Состояние моря будут комплексно анализировать по снимкам из космоса
Сотрудники ДГТУ разработали методы обработки изображений прибрежных и морских систем, полученных из космоса. Новые методы в отличие от традиционных позволяют усваивать данные дистанционного зондирования прибрежных систем прецизионными 4D-моделями и повышать точность прогностических расчетов.
Исследование проводится под руководством члена-корреспондента РАН, директора научно-исследовательского института математического моделирования и прогнозирования сложных систем ДГТУ Александра Сухинова. Поскольку прогнозирование опасных явлений, таких как разливы нефтепродуктов, экстремальные штормовые нагоны, должны выполняться в ускоренном временном масштабе, для расчетов используются современные супервычислительные системы.
"Наши параллельные алгоритмы и программы позволяют прогнозировать развитие ситуации в ускоренном времени, с учетом метеорологической обстановки и реальной гидрологической ситуации. Это особенно важно при возникновении таких чрезвычайных ситуаций, как разливы нефтепродуктов, залповые выбросы опасных и токсических веществ, штормовые нагоны", — рассказала РИА Новости аспирант 4-го года обучения, старший преподаватель кафедры "Вычислительные системы и информационная безопасность" ДГТУ Наталья Панасенко.
Данные космического зондирования научный коллектив получает на основе соглашения между ДГТУ и Роскосмосом, а также из открытых источников. Изображения обрабатываются с помощью методов искусственного интеллекта, в том числе нейросетевых технологий. В частности, для анализа и кластеризации объектов — пятен планктонных популяций, взвешенного вещества, нефтяных загрязнений и других объектов в водных экосистемах — задействован метод машинного обучения с учителем, программно реализованный на языке Python.
Авторы подтвердили успешность данного подхода вычислительными экспериментами на ряде спутниковых снимков акватории Азовского моря, полученных в 2020 году. Развитие проекта предполагает совершенствование используемых нейросетевых технологий, а также применение методов глубокого обучения (Deep Learning) для предсказания динамики пятен планктонных популяций, поверхностных пленок, включая пленки нефтепродуктов и др.
По мнению авторов, новые модели, параллельные алгоритмы и программы разрабатываемого комплекса позволят значительно сократить временные затраты, повысить точность и надежность прогнозов опасных и неблагоприятных явлений, возникающих в прибрежных системах Юга России.
Исследование проводится в рамках гранта РФФИ ("Аспиранты") за 2019 г. (Грант №19-37-90070, "Математические модели и численные методы для анализа и прогноза состояния прибрежных систем на основе данных дистанционного зондирования").