Учёные из МФТИ и Норвегии применили нейросеть для выявления вихрей в Антарктике

Международная команда ученых из МФТИ, Арктического университета Норвегии и Института физики атмосферы им. А.М. Обухова РАН разработала и применила нейросетевой метод для автоматического выявления и классификации океанических вихрей в прикромочной ледовой зоне Антарктики — одной из самых сложных для наблюдений частей Мирового океана.

Южный океан, омывающий Антарктиду, играет ключевую роль в климатической системе Земли. Здесь происходит интенсивный тепло- и газообмен между атмосферой и глубинами океана, а также формируются тысячи вихрей, которые переносят соли, тепло и биогенные вещества на большие расстояния. Наиболее труднодоступной частью этого процесса считается прикромочная ледовая зона — хаотичный комплекс из открытой воды, битого и плотного льда, где вихри рождаются и исчезают. Эти структуры влияют на таяние льда и взаимодействие океана с атмосферой.

Традиционные методы спутниковых исследований, включая альтиметрию, оказались малоэффективны среди льдов. Надежным источником данных остаются радиолокационные спутники, способные работать в условиях облачности и полярной ночи, однако анализ тысяч снимков вручную требовал огромных затрат времени.

Для решения задачи ученые создали обучающий набор из 234 спутниковых снимков высокого разрешения Sentinel-1 над Восточной Антарктидой. На каждом изображении вручную размечали все видимые вихри с указанием типа: циклонические (вращение против часовой стрелки в Южном полушарии) и антициклонические. Этот набор стал первой систематизированной базой данных о вихревой активности региона.

В качестве модели использовали нейросетевую архитектуру YOLOv11. Модель распознаёт объекты на изображении, сначала выделяя низкоуровневые признаки («хребет»), затем объединяя их в сложные структуры («шея»), и в конце определяет тип вихря и его местоположение («голова»).

Главной инновацией стала интеграция модуля SAHI (Slicing Aided Hyper Inference). Он разрезает большие изображения на перекрывающиеся фрагменты, анализирует каждый в высоком разрешении и затем собирает результаты в целостную карту. Этот подход увеличил точность обнаружения мелких вихрей на 50%, позволяя выявлять субмезомасштабные структуры, ранее терявшиеся на фоне ледяного хаоса.

Никита Сандалюк, старший научный сотрудник лаборатории арктической океанологии МФТИ, отметил, что модуль SAHI позволил впервые систематически наблюдать вихри в прикромочной зоне. Несмотря на высокую эффективность модели, отдельные ложные срабатывания происходят на ледниках, что планируется исправить с помощью географической маски.

Результаты показали высокую надежность и точность нейросети в различных условиях: плотный лед, зоны с разреженным льдом и хаотичная мелкомасштабная динамика. Автоматизированный мониторинг открывает возможность собрать многолетнюю статистику вихрей, изучить механизмы их формирования и влияние на ледяной покров, а также улучшить климатические модели. В будущем исследователи планируют расширить анализ на другие годы и создать общедоступный сервис для мониторинга вихревой динамики в полярных регионах.

Читайте также: