Центр Арктики НИУ ВШЭ

#Точка_зрения Роль спутникового мониторинга и искусственного интеллекта в изучении климатических изменений арктического региона. Часть 2 В дополнение к визуальным моделям также применяются графовые сверточные нейронные сети (GCN), в которых теория графов используется для топологического анализа ключевых характеристик морского льда, таких как проливы, с целью повышения эффективности обнаружения ледовых гребней и отслеживания их изменений. 🔺 В результате, спутниковый мониторинг используется в первую очередь в изучении климатических изменений. Он позволяет отслеживать сокращение площади морского льда, изменение снежного покрова и состояние арктический экосистем. А искусственный интеллект автоматизирует обработку спутниковых изображений, выделяет изменения, которые трудно обнаружить при анализе отдельных снимков. Помимо этого, анализ спутниковых снимков помогает оценивать распространение морского льда, поддерживать мониторинг ледовой обстановки, а также планирование судоходства по Северному морскому пути (СМП). В экологических исследованиях данные дистанционного зондирования применяются для выявления загрязнений морской поверхности различными нефтепродуктами и химическими веществами, контролироля состояния лежбищ морских млекопитающих и отслеживания динамики изменений растительного покрова. Радиолокационные данные Sentinel-1 могут использоваться для обнаружения нефтяных пленок на поверхности воды, а спутниковые снимки отслеживают изменения прибрежных экосистем, однако выявление потенциальных загрязнений требует дополнительной проверки. 🔺 Несмотря на преимущества спутниковый мониторинг имеет ряд ограничений. Облачность и полярная ночь затрудняют оптическую съемку, а ошибки алгоритмов могут привести к неправильной классификации объектов. Для того, чтобы частично компенсировать эти ограничения используют радиолокационные данные и информация из различных источников. Системы Sentinel-1 позволяют получать данные независимо от солнечного освещения и при облачности, но интерпретация таких снимков осложняется влиянием ветра и влажности. Но, участки со слабым радиолокационным сигналом могут быть ошибочно приняты за нефтяные загрязнения, даже если причиной их появления являются естественные условия. 🔺 Отдельные риски связаны с точностью самих алгоритмов искусственного интеллекта. Они зависят от качества исходных изображений, объема обучающих данных, а также возможности проверить результаты с помощью наземных наблюдений. Если модель обучалась на снимках одного региона или сезона, ее точность может снижаться при анализе других типов льда и условий их съемки, что может приводить к неправильной классификации ледового покрова и к тому же неточной оценке его площади или пропуску потенциальных экологических угроз. 🔺 Дополнительную сложность может создавать недостаток проверочных данных для удаленных территорий Арктики Таким образом, дальнейшее развитие арктического мониторинга связано с объединением разных спутниковых систем и применением моделей глубокого обучения для анализа изменений во времени. Данные действия позволят повысить эффективность наблюдения за морским льдом, выявить природные угрозы и оценить состояние инфраструктуры. В перспективе интеграция спутниковых данных с климатическими моделями расширит возможности прогнозирования арктических процессов. 🔺 Однако достоверность самих результатов будет зависеть от качества данных, проверки и точности алгоритмов, а также тщательной проверки полученных выводов Одним из перспективных направлений станет переход от обнаружения произошедших изменений к оценке вероятного развития природных процессов. Но точность данных прогнозов будет зависеть от объема наблюдений и способности моделей учитывать механизмы изменения окружающей среды. Авторы — Пташкина Евгения, Рустамова Гюльнар, стажеры ЦМА ИЭПРИК НИУ ВШЭ; ОП «Международные отношения: европейские и азиатские исследования» 💬ЦМА НИУ ВШЭ 🔗ЦМА НИУ ВШЭ