Использование сверточных нейронных сетей для анализа спутниковых снимков с целью экологического мониторинга арктических акваторий

Экологический мониторинг арктических акваторий осложняется частой облачностью и полярной ночью, что делает традиционные оптические методы дистанционного зондирования Земли малоэффективными. Спутниковая радиолокация (Sentinel-1) обеспечивает всепогодную съемку, однако ручное дешифрирование нефтяных сликов на РЛС-изображениях остается трудоемким и субъективным процессом. Основной целью данной работы является исследование и адаптация архитектур сверточных нейронных сетей для автоматизированного обнаружения нефтяных загрязнений.
В качестве входных данных использовались снимки Sentinel-1 в поляризациях VV и VH, что позволяет учитывать физические особенности обратного рассеяния нефтяной пленки. Обучение моделей проводилось на открытом датасете Trujillo Acatitla, содержащем 1200 пар снимков и масок, с применением аугментаций и комбинированной функции потерь BCEDiceLoss. Экспериментальная апробация выполнена на 17 реальных радиолокационных сценах Баренцева и Белого морей за период май-июнь 2026 года. Для сегментации сликов исследованы архитектуры U-Net++ и DeepLabV3+ с единым энкодером ResNet34. Обработка полноразмерных спутниковых радиолокационных сцен реализована методом скользящего окна с гауссовским взвешиванием, что эффективно минимизирует артефакты на границах патчей.
Сравнение валидационных метрик показало преимущество U-Net++ (IoU = 0,838, Dice = 0,909) над DeepLabV3+ (IoU = 0,827, Dice = 0,895). Тестирование на реальных арктических данных выявило специфику применения: DeepLabV3+ не дает ложных срабатываний на чистых акваториях, но склонен завышать площадь сильных загрязнений. U-Net++ демонстрирует консервативность, минимизируя ложные пиксели, но на отдельных снимках занижает площадь разлива. Достоверность полученных практических результатов подтверждена верификацией на основе экспертных отчетов по наблюдению сликов в акватории Баренцева моря в течение 2025 года.
По итогам работы разработан автоматизированный программный пайплайн на базе Python, включающий загрузку из Copernicus Data Space, инференс и визуализацию. Сделан практический вывод, что для задач оперативного мониторинга предпочтительнее DeepLabV3+, а для точной количественной оценки оптимально применение U-Net++ с калибровкой порога бинаризации. Разработанное решение может быть внедрено в работу региональных центров спутникового мониторинга и экологических служб для поддержки принятия решений по ликвидации последствий чрезвычайных ситуаций.