Ключевые слова: хозяйственное освоение Арктики, цифровые платформы, прогнозные модели, нейросети, углеродный след, особо охраняемые природные территории, спутниковый мониторинг, пленочные загрязнения.
Северный морской путь (СМП) проходит по акваториям Арктической зоны РФ, включая Карское море, море Лаптевых, Восточно-Сибирское и Чукотское моря. Он имеет стратегическое значение, соединяя порты европейской части России, Сибири и Дальнего Востока и являясь важной судовой магистралью. С каждым годом суда все активнее используют Северный морской путь как относительно короткий и экономически выгодный маршрут для транспортировки грузов. Согласно плану развития СМП на период до 2035 года, утвержденному Правительством РФ в августе 2022 года, прогнозируемый объем грузопотока по данной магистрали должен составить 80 млн т в 2024 году, 150 млн т в 2025 году и 220 млн т в 2030 году [1].
Экстремальные природно-климатические условия Арктической зоны, в частности сложная ледовая обстановка, в значительной степени обуславливают сложность навигации в арктических акваториях. Это повышает ценность получения точных прогнозов гидрометеорологической и ледовой обстановки. Общее увеличение интенсивности освоения Арктической зоны, связанное в том числе с разработкой нефтегазовых месторождений, строительством и эксплуатацией хозяйственных объектов, требует регулярной оценки степени судовой нагрузки, мониторинга экологической ситуации в регионе, позволяющих своевременно прогнозировать опасные природные явления, а также фиксировать и предупреждать случаи негативного техногенного воздействия на экосистемы. Эффективным способом получения актуальной комплексной информации о ситуации в арктических акваториях может являться использование комплекса из измерительного оборудования, специализированного программного обеспечения (далее – ПО) и решений, основанных на применении передовых технологий искусственного интеллекта (ИИ), для анализа данных. ООО «Моринтех» (ИТ стартап, участник «Сколково») разработал цифровую платформу, представляющую собой единую точку доступа к различным морским данным, необходимым при хозяйственном освоении морских акваторий. Платформа также предоставляет доступ к различным средствам и инструментам обработки и анализа данных, возможность подключения измерительного оборудования и сторонних сервисов.
ПО «Цифровая платформа для поддержки принятия решений при хозяйственном освоении морских акваторий» (торговое название – SLOYKA) предназначено для решения задач по поддержке принятия решений в рамках производственной деятельности компаний, осуществляющих экологическое сопровождение морских проектов, инженерные изыскания, гидрометеорологические и ледовые исследования, научные исследования и разработки, за счет внедрения методов и алгоритмов ИИ и увеличения скорости обработки и анализа информации через автоматизацию рутинных процессов (внедрение системы сбора данных в режиме реального времени с измерительного оборудования, формирование отчетов и т.п.). Предлагаемое решение является комплексным и учитывает основные факторы, являющиеся критичными для морской логистики в Арктике. Работа продукта основана на исследовании предыдущего опыта и накопленных знаний компании-партнера – Центра морских исследований МГУ имени М.В. Ломоносова (далее – ЦМИ МГУ), оперативном анализе и моделировании гидрометеорологической, ледовой и экологической обстановок с использованием непрерывной обработки большого объема данных, алгоритмов ИИ, имитирующих функции восстановления зависимостей.
В статье приведено описание ряда сервисов платформы SLOYKA и опыт их применения в ЦМИ МГУ для получения информации по гидрометеорологической и ледовой обстановке, расчета величины выброса парниковых газов, отслеживания случаев пересечения зон запрета плавания и нарушения скоростного режима, моделирования и прогнозирования дрейфа пленочных загрязнений.
Гидрометеорологический сервис
Гидрометеорологический сервис на платформе SLOYKA обладает широким функционалом и большим объемом доступных данных. На платформе осуществляется сбор и обработка фактической информации с гидрометеорологических станций и автоматического измерительного оборудования (автоматические метеорологические станции, автоматические донные станции – АМС и АДС). Также пользователям доступна прогностическая информация на срок до 10 дней по всему миру.
Для работы сервиса используются данные из различных источников. В платформу интегрирована глобальная прогностическая модель GFS (Global Forecast System). Это самая известная модель, разработанная Национальным центром прогнозов США (National Centers for Environmental Prediction). Ее достоинством является то, что она покрывает всю земную поверхность и охватывает все слои атмосферы и океана, что позволяет получать данные из любой точки мира. GFS состоит из четырех отдельных моделей: атмосферы, океана, земной поверхности/грунта и морского льда. Благодаря их совместной работе можно получить полную картину о прогнозируемых погодных условиях.
Также реализована загрузка данных с портала Copernicus. Copernicus является частью глобальной международной программы по созданию систем мониторинга Земли, которые собирают и обрабатывают данные из множества источников: космических снимков, данных глобальных и региональных прогностических моделей, фактических наблюдений и других. Программа координируется Европейской комиссией в сотрудничестве с Европейским космическим агентством (ЕКА). Отличительной особенностью портала является открытая база данных, включающая в себя информацию, получаемую из следующих сервисов: сервис мониторинга атмосферы, океана, земной поверхности, изменений климата, безопасности и управления чрезвычайными ситуациями. В будущем планируется интеграция прогностических моделей ЦМИ МГУ.
Отдельно следует сказать о сервисе MariNet, разработанном специалистами по машинному обучению ООО «Моринтех». Сервис MariNet использует современные технологии ИИ (нейронные сети) для решения задач обработки данных (скорость и направление течений, уровень моря, скорость и направление дрейфа льда, концентрация и толщина льда) и эффективного прогнозирования динамики океанических процессов и ледовой обстановки. Архитектура нейронной сети MariNet позволяет ей устанавливать временные зависимости в поступающих на вход данных, что дает возможность более точно оценивать состояние прогнозируемых значений и, следовательно, повышает качество прогноза. Было проведено сравнение результатов работы модели MariNet с такими прогнозными моделями, как PhyDNet и FourCastNet на примере прогноза течений и уровня моря. PhyDNet является одной из самых современных моделей машинного обучения, используемой для прогнозирования погоды, гидродинамики и других физических явлений [5]. FourCastNet – это глобальная нейросетевая модель прогнозирования погоды, сопоставимая с классической численной моделью, используемой Европейским центром среднесрочных прогнозов погоды (ECMWF) [6]. Сравнение показало, что метрики RMSE (среднеквадратичная ошибка) и Bias (ошибка, вызванная ложными предположениями в алгоритме обучения) у модели MariNet значительно ниже. В то же время средние значения параметра Correlation (мера взаимосвязи переменных друг с другом) всех трех моделей умеренные и находятся в пределах 0,4–0,5 [4]. Данные результаты показывают, что модель MariNet не уступает прогнозным моделям PhyDNet и FourCastNet в точности среднесрочных прогнозов динамики океана.
Список прогнозных параметров постоянно расширяется. В настоящее время на платформе доступна прогностическая информация об атмосфере (давление, температура, осадки, ветер, относительная влажность, дальность видимости), морях (уровень моря, скорость и направление течений, общее волнение, ветровое волнение и зыбь) и ледовой обстановке (концентрация, скорость и направление дрейфа, возраст и толщина льда).
В платформу также интегрирован разработанный сервис автоматической сегментации ледового покрова по спутниковым радиолокационным снимкам, основанный на использовании алгоритмов ИИ. Сервис позволяет получать информацию о классах льда, представленных на спутниковом изображении: начальные виды льда, нилас, блинчатый лед, серый лед, серо-белый лед, однолетний лед, припай (рис. 1).
![](/upload/medialibrary/96d/f4w1tdgfcwbw29mwrullbtg86bjr0wyd/content_img.png)
На платформе предусмотрена работа с прогнозными слоями и слоями фактических данных. При работе с прогнозными данными пользователь сам может выбрать форму визуализации для каждого отображаемого слоя: это может быть градиентная заливка или изолинии (рис. 2). Для векторных величин в случаях, когда необходимо отобразить направление (ветра, волн, течений, дрейфа льда и др.), предусмотрена визуализация в виде стрелок, а в будущем будет добавлена анимация.
![](/upload/medialibrary/f8f/fvakkxuzdny17gok9w9n9lxsiz26tqhg/content_img.png)
Значительно отличается форма предоставления фактических данных с гидрометеорологических станций и автоматического измерительного оборудования. Они предоставляют информацию локально, как данные в точке. Информация предоставляется в табличном виде и включает в себя дату и время передачи данных, сведения о станции (например – глубина, координаты и т.д.), список измеряемых параметров и их значения.
Гидрометеорологический сервис включает в себя возможность построения погодных дашбордов в отдельном окне. Данные доступны как для визуализации в виде графиков и атрибутивных таблиц, так и для скачивания в удобном для пользователя формате. Пользователь сам выбирает количество графиков и таблиц, их размеры, задает временной промежуток и список отображаемых параметров. Для фактических данных выбор координат ограничен локализацией станций и измерительных приборов, в остальном визуализация данных не отличается. Пользователь имеет возможность скачать как весь дашборд, так и отдельные графики и таблицы.
ЦМИ МГУ использует платформу SLOYKA для сбора, обработки, накопления и визуализации данных с измерительного оборудования. В рамках проекта были установлены два комплекта оборудования для гидрометеорологического мониторинга, состоящих из автономных гидрологической (донной) и метеорологической станций, передающих данные в режиме, приближенном к реальному времени, в офис ЦМИ МГУ и офис заказчика. Один комплект функционирует круглогодично в Кольском заливе Баренцева моря, второй комплект функционирует в навигационный период на Морском канале Обской губы Карского моря. Данные содержат информацию о метеорологических условиях (скорость и направление ветра, температура и влажность воздуха, атмосферное давление и осадки), а также гидрологических условиях (скорость и направление течений, уровень воды и волнение).
Экологические сервисы
Расчет выброса парниковых газов
Во всем мире судоходство выбрасывает около 1 миллиарда тонн CO2 в год, что на 2018 год составило около 2,9 % всех антропогенных выбросов CO2. Около 80 % этих выбросов приходится на грузовые суда, а 20 % – на рыболовные, пассажирские суда и т.д. [3]. Подобно другим морским регионам, суда, плавающие в Арктике, производят выбросы парниковых газов в атмосферу.
Арктическая среда является одной из самых чувствительных и уязвимых экосистем на планете. Этот регион испытывает значительные климатические изменения, которые приводят к резкому таянию льда, изменению температурных условий и воздействию на животный и растительный мир. Увеличение выбросов парниковых газов в этом регионе может иметь необратимые последствия, поэтому очень важно следить за уровнем выбросов парниковых газов от судоходства.
На цифровой платформе SLOYKA разработан сервис по расчету выбросов парниковых газов (УС) от судоходства. Используя данные о расходе топлива судов, алгоритм рассчитывает величину выбросов парниковых газов в эквиваленте СО2. Поскольку существуют разные подходы к расчету величины УС, на платформе представлена возможность применять как корпоративные методические указания различных компаний-пользователей для расчетов, так и использовать установленные государственными органами методики расчета – например, приказом Министерства природных ресурсов и экологии РФ [2].
Данный сервис использовался в 2022–2023 гг. по заказу Госкорпорации «Росатом» для анализа объема выбросов от судоходства на акватории СМП – в систему поступали данные по расходу топлива, передаваемые в составе ежедневных диспетчерских сообщений с более чем 1000 судов и в дальнейшем со статистической обработкой формировалась квартальная и годовая отчетность.
Функция расчета объема выбросов парниковых газов в зависимости от поступающих входящих данных по расходу топлива может рассчитываться как суммарно, так и по отдельным видам топлива – тяжелому топливу (мазут), легкому топливу (дизель) или сжиженному природному газу (далее – СПГ). Расчет может производиться на выбранный пользователем диапазон времени и для определенного судна или нескольких судов. В рамках реализации функции могут быть использованы данные о местоположении судов – автоматической идентификационной системы (далее – АИС) – в таком варианте возможна оценка объема выбросов на определенные районы интересов или формирование трека с объемами выбросов конкретных судов и их распределением по маршруту. Итоговые данные предоставляются пользователю в различных графических форматах и могут быть кастомизированы под запрос (рис. 3).
Судоходный трафик в арктических морях России оказывает определенное воздействие на арктическую фауну, в частности на морских млекопитающих. Морские млекопитающие – представители высшей ступени трофической цепи, а значит, воздействие распространяется и на морские экосистемы в целом, а также и на людей, чье благополучие зависит от популяций морских млекопитающих (местные сообщества, коренное население, сами судоводители), и на экономику арктических регионов. На данным момент на территории Российской Арктики создано 37 особо охраняемых природных территорий (далее – ООПТ) с разным охранным статусом, в том числе и для сохранения мест обитания ценных видов животного мира. Вопрос особенно актуален для целого ряда участков СМП, где отмечается наиболее высокая плотность трафика, таких как Обская губа, Карское море (западная часть), Берингов пролив, а также для ряда сопредельных акваторий – Печорского моря, Белого моря и южной части Берингова моря.
![](/upload/medialibrary/467/6wij9uo9p2xw7oa3ba8av91ymrqwtdv0/content_img.png)
Зоны скоростных ограничений и запрета плавания
Снижение воздействия судоходства на арктическую экосистему возможно, однако для этого необходим системный подход, включающий как управленческие, так и навигационные и технологические решения. Применение подобного системного подхода в акватории арктических морей позволит обеспечить снижение беспокойства представителей ключевых районов обитания и говорить о реальных и ощутимых мерах в рамках устойчивого судоходства в арктическом регионе.
Для идентификации пересечения границ рекомендованных зон запрета плавания и превышения предлагаемых ограничений скорости передвижения судна в районах особой экологической чувствительности был разработан отдельный сервис, реализованный с использованием обновляемых данных АИС. При пересечении судном зоны запрета плавания или превышении скоростного режима в зоне ограничения скорости производится фиксация информации с наименованием судна, IMO (уникальный идентификационный номер) судна, координатами и временем захода/выхода судна из акватории зоны с ограничениями, а также скоростью, на которую превышен рекомендованный уровень ограничений (рис. 4, 5).
Данный сервис использовался в основные навигационные периоды 2022 и 2023 гг. в интересах Госкорпорации «Росатом» как инфраструктурного оператора СМП. Была собрана статистика по обнаруженным случаям нарушения природоохранных ограничений и рекомендаций, которая позволит оценить уровень потенциальной нагрузки на морские экосистемы в указанное время и спрогнозировать ее увеличение при возрастании интенсификации судоходства в дальнейшем. Отдельную заинтересованность к использованию такого функционала проявляют представители ООПТ с точки зрения изучения соблюдения охранного режима подответственных им территорий, а также представители нефтегазовых и строительных организаций – с точки зрения дополнительного контроля соблюдения их флотом экологических ограничений на морской акватории и минимизации воздействий на окружающую среду при реализации хозяйственной деятельности, как следствие – снижение экологических рисков и компенсационных мероприятий при различных негативных сценариях.
Моделирование и прогнозирование дрейфа пленочных загрязнений
К ключевым задачам спутникового мониторинга поверхности моря относится выявление пленочных загрязнений, которые образуются вследствие судовых разливов или аварий на объектах нефтедобывающей инфраструктуры. На основе данных дистанционного зондирования Земли (ДЗЗ) можно определять форму и размер пятна, период его существования на поверхности моря (при наличии серии последовательных радиолокационных изображений), специфику растекания и дрейфа, предполагаемый источник.
До недавнего времени основное внимание в России уделялось детектированию пленочных загрязнений на поверхности южных морей России. С развитием инфраструктуры на российском арктическом шельфе и увеличением интенсивности судоходства возрос интерес к экологическому мониторингу арктических морей. Однако для арктических регионов большую проблему представляет лед, который в начальных стадиях своего развития может быть очень похож на пленочные загрязнения.
Спутниковый экологический мониторинг акваторий во многом опирается на радиолокационные изображения. Основным источником в последние годы являются данные радиолокаторов различных группировок спутниковых систем, которые расположены в открытом доступе. Запуск в мае 2023 года российского радиолокатора Кондор-ФКА открывает новые перспективы для развития методов обработки радиолокационных изображений для мониторинга пленочных загрязнений на поверхности моря.
Методика обработки радиолокационных изображений для решения задач оперативного экологического мониторинга заключается в экспертном или автоматизированном анализе изображения, на котором пленка выглядит как самый темный объект на поверхности взволнованной воды. Основная задача – определение положения загрязнения, его размера, вероятного источника и траектории дрейфа. В этой задаче важную роль играет скорость получения и обработки спутникового изображения. Для определения вероятного источника загрязнения привлекают информацию о положении судов в акватории в момент съемки и положении объектов инфраструктуры. При помощи специальных моделей (например, SPILLMOD разработки ФГБУ «ГОИН» или FOTS разработки ФГБУН «МГИ»), учитывающих информацию о текущей и прогнозной гидрометеорологической обстановке в акватории мониторинга, выполняют расчет траектории дрейфа пленочного загрязнения «назад» (для определения вероятного источника) и «вперед» (для определения траектории распространения загрязнения).
На платформе SLOYKA реализован сервис моделирования («назад») и прогнозирования («вперед») дрейфа пленочных загрязнений, разработанный совместно экспертами ЦМИ МГУ и специалистами по машинному обучению ООО «Моринтех». Этот алгоритм использует данные нескольких датасетов с разным пространственным и временным охватом и разрешением, которые получены из разных источников – моделей, спутников, судовых и экспедиционных наблюдений. Датасеты охватывают все морские акватории, исключая Каспийское море. В то же время датасет, используемый для расчетов в Арктическом регионе, является более подробным и проработанным.
У пользователя есть возможность как самостоятельно отрисовать контур загрязнения, так и загрузить его из существующего слоя или файла. Расчет траектории дрейфа пленочных загрязнений («назад» и «вперед») может быть произведен на срок до трех суток. Рассчитанная траектория дрейфа загрязнения отображается в виде стрелки (рис. 6). Таким образом, используя информацию о траектории дрейфа пленочного загрязнения в совокупности с данными АИС, можно выявить суда, являющиеся потенциальными источниками загрязнения.
Данный сервис использовался в 2021–2023 гг. по заказу Госкорпорации «Росатом» для спутникового экологического мониторинга морской поверхности – в систему поступали радиолокационные изображения, тематические продукты по концентрации хлорофилла а, данные АИС. Эксперт анализировал радиолокационные изображения, выделял загрязнения и выполнял моделирование их дрейфа (при наличии). В дальнейшем формировалась квартальная и годовая отчетность.
Выводы
Цифровая трансформация в области экологических исследований, гидрометеорологических наблюдений и прочих направлений хозяйственной деятельности в морских акваториях является следствием развития цифровой индустрии в целом. Помимо удобств, которые получают пользователи при работе с подобными сервисами, внедрение технологий сбора, анализа и обработки данных, машинного обучения позволяет автоматизировать рутинные процессы и получать более качественные результаты.
Цифровая платформа SLOYKA предоставляет пользователям большой набор сервисов для работы с данными, представляющими ценность при хозяйственном освоении морских акваторий. Благодаря этому пользователями SLOYKA могут являться как частные индустриальные компании в морской отрасли, так и государственные организации, институты, научное сообщество. Дальнейшее развитие цифровой платформы неразрывно связано с внедрением передовых цифровых решений для решения задач, наиболее актуальных для различных групп пользователей.
Литература
- Распоряжение Правительства РФ от 01.08.2022 № 2115-р «Об утверждении Плана развития Северного морского пути на период до 2035 года».
2. Приказ Минприроды России от 27.05.2022 N 371 «Об утверждении методик количественного определения объемов выбросов парниковых газов и поглощений парниковых газов» (Зарегистрировано в Минюсте России 29.07.2022 № 69451).
3. Шурпяк B.К., Толмачев C.А., Мусонов М.В. Новые требования ИМО по уменьшению выбросов углекислого газа с морских судов, совершающих транспортную работу // Научно-технический сборник Российского морского регистра судоходства. – 2021. – № 64/65. – С. 4–18.
- Buinyi A.V., Irishev D. A., Nikulin E. E., Evdokimov A. A., Ilyushina P. G., Sukhikh N. A. Advancing ocean forecasting in the Russian Arctic: a performance analysis of MariNet model in comparision to FourCastNet and PhyDNet / ESS Open Archive, 2024. DOI 10.22541/au.170536917.76032627/v1.
5. Le Guen, V. & Thome, N. Disentangling Physical Dynamics From Unknown Factors for Unsupervised Video Prediction. in 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 11471–11481 (IEEE, 2020). DOI:10.1109/CVPR42600.2020.01149.
- Pathak, J. et al. Fourcastnet: A Global Data-Driven High-Resolution Weather Model Using Adaptive Fourier Neural Operators. (2022). DOI:10.48550/ARXIV.2202.11214.