Двадцать вторая международная конференция "СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
XXII.A.344
Прогнозирование ледовой обстановки с помощью методов предсказания видео при учете неопределенности
Айлуро С.И. (1,2), Недорубова А.А. (1), Григорьев Т.Е. (1), Вановский В.В. (1,2)
(1) Сколковский институт науки и технологий, Москва, Россия
(2) Московский физико-технический институт (государственный университет)
В последние десятилетия в Арктике происходит особо быстрое потепление, что уже привело к сокращению площади и толщины морского льда. Эти изменения способствовали появлению более быстрых и экономичных морских маршрутов, таких как Северный морской путь. Тем не менее, заторы льда все еще представляют собой серьезную угрозу для безопасности морской навигации, поэтому проблема прогнозирования ледовой обстановки остается актуальной.
Мы сосредоточились на прогнозировании ледовых условий в практически значимом небольшом регионе – Обской Губе, которая представляет интерес из-за сложного процесса ледообразования [1,2]. Мы используем современные методы искусственного интеллекта [3-8], и радарные снимки Обской Губы миссии Sentinel-1 [9], данные реанализа проекта GLORYS [10], и данные погодных наблюдений с метеостанций в регионе [11] для решения этой задачи.
В работе демонстрируются значительные улучшения в прогнозировании ледовых условий благодаря разработанным методам фильтрации радарных артефактов и применению современных техник машинного обучения с учетом неопределенности. Комбинация разработанных подходов с методами глубокого обучения позволяет повысить точность прогноза в сравнении с персистентным прогнозом на 40% по средне-квадратичному отклонению. При этом ошибка модели коррелируют с предсказанной неопределенностью на 87%. Кроме того, модель может применяться для интерполяции и заполнения пропусков в наблюдениях с коэффициентом детерминации в 88%.
Работа выполнена при поддержке Аналитического центра при Правительстве РФ (договор о субсидии 000000D730321P5Q0002, Грант № 70-2021-00145 от 02.11.2021).
Ключевые слова: Прогнозирование арктической ледовой обстановки, спутниковые радарные изображения, машинное обучение, оценка неопределенности
Литература:
- Kwok, R. Arctic sea ice thickness, volume, and multiyear ice coverage: losses and coupled variability (1958–2018). In Environmental Research Letters, 2018
- Williams. T.; Korosov, A.; Rampal, P.; Opason, E.; Presentation and evaluation of the Arctic sea ice forecasting system neXtSIM-F. In the Cryosphere, 2021
- Hu, X.; Huang, Z.; Huang, A.; Xu, J.; Zhou, S. A Dynamic Multi-Scale Voxel Flow Network for Video Prediction, 2023
- Seo, M.; Lee, H.; Kim, D.; Seo, J. Implicit stacked autoregressive model for video prediction. 2023
- Chen, R.T.; Rubanova, Y.; Bettencourt, J.; Duvenaud, D.K. Neural ordinary differential equations. Advances in neural information processing systems, 2018
- Wu, H.; Yao, Z.; Wang, J.; Long, M. MotionRNN: A Flexible Model for Video Prediction with Spacetime-Varying Motions. 2021
- Park, S.; Kim, K.; Lee, J.; Choo, J.; Lee, J.; Kim, S.; Choi, E. Vid-ode: Continuous-time video generation with neural ordinary differential equation. In Proceedings of the Proceedings of the AAAI Conference on Artificial Intelligence, 2021
- Ronneberger, O.; Fischer, P.; Brox, T. U-Net: Convolutional Networks for Biomedical Image Segmentation. In Proceedings of the International Conference on Medical image computing and computer-assisted intervention. 2015
- Copernicus Sentinel data 2024, processed by ESA
- Copernicus Marine. GLORYS12V1. Doi (product): https://doi.org/10.48670/moi-00021
- Погода и климат. Архив погоды. http://www.pogodaiklimat.ru/
Методы и алгоритмы обработки спутниковых данных