Построение безопасных коридоров судоходства в морях арктического шельфа на основе использования алгоритмов глубокого обучения

Еремин, Н.А.; Гулиев, Р.З.; Вяткин, Д.А.; Иваницкая, Е.В.

Авторы: Еремин Н.А., Гулиев Р.З., Вяткин Д.А., Иваницкая Е.В.
Журнал: Безопасность труда в промышленности
Том: 807
Номер: 3
Год издания: 2024
Первая страница: 14
Последняя страница: 20
Аннотация: UDC 331.45:551.46N.A. Eremin, R.Z. Guliev, D.A. Vyatkin, E.V. IvanitskayaPlanning Safe Navigation Routes in the Seas of Arctic Shelf Based on Deep Learning AlgorithmsAbstract. A comparative analysis of interannual changes in the ice coverage of the Pechora and the Kara Seas has been conducted based on the information of open sources (satellite observations) gathered by the Arctic and Antarctic Research Institute and the open dataset with mapped ice conditions ArcticDEM. The following problems of the study have been solved: the analysis of the most common approaches to building a forecast based on the analysis of ice conditions has been conducted; a deep learning algorithm to solve the problem of analysis of ice fields has been developed and tested; a medium-term forecast of the condition of ice fields in the area of the Pechora and the Kara Seas has been prepared based on the approbation model example; the obtained results have been analyzed and processed. In the course of study, an algorithm of automated mapping of ice conditions based on the satellite imagery data has been developed; the possibilities of its application to forecast ice conditions automatically, i.e., without using a manmade mapping, have been described. It has been demonstrated that the use of images based on multiple spectral bands and the combination of data from different satellites can minimize the influence of clouds and weather conditions. The model gave the real forecasting accuracy for a period of 10–14 weeks equal to 49–53 % for the Barents (Pechora) and the Kara Seas of 2018–2021. In case the model was fine-tuned and included data from the Barents (Pechora) and Kara Seas before 2018 in the training sample, the accuracy on the data after 2018 increased up to 52–56 %. The feature of the model is its ability to operate with different classes of ice and precisely determine its amount. The developed method increases the efficiency of operational control over the ice conditions in the Arctic seas. Safe navigation routes for shipping transport in the Pechora Sea have been modeled.Keywords: Arctic, safe shipping transportation, Arctic shelf seas, deep learning algorithm, safe transportation routes, panarctic sea ice, ice condition forecast, Arctic ice, changes of ice coverage, ice condition, ice extent.For citation: Eremin N.A., Guliev R.Z., Vyatkin D.A., Ivanitskaya E.V. Planning Safe Navigation Routes in the Seas of Arctic Shelf Based on Deep Learning Algorithms. Bezopasnost Truda v Promyshlennosti = Occupational Safety in Industry. 2024. № 3. pp. 14–20. (In Russ.).DOI: 10.24000/0409-2961-2024-3-14-20УДК 331.45:551.46Еремин Н.А., Гулиев Р.З., Вяткин Д.А., Иваницкая Е.В. Построение безопасных коридоров судоходства в морях арктического шельфа на основе использования алгоритмов глубокого обучения// Безопасность труда в промышленности. 2024. № 3. С. 14–20. DOI: 10.24000/0409-2961-2024-3-14-20Проведен сравнительный анализ межгодовых изменений ледового покрова Печорского и Карского морей наоснове открытых данных Арктического и антарктического научно-исследовательского института (г. Санкт-Петербург). Создан и апробирован алгоритм глубокого обучения для решения задачи анализа и прогнозирования ледовых полей. Этот метод позволяет повысить эффективность оперативного контроля за ледовой обстановкой в арктических морях, обеспечивая безопасность ведения хозяйственной и иной деятельности в Арктической зоне.Ключевые слова: Арктика, безопасность судоходства, моря арктического шельфа, алгоритм глубокого обучения, безопасные транспортные коридоры, панарктический морской лед, прогнозирование ледовой обстановки, арктический лед, изменения ледового покрова, ледовое состояние, протяженность льда.Работа выполнена в рамках госзадания. Рег. № НИОКТР в РОСРИД 122022800270-0 (автор Н.А. Еремин).ЗаключениеВ процессе исследования разработан алгоритм для автоматической разметки ледовой обстановки на основании данных спутниковых снимков и описаны возможности его применения для прогнозирования ледовой обстановки автоматически, т.е.без применения разметки, сделанной человеком.Для повышения точности прогноза требуются дополнительные данные, такие как температура или иная метеорологическая обстановка. Для улучшения качества результатов предлагается комбинировать имеющуюся разметку и спутниковые снимки в различных спектральных диапазонах.Вывод: использование изображений на основании множества спектральных каналов и комбинированиеданных с различных спутников способны минимизировать влияние облаков и погодных условий. Дальнейшее увеличение объема обрабатываемых данных и совершенствование алгоритмов позволят повыситьэффективность оперативного контроля за ледовой обстановкой в арктических морях, что напрямуюповлияет на безопасное развитие хозяйственной и иной деятельности в Арктической зоне.Список литературы1. Промышленная безопасность как основной элемент устойчивого развития российской Арктической зоны/Е.В. Иваницкая, С.Н. Буйновский, С.М. Никоноров, К.С. Ситкина// Безопасность труда в промышленности.2019. № 3. С. 34–44. DOI: 10.24000/0409-2961-2019-3-34-442. Повышение эффективности управления северным за возом как инструмент обеспечения устойчивого развития Арктической зоны Российской Федерации/ М.И. Никишова, А.В. Двигубский, М.Н. Григорьев, Е.В. Иваницкая// Безопасность труда в промышленности. 2022. № 11. С. 41–49.DOI: 10.24000/0409-2961-2022-11-41-493. Predicting September Sea ice: Ensemble skill of the SEARCH Sea Ice Outlook 2008-2013/ J. Stroeve, L.C. Hamilton,C.M. Bitz, E. Blanchard-Wrigglesworth// Geophysical Research Letters. 2014. Vol. 41. Iss. 7. P. 2411–2418. DOI: 10.1002/2014gl0593884. The Navy’s Earth System Prediction Capability: A New Global Coupled Atmosphere-Ocean-Sea Ice Prediction System Designed for Daily to Subseasonal Forecasting/ N. Barton,E.J. Metzger, C.A. Reynolds et al.// Earth and Space Science. 2021. Vol. 8. Iss. 4. DOI: 10.1029/2020EA0011995. Об утверждении плана развития инфраструктуры Северного морского пути на период до 2035 г.: распоряжение Правительства Рос. Федерации от 21 дек. 2019 г. № 3120-р.URL: https://docs.cntd.ru/document/564069513 (дата обращения: 10.01.2024).6. Об Основах государственной политики Российской Федерации в Арктике на период до 2035 г.: Указ Президента Рос. Федерации от 05 марта 2020 г. № 164. URL: https://docs.cntd.ru/document/564371920 (дата обращения:10.01.2024).7. О Стратегии развития Арктической зоны Российской Федерации и обеспечения национальной безопасности на период до 2035 г.: Указ Президента Рос. Федерации от 26 февр. 2020 г. № 645 URL: https://docs.cntd.ru/document/566091182 (дата обращения: 10.01.2024).8. Screen J.A., Simmonds I. The central role of diminishing sea ice in recent Arctic temperature amplification // Nature. 2010. Vol. 464. P. 1334–1337. DOI: 10.1038/nature090519. Serreze M.C., Meier W.N. The Arctic’s Sea Ice Cover:Trends, Variability, Predictability, and Comparisons to the Antarctic// Annals of the New York Academy of Sciences. 2019.Vol. 1436. Iss. 1. P. 36–53. DOI: 10.1111/nyas.1385610. Notz D. Arctic Sea Ice in CMIP6// Geophysical Research Letters. 2020. Vol. 47. Iss. 10. P. 1–11. DOI: 10.1029/2019GL08674911. Day J.J., Tietsche S., Hawkins E. Pan-Arctic and Regional Sea Ice Predictability: Initialization Month Dependence// Journal of Climate. 2014. Vol. 27. Iss. 12. P. 4371–4390. DOI: 10.1175/JCLI-D-13-00614.112. Multi-Model Seasonal Forecast of Arctic Sea-Ice: Forecast Uncertainty at Pan-Arctic and Regional Scales/ E. Blanchard-Wrigglesworth, A. Barth lemy, M. Chevallier et al.// Climate Dynamics. 2017. Vol. 49. Iss. 4. P. 1399–1410. DOI: 10.1007/s00382-016-3388-913. Patil K., Deo M.C. Prediction of daily sea surface temperature using efficient neural networks// Ocean Dynamics. 2017. Vol. 67. Iss. 3–4. P. 357–368. DOI: 10.1007/s10236-017-1032-914. Ren Y., Li X., Zhang W. A Data-Driven Deep Learning Model for Weekly Sea Ice Concentration Prediction of the Pan-Arctic During the Melting Season// IEEE Transactions on Geoscience and Remote Sensing. 2022. Vol. 60.15. Subseasonal to seasonal Arctic sea-ice prediction: A grand challenge of climate science/ K. Wei, J. Liu, Q. Bao et al.//Atmospheric and Oceanic Science Letters. 2021. Vol. 14. Iss. 4.DOI: 10.1016/j .aosl.2021.10005216. Evaluation of Arctic Sea-ice Cover and Thickness Simulated by MITgcm/ F. Zheng, Y. Sun, Q. Yang, L. Mu// Advancesin Atmospheric Sciences. 2021. Vol. 38. P. 29-48. DOI: 10.1007/s00376-020-9223-617. Гулиев Р.З., Еремин Н.А., Галькова К.Б. Анализ ледовых условий для определения транспортной доступности в Арктике// Оборудование и технологии для нефтегазового комплекса. 2023. № 6 (138). С. 65–70. DOI: 10.33285/1999-6934-2023-6(138)-65-7018. Гулиев Р.З. Оценка рисков ледовой обстановки при помощи метода нечеткой логики для освоения нефтегазовых месторождений Печорского моря// Нефть. Газ. Новации. 2022. № 4 (257). С. 73–75.References1. Ivanitskaya E.V., Buinovsky S.N., Nikonorov S.M., Sitkina K.S. Industrial Safety as the Main Element of the Sustainable Development of the Russian Arctic Zone. Bezopasnost Truda v Promyshlennosti = Occupational Safety in Industry. 2019. № 3. pp. 34–44. (In Russ.). DOI: 10.24000/0409-2961-2019-3-34-442. Nikishova M.I., Dvigubskiy A.V., Grigoryev M.N., Ivanitskaya E.V. Improving the Efficiency of Northern Delivery Management as a Tool to Ensure Sustainable Development of the Arctic Zone of the Russian Federation. Bezopasnost Truda v Promyshlennosti = Occupational Safety in Industry. 2022. № 11. pp. 41–49. (In Russ.). DOI: 10.24000/0409-2961-2022-11-41-493. Stroeve J., Hamilton L.C., Bitz C.M., Blanchard-Wrigglesworth E. Predicting September Sea ice: Ensemble skill of the SEARCH Sea Ice Outlook 2008-2013. Geophysical Research Letters. 2014. Vol. 41. Iss. 7. pp. 2411–2418. DOI: 10.1002/2014gl0593884. Barton N., Metzger E.J., Reynolds C.A., Ruston B., Rowley C., Smedstad O.M., Ridout J.A., Wallcraft A., Frolov S., Hogan P., Zamudio L., Phelps M. The Navy’s Earth System Prediction Capability: A New Global Coupled Atmosphere-Ocean-Sea Ice Prediction System Designed for Daily to Subseasonal Forecasting. Earth and Space Science. 2021. Vol. 8. Iss. 4. DOI: 10.1029/2020EA0011995. On approval of the Development Plan for the infrastructure of the Northern Sea Route for the period until 2035: the Order of the Government of the Russian Federation of December 21, 2019, № 3120-р. Available at: https://docs.cntd.ru/document/564069513 (accessed: January 10, 2024). (In Russ.).6. On state policy of the Russian Federation in the Arctic for the period until 2035: the Decree of the President of the Russian Federation of March 05, 2020, № 164. Available at: https://docs.cntd.ru/document/564371920 (accessed: January 10, 2024). (In Russ.).7. On the Development Strategy of the Arctic Zone of the Russian Federation and national security for the period until 2035: the Decree of the President of the Russian Federation of February 26, 2020, № 645. Available at: https://docs.cntd.ru/document/566091182 (accessed: January 10, 2024). (In Russ.).8. Screen J.A., Simmonds I. The central role of diminishing sea ice in recent Arctic temperature amplification. Nature. 2010. Vol. 464. pp. 1334–1337. DOI: 10.1038/nature090519. Serreze M.C., Meier W.N. The Arctic’s Sea Ice Cover: Trends, Variability, Predictability, and Comparisons to the Antarctic. Annals of the New York Academy of Sciences. 2019. Vol. 1436. Iss. 1. pp. 36–53. DOI: 10.1111/nyas.1385610. Notz D. Arctic Sea Ice in CMIP6. Geophysical Research Letters. 2020. Vol. 47. Iss. 10. pp. 1–11. DOI: 10.1029/2019GL08674911. Day J.J., Tietsche S., Hawkins E. Pan-Arctic and Regional Sea Ice Predictability: Initialization Month Dependence. Journal of Climate. 2014. Vol. 27. Iss. 12. pp. 4371–4390. DOI: 10.1175/JCLI-D-13-00614.112. Blanchard-Wrigglesworth E., Barth lemy A., Chevallier M., Cullather R., Fu kar N., Massonnet F., Posey P., Wang W., Zhang J., Ardilouze C., Bitz C.M., Vernieres G., Wallcraft A., Wang M. Multi-Model Seasonal Forecast of Arctic Sea-Ice: Forecast Uncertainty at Pan-Arctic and Regional Scales. Climate Dynamics. 2017. Vol. 49. Iss. 4. pp. 1399–1410. DOI: 10.1007/s00382-016-3388-913. Patil K., Deo M.C. Prediction of daily sea surface temperature using efficient neural networks. Ocean Dynamics. 2017. Vol. 67. Iss. 3–4. pp. 357–368. DOI: 10.1007/s10236-017-1032-914. Ren Y., Li X., Zhang W. A data-driven deep learning model for weekly sea ice concentration prediction of the Pan-Arctic during the melting season. IEEE Transactions on Geoscience and Remote Sensing. 2022. Vol. 60.15. Wei K., Liu J., Bao Q., He B., Ma J., Li M., Song M., Zhu Z. Subseasonal to seasonal Arctic sea-ice prediction: A grand challenge of climate science. Atmospheric and Oceanic Science Letters. 2021. Vol. 14. Iss. 4. DOI: 10.1016/j.aosl.2021.10005216. Zheng F., Sun Y., Yang Q., Mu L. Evaluation of Arctic Sea-ice Cover and Thickness Simulated by MITgcm. Advances in Atmospheric Sciences. 2021. Vol. 38. pp. 29-48. DOI:10.1007/s00376-020-9223-617. Guliev R.Z., Eremin N.A., Galkova K.B. Analysis of ice conditions to determine transport accessibility in the Arctic. Oborudovanie i tekhnologii dlya neftegazovogo kompleksa = Equipment and technologies for oil and gas complex. 2023. № 6 (138). pp. 65–70. (In Russ.). DOI: 10.33285/1999-6934-2023-6(138)- 65-7018. Guliev R.Z. Risk assessment of ice conditions using the fuzzy logic method for the development of oil and gas fields in the Pechora Sea. Neft. Gaz. Novatsii = Oil. Gas. Innovations. 2022. № 4 (257). pp. 73–75. (In Russ.).
Добавил в систему: Еремин Николай Александрович

	ИСТИНА	Войти в систему Регистрация
	ИСТИНА ЦЭМИ РАН
	Главная Поиск Статистика О проекте Помощь

ИСТИНА

ИСТИНА ЦЭМИ РАН

Построение безопасных коридоров судоходства в морях арктического шельфа на основе использования алгоритмов глубокого обучениястатья

Прикрепленные файлы