Интеграция методов компьютерного зрения и гидродинамического моделирования для повышения экологической безопасности за счет идентификации источников негативного воздействия на водные объекты

Введение. Задача оперативной идентификации источника аварийного или залпового сброса загрязняющих веществ в водный объект возникает при ликвидации последствий инцидента и привлечении виновных к ответственности. Традиционный мониторинг — сеть стационарных постов и эпизодический отбор проб — фиксирует концентрации в отдельных точках [1]. Подобные данные не позволяют за короткое время восстановить полную пространственно-временную картину распространения примеси. Процессы адвекции и турбулентной диффузии быстро «размывают» след источника [2].

Как показывает практика внедрения систем экологического контроля на промышленных предприятиях, разрыв между двумя классами методов сохраняется.

Первую группу методов составляют компьютерное зрение (CV) и глубокое обучение. Они анализируют спутниковые снимки [3]. Семантическая сегментация выделяет акватории [4]. Спектральные индексы (NDWI) фиксируют аномалии цвета воды [5]. Однако CV отображает лишь видимые последствия на поверхности, оставляя необъяснённой динамику переноса в водной толще.

Вторую группу образует гидродинамическое моделирование. Уравнение адвекции-диффузии физически обоснованно прогнозирует рассеивание примеси [6]. Тем не менее модель требует априорного знания координат и мощности источника. В классической постановке эти величины неизвестны.

Ограничения существующих подходов целесообразно рассмотреть подробнее.

Спутниковый мониторинг и CV. Yusuf et al. [1] обобщили эффект-ориентированные методы для водной среды. Достигнута высокая чувствительность к широкому спектру веществ, однако механизмов восстановления параметров источника авторы не предлагают. Chen et al. [2] выполнили обзор данных дистанционного зондирования. Скорость получения пространственной информации высока, но исследование ограничивается констатацией факта загрязнения, а обратная задача не решается. Wang et al. [5] проанализировали модели качества поверхностных вод. Большинство из них работают в прямом прогнозном режиме и для ретроспективной идентификации источника не предназначены.

Инструменты выделения акватории. Свидетельства о регистрации программ [3] и [4] описывают автоматизированные средства морфометрического анализа и идентификации водных объектов. Данные инструменты решают задачу выделения акватории, однако не интегрированы с гидродинамическими моделями переноса.

Цифровые двойники и искусственный интеллект. Maksoud и Mohamed [6] проанализировали применение цифровых двойников в водном секторе. Сделан вывод, что концепция перспективна, но требует алгоритмов автоматической калибровки по данным наблюдений. Frincu [7] рассмотрел применение ИИ для оценки качества воды. Основной недостаток обзора — отсутствие физически обоснованных моделей переноса: используются исключительно статистические методы.

Обратная идентификация источника. Существующие работы [8] применяют гидродинамическое моделирование и оптимизационные алгоритмы [9]. Однако геометрия акватории в них задаётся вручную либо берётся из статических карт, что исключает оперативное использование при поступлении новых снимков.

Опыт обработки более сотни сцен Sentinel-2 показывает, что ручное выделение границ водоёма занимает от 20 до 60 минут на один объект. В аварийной ситуации подобная длительность недопустима.

Таким образом, существующий пробел — отсутствие метода, который одновременно:

— автоматически извлекает геометрию акватории из спутниковых данных с помощью CV;

— использует эту геометрию в гидродинамической модели для обратной идентификации источника;

— выполняет это за время, приемлемое для оперативного реагирования (минуты, а не часы).

Цель данного исследования — разработка и верификация подхода, интегрирующего компьютерное зрение (семантическая сегментация спутниковых снимков и картографических материалов) и гидродинамическое моделирование (двумерное уравнение адвекции-диффузии) для ретроспективной идентификации координат источника аварийного сброса по наблюдаемому полю концентрации.

Задачи:

— реализовать модуль семантической сегментации водной поверхности;

— создать гидродинамическую модель переноса пассивной примеси;

— построить алгоритм обратной идентификации посредством перебора виртуальных источников и сравнения среднеквадратической ошибки (MSE);

— провести верификацию подхода на синтетических данных с контролируемой погрешностью.

Материалы и методы. Методологическая основа исследования представляет собой последовательный алгоритм обработки данных (рис. 1), в котором информация проходит путь от необработанного изображения до количественного вывода о местоположении источника загрязнения. Архитектура решения включает два фундаментальных взаимосвязанных модуля, работающих в единой геоинформационной системе координат.

Модуль интеллектуальной обработки пространственных данных на основе компьютерного зрения.

Данный модуль отвечает за автоматизированную подготовку исходной информации для физического моделирования и первичную диагностику. На вход системы поступает изображение исследуемой акватории, полученное со спутниковых платформ среднего разрешения, например Sentinel-2 и Landsat, посредством аэрофотосъемки с БПЛА либо представляющее собой оцифрованный картографический снимок. После этапа предварительной обработки, включающей геометрическую и радиометрическую коррекцию, а также приведение к единой системе координат, ключевой задачей становится семантическая сегментация водной поверхности. Для ее решения применяются алгоритмы глубокого обучения, специально адаптированные для анализа изображений Земли. Эти алгоритмы, часто основанные на сверточных нейронных сетях [10], обучаются на размеченных наборах спутниковых снимков для точной классификации каждого пикселя как «вода» или «не вода». Использование современных фреймворков и библиотек позволяет достигать высокой точности сегментации даже в сложных условиях, таких как облачность, блики на воде или неоднородная береговая линия. Результатом работы модуля является бинарная маска акватории, которая служит основой для построения расчетной области гидродинамической модели [11]. Данный этап полностью исключает субъективные ошибки и значительные временные затраты, связанные с ручным выделением контуров водоема [12].

После получения бинарной маски акватории (результат семантической сегментации) выполняется выделение контуров водных объектов. Для этого используется функция cv2.findContours из библиотеки OpenCV (Python). Параметр cv2.RETR_EXTERNAL обеспечивает извлечение только внешних контуров, игнорируя внутренние полости (например, острова). Параметр cv2.CHAIN_APPROX_SIMPLE применяется для сжатия контура: удаляются избыточные точки, лежащие на одной прямой, что позволяет сократить объём данных без потери формы границы. Перед выделением контуров маска подвергается морфологической обработке: последовательно выполняются операции закрытия (заполнение мелких разрывов внутри акватории) и открытия (удаление мелких шумовых фрагментов за пределами водоёма). Используется ядро размером 5×5 пикселей, количество итераций — 2 для закрытия и 2 для открытия.

Модуль гидродинамического моделирования и алгоритм обратной идентификации.

Данный модуль является вычислительным ядром системы. Для описания переноса загрязняющего вещества в водоеме использовалась двумерная 2D в плане модель, основанная на уравнении адвекции-диффузии [13]. Такой выбор определяется компромиссом между вычислительной эффективностью, критичной для множественных расчетов при решении обратной задачи, и адекватностью описания для большинства водоемов [14], где горизонтальные масштабы значительно преобладают над вертикальными, а перемешивание можно считать достаточно интенсивным. Уравнение переноса концентрации пассивной примеси [15] C записывается в следующем виде:

где κ и υ — компоненты вектора горизонтальной скорости течения (м/с); D_h — коэффициент горизонтальной турбулентной диффузии (м²/с); S(x, y, t) — функция-источник, описывающая мощность, локализацию и временной режим сброса. Для численного решения использовался метод конечных объемов, гарантирующий сохранение массы [15]. Поля скоростей течения κ и υ могут быть заданы аналитически для простых сценариев, считаны из файлов результатов отдельной гидродинамической модели или восстановлены по данным измерений. Следует отметить, что в зависимости от масштаба акватории, сложности течений и требуемой точности система может применять различные численные методы для решения уравнения (1). Для большинства сценариев, особенно при работе с крупными водными объектами, используется метод конечных объемов, обеспечивающий сохранение массы и устойчивость решения. Однако для задач с высокой динамикой или необходимостью повышенной точности в зонах интенсивных градиентов концентраций могут применяться адаптивные методы, такие как методы Рунге-Кутты или конечно-разностные схемы повышенного порядка. Это позволяет оптимизировать вычислительные затраты и повысить точность идентификации источника в различных гидродинамических условиях.

Алгоритм обратной идентификации источника формализует решение задачи поиска. При фиксации зоны загрязнения (в условиях синтетического эксперимента — смоделированного поля концентрации C_obs (x, y) в области и возможного расположения источников (например, по всему периметру водоема, заданному модулем компьютерного зрения) генерируется множество из N виртуальных точек-кандидатов. Для каждой -ой точки с координатами (x_iy_i) выполняется прямой расчет по уравнению (1), в котором функция-источник S (x, y, t) соответствует положению данного кандидата. Результатом является модельное поле концентраций (C_mod,i(x, y)). Для количественного сравнения каждого модельного поля с наблюдаемым рассчитывается мера близости, например, среднеквадратическая ошибка (MSE):

где ω — область водного объекта; A — ее площадь. Источником загрязнения признается тот виртуальный кандидат, для которого мера близости минимальна: (x_s y_s) = min (MSE_i). Таким образом, сложная обратная задача сводится к решению множества прямых задач и выбору наилучшего соответствия, что обеспечивает наглядность и устойчивость результата.

Результаты исследования. Для объективной проверки работоспособности и оценки точности предложенного подхода был проведен комплекс вычислительных экспериментов на синтетических данных. Это позволило исключить влияние неопределенностей, присущих реальным измерениям, и сфокусироваться на проверке работоспособности алгоритма. Моделировалась овальная акватория реального водохранилища со стационарным полем течений. Было исследовано три независимых сценария, имитирующих сброс различных типов загрязняющих веществ, каждый из которых характеризуется своим фоновым значением, концентрацией в стоке и нормативом предельно допустимых концентраций (ПДК). Детальные параметры сценариев систематизированы в таблице 1.

В каждом из 300 проведенных испытаний, по 100 для каждого параметра, координата истинного источника задавалась случайным образом. Модуль компьютерного зрения безошибочно обрабатывал входные данные, формируя точную маску акватории. Алгоритм обратной идентификации, перебирая кандидатов с шагом 50 м, демонстрировал стабильно высокую эффективность. Статистический анализ результатов показал, что в 285 случаях (95 %) алгоритм с абсолютной точностью определял истинный источник.

Несмотря на высокую эффективность подхода, следует отметить ряд условий, при которых точность метода может снижаться. Во-первых, как показал анализ 15 ошибочных случаев, основная доля неточных определений (12 из 15) связана с расположением источника на расстоянии менее 3 м от границы акватории. Вблизи береговой линии влияние турбулентной диффузии и граничных условий становится сопоставимым с адвективным переносом, что приводит к «размыванию» следа загрязнения и уменьшению уникальности решения обратной задачи. Во-вторых, метод предполагает использование двумерной гидродинамической модели, что оправдано для водоемов с хорошо перемешанной толщей, где преобладают горизонтальные масштабы над вертикальными. В стратифицированных водоемах, например в глубоких озерах с выраженным термоклином, или в зонах с интенсивными вертикальными течениями двумерное приближение может давать существенные погрешности. В-третьих, разработанный алгоритм требует задания стационарного или квазистационарного поля скоростей течения; при резко нестационарной гидродинамике, например в приливно-отливных устьях рек или в период паводков, точность идентификации может снижаться без дополнительной калибровки модели по актуальным на момент инцидента гидрологическим данным. Валидация метода проведена только на синтетических данных, что позволяет судить лишь о его принципиальной работоспособности.

Визуализация результатов наглядно подтверждает высокое качество работы алгоритма. На рис. 2–3 представлены финальные карты моделирования для некоторых из исследуемых параметров.

Цветовое поле отображает пространственное распределение концентрации (или отклонение от фона), явно выделяя зону влияния сброса. Важно отметить, что алгоритм не просто строит поле, но и вычисляет вероятную точку возникновения загрязнения. На всех визуализациях меткой (красная мишень) точно обозначено местоположение, рассчитанное алгоритмом обратного анализа, которое в подавляющем большинстве испытаний совпадает с заданными в сценарии координатами источника. Эти графики служат убедительным доказательством того, что система способна не только зафиксировать факт загрязнения, но и уверенно указать на его происхождение с заданной точностью.

Обсуждение. Вычислительные эксперименты показали, что точность идентификации источника составляет 95 % (285 из 300 испытаний). Однако 5 % ошибок (15 случаев) не являются случайными. Двенадцать из них связаны с расположением источника на расстоянии менее 3 м от границы акватории. Вблизи берега диффузия и граничные условия искажают след загрязнения, вследствие чего снижается уникальность решения обратной задачи.

Как показывает практика подготовки расчетных областей, дискретизация с шагом 50 м представляет собой компромисс между скоростью и точностью. При шаге 25 м вычислительное время возрастает в 4 раза, тогда как прирост точности не превышает 2 % (проверено на тестовых сценариях). Поэтому для обеспечения оперативности была выбрана расчетная область с шагом 50 м. Вместе с тем это является потенциальным источником погрешности: источник, смещенный на 25–30 м, может быть отнесен к соседнему узлу сетки.

Сравнение с литературными данными подтверждает конкурентоспособность подхода. Jiang et al. [8] сообщают о точности выше 90 % на речных разливах, однако их расчетная область создается вручную. Tao et al. [16] достигают высокой эффективности на распределенных системах, но геометрия акватории задается априорно. Данный метод полностью автоматизирует выделение границ посредством семантической сегментации [4]. Это сокращает время предобработки с 20–60 минут при ручной работе до 1–2 минут.

Автоматизация имеет свою цену. Качество сегментации зависит от разрешения снимка, облачности и бликов. Обработка более сотни сцен Sentine l–2 показала, что при облачности более 30 % точность бинарной маски падает до 85–88 %. Ошибки выделения контура, выражающиеся в сдвиге на 1–2 пикселя, приводят к смещению расчетной области и, как следствие, к ошибке идентификации до 50 м. В текущей реализации такие искажения не моделировались — это задача следующих этапов.

Границы применимости метода четко определяются принятыми допущениями. (1) Двумерная модель адекватна только для водоемов с интенсивным вертикальным перемешиванием. В стратифицированных озерах глубиной более 10 м с термоклином горизонтальная диффузия не описывает вертикальный градиент концентрации. Погрешность может превышать 30 %. (2) Модель пассивной примеси не учитывает химические превращения. Для pH это некорректно: кислотный сток нейтрализуется за счет буферных свойств воды. В синтетических сценариях pH задавался как консервативный трассер — упрощение, которое в реальных условиях снизит точность. (3) Поле скоростей течения предполагается стационарным. На практике при паводках или приливно-отливных явлениях гидродинамика изменяется в течение нескольких часов. Без калибровки по актуальным данным ошибка идентификации возрастет.

Источники погрешности, помимо перечисленных, включают выбор коэффициента диффузии во всех сценариях. В реальном водоеме он может изменяться в зависимости от ветра и турбулентности. При этом увеличение коэффициента диффузии в 2 раза смещает оценку источника на 30–50 м по течению. Коэффициент в работе задан как константа — это слабое место. Адаптивная оценка по данным наблюдений осталась за рамками исследования.

Еще одно ограничение — синтетический характер валидации. Наблюдаемое поле концентрации C_obs (x, y) в экспериментах было свободно от шумов измерений, пропусков данных и неоднозначности спектральных индексов. В реальных условиях спутниковый снимок дает интегральную концентрацию в поверхностном слое, а не по всей глубине. Для растворенного кислорода и хлора это приемлемо, для pH — нет. Таким образом, заявленная точность 95 % — верхняя оценка. На реальных данных она ожидаемо снизится до 70–85 % в зависимости от гидрологических условий.

Надежность выводов заключается в том, что предложенный метод доказал принципиальную работоспособность. Он пригоден для оперативного применения в хорошо перемешанных водоемах — водохранилищах, каналах, равнинных реках — при известном или измеренном поле течений. Для стратифицированных или динамичных систем требуется переход к трехмерной модели и учет нестационарности. Практическая интерпретация результатов такова: алгоритм позволяет за 10–15 минут указать зону вероятного источника с радиусом неопределенности около 50 м. Этого достаточно для выездной проверки и отбора проб.

Перспективы развития связаны с заменой синтетических данных на реальные спутниковые снимки с одновременными полевыми измерениями. Необходима также калибровка коэффициента диффузии по обратной задаче. Без этих шагов метод остается прототипом.

Заключение. Разработан и программно реализован алгоритм обратной идентификации источника аварийного сброса загрязняющих веществ в водный объект. Алгоритм объединяет два модуля: семантическую сегментацию спутниковых снимков (компьютерное зрение) и двумерную гидродинамическую модель переноса пассивной примеси.

Модуль компьютерного зрения автоматически выделяет акваторию. Время предобработки сокращено с 20–60 минут (ручное выделение) до 1–2 минут. Ошибки оператора исключены. Модуль гидродинамического моделирования решает уравнение адвекции-диффузии. Алгоритм обратной идентификации перебирает виртуальные источники и выбирает кандидата с минимальной среднеквадратической ошибкой (MSE) между модельным и наблюдаемым полями концентрации.

Верификация проведена на синтетических данных (300 испытаний для pH, растворенного O₂ и Cl⁻). Алгоритм правильно определил координаты источника в 285 случаях. Точность составила 95 %.

Метод пригоден для оперативного применения в хорошо перемешанных водоемах (водохранилища, каналы, равнинные реки) при известном поле течений. Перспективы: адаптация к реальным спутниковым данным и калибровка коэффициента диффузии по обратной задаче.