ПРЕДВЫЧИСЛЕНИЕ ЛЕДОВЫХ УСЛОВИЙ ДЛЯ ОБЕСПЕЧЕНИЯ ХОЗЯЙСТВЕННОЙ ДЕЯТЕЛЬНОСТИ В МОРЯХ РОССИЙСКОЙ АРКТИКИ С ПОМОЩЬЮ МЕТОДОВ ГЛУБОКОГО ОБУЧЕНИЯ

Представлена технология предвычисления ледовых условий в морях российской Арк­тики для решения прогностических задач в сеточной постановке для заданной локальной акватории. Технология основана на применении моделей глубокого обучения в виде сверточных нейронных сетей. Она позволяет решать задачи долгосрочного предвычисления ледовых условий (сплоченности и толщины) с заданным временны́м и пространственным разрешением. Экспериментальные исследования по оценке качества прогнозирования сплоченности льда подтвердили эффективность ансамблевого моделирования по сравнению с одиночными моделями, а также с существующими прогнозами (SEAS5). Предложенный подход превзошел по качеству глобальную прогностическую систему на основе глубокого обучения IceNet, обладая при этом меньшей вычислительной сложностью.

1. Миронов Е. У. и др. Современное состояние и перспективы исследований ледяного покрова морей российской Арктики // Рос. Арктика. — 2020. — № 3. — С. 13—29.

2. Обзорные ледовые карты Северного Ледовитого океана. — URL: https://www.aari.ru/data/realtime/ledovye-karty-2.

3. SIGRID-3: A vector archive format for sea ice charts: developed by the International Ice Charting Working Group’s Ad Hoc Format Team for the WMO Global Digital Sea Ice Data Bank Project. Available at: https://repository.oceanbestpractices.org/handle/11329/97.

4. Малышев Н. А., Вержбицкий В. Е., Колюбакин А. А. и др. Технологические аспекты и опыт стратиграфического бурения в морях российской Арктики // Геология нефти и газа. — 2024. — № 3. — С. 19—30. — DOI: 10.47148/0016-7894-2024-3-19-30.

5. Петров О. В., Понимаскин А. И., Токарев М. Ю. и др. Результаты стратиграфического бурения в Восточно-Сибирском море с целью геологического изучения зоны сочленения структур континентального шельфа и глубоководных акваторий Северного Ледовитого океана // Докл. Рос. акад. наук. Науки о Земле. — 2023. — Т. 512, № 2. — C. 261—271. — DOI: 10.31857/S268673972360100X.

6. Guemas V. et al. A review on Arctic sea‐ice predictability and prediction on seasonal to decadal time-scales. Quarterly J. of the Royal Meteorological Society, 2016, vol. 142, no. 695, pp. 546—561.

7. Wang M., Overland J. E. A sea ice free summer Arctic within 30 years: An update from CMIP5 models. Geophysical Research Letters, 2012, vol. 39, no. 18.

8. Zhang J., Rothrock D. A. Modeling global sea ice with a thickness and enthalpy distribution model in generalized curvilinear coordinates. Monthly Weather Rev., 2003, vol. 131, no. 5, pp. 845—861.

9. Wang W., Chen M., Kumar A. Seasonal prediction of Arctic sea ice extent from a coupled dynamical forecast system. Monthly Weather Rev., 2013, vol. 141, no. 4, pp. 1375—1394.

10. Madec G. et al. NEMO ocean engine. [S. l.], 2017.

11. Hvatov A. et al. Adaptation of NEMO-LIM3 model for multigrid high resolution Arctic simulation. Ocean Modelling, 2019, vol. 141, p. 101427.

12. Pemberton P. et al. Sea-ice evaluation of NEMO-Nordic 1.0: a NEMO–LIM3. 6-based ocean–sea-ice model setup for the North Sea and Baltic Sea. Geoscientific Model Development, 2017, vol. 10, no. 8, pp. 3105—3123.

13. Dominicus S., Mishra A. K. Sea ice concentration estimation techniques using machine learning: An end-to-end workflow for estimating concentration maps from sar images. arXiv preprint arXiv:2205.01403, 2022.

14. Johnson S. J. et al. SEAS5: the new ECMWF seasonal forecast system. Geoscientific Model Development, 2019, vol. 12, no. 3, pp. 1087—1117.

15. Petty A. A. et al. Skillful spring forecasts of September Arctic sea ice extent using passive microwave sea ice observations. Earth’s Future, 2017, vol. 5, no. 2, pp. 254—263.

16. Kapsch M. L. et al. The importance of spring atmospheric conditions for predictions of the Arctic summer sea ice extent. Geophysical Research Letters, 2014, vol. 41, no. 14, pp. 5288—5296.

17. Wang L. et al. Predicting summer Arctic sea ice concentration intraseasonal variability using a vector autoregressive model. J. of Climate, 2016, vol. 29, no. 4, pp. 1529—1543.

18. Kim J. et al. Satellite-based prediction of Arctic sea ice concentration using a deep neural network with multi-model ensemble. Remote Sensing, 2018, vol. 11, no. 1, p. 19.

19. Сочнев О. Я., Корнишин К. А., Ефимов Я. О. и др. Межгодовая изменчивость продолжительности безледного периода в юго-западной части Карского моря // Проблемы Арктики и Антарктики. — 2019. — Т. 65, № 3. — С. 239—254.

20. Kim Y. J. et al. Prediction of monthly Arctic sea ice concentrations using satellite and reanalysis data based on convolutional neural networks. The Cryosphere, 2020, vol. 14, no. 3, pp. 1083—1104.

21. Думанская И. О. Ледовые условия морей европейской части России. — Москва; Обнинск: ИГ-СОЦИН, 2014. — 605 с.

22. Думанская И. О. Ледовые условия морей азиатской части России. — Москва; Обнинск: ИГ-СОЦИН, 2017. — 640 с.

23. Думанская И. О., Котилевская А. М. Оценка возможности использования прогностических методик ХХ века в современной практике ледового обслуживания мореплавания на неарк­тических морях России // Тр. ГМЦ РФ. — 2009. — Вып. 343. — С. 67—88.

24. Тимофеева А. Б., Юлин А. В., Иванов В. В. и др. Ледовитость российских арктических морей трассы Северного морского пути в современный климатический период // Арктика: экология и экономика. — 2024. — Т. 14, № 1. — С. 135—146.

25. Шишкин А. Н., Корнишин К. А., Дейнего И. Д., Тарасов П. А. Северный морской путь: современный климатический период и прогнозы // Нефтяное хоз-во. — 2024. — № 6. — С. 40-44.

26. Lemieux J. F. et al. The Regional Ice Prediction System (RIPS): verification of forecast sea ice concentration. Quarterly J. of the Royal Meteorological Society, 2016, vol. 142, no. 695, pp. 632—643.

27. Топаж А. Г., Таровик О. В., Бахарев А. А. Автоматическая маршрутизация судов во льдах: постановка задачи и инструменты решения // Арктика: экология и экономика. — 2022. — Т. 12, № 1. — С. 123—139. — DOI: 10.25283/2223-4594-2022-1-123-139.

28. Tonboe R. et al. Product user manual for osi saf global sea ice concentration. Danish Meteorological Institute. Copenhagen, Denmark, 2016.

29. US National Ice Center and National Snow and Ice Data Center. Multisensor Analyzed Sea Ice Extent—Northern Hemisphere (MASIE-NH), Version 1. 2010.

30. Cartographic foundations of Natural Earth Data. Available at: https://www.naturalearthdata.com/.

31. The topographic basis of GEBCO. Available at: https://www.gebco.net/.

32. Сазонов К. Е., Добродеев А. А. Ледовая ходкость крупнотоннажных судов. — СПб.: ФГУП «Крылов. гос. науч. центр», 2017.

33. Таровик О. В. Модели для прогнозирования параметров рейсов судов в Арктике: существующие подходы и возможные пути развития // Арктика: экология и экономика. — 2021. — Т. 11, № 3. — С. 422—435. — DOI: 10.25283/2223-4594-2021-3-422-435.

34. Бузин И. В., Клячкин С. В., Фролов С. В. и др. Сжатия ледяного покрова в Печорском море: природное явление и его влияние на морские операции // Арктика: экология и экономика. — 2022. — Т. 12, № 4. — С. 500—512. — DOI: 10.25283/2223-4594-2022-4-500-512.

35. Бузин И.  В., Клячкин С. В., Фролов С. В. и др. Некоторые оценки тяжелых ледовых условий в Печорском море по данным наблюдений и моделирования (моделирование и анализ) // Арктика: экология и экономика. — 2024. — Т. 14, № 1. — С. 24—35. — DOI: 10.25283/2223-4594-2024-1-24-35.

36. Andersson T. R. et al. Seasonal Arctic sea ice forecasting with probabilistic deep learning. Nature communications, 2021, vol. 12, no. 1, p. 5124.