на базе технологий искусственного интеллекта

ЛЕДОВОЙ ОБСТАНОВКИ

ПРОГНОЗИРОВАНИЯ

Система ансамблевого

В результате работы системы пользователь получает прогноз на 3 дня по следующим переменным:

Результат

Проблематика

Формирование набора оптимальных архитектур искусственных нейронных сетей для задач оперативного прогнозирования ледовой обстановки

Метод

Построение системы ансамблевого прогнозирования ледовой обстановки на базе технологий искусственного интеллекта

Цель

На мировом рынке программного обеспечения в настоящий момент отсутствуют продукты на базе ИИ, способные предоставить качественные краткосрочные прогнозы ледовой обстановки с высоким пространственным разрешением, для решения задач морского судоходства по Северному морскому пути.

Надежная гидрометеорологическая поддержка имеет решающее значение для судоходства по СМП, который обеспечивает наиболее короткий путь судоходства между Европой и Азией. Точные прогнозы погоды, прогнозирование состояния морского льда и океанографические данные необходимы для обеспечения безопасного прохождения в этих сложных условиях. Поскольку изменение климата приводит к изменению структуры льда, своевременная информация помогает судам избегать опасных условий, повышает эффективность эксплуатации и сводит к минимуму экологические риски. Эффективные гидрометеорологические службы не только обеспечивают безопасность морских операций, но и расширяют экономические возможности в арктической торговле.

Описание

Проекта

толщина льда, м

концентрация льда

дрейф льда, м/с

Преимущества

Стоимость

Оборудование для аналогов, построенных на классической численной схеме с использованием гидродинамических моделей стоит 70–120 млн ₽, для моделей искусственного интеллекта — 3–5 млн ₽

Скорость

Более быстрая выдача прогноза, позволяющая оперативно проводить ассимиляцию данных (1 минута против 1,5 часов у классических моделей)

Российской Арктики

150

в

раз быстрее

специально для территории

25

в

раз дешевле

Актуальность продукта

Мурманск

Архангельск

Нарьян-Мар

Диксон

Тикси

Певек

Анадырь

Петропавловск-Камчатский

Владивосток

План развития СМП до 2035 года, принятый 1 августа 2022 года, содержит раздел «Управление и развитие судоходства по Севморпути»

«Управление и

развитие судоходства по

Севморпути»

Дополнительные поручения по развитию Северного морского пути, обозначенные Председателем Правительства Михаилом Мишустиным 13 июля 2023 года в рамках Стратегической сессии, посвящённой развитию СМП, в части ледового прогноза

Стратегической сессии,

СМП,

посвящённой

развитию

Стратегия развития Арктической зоны Российской Федерации и обеспечения национальной безопасности и обеспечения национальной безопасности на период до 2035

Арктической

зоны

Российской Федерации

Области

применения продукта

Логистика

Прогнозы продукта позволят более рационально управлять логистическими операциями в навигационный период с учётом прогноза ледовой обстановки

рационально управлять

Строительство морских сооружений

Продукт позволит контролировать и управлять рисками при строительстве и эксплуатации гидротехнических морских сооружений

управлять

рисками

Геологоразведовочные и исследовательские работы

Продукт позволит избегать недовыполнение/срыв геологоразведовочных (ГРР) и исследовательских работ на морских акваториях

избегать

срыв

недовыполнение/

Морские операции

Продукт позволит уменьшить количество простоев судов и портовой инфраструктуры ввиду неблагоприятной гидрометеорологической обстановки

уменьшить

простоев судов

количество

Разработчик

МОРИНТЕХ разрабатывает цифровые продукты и применяет технологии искусственного интеллекта для нужд морской отрасли, предоставляет услуги по анализу данных, оперативному мониторингу и прогнозированию гидрометеорологической, ледовой и экологической обстановок.

Собственный продукт SLOYKA (Слойка*) ― цифровая платформа для поддержки принятия решений при хозяйственном освоении морских акваторий. Включена в реестр ПО.

Компания-участник инновационного центра «Сколково» в кластере ИТ, входит в Государственный Реестр аккредитованных организаций, осуществляющих деятельность в области информационных технологий.

компьютерного зрения;
машинного обучения;
глубокого математического моделирования; гидрометеорологических процессов;
обработки и визуализации больших пространственных данных;
анализа данных дистанционного зондирования (космических аппаратов)

из них 12 специалистов в области:

55

сотрудников

результатов интеллектуальной деятельности зарегистрировано

13

цифровых сервисов;
анализа больших данных;
спутникового мониторинга и анализа космических снимков;
мониторинга и прогнозирования гидрометеорологической и ледовой обстановки

в области разработки:

65

проектов

более

В кооперации с ЦМИ МГУ

Моринтех работает над проектом в кооперации с ООО «Центр морских исследований МГУ имени М.В. Ломоносова».

ЦМИ МГУ — инновационная научно-техническая компания, выполняющая комплексные научно-исследовательские и опытно-конструкторские работы в сфере морских исследований и технологий, проводит инженерные, экологические и мониторинговые исследования на морских акваториях.

Обмен данными

Экспертная поддержка

Тестирования и внедрение продукта

Взаимовыгодное сотрудничество позволяет:

01

02

Моринтеху получить доступ к уникальным данным

ЦМИ МГУ располагает собственными уникальными данными, которые постоянно пополняются в результате полевых измерений параметров окружающей среды, проводимых на пяти площадках в акватории арктических морей.

Эти данные используются для валидирования разрабатываемых локальных моделей и минимизации систематических ошибок в прогнозе.

ЦМИ МГУ расширить перечень предоставляемых услуг

ЦМИ МГУ обладает широкими компетенциями для оказания комплексных услуг по гидрометеорологическому сопровождению хозяйственной деятельности. Однако, несмотря на это, у него отсутствуют необходимые решения по прогнозированию на базе ИИ.

Разработанный компанией «Моринтех» продукт позволит расширить перечень предоставляемых услуг, повысить скорость вычислений и качество предоставляемых прогнозов и выступить комплексным подрядчиком по гидрометеорологическому сопровождению федеральных проектов.

Работа над проектом ведется с сентября 2023 года.
Выход продукта на рынок планируется в сентябре 2025 года

Этапы

разработки

01

Генерация нейропоиском набора перспективных нейросетевых архитектур для прогнозирования ледовой обстановки

LET'S GO!

02

Поиск и выбор оптимальных источников входных данных для обучения нейросетей

LET'S GO!

03

Разработка инструмента для ассимиляции данных для нейросетей

LET'S GO!

04

Формирование прогнозов

LET'S GO!

05

Интеграция сервиса во внешние продукты

LET'S GO!

01

Генерация набора нейросетевых архитектур

Архитектура продукта

Нейронный поиск архитектур

на основе LLM

Модуль может быть адаптирован к использованию любой LLM, на данный момент используется llama-3.1 (70B)

любой LLM,

Для обучения датасеты приведены к сетке 0.05°×0.05° и временному диапазону 01.01.1993–25.08.2023.

02

выбор оптимальных источников входных данных

01

GLOBAL_ANALYSISFORECAST_PHY_001_024

(0.083° × 0.083°, 1 Nov 2020 to now)

02

GLOBAL_MULTIYEAR_PHY_001_030

(0.083° × 0.083°, 1 Jan 1993 to 31 Dec 2020)

03

SEAICE_ARC_PHY_AUTO_L4_NRT_011_015

(1 × 1 km, 1 Dec 2020 to now)

04

SEAICE_GLO_SEAICE_L4_NRT_OBSERVATIONS_011_001

(10 × 10 km, Since 4 May 2019)

05

METNO-GLO-SEAICE_CONC-NORTH-L4-NRT-OBS

(10 × 10 km, 1 March 2005 to present)

06

osisaf_obs-si_glo_phy-sic-north_nrt_amsr2_l4_P1D-m

(10 × 10 km, 19 September 2016 to present)

07

osisaf_obs-si_glo_phy-siedge_nrt_nh-P1D

(10 × 10 km, 2005-onwards)

Для обучения нейронных сетей был сформирован следующий набор датасетов для Карского моря:

08

osisaf_obs-si_glo_phy-sitype_nrt_nh-P1D

(10 × 10 km, 2005-onwards)

В результате получили датасет для обучения нейронных сетей, включающий 30 переменных:

GLORYS

OSTIA

ERA5

09

SEAICE_GLO_SEAICE_L4_REP_OBSERVATIONS_011_009-TDS

(25 × 25 km, Since 1 Jan 1979)

OSISAF

10

SST_GLO_SST_L4_NRT_OBSERVATIONS_010_001-TDS

(0.05° × 0.05°, since 1 Jan 2007)

11

SST_GLO_SST_L4_REP_OBSERVATIONS_010_011-TDS

(0.05° × 0.05°, 1 Oct 1981 to 31 May 2022)

12

ERA5

(0.25° x 0.25°, 1940 to present)

siconc

so

thetao

uo

VO

Zos

sithick

usi*

vsi*

analysed_sst*

* целевые переменные

sea_ice_fraction*

mtpr

mslhf

msnlwrf

msnswrf

msr

msshf

mlspr

siconc

R

SP

sst

sf

t2m

tp

u10

tcc

v10, z

ce_conc

Процесс ассимиляция осуществляется двумя модулями:

03

Ассимиляция данных спутниковых снимков

0.89

Модуль ассимиляции данных

Корректирует исходные данные для прогнозирования с учетом данных спутникового мониторинга

Результат обработки снимка

Sar снимок

Разметка

Результат обработки нейронной сети

Текущая точность модели сегментации (среднее IoU)

Обработка одного снимка нейросетью

Обработка одного снимка экспертом

Модуль сегментации спутниковых снимков

Определяет по спутниковым снимкам классы и диапазоны толщин льда:

Начальные виды льда
Нилас
Блинчатый лёд
Серый лёд
Серо-белый лёд
Однолетний лёд
Припай
Дрейфующий лёд

0.2

ч.

3

ч.

04

Формирование прогнозов

Толщина льда, м

Концентрация льда

Работа модели в интерфейсе геосистемы SLOYKA

05

Добавление моделей во внешние сервисы

Собственный продукт, цифровая платформа для поддержки принятия решений при хозяйственном освоении морских акваторий.
Включена в реестр ПО.

аналогами

Сравнение с

Параметры сравнения

Ледовые прогнозы ААНИИ

ЭАПК «ЛЁД»/AARII–IOCM (РФ)

Copernicus data service

Реанализ ERA5 (ЕС)

Nansen center

Модель Nextsim
на CMEMS
(Норвегия/РФ)

The NOAA Climate Prediction center

CPC (США)

The regional ice ocean prediction system

RIOPS (КАНАДА)

NSIDC

(США)

Модель прогноза льда МФТИ

Текущий продукт

Продукт после доработки

Собственные математические модели прогнозирования

Да

Использование нейросетевых алгоритмов прогноза ледовой обстановки

Нет

Да

Использование нейросетевых алгоритмов для усвоения данных

Нет

Да

Зона покрытия

Русская Арктика

Глобальная

Арктика

Глобальная

Арктика, Северная Атлантика (до 26°N)

Глобальная

море Лаптевых, Баренцево, Лабрадор

Русская Арктика

Пространственное разрешение

Неизвестно

0,25°х0,25° (5-28км); 0,5°х0,5° (10-56км)

3х3км

Неизвестно

0,083°х0,083° (3-8 км)

25х25км

12,5х12,5км

0,25°х0,25° (5-28км)

0,05х°0,05° (1-5 км)

Rest API

Нет

Да

Неизвестно

Нет

Неизвестно

Да

Будем рады ответить на вопросы о проекте и сотрудничестве

Связаться с нами