В статье рассмотрены преимущества использования беспилотных летательных аппаратов (БПЛА) при анализе состояния водных ресурсов, определении источников, степени загрязнения воды в сравнении с традиционными способами исследования объектов. Также речь пойдет о возможностях беспилотников с интегрированным искусственным интеллектом (ИИ) — как инструмента удаленного мониторинга водных ресурсов. Уже многие годы специалисты различных направлений занимаются изучением и мониторингом водных ресурсов. За последние 20 лет, на фоне стремительного изменения климата и ухудшения состояния окружающей среды, способы мониторинга и обследования наземных и водных ресурсов эволюционировали. Одним из важнейших прорывов стало использование новейших технологий, включая искусственный интеллект для обработки большого массива данных.
Это повлияло как на увеличивающийся объем материалов, так и на качество, точность и разнообразие полученной информации. Упрощение процесса аналитики данных, регрессионные модели и алгоритмы способствуют эффективному управлению водными ресурсами. А применение беспилотных летательных аппаратов (БПЛА) для мониторинга наземных и прибрежных территорий позволяет с высоты птичьего полета определять естественные и антропогенные объекты, наличие микрофлоры, движение рыб и следы загрязнений.
Когда крылья лучше ног
Традиционные наземные (например, RTK GPS) или воздушные (в частности, технология ЛИДАР) способы сбора топографических данных на больших территориях трудоемкие и часто дорогостоящие. Кроме того, есть определенные сложности, связанные с переброской оборудования на удаленные или опасные объекты. Собирается информация «вручную», с берега или плавательного средства, что значительно замедляет процесс и делает его экстремальным для человека.
Обычно в прибрежной зоне сбор данных включает двухмерное профилирование с использованием классических методов съемки или трехмерный отбор с неравномерными интервалами с помощью системы кинематики реального времени (RTK GPS), установленной на вездеходе. Исследования на месте осложняются естественными особенностями территорий, которые могут препятствовать получению необходимой информации. Это может быть густая растительность, хрупкие экосистемы, водно-болотные угодья, зависимость от отливов и прочее. Помимо этого, скудный объем данных, которые позволяет получить устаревающая методология мониторинга на месте, способен привести к ошибкам интерполяции и, следовательно, к плохому разрешению цифровых моделей местности и недостаточно точному определению качественного профиля загрязнения объекта.
Конечно, современные технологии позволяют брать пробы, «не замочив сапоги». На беспилотниках устанавливают герметичные контейнеры, затем собранные сведения анализирует ИИ, и в итоге мы можем точно определить, к примеру, тип загрязнения. Такой способ существенно снижает риски, связанные с отбором проб воды в труднодоступных и удаленных местах. Например, в высокотоксичных лагунах на горнодобывающих объектах, шахтах, в карьерах на рудниках, где необходимо отслеживать состояние водных ресурсов во время работы и после консервирования объектов. За последние пару лет беспилотники стали использовать и для картографирования, спектральной съемки и проведения аналитических измерений. Это открывает дополнительные перспективы для обработки информации о состоянии водных ресурсов. Кроме того, в сравнении с традиционными методами мониторинга использование БПЛА становится экономически выгодной альтернативой, с высокими показателями эффективности и качеством получаемых данных.
В свою очередь искусственный интеллект создает эффект «добавленной стоимости» и расширяет наши возможности. Обучение системы распознавания загрязнения по спектральному анализу изображений ускоряет процесс обработки информации и помогает отслеживать изменения состояния водных ресурсов практически в реальном времени. Алгоритм восстановления структуры из движения (АСД) — недавняя разработка в области фотограмметрии видимого спектра и компьютерного зрения, которая позволяет автоматически обнаруживать общие черты между множеством перекрывающихся изображений для создания плотного шестимерного (x, y, z, R, G, B) набора данных облака точек. Применение такого алгоритма дает достаточно точное представление о размерах и особенностях исследуемого объекта экологического мониторинга.
Стоит отметить, что за последние пять лет рынок коммерческих дронов и БПЛА вырос в 10 раз. Схожая динамика роста наблюдается и на рынке ИИ. Объем программного обеспечения, использующего алгоритмы искусственного интеллекта, в 2021 году увеличился на 21,3% в сравнении с 2020 годом (Gartner, Inc). Так, мы видим тенденцию в интеграции двух технологических моделей и применении их в удаленном мониторинге.
Синергия двух направлений, БПЛА и ИИ, дает нам оптимальную комбинацию для получения и обработки Big data при исследовании различных природных ресурсов. Удаленный мониторинг — это доступность и относительная простота в освоении управления и прокладывания маршрутов. Такая система позволяет использовать и контролировать видимые многоспектральные и термодатчики, устройства для отбора проб воды, разрабатывать точные тематические экологические карты, находить аномальные термальные зоны, строить трехмерные изображения геометрически сложных геологических образований, проводить отбор проб растворенных химических веществ (<0,22 мкм) из воды с труднодоступных территорий.
Ведро на веревочке
Итак, беспилотники существенно расширяют возможности исследователя. Мы можем увеличить частоту сбора данных из разных точек водного объекта при существенной экономии времени на передвижение и логистику материалов. А также оснастить БПЛА сенсорами и мультиспектральными камерами, чтобы получить дополнительную информацию. Например, камеры в установленном УФ-диапазоне используем для изучения качества воды и сбора информации о наличии диатомовых водорослей, отдельных видов бактерий и ряда беспозвоночных животных и ракообразных. Дроны, оснащенные датчиком проводимости, температуры и глубины (ПТГ), способны измерять состояние воды на глубине до 100 м, а камеры ближнего инфракрасного диапазона — картировать наличие и состояние прибрежных районов и растительности в них. Изображения ближнего ИК могут быть обработаны для получения нормализованного индекса разницы растительности (НДВИ). Это числовой индикатор, который позволяет определить состояние и тип флоры через количество хлорофилла, содержащегося в мишени. Высокие положительные значения НДВИ представляют густую и зеленую растительность, а если индекс уменьшается, то листья подвергаются водному стрессу, болеют или отмирают. НДВИ, близкий к нулю, «говорит» о голой почве или песке, а отрицательный — о водной поверхности.
Алгоритмы ИИ быстро распознают полученные изображения и дифференцируют информацию. И на выходе мы получаем аналитический профиль загрязнения территории, что позволяет оперативно реагировать и принять необходимые шаги для решения проблемы.
Продолжение следует
Сегодня сфера управления водными ресурсами проходит этап цифровой трансформации. Старые методы уже не работают, ведь, чтобы оставаться конкурентоспособным, постоянно улучшать качество сбора и обработки данных, необходимо перейти к новой эре эффективности, подотчетности и моделирования. И с этим уже умеют справляться «умные» алгоритмы, у которых есть летающие «помощники», оснащенные бортовыми датчиками, камерами с высоким разрешением в видимом или ближнем инфракрасном диапазонах света. Кстати, такими усовершенствованными характеристиками БПЛА пользуются активно и достаточно успешно в промышленной, горнодобывающей, строительной отрасли, в сельском хозяйстве.
Удаленный мониторинг предоставляет данные с более высоким временным и пространственным разрешением и не ограничен облачным покровом. Да, с одной стороны, во время взлета или полета на малых высотах БПЛА могут беспокоить диких животных, но с другой — они реагируют менее агрессивно, в отличие от реальной встречи с человеком, исследующим территории.
Таким образом, симбиоз беспилотников и алгоритмов искусственного интеллекта является многообещающим инструментом для удаленного мониторинга водных ресурсов и должен быть опробован в пилотных проектах для подтверждения качественного анализа водных объектов.
Автор: Петр Колосов
Источник: https://controleng.ru/