Аннотация. В статье рассмотрены возможности оперативной спутниковой радиолокационной съёмки обзорного и сверхвысокого разрешения для решения задач безопасности судоходства и обеспечения хозяйственной деятельности в северных широтах. Показано, что радиолокационные данные позволяют получать информацию о ледовой обстановке, выявлять суда и объекты морской инфраструктуры, а также осуществлять мониторинг акваторий независимо от времени суток и метеорологических условий. Сделан вывод о целесообразности совместного использования широкозахватных и детальных режимов съёмки в задачах оперативного морского мониторинга.

Ключевые слова: дистанционное зондирование Земли, радиолокационная съёмка, РСА снимки, северные широты, безопасность судоходства, ледовая обстановка, обнаружение судов, космический мониторинг

Обеспечение безопасности судоходства и хозяйственной деятельности в северных широтах требует оперативного получения объективной информации о состоянии морской акватории, ледовой обстановке, местоположении судов и состоянии прибрежной инфраструктуры. Сложность решения этой задачи обусловлена значительной протяжённостью контролируемых акваторий, изменчивостью ледовых условий и необходимостью регулярного наблюдения удалённых районов. Целью настоящей работы является анализ возможностей оперативной спутниковой радиолокационной съёмки обзорного и сверхвысокого разрешения для решения указанных задач.

Северные широты относятся к числу наиболее сложных регионов для оперативного дистанционного мониторинга вследствие высокой облачности, ограниченной освещённости и сложной ледовой обстановки. В этих условиях радиолокационная съёмка с синтезированной апертурой как активный метод дистанционного зондирования обеспечивает получение данных независимо от времени суток и в значительной степени независимо от метеорологических условий, что делает её востребованной для мониторинга ледовой и навигационной обстановки, обнаружения судов и анализа движения в ледовых условиях.

Радиолокационная съёмка может осуществляться в обзорных и детальных режимах, различающихся шириной полосы обзора и пространственным разрешением. Обзорные режимы предназначены для контроля крупных акваторий и протяжённых участков маршрутов, тогда как детальные обеспечивают анализ локальных объектов и небольших участков поверхности. Таким образом, различие между ними определяется компромиссом между площадью охвата и степенью пространственной детализации, что обуславливает их совместное использование в задачах оперативного мониторинга.

Рис. 1. Пример РСА-съемки высокого разрешения (1 м.) в поляризации VV акватории порта Дудинка

Рис. 2. Пример широкозахватной (300 км) РСА-съёмки в HH поляризации в районе пролива Вилькицкого

Методы машинного обучения и глубоких нейронных сетей активно применяются для тематической интерпретации радиолокационных изображений, позволяя автоматически сегментировать различные типы поверхности, включая открытую воду, ледовый покров и сушу, а также выполнять классификацию типов льда [1–3]. На рис. 3 представлен пример сегментации SAR-изображения арктической акватории Карского моря в районе архипелага Новая Земля. Для обучения модели использовался открытый набор данных Sentinel-1 SAR Sea Ice Dataset [4]. В качестве архитектуры нейронной сети применялась модель DeepLabv3+ с энкодером ResNet-50, широко используемая для задач семантической сегментации изображений [5]. Результатом обработки является тематическая карта сцены с выделением классов «вода», «лед» и «суша», а также карта доверия (confidence), характеризующая надёжность сегментации.

Рис. 3. Пример автоматической сегментации РСА-снимка арктической акватории Карского моря (район архипелага Новая Земля) с использованием архитектуры DeepLabv3+ (ResNet-50): исходное изображение, карта уверенности, результат сегментации, а также наложение тематической карты

Помимо анализа ледовой и навигационной обстановки, важной задачей оперативного радиолокационного мониторинга морской обстановки является автоматическое обнаружение судов. В последние годы для решения этой задачи широко применяются методы глубокого обучения, демонстрирующие высокую точность детекции на сложных РСА-сценах [6, 7]. В рамках настоящей работы анализ выполнялся для радиолокационных сцен, полученных в районах арктических портов Дудинка и Сабетта, где значительная часть судов относится к маломерным объектам, что требует выбора архитектур, устойчивых к детекции малых целей.

Для решения задачи были рассмотрены несколько современных архитектур детекции объектов, включая модель YOLOv8, специализированную архитектуру SLA-Net, учитывающую различия между морской и прибрежной поверхностью [8], а также модель MC-ASFF-ShipYOLO, ориентированную на обнаружение малых целей на РСА-изображениях [9]. По результатам сравнительного анализа наиболее эффективной для рассматриваемых сцен оказалась архитектура MC-ASFF-ShipYOLO. Данная модель использует модуль внимания Монте-Карло, который посредством случайной выборки по различным масштабам формирует карты внимания и усиливает признаки малых объектов. Кроме того, механизм адаптивного пространственного слияния признаков (ASFF) позволяет сети динамически определять наиболее информативный масштаб признаков для каждой области изображения, что способствует более устойчивой детекции объектов различных размеров. По итогам экспериментов были получены значения mAP@0.5 = 0.90 и mAP@0.95 = 0.63, что свидетельствует о высокой эффективности применённого подхода и его применимости для задач оперативного мониторинга судоходства в арктических акваториях.

Рис. 4. Примеры автоматической детекции судов на SAR-изображениях арктических портов: слева – акватория порта Дудинка, справа – акватория порта Сабетта

Важным направлением применения спутниковой радиолокационной съёмки в северных широтах является выделение и анализ судовых ходов в ледовых условиях. В рамках настоящей работы использованы данные Sentinel-1, полученные в режиме IW (Interferometric Wide Swath) в поляризациях VV и VH. Данный режим обеспечивает наблюдение протяжённых участков акватории и представляет практический интерес для задач мониторинга ледовой обстановки и выявления следов движения судов. Использование данных в поляризациях VV и VH создаёт дополнительные признаки для анализа ледовой поверхности и линейных нарушений её структуры, связанных с движением судов. После прохода судна или ледокола происходит измельчение ледяного покрова, в результате чего формируется область, отличающаяся от окружающего льда по характеристикам рассеяния радиолокационного сигнала. На изображении это может проявляться в виде протяжённой линейной структуры, выделяющейся по яркостным и текстурным признакам. Вместе с тем автоматическое выделение судового хода представляет собой сложную задачу, поскольку наблюдаемая структура может иметь переменную ширину, неоднородную яркость, локальные разрывы и сложную геометрию. Дополнительные трудности создают естественные трещины, границы ледовых полей, зоны торошения и переходные области между льдом и открытой водой. В связи с этим для решения задачи используется поэтапный алгоритм, включающий предварительную обработку изображения, выделение кандидатов на треки, реконструкцию линейных структур и фильтрацию ложных объектов [10]. Алгоритм судовых ходов включает следующие этапы:

1. Предварительная обработка изображения. На данном этапе применяется медианный фильтр 3 × 3, позволяющий снизить влияние спекл-шума, характерного для РСА-данных, при сохранении основных линейных структур изображения. Дополнительно выполняется локальная нормализация яркости, направленная на повышение контраста между судовым ходом и окружающим ледовым покровом.

2. Поиск треков. Алгоритм выполняет поиск «семян» – контрастных областей изображения, размер которых в пикселях не меньше заданного порогового значения. Для каждого найденного «семени» применяется операция морфологического закрытия, после чего вычисляются центр, конечные точки и векторы направлений, построенные от центра к концам области. В окрестности вычисленных направлений в пределах заданного радиуса осуществляется поиск наиболее контрастных пикселей, которые последовательно добавляются к треку. Таким образом, реализуется постепенное наращивание трека от каждого «семени» в обе стороны.

3. Объединение и обрезка треков. На заключительном этапе пересекающиеся или сопряжённые треки объединяются в единую структуру. Далее выполняется отсечение слишком коротких или чрезмерно широких ветвей, а также фрагментов, для которых направление или толщина локально изменяются слишком часто и резко. Такие структуры, как правило, не относятся к элементам судового хода и чаще соответствуют трещинам во льду или другим естественным неоднородностям ледового покрова.

Предложенный алгоритм позволяет выделять треки ледоколов на радиолокационных изображениях с приемлемой точностью и вычислительной эффективностью (рис. 4). Вместе с тем выявлены два типа сложных сцен. Первый – изображения, полученные в период становления ледового покрова, когда судовые ходы имеют малую ширину и низкую контрастность; их основным отличием от естественных трещин служат более гладкая и согласованная геометрия. Второй – сцены со сложной ледовой обстановкой и большим числом трещин, включая переходные зоны между льдом и незамерзающими участками акватории (рис. 5). В работе использован алгоритмический, а не основанный на машинном обучении подход, что обусловлено отсутствием общедоступных репрезентативных размеченных данных и высокой трудоёмкостью ручной разметки. Перспективным направлением является комбинированный подход, при котором методы машинного обучения применяются для предварительной сегментации, а выделение треков выполняется предложенным алгоритмом только в целевых областях.

Рис. 5. Примеры выделения судового хода в ледовых условиях: сверху - район порта Дудинка, снизу - эстуарий Енисея севернее порта Дудинка

В работе рассмотрены возможности оперативной спутниковой радиолокационной съёмки обзорного и высокого разрешения для решения задач безопасности судоходства и обеспечения хозяйственной деятельности в северных широтах. Показано, что широкозахватные режимы съёмки целесообразно использовать для мониторинга ледовой и навигационной обстановки на крупных акваториях, тогда как данные высокого разрешения обеспечивают детальный анализ локальных участков, объектов портовой инфраструктуры и судов. Также продемонстрирована применимость современных методов глубокого обучения для тематической сегментации РСА-изображений и автоматической детекции судов, а алгоритмический подход к выделению судовых ходов показал перспективность для анализа движения в ледовых условиях. Полученные результаты подтверждают, что совместное использование обзорной и детальной радиолокационной съёмки, а также методов автоматизированной обработки данных, представляет собой эффективный инструмент оперативного морского мониторинга в арктических и других северных районах.

1. Zhang Z., Liu Y., Li X. Deep Learning-Based Sea Ice Classification Using SAR Imagery // Remote Sensing. 2021. Vol. 13. № 3.
2. Liu H., Zhang H., Wang Y. Sea Ice Classification Using Deep Convolutional Neural Networks and SAR Imagery // IEEE Geoscience and Remote Sensing Letters. 2018. Vol. 15. № 5. P. 781–785.
3. Wang L., Scott K., Clausi D. Sea Ice Concentration Estimation from SAR Imagery Using Deep Learning // Remote Sensing of Environment. 2020. Vol. 237.
4. Wang Y., Li X. Arctic Sea Ice Cover Data from Spaceborne SAR by Deep Learning // Science Data Bank. 2022. URL: https://www.scidb.cn/en/detail?dataSetId=771301999089025024 (дата обращения: 15.02.2026).
5. Chen L.-C., Zhu Y., Papandreou G., Schroff F., Adam H. Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation // Proceedings of the European Conference on Computer Vision (ECCV). 2018. P. 801–818.
6. Li Y., Zhang Q., Li X. A Survey of SAR Ship Detection Based on Deep Learning // Remote Sensing. 2021.
7. Zhao Z., Shi Z. SAR Ship Detection Using Deep Learning: A Review // IEEE Geoscience and Remote Sensing Magazine. 2020.
8. SLA-Net: Sea–Land-Aware Network for Ship Detection in SAR Images / Zhang X. [et al.] // IEEE Transactions on Geoscience and Remote Sensing. 2022.
9. MC-ASFF-ShipYOLO: Ship Detection for SAR Images Based on Monte Carlo Attention and Adaptive Spatial Feature Fusion / Li Y. [et al.] // Remote Sensing. 2025.
10. Li J., Chapman M., Peng J., Wang B. SAR Imagery Segmentation by Statistical Region Growing and Hierarchical Stepwise Optimization // IEEE Geoscience and Remote Sensing Letters. 2002. Vol. 1. № 4. P. 247–250.