Южный океан, опоясывающий Антарктиду, представляет собой критически важный компонент глобальной климатической системы. В этом регионе наблюдаются интенсивные процессы обмена теплом, газами и биогенными веществами между атмосферой и глубинными слоями океана. Ключевым элементом этих процессов являются вихревые структуры, которые эффективно перераспределяют соли, тепло и биологические организмы на значительные расстояния в водной толще. Особого внимания заслуживает прикромочная зона ледового покрова, где вихревые образования формируются и исчезают в сложных условиях взаимодействия открытой воды, дрейфующих льдов и сплошных ледяных полей. Эти вихри оказывают значительное влияние на динамику таяния льдов и теплообмен между океаном и атмосферой.
Традиционные спутниковые методы, такие как альтиметрия, демонстрируют ограниченную эффективность в условиях сплошного ледяного покрова. В таких ситуациях радиолокационные спутники, функционирующие в условиях облачности и полярной ночи, становятся незаменимым источником данных. Однако ручная обработка и анализ тысяч спутниковых изображений требуют значительных временных затрат.
Для ускорения и автоматизации этого процесса была разработана база данных, включающая 234 высококачественных снимка спутника Sentinel-1, полученных над Восточной Антарктидой. На каждом изображении вручную идентифицированы и классифицированы вихревые структуры по их типу: циклонические, вращающиеся против часовой стрелки, и антициклонические, вращающиеся по часовой стрелке. Эта база данных представляет собой первый систематизированный источник информации о вихревой активности в данном регионе.
Для анализа данных применялась нейронная сеть YOLOv11, способная эффективно распознавать объекты на изображениях, начиная с базовых признаков и интегрируя их в более сложные структуры. Нейронная сеть определяет тип и местоположение вихревых образований с высокой точностью.
Ключевым инновационным элементом стало внедрение модуля SAHI (Slicing Aided Hyper Inference), который позволяет разделять большие изображения на перекрывающиеся фрагменты для их анализа в высоком разрешении и последующей интеграции результатов в общую карту. Этот подход значительно повысил точность обнаружения мелких вихревых структур, включая ранее не идентифицируемые субмезомасштабные образования.
Никита Сандалюк из МФТИ отметил, что модуль SAHI впервые обеспечил систематическое наблюдение вихревых структур в прикромочной зоне ледового покрова. Несмотря на высокую точность модели, в процессе анализа возникают ложные срабатывания, связанные с ледниками, которые планируется устранить с использованием географической маски.
Результаты исследования демонстрируют высокую надежность нейронной сети в различных условиях, включая плотные ледовые поля, разреженные зоны и хаотичную мелкомасштабную динамику. Автоматизированный мониторинг вихревой активности позволяет собирать многолетние статистические данные, изучать процессы формирования вихревых структур и их влияние на ледяной покров, а также совершенствовать климатические модели.
В перспективе планируется расширение анализа на данные за другие годы и создание открытого сервиса для мониторинга вихревой активности в полярных регионах. Это позволит более эффективно изучать климатические процессы и прогнозировать их развитие в условиях глобальных изменений климата, пишет источник.