🛰️ Кто слил отходы в водоём? ИИ найдёт источник!
🛰️ Кто слил отходы в водоём? ИИ найдёт источник!
Привет, коллеги! 👋
Представьте: в озере резко подскочила концентрация хлора или упал кислород. Кто виноват? Традиционные посты мониторинга покажут только факт загрязнения, но не ответят на главный вопрос — откуда пришло. А загрязнение быстро "размывается" течением. ⏳
Что придумали? 💡
Аспирант РГСУ Андрей Гусев разработал подход, который объединяет компьютерное зрение и гидродинамическое моделирование, чтобы ретроспективно вычислить координаты источника сброса.
Как это работает? 🔧
· Нейросеть делает семантическую сегментацию спутникового снимка — автоматически выделяет акваторию (маску воды). Ручное выделение занимало 20–60 минут, теперь — 1–2 минуты!
· Строится двумерная модель адвекции-диффузии — как примесь переносится течением.
· Алгоритм перебирает виртуальные точки-кандидаты по периметру водоёма, для каждой считает поле концентрации и сравнивает с наблюдаемым по среднеквадратичной ошибке (MSE). "Победитель" — источник загрязнения!
Что показали испытания? 📊
300 вычислительных экспериментов (pH, растворённый кислород, свободный хлор). Алгоритм в 95% случаев (285 из 300) точно указал истинный источник с шагом сетки 50 м. Модуль зрения безошибочно строил маску во всех тестах.
Где слабые места? ⚠️
▪️ 12 из 15 ошибок — источник ближе 3 м к берегу (граничные условия «размывают» след).
▪️ Двумерная модель не подходит для стратифицированных озёр глубже 10 м.
▪️ Пока валидация на синтетике — на реальных данных точность ожидается 70–85%.
Зачем это нужно? 🌍
Это основа для «цифровых двойников» водоёмов и систем поддержки решений. Переход от реактивного реагирования к проактивному управлению рисками! За 10–15 минут — зона вероятного источника радиусом ~50 м. Этого хватит для выездной проверки. 🚀
Читайте полный текст статьи в свежем номере! 📖
Привет, коллеги! 👋
Представьте: в озере резко подскочила концентрация хлора или упал кислород. Кто виноват? Традиционные посты мониторинга покажут только факт загрязнения, но не ответят на главный вопрос — откуда пришло. А загрязнение быстро "размывается" течением. ⏳
Что придумали? 💡
Аспирант РГСУ Андрей Гусев разработал подход, который объединяет компьютерное зрение и гидродинамическое моделирование, чтобы ретроспективно вычислить координаты источника сброса.
Как это работает? 🔧
· Нейросеть делает семантическую сегментацию спутникового снимка — автоматически выделяет акваторию (маску воды). Ручное выделение занимало 20–60 минут, теперь — 1–2 минуты!
· Строится двумерная модель адвекции-диффузии — как примесь переносится течением.
· Алгоритм перебирает виртуальные точки-кандидаты по периметру водоёма, для каждой считает поле концентрации и сравнивает с наблюдаемым по среднеквадратичной ошибке (MSE). "Победитель" — источник загрязнения!
Что показали испытания? 📊
300 вычислительных экспериментов (pH, растворённый кислород, свободный хлор). Алгоритм в 95% случаев (285 из 300) точно указал истинный источник с шагом сетки 50 м. Модуль зрения безошибочно строил маску во всех тестах.
Где слабые места? ⚠️
▪️ 12 из 15 ошибок — источник ближе 3 м к берегу (граничные условия «размывают» след).
▪️ Двумерная модель не подходит для стратифицированных озёр глубже 10 м.
▪️ Пока валидация на синтетике — на реальных данных точность ожидается 70–85%.
Зачем это нужно? 🌍
Это основа для «цифровых двойников» водоёмов и систем поддержки решений. Переход от реактивного реагирования к проактивному управлению рисками! За 10–15 минут — зона вероятного источника радиусом ~50 м. Этого хватит для выездной проверки. 🚀
Читайте полный текст статьи в свежем номере! 📖