вручную аннотированы, создав первую систематизированную базу данных вихревой активности в регионе.
Нейронная сеть YOLOv11, созданная для распознавания объектов на изображениях, была использована для анализа данных. Система последовательно выделяет низкоуровневые признаки, такие как "хребет", формируя сложные структуры, такие как "шея", для определения типа вихря и его местоположения.
Одним из значительных улучшений стал модуль SAHI (Slicing Aided Hyper Inference), разделяющий крупные изображения на перекрывающиеся фрагменты для более детального анализа. Это позволяет обнаруживать мелкие вихри, включая субмезомасштабные структуры, ранее не выявляемые.
Никита Сандалюк из лаборатории арктической океанологии МФТИ отметил, что модуль SAHI впервые обеспечил систематическое наблюдение за вихрями в прикраевой зоне. Однако нейросеть иногда ошибочно идентифицирует вихри на ледниках, и для решения этой проблемы планируется внедрение географической маски.
Исследования показали высокую точность и надежность нейросети в различных условиях, включая зоны с плотным льдом и хаотичную динамику. Автоматизированный мониторинг обеспечивает сбор многолетних данных о вихревой активности, улучшая климатические модели. В будущем планируется расширение анализа на другие временные периоды и создание открытого сервиса для мониторинга вихревой активности в полярных регионах, пишет источник.
