ВЕСТНИК ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА МОРСКОГО И РЕЧНОГО ФЛОТА ИМ. АДМИРАЛА С. О. МАКАРОВА

Предложен метод определения долготы места судна по рельефу дна с использованием нейронной сети, в качестве входного сигнала которой выступает вектор, содержащий значения глубины, измеренные с определенным пространственным шагом при помощи эхолота. Выходом сети служит значение долготы, соответствующее месту последнего измерения глубины. Сеть имеет несколько скрытых слоев, количество которых варьируется от одного до десяти. Скрытые нейроны обладают функциями активации в виде гиперболического тангенса. Единственный нейрон выходного слоя имеет линейную функцию активации. Определены алгоритмы формирования набора учебных данных, настройки и тестирования нейронной сети, формирующие технологию создания нейросетевой системы прогноза долготы места судна по глубинам и реализованные на языке программирования Python. Для работы с нейронными сетями используется библиотека TensorFlow. В качестве источника данных о глубинах выбирается официальная электронная навигационная карта. На основе извлеченного из нее слоя глубин формируется регулярная сетка, значения в узлах которой определяются линейной интерполяцией. Процедура формирования набора учебных и тестовых данных предполагает псевдослучайные изменения уровня моря, которые могут быть вызваны как реальными колебаниями, так и погрешностями измерений. На тестовой выборке сеть показывает приемлемую для навигации точность, причем результаты зависят от количества скрытых слоев. Лучшая точность в виде наибольшего значения модуля ошибки прогноза долготы достигается для сети с наибольшим количеством скрытых слоев. Отмечается также необходимость тестирования разработанной нейросетевой системы на основе моделирования движения судна.

Предложен метод определения широты места судна по глубине на основе нейронной сети, которая принимает на вход последовательность глубин, измеренных при помощи однолучевого эхолота и прогнозирует широту на момент измерения последней глубины. Сеть имеет два слоя. Первый слой содержит нейроны с функциями активации в виде гиперболического тангенса, второй состоит из одного нейрона, обладающего тождественной функцией активации. Набор учебных данных состоит из обучающей и контрольной выборок. Обучающая выборка формируется на основе слоя глубин, содержащегося в электронной навигационной карте. Контрольная выборка формируется путем псевдослучайных вариаций входных образцов из обучающей выборки. Каждая такая вариация соответствует постоянному изменению уровня моря вследствие ошибок измерений и/или колебаний ветрового и/или приливоотливного характера. Обучается сеть методом Adamax. Критерием эффективности обучения служит наибольшее значение модуля ошибки прогноза широты, определенное для образцов из контрольной выборки. После обучения сеть проходит тестирование на образцах, полученных аналогичным образом, как для контрольной выборки. Моделирование выполнено с использованием языка программирования Python. Для обучения и реализации работы нейронной сети используется библиотека TensorFlow. Моделирование выполнено для нескольких вариантов архитектуры сети, каждый из которых отличается количеством нейронов в скрытом слое. В результате было зафиксировано, что нейронные сети имеют тенденцию к обучению их прогнозированию широты места судна по последовательности глубин, что позволяет рассматривать их в качестве перспективного инструмента для решения задач батиметрической навигации.

Целью работы является оценка изменений ветрового режима в морях России и выявление районов судоходства и рыболовства, в которых повторяемость опасных ветров статистически показала тенденции к повышению. Оценка выполнена на основе данных глобального атмосферного реанализа ERA-5 о среднечасовой скорости ветра в 1991-2020 гг. Методика исследования предполагала использование стандартных статистических методов обработки данных.

Результаты оценки роста штормовых рисков по всем морям России представлены в виде итоговой таблицы.

Подтверждено, что ветровой режим в российских морях не является стационарным и реагирует на глобальные климатические изменения. Наиболее динамичные изменения ветровой обстановки происходят в открытых морях (Берингово, Баренцево), имеющих свободное сообщение с внешними морями и океанами. Наибольшие риски для судоходства и рыболовства, связанные с повышением повторяемости опасных ветров при средней или высокой климатической норме данного показателя, выявлены в следующих районах: северо-восточная часть Черного моря, включая подходы и портам Новороссийск, Туапсе, район Керченского пролива (зимний сезон); Балтийское море, в том числе трассы центральной части моря и Финского залива (зимний сезон); Баренцево море (зимне-весенний сезон); юго-западная часть Берингова моря, включая участки трансокеанских трасс (зимний сезон); северо-западный сектор Тихого океана, включая участки судоходных трасс и районы промысла у восточных побережий Камчатки и Курильской гряды (зимне-весенний сезон).

Отмечается, что экипажам морских судов и персоналу судоходных компаний предложено учитывать возрастающие штормовые риски при планировании навигации в указанных районах (особенно с суровым климатом) и принимать меры по их минимизации, в том числе предусматривать альтернативные маршруты переходов.

Обращается внимание на то, что особую важность приобретает качество подготовки судовых экипажей при плавании в условиях шторма, обледенения, отказа рулевого управления, оказании помощи судам, терпящим бедствие.