Распознавание полярных циклонов по данным КА серии «Арктика-М» с использованием методов искусственного интеллекта

В связи с активным развитием хозяйственной деятельности в Арктике важное значение имеет мониторинг и прогнозирование неблагоприятных и опасных явлений в её атмосфере. К числу таких явлений относятся полярные циклоны, способные внезапно и очень быстро приводить к развитию экстремальных погодных условий – сильному волнению до 8 баллов и ветру до 35 м/с, обледенению судов и сооружений, а также к снежным зарядам с ухудшением видимости [1].
С появлением первой в мире высокоэллиптической гидрометеорологической космической системы (ВГКС) «Арктика-М» в составе двух КА стало возможным непрерывное круглосуточное наблюдение за атмосферой и подстилающей поверхностью Арктического региона Земли, вследствие чего ВГКС «Арктика-М» является уникальным инструментом для мониторинга и изучения мезоциклонической активности в Арктике.
В ФГБУ «НИЦ «Планета» проведена работа по созданию базы данных полярных циклонов, которая пополняется соответствующей информацией в ходе регулярного анализа данных МСУ-ГС КА серии «Арктика-М».
Данные, накопленные за несколько лет, послужили обучающей выборкой и позволили создать тестовую нейросетевую модель автоматического распознавания полярных циклонов в поле облачности. Для этих целей использована свёрточная нейронная сеть, настроенная на задачу бинарной классификации. Архитектура состоит из нескольких свёрточных блоков с последующими полносвязными слоями, которые позволяют эффективно выделять морфологические признаки полярных циклонов с выходным классификационным слоем [2]. Количество эпох обучения – 100.
Для повышения устойчивости решения модели применялась техника искусственного увеличения объема обучающих данных: случайные повороты в пределах ±15°, зеркальное отражение по горизонтали и небольшие изменения масштаба (от 0,9 до 1,1). Применённая схема улучшает устойчивость к поворотам и масштабу. Обучение проводилось с использованием адаптивного оптимизатора (Adam) при скорости обучения 1e-4 в пакетах по 16 изображений. Функция потерь задана как кросс-энтропия.
Для оценки качества использовались следующие показатели: доля правильных ответов, точность (precision), полнота (recall) и их гармоническое среднее (F1), а также матрица ошибок.
На данном этапе работы точность идентификации полярных циклонов составляет около 76,92 %. В настоящее время продолжаются работы по улучшению точности распознавания полярных циклонов с использованием методов искусственного интеллекта.