Прогнозирование динамики летних видов фитопланктона на основе методов усвоения спутниковых данных

Введение. В качестве основного инструмента исследований функционирования водных экосистем и прогнозирования изменения концентрации фитопланктона в мелководном водоеме в летний период обычно используется математический инструментарий с применением спутниковых данных, что позволяет осуществлять корректный мониторинг, анализ и моделирование динамики протекания биогеохимических процессов в пространстве и во времени с учетом совокупного действия ряда физико-химических, биологических и антропогенных факторов, влияющих на изучаемую водную экосистему. Авторами разработана математическая модель, коррелирующая со спутниковой информацией, позволяющая прогнозировать поведение летних видов фитопланктона в мелководном водоеме в условиях ускоренного времени, описывать окислительно-восстановительные процессы водной среды, сульфатредукции, трансформации биогенных веществ (минерального питания фитопланктона), изучать развитие заморных явлений, возникающих в результате антропогенной эвтрофикации, строить прогнозы изменения кислородного и биогенного режимов функционирования водоема.

Материалы и методы. Для моделирования численности видового состава летнего фитопланктона, коррелирующего с методами усвоения спутниковых данных, разработан оперативный алгоритм восстановления параметров качества вод Азовского моря, который базируется на методе многомерной оптимизации Левенберга-Марквардта. Начальное распределение фитопланктонных популяций было получено в результате применения метода LBP (локальных бинарных шаблонов) к космическим снимкам Таганрогского залива и использовано в качестве входных данных для разработанной математической модели.

Результаты исследования. На основе скомплексированных моделей гидродинамики и биологической кинетики, а также методов усвоения спутниковых данных, разработан программный комплекс, который позволяет строить кратко- и среднесрочные прогнозы экологической обстановки мелководных водоемов на основе различных входных данных, коррелирующих со спутниковой информацией.

Обсуждение и заключение. В рамках проводимых исследований состояния водных систем установлено, что одним из механизмов повышения качества прогнозирования биогеохимических процессов морских экосистем является уточнение начальных данных. Установлено, что использование спутниковых данных наряду с методами математического моделирования позволяют изучать пространственно-временное распределение загрязнений различной природы, планктонных популяций исследуемого водного объекта, оценивать характер и масштабы природного или техногенного явления для предотвращения негативных последствий экономического и социального характера.

1. Bresciani M., Giardino C., Lauceri R., Matta E., Cazzaniga I., Pinardi M., et al. Earth observation for monitoring and mapping of cyanobacteria blooms. Case studies on five Italian lakes. Journal of Limnology. 2017;76:127–139. https://doi.org/10.4081/jlimnol.2016.1565

2. Pitarch J., Ruiz-Verdú A., Sendra M.D., and Santoleri R. Evaluation and reformulation of the maximum peak height algorithm (MPH) and application in a hypertrophic lagoon. Journal of Geophysical Research: Oceans. 2017;122(2):1206–1221. https://doi.org/10.1002/2016JC012174

3. Shutyaev V.P. Methods for observation data assimilation in problems of physics of atmosphere and ocean. Izvestiya, Atmospheric and Oceanic Physics. 2019;55(1):17–31. https://doi.org/10.1134/S0001433819010080

4. Коротаев Г.К., Шутяев В.П. Численное моделирование циркуляции океана со сверхвысоким пространственным разрешением. Известия Российской академии наук. Физика атмосферы и океана. 2020;56(3):334–346. https://doi.org/10.31857/S0002351520030104

5. Зеленько А.А., Реснянский Ю.Д. Морские наблюдательные системы как составная часть оперативной океанологии (обзор). Метеорология и гидрология. 2018;12:5–30.

6. Кабанихин С.И., Криворотько О.И. Алгоритм восстановления источника возмущений в системе нелинейных уравнений мелкой воды. Журнал вычислительной математики и математической физики. 2018;58(8):138–147. https://doi.org/10.31857/S004446690002008-9

7. Марчук Г.И., Шутяев В.П. Сопряженные уравнения и итерационные алгоритмы в задачах вариационного усвоения данных. Труды института математики и механики УрО РАН. 2011;17(2):136–150.

8. Chao Y., Farrara J.D., Zhang H., Armenta K.J., Centurioni L., Chavez F., et al. Development, Implementation, and Validation of a California Coastal Ocean Modeling, Data Assimilation, and Forecasting System. Deep-Sea Research Part II: Topical Studies in Oceanography. 2018;151:49–63. https://doi.org/10.1016/j.dsr2.2017.04.013

9. Robertson R., Dong C. An evaluation of the performance of vertical mixing parameteriza-tions for tidal mixing in the Regional Ocean Modeling System (ROMS). Geoscience Letters. 2019;6(15). https://doi.org/10.1186/s40562-019-0146-y

10. Artal O., Sepúlveda H.H., Mery D., Pieringer C. Detecting and characterizing upwelling filaments in a numerical ocean model. Computers and Geosciences. 2019;122:25–34. https://doi.org/10.1016/j.cageo.2018.10.005

11. Themistocleous K., Papoutsa C., Michaelides S., Hadjimitsis D. Investigating Detection of Floating Plastic Litter from Space Using Sentinel-2 Imagery. Remote Sensing. 2020;12(16):2648. https://doi.org/10.3390/RS12162648

12. Никитина А.В., Филина А.А. Математическое моделирование процессов эволюции микроорганизмов мелководного водоема в кислород-дефицитных условиях. В: Труды международной научной конференции «Интеллектуальные информационные технологии и математическое моделирование». Ростов-на-Дону. 2022. С. 66–75.

13. Четверушкин Б.Н. Пределы детализации и формулировка моделей уравнений сплошных сред. Математическое моделирование. 2012;24(11):33–52. https://doi.org/10.1134/S2070048213030034

14. Yakushev E.V., Mikhailovsky G.E. Mathematical modeling of the influence of marine biota on the carbon dioxide ocean-atmosphere exchange in high latitudes. Air-Water Gas Transfer, Sel. Papers, Third Int. Symp., Heidelberg University, ed. by B. Jaehne and E.C. Monahan. Hanau: AEON Verlag & Studio. 1995:37–48.

15. Haltrin V.I., Kattawar G.W. Self-consistent solutions to the equation of transfer with elastic and inelastic scattering in oceanic optics: I. Model. Applied Optics. 1993;32(27):5356–5367. https://doi.org/10.1364/AO.32.005356

16. Сухинов А.И., Проценко Е.А., Чистяков А.Е., Шретер С.А. Cравнение вычислительных эффективностей явной и неявной схем для задачи транспорта наносов в прибрежных водных системах. Параллельные вычислительные технологии (ПаВТ’2015). Труды международной научной конференции. 2015;297–307.

17. Сухинов А.И., Чистяков А.Е., Проценко Е.А. Построение дискретной двумерной математической модели транспорта наносов. Известия ЮФУ. Технические науки. 2011;8(121):32–44.

18. Сухинов А.И., Чистяков А.Е., Бондаренко Ю.С. Оценка погрешности решения уравнения диффузии на основе схем с весами. Известия ЮФУ. Технические науки. 2011;8(121):6–13.

19. Сухинов А.И., Белова Ю.В., Никитина А.В., Атаян А.М. Моделирование биогеохимических процессов в Азовском море с использованием статистически обработанных данных о речном стоке. Advanced Engineering Research (Rostov-on-Don). 2020;20(4):437–445. https://doi.org/10.23947/2687-1653-2020-20-4-437-445

20. Sukhinov A.I., Panasenko N.D. Comparative investigation of neural and locally binary algorithms for image identification of plankton populations. Computational Mathematics and Information Technologies. 2022;1(2):70–80. https://doi.org/10.23947/2587-8999-2022-1-2-70-80

21. The official website of Earth observing system. URL: http://eos.com/landviewer/account/pricing (assecced: 01.02.2024).