Использование алгоритмов искусственного интеллекта при анализе особенностей сезонной изменчивости верхнего квазиоднородного слоя вод Баренцева моря
https://doi.org/10.36038/2307-3497-2024-197-121-133
Аннотация
Целью работы являлось на алгоритмах искусственного интеллекта (ИИ) и машинного обучения (МО) выявление особенностей сезонных изменений верхнего квазиоднородного слоя (ВКС) вод Баренцева моря в период 1993–2020 гг.
Материалом исследования послужили массивы данных ВКС на акватории Баренцева моря, представленные Службой мониторинга морской среды Copernicus за период 1993–2020 гг.
Используемые методы: кластерный анализ, машинное обучение, метод ближайшего соседа (kNN). Результаты: на основе моделирования с использованием алгоритмов искусственного интеллекта и машинного обучения проведена классификация полей распределения верхнего квазиоднородного слоя по особенностям их сезонного состояния. Выявлено, что зимний период года определяется двумя классами (повышенными/ пониженными значениями толщины слоя); третий класс включает в себя весенний и осенний сезоны, в которых распределения ВКС близки друг другу; четвёртая группа соотносится к летнему сезону (июнь-сентябрь), когда развитие верхнего квазиоднородного слоя минимально в течение года.
Практическая значимость: результаты, полученные в работе, позволят лучше понимать протекающие гидрофизические процессы в Баренцевом море и в дальнейшем могут использоваться как ряды независимых переменных в изучении функционирования экосистемы Баренцева моря, а также в оценках запаса и прогноза вылова промысловых гидробионтов.
При поддержке: Анализ материала и подготовка рукописи выполнены по личной инициативе без привлечения дополнительного финансирования
Об авторе
В. А. Ившин
Полярный филиал ГНЦ РФ ФГБНУ «ВНИРО» («ПИНРО» им. Н.М. Книповича)
Россия
Россия
Ул. Академика Книповича, 6, Мурманск, 183038
Список литературы
1. Аверкиев А. С. 1984. Моделирование синоптической изменчивости верхнего квазиоднородного слоя океана // Метеорология и гидрология. № 7. С. 102–104.
2. Герасименко Е. М. 2017. Интеллектуальный анализ данных. Алгоритмы Data Mining. Таганрог: Изд-во Южного федерального университета. 84 с.
3. Захаржевский М.В., Козлов И.Е., Криницкий М.А., Осадчиев А.А., Степанова Н.Б. 2021. Возможность применения методов машинного обучения для автоматического создания маски льда на спутниковых снимках Sentinel-1 // Морские исследования и образование: Сб. трудов X Межд. науч.-практ. конф. Тверь, 25–29 октября 2021 года. Том I (III). — Тверь: ООО «ПолиПРЕСС». С. 219–222.
4. Ившин В. А. 2004. Вертикальная термохалинная и плотностная структура вод Баренцева моря. Мурманск: Изд-во ПИНРО. 99 с.
5. Калацкий В.И. 1978. Моделирование вертикальной термической структуры верхнего слоя океана. Л: Гидрометеоиздат. 216 с.
6. Колесников А. А., Кикин П. М., Комиссарова Е. В., Касьянова Е. Л. 2018. Использование технологий машинного обучения при решении геоинформационных задач // ИнтерКарто. ИнтерГИС. Т. 24. № 2. С. 371–384. DOI:10.24057/2414–9179–2018–2–24–371–384.
7. Кривогуз Д. О., Малько С. В., Семенова А. Ю. 2020. Прогнозирование распределения зоопланктона в Южном океане с помощью машинного обучения // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. № 7. С. 37–43. DOI: 10.37882/2223–2966.2020.07.19.
8. Лучин В. А. 2019. Средние многолетние параметры верхнего квазиоднородного слоя Берингова моря (нижняя граница, температура, солёность) и их внутригодовая изменчивость // Известия ТИНРО. Т. 199. С. 214–230. DOI:10.26428/1606–9919–2019–199–214–230
9. Трофимов А. Г., Карсаков А. Л., Ившин В. А. 2018. Изменения к лимата в Баренцевом море на протяжении последнего полувека // Труды ВНИРО. Т. 173. С. 79–91. DOI: 10.36038/2307–3497–2018–173–79–9
10. Чубукова И. А. 2016. Data Mining. М.: Национальный Открытый Университет ИНТУИТ. 470 с.
11. Ahmad H. 2019. Machine learning applications in oceanography// Aquatic Research. V. 2(3). P. 161–169. DOI: 10.3153/AR19014.
12. Balamurali M., Melkumyan A. 2016. t-SNE Based Visualisation and Clustering of Geological Domain // International Conference on Neural Information Processing. DOI: 10.1007/978–3–319–46681–1_67.
13. Carton J., Grodsky S., Liu H. 2008. Variability of the oceanic mixed layer, 1960–2004 //journal of Climate. V. 21. P. 1029–1047. DOI:10.1175/2007JCLI1798.1.
14. Dong C., Xu G., Han G., Bethel D., Xie W., Zhou Sh. 2022. Recent Developments in Artificial Intelligence in Oceanography // OceanLandAtmosphere Research. P. 1–26. DOI: 10.34133/2022/9870950.
15. Falkowski P., Barber R., Smetacek V. 1998. Biogeochemical controls and feedbacks on ocean primary production// Science. Vol. 281. N. 5374. p. 200–206. DOI:10.1126/science.281.5374.200.
16. Foster D., Gagne D., Whitt D. 2021. Probabilistic Machine Learning Estimation of Ocean Mixed Layer Depth From Dense Satellite and Sparse In Situ Observations //journal of Advances in Modeling Earth Systems. V. 13. Iss. 12. DOI: 10.1029/2021MS002474.
17. Hua S., Zhiwei T., Junlong Q., An W., Xiao-Hai Y. 2024. Estimating the mixed layer depth of the global ocean by combining multisource remote sensing and spatiotemporal deep learning// International Journal of Digital Ear th. DOI: 10.1080/17538947.2024.2332374
18. Hartigan J., Wong M. 1979. Algorithm AS 136: A K-Means Clustering Algorithm//journal of the Royal Statistical Society. Series C (Applied Statistics). V. 28. No. 1. P. 100–08. DOI:10.2307/2346830.
19. Hordoir R., Skagseth Ø., Ingvaldsen R., Sandø A., Löptien U., Dietze H., Gierisch A., Assmann K., Lundesgaard Ø., Lind S. 2022. Changes in Arctic stratification and mixed layer depth cycle: A modeling analysis //journal of Geophysical Research: Oceans, V. 127. Iss. 1. e2021JC017270. DOI: 10.1029/2021JC017270.
20. Ingvaldsen R., Assmann K., Primicerio R., Fossheim M., Polyakov I., Dolgov A. 2021. Physical manifestations and ecological implications of Arctic Atlantification. // Nature Reviews Ear th & Environment. V. 2. P. 874–889. DOI:10.1038/S43017–021–00228-x.
21. Kobak D., Berens P. 2019. The art of using t-SNE for single-cell transcriptomics // Nature Communication. V 10: 5416. DOI: 10.1038/s41467–019–13056.
22. Montégut B., Madec C., Fischer G., Lazar A., Iudicone D. 2004. Mixed layer depth over the global ocean: An examination of profile data and a profilebased climatology //journal of Geophysical Research. V. 109. C12003. DOI:10.1029/2004JC002378.
23. Miller T., Durlik I., Lobodzińska A., Kozlovska P. Lewita K., Kaczanowska O. 2024. Oceans and Algorithms: A new era of machine learning in oceanography // Coll. of scien. pap. «SCIENTIA». DOI: 10.36074/scientia-26.01.2024
24. Peralta-Ferriz C., Woodgate R. 2015. Seasonal and interannual variability of pan-Arctic surface mixed layer properties from 1979 to 2012 from hydrographic data, and the dominance of stratification for multiyear mixed layer depth shoaling // Progress in Oceanography. V. 134. P. 19–53. DOI:10.1016/j.pocean.2014.12.005.
25. Polyakov I., Ingvaldsen R., Pnyushkov A., Bhatt U., Francis J., Janout M., Kwok R., Skagseth Ø. 2023. Fluctuating Atlantic inflows modulate Arctic atlantification //Science (New York, N.Y.), V. 381(6661). P. 972–979. DOI:10.1126/science.adh5158.
26. Rubbens P., Brodie S., Cordier T., Barcellos D., Devos P., FernandesSalvador J., Fincham J., Gomes A., Handegard N., Howell K., Jamet C., Kartveit K., Moustahfid H., Parcerisas C., Politikos D., Sauzède R., Sokolova M., Uusitalo L., Van den Bulcke L., van Helmond A., Watson J., Welch H., Beltran-Perez O., Chaffron S., Greenberg D., Kühn B., Kiko R., Lo M., Lopes R., Möller K., Michaels W., Pala A., Romagnan J., Schuchert P., Seydi V., Villasante S., Malde K., Irisson J. 2023. Machine learning in marine ecology: an overview of techniques and applications // ICES Journal of Marine Science, V. 80, Iss. 7. P. 1829–1853. DOI:10.1093/icesjms/fsad100
27. Sandø A., Mousing E., Budgel l W., Hjøllo S., Skogen M., Adlandsvik B. 2021. Barents Sea plankton production and controlling factors in a fluctuating climate // ICES Journal of Marine Science. V. 78(6). P. 1999–2016. DOI:10.1093/icesjms/fsab067.
28. Somavilla R., Gonzalez-Pola C., Fernandez-Diaz J. 2017. The warmerthe ocean surface, the shallower themixed layer. How much of this is true? //j. Geophys. Res. Oceans. V. 122. P. 7698–7716. DOI:10.1002/2017JC013125
29. Szegedy C., Vanhoucke V., Ioffe S., Shlens J., Wojna Z. 2016. Rethinking the Inception Architecture for Computer Vision // IEEE Conference on Computer Vision and Pattern Recognition. IEEE, Las Vegas, NV, USA. P. 2818–2826. DOI: 10.1109/CVPR.2016.308.
30. Van der Maaten L., Hinton G. 2008. Visualizing Data using tSNE //journal of Machine Learning Research. V. 9. P. 2579–2605.
31. Watelet S., Skagseth Ø., Lien V., Sagen H., Østensen Ø., Ivshin V., Beckers J.-M. 2020. A volumetric census of the Barents Sea in a changing climate. // Earth System Science Data. V. 12. P. 2447–2457.
Рецензия
Для цитирования:
Ившин В.А. Использование алгоритмов искусственного интеллекта при анализе особенностей сезонной изменчивости верхнего квазиоднородного слоя вод Баренцева моря. Труды ВНИРО. 2024;197:121-133. https://doi.org/10.36038/2307-3497-2024-197-121-133
For citation:
Ivshin V.A. Using artificial intelligence algorithms in the investigation of mixed layer depth seasonal changes in the Barents Sea. Trudy VNIRO. 2024;197:121-133. (In Russ.) https://doi.org/10.36038/2307-3497-2024-197-121-133
Послать статью по эл. почте 