Изучение океанических вихревых структур на основе данных дистанционного зондирования является одним из наиболее актуальных направлений в современной океанологии. Океанические вихри способны захватывать большие объемы воды, тепла, соли и биогенов. Одиночный вихрь может перемещать триллионы тон воды и десятки тераджоулей тепла из места его генерации до места диссипации (Chelton et. al., 2011; Wunsch 1999). За последние 30 лет основным источником информации о мезомасштабных вихрях являлась спутниковая альтиметрия. Разработка различных алгоритмов автоматической идентификации вихрей на основе анализа полей аномалий уровня позволило ученым накопить большое количество данных о физических и кинематических характеристиках вихрей (Chelton et al., 2011; Faghmous et al., 2015). Однако минимальный размер идентифицируемых на основе спутниковой альтиметрии вихрей ограничен пространственным разрешением данных спутниковой альтиметрии. Тем не менее, мезомасштабные и субмезомасштабные вихри, которые не разрешаются полями спутниковой альтиметрии, вносят существенный вклад в перераспределение тепла, соли и биогенов и оказывают значительное влияние на региональный климат. Данные процессы по-прежнему остаются недостаточно изученными. Это особенно актуально для полярных регионов ввиду их удаленности, недостаточного количества натурных наблюдений, наличию ледового покрова и значительно меньшему радиусу деформации Россби.

Данные спутниковых радаров с синтезированной апертурой (РСА) обладают значительно более высоким разрешением по сравнению с данными альтиметрии и позволяют изучать вихревые структуры гораздо меньших горизонтальных масштабов. Данные РСА активно используются в современной океанологии для исследования мезомасштабных и субмезомасштабных вихрей (Kozlov et al., 2019; Kozlov and Atadzhanova, 2022). Однако, до настоящего момента, идентификация вихрей на основе снимков РСА осуществлялась исключительно методом визуального анализа спутниковых изображений. Такой подход неизбежно заключает в себе ряд ошибок и не позволяет накопить большой массив данных даже для отдельного района.
Прикромочная ледовая зона (ПЛЗ) — это транзитная зона от открытого моря к плотному дрейфующему льду. ПЛЗ является зоной повышенной динамической активности, для нее характерны процессы активного взаимодействия атмосферы и океана и повышенная биологическая продуктивность (Johannessen et al., 1987). Характерной особенностью ПЛЗ является повышенная генерация вихрей. Вихревая активность в ПЛЗ вносит существенный вклад в процесы обмена массой, теплом и энергий, а также оказывают существенное влияние на положение кромки льда и биологическую продуктивность в пределах ПЛЗ.

В качестве одного из первых шагов по автоматизации процесса идентификации вихрей мы исследовали возможности применения архитектуры глубокой сверточной нейронной сети YOLOv5 для идентификации вихрей на основе данных РСА высокого разрешения в проливе Фрама. Наш подход заключался в тонкой настройке предварительно обученных моделей YOLOv5 на разреженном наборе данных и позволил получить точные результаты при минимальном размере тренировочной выборки. Эффективность моделей оценивалась по нескольким метрикам, а лучшая модель выбиралась путем визуального анализа. Экспериментальные результаты, полученные на валидационном и тестовом наборах данных, убедительно продемонстрировали эффективность выбранной модели для идентификации субмезомасштабных и мезомасштабных вихрей с различной структурой. Представленное исследование закладывает основу для автоматизированной идентификации вихрей в ПЛЗ по данным РСА.