|
DOI: 10.14489/vkit.2026.11.pp.026-036
Сухинов А. И., Панасенко Н. Д., Чистяков А. Е., Никитина А. В.
ИССЛЕДОВАНИЕ ГИДРОБИОЛОГИЧЕСКИХ ПРОЦЕССОВ МЕЛКОВОДНОГО ВОДОЕМА НА ОСНОВЕ СПУТНИКОВЫХ ДАННЫХ С ПРИМЕНЕНИЕМ МЕТОДОВ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
(c. 26-36)
Аннотация. Проведен анализ пространственно-временной динамики гидробиологических процессов в акватории Азовского моря в районе населенного пункта Дмитриадовка на основе данных спутникового мониторинга за 2025 г. Рассмотрена взаимосвязь антропогенных воздействий и естественных гидрологических процессов. Предложен и реализован алгоритм обработки мультиспектральных снимков Sentinel-2 на языке Python в виде программного комплекса LBP-neural_network, описан разработанный комплекс, включающий математическую модель гидробиологического процесса с гидрооптической моделью Азовского моря. Исследована возможность применения специальных спектральных индексов, в частности Normalized Difference Water Index, для оценки концентрации хлорофилла-а, взвешенных веществ, а также выявления зон вредоносного цветения вод мелководного водоема. Выявлена четкая сезонная цикличность процессов эвтрофикации по результатам сравнительного анализа данных за май–август 2025 г. Показана практическая значимость разработанного подхода для оперативного спутникового мониторинга и прогнозирования экологических последствий антропогенного воздействия на прибрежные акватории.
Ключевые слова: гидробиологический процесс; мелководный водоем; методы ИИ; спутниковый снимок; алгоритм; LBP-neural_network; программный комплекс.
Sukhinov A. I., Panasenko N. D., Chistyakov A. E., Nikitina A. V.
STUDY OF HYDROBIOLOGICAL PROCESSES OF A SHALLOW WATER BODY BASED ON SATELLITE DATA USING METHODS OF MATHEMATICAL MODELING AND ARTIFICIAL INTELLIGENCE
(pp. 26-36)
Abstract. This study investigates spatiotemporal dynamics within hydrobiological processes for the Azov Sea's shallow ecosystem, focusing on the coastal zone near Dmitriadovka settlement. We performed a comprehensive analysis employing 2025 satellite monitoring data. The work examines critical relationships between anthropogenic factors and natural hydrological regimes. A novel algorithm for processing multispectral Sentinel-2 imagery was proposed and implemented using Python, forming the specialized "LBP-neural_network" software package. This complex integrates a mathematical model simulating hydrobiological processes with a dedicated hydro-optical model constructed for the Azov Sea's specific conditions. The applied methodology utilizes satellite data and specialized spectral indices, including the Normalized Difference Water Index, enabling high-accuracy quantification of chlorophyll-a, suspended matter, and detection zones for harmful algal blooms in a shallow water body. Our detailed comparative analysis covering May-August 2025 identified a clear seasonal eutrophication pattern. This cycle featured a pronounced surge in biological activity following a technological accident in May, subsequent stabilization throughout June, and a significant re-intensification of phytoplankton blooming by August. These results confirm the practical value of the developed approach for operational satellite monitoring and forecasting ecological consequences stemming from anthropogenic pressure in coastal areas. The obtained findings hold substantial importance for formulating effective measures to prevent and minimize marine ecosystem pollution impacts. Furthermore, they aid in advancing monitoring and early-warning systems for hazardous natural and technogenic events, including emergencies. The developed framework provides a powerful tool for enhanced environmental management and risk assessment in vulnerable shallow-water environments.
Keywords: Hydrobiological process; Shallow water body; AI methods; Satellite image; Algorithm; LBP-neural_network; Software package.
А. И. Сухинов, Н. Д. Панасенко, А. Е. Чистяков (Донской государственный технический университет, Ростов-на-Дону, Россия)
А. В. Никитина (Донской государственный технический университет, Ростов-на-Дону, Россия, Институт компьютерных технологий и информационной безопасности Южного федерального университета, Таганрог, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
A. I. Sukhinov, N. D. Panasenko, A. E. Chistyakov (Don State Technical University, Rostov-on-Don, Russia)
A. V. Nikitina (Don State Technical University, Rostov-on-Don, Russia; Institute of Computer Technologies and Information Security of the Southern Federal University, Taganrog, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
1. Косенко Ю. В., Баскакова Т. Е., Барабашин Т. О., Сафронова Л. М. Фотосинтетические пигменты в фитопланктоне Азовского моря // Известия высших учебных заведений. Северо-Кавказский регион. Сер. Естественные науки. 2018. № 3(199). С. 88–97.
2. Imaging spectrometry of productive inland waters. Application to the lakes of Mantua / M. Bresciani, C. Giardino, D. Longhi et al. // Italian Journal of Remote Sensing. 2009. Vol. 41. No. 2. P. 147–156. DOI: 10.5721/itjrs200941211
3. Белова Ю. В., Развеева И. Ф., Рахимбаева Е. О. Разработка алгоритма семантической сегментации данных дистанционного зондирования Земли для определения фитопланктонных популяций // Advanced Engineering Research. 2024. Т. 24, № 3. С. 283–292. DOI: 10.23947/2687-1653-2024-24-3-283-292
4. Коськин А. В., Лунев Р. А. Модель представления геоинформации для решения задач информатизации городского хозяйства // Вестник компьютерных и информационных технологий. 2023. Т. 20, № 6(228). С. 14–20. DOI 10.14489/vkit.2023.06.pp.014-020
5. Чистяков А. Е., Кузнецова И. Ю. Оценка экологических рисков мелководного водоема при проведении дноуглубительных работ // Безопасность техногенных и природных систем. 2024. № 2. С. 37–46. DOI: 10.23947/2541-9129-2024-8-2-37-46
6. Белова Ю. В., Исаев А. К., Никитина А. В., Сумбаев В. В. Решение задачи динамики фитопланктона при наличии механизма эктокринного регулирования // Вестник компьютерных и информационных технологий. 2016. № 12(150). С. 3–9. DOI: 10.14489/vkit.2016.12. pp.003-009
7. Themistocleous K., Papoutsa C., Michaelides S., Hadjimitsis D. Investigating detection of floating plastic litter from space using sentinel-2 imagery // Remote Sensing. 2020. Vol. 12. No. 16. DOI: 10.3390/RS12162648
8. Trigub A. G., Drozdenko T. V., Medyankina M. V., Lyubovskaya N. M. Study of the state of phytoplankton in the waters of the Sea of Azov in the late autumn period of 2021 // Рыбоводство и рыбное хозяйство (Fisheries). 2023. № 3. С. 60–66. DOI: 10.37663/0131-6184-2023-3-60-66
9. Пространственно-временная изменчивость цветений цианобактерий на основе их автоматической идентификации по данным MODIS / П. Н. Лишаев, А. А. Алескерова, А. А. Кубряков и др. // Исследование Земли из космоса. 2022. № 1. С. 38–52. DOI: 10.31857/S020596142201002X
10. Исследование «гистерезисного» характера возвращения Ладожского озера из мезотрофного состояния / Д. В. Поздняков, А. А. Коросов, Н. А. Петрова и др. // Исследование Земли из космоса. 2009. № 1. С. 1–15.
11. Белова Ю. В., Филина А. А., Чистяков А. Е. Прогнозирование динамики летних видов фитопланктона на основе методов усвоения спутниковых данных // Computational Mathematics and Information Technologies. 2024. Т. 8, № 4. С. 27–34. DOI: 10.23947/2587-8999-2024-8-4-27-34
12. Самарский А. А., Вабищевич П. Н. Численные методы рещения задач конвекции-диффузии // Изд. стереотип. М.: Книжный дом «ЛИБРОКОМ», 2015. 248 с.
13. Панасенко Н. Д. Прогноз состояния прибрежных систем с помощью математического моделирования на основе космических снимков // Computational Mathematics and Information Technologies. 2023. Т. 7, № 4. С. 54–65. DOI: 10.23947/2587-8999-2023-7-4-54-65
14. The official website of Earth observing system [Электронный ресурс]. URL: https://eos.com/landviewer/ (дата обращения: 11.08.2025).
1. Kosenko, Yu. V., Baskakova, T. E., Barabashin, T. O., & Safronova, L. M. (2018). Photosynthetic pigments in phytoplankton of the Sea of Azov. Izvestiya vysshikh uchebnykh zavedenii. Severo-Kavkazskii region. Ser. Estestvennye nauki, (3), 88–97. [in Russian language].
2. Bresciani, M., Giardino, C., Longhi, D., et al. (2009). Imaging spectrometry of productive inland waters. Application to the lakes of Mantua. Italian Journal of Remote Sensing, 41(2), 147–156. https://doi.org/10.5721/itjrs200941211
3. Belova, Yu. V., Razveeva, I. F., & Rakhimbaeva, E. O. (2024). Development of an algorithm for semantic segmentation of Earth remote sensing data to determine phytoplankton populations. Advanced Engineering Research, 24(3), 283–292. [in Russian language]. https://doi.org/10.23947/2687-1653-2024-24-3-283-292
4. Koskin, A. V., & Lunev, R. A. (2023). Model of geoinformation representation for solving problems of informatization of urban economy. Vestnik komp'yuternykh i informatsionnykh tekhnologii, 20(6), 14–20. [in Russian language]. https://doi.org/10.14489/vkit.2023.06.pp.014-020
5. Chistyakov, A. E., & Kuznetsova, I. Yu. (2024). Assessment of environmental risks of a shallow water body during dredging. Bezopasnost' tekhnogennykh i prirodnykh sistem, (2), 37–46. [in Russian language]. https://doi.org/10.23947/2541-9129-2024-8-2-37-46
6. Belova, Yu. V., Isaev, A. K., Nikitina, A. V., & Sumbaev, V. V. (2016). Solving the problem of phytoplankton dynamics in the presence of the ectocrine regulation mechanism. Vestnik komp'yuternykh i informatsionnykh tekhnologii, (12), 3–9. [in Russian language]. https://doi.org/10.14489/vkit.2016.12.pp.003-009
7. Themistocleous, K., Papoutsa, C., Michaelides, S., & Hadjimitsis, D. (2020). Investigating detection of floating plastic litter from space using Sentinel-2 imagery. Remote Sensing, 12(16). https://doi.org/10.3390/RS12162648
8. Trigub, A. G., Drozdenko, T. V., Medyankina, M. V., & Lyubovskaya, N. M. (2023). Study of the state of phytoplankton in the waters of the Sea of Azov in the late autumn period of 2021. Rybolovstvo i rybnoe khozyaistvo (Fisheries), (3), 60–66. https://doi.org/10.37663/0131-6184-2023-3-60-66
9. Lishaev, P. N., Aleskerova, A. A., Kubryakov, A. A., et al. (2022). Spatiotemporal variability of cyanobacterial blooms based on their automatic identification from MODIS data. Issledovanie Zemli iz kosmosa, (1), 38–52. [in Russian language]. https://doi.org/10.31857/S020596142201002X
10. Pozdnyakov, D. V., Korosov, A. A., Petrova, N. A., et al. (2009). Investigation of the "hysteresis" character of the return of Lake Ladoga from a mesotrophic state. Issledovanie Zemli iz kosmosa, (1), 1–15. [in Russian language].
11. Belova, Yu. V., Filina, A. A., & Chistyakov, A. E. (2024). Forecasting the dynamics of summer phytoplankton species based on satellite data assimilation methods. Computational Mathematics and Information Technologies, 8(4), 27–34. [in Russian language]. https://doi.org/10.23947/2587-8999-2024-8-4-27-34
12. Samarskii, A. A., & Vabishchevich, P. N. (2015). Numerical methods for solving convection-diffusion problems. Knizhnyi dom "LIBROKOM". [in Russian language].
13. Panasenko, N. D. (2023). Forecast of the state of coastal systems using mathematical modeling based on satellite images. Computational Mathematics and Information Technologies, 7(4), 54–65. [in Russian language]. https://doi.org/10.23947/2587-8999-2023-7-4-54-65
14. Earth Observing System. (n.d.). LandViewer. Retrieved August 11, 2025, from https://eos.com/landviewer/
|
Current Issue
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»