ML-прогноз улова: океанографические данные, VMS, CPUE

Рыболовные компании теряют до 30% квоты из-за неточного прогнозирования районов промысла. Классические VPA-модели не учитывают океанографические аномалии — тёплую воду в Баренцевом море или смещение течений. Ансамбль ML-моделей решает эту задачу, интегрируясь в оперативный дашборд. Результат: существенная экономия топлива на одно судно и точность прогноза CPUE с MAPE 12-18%. При этом модель использует спутниковые данные, VMS и промысловую статистику, адаптируясь к изменчивой среде.

Мы объединяем спутниковые данные Copernicus Marine Service, промысловую статистику и VMS-треки. ConvLSTM предсказывает пространственное распределение, LightGBM — временные ряды уловов. Такой ансамбль позволяет улавливать нелинейные зависимости и пространственно-временные паттерны, недоступные традиционным моделям.

Как AI улучшает прогнозирование улова?

LightGBM превосходит VPA по точности в 2 раза на краткосроке (MAPE 12-18% против 25-35%). ConvLSTM добавляет пространственное разрешение 0.5°×0.5°, что критично для оперативного планирования. Ниже — сравнение подходов.

Почему ConvLSTM лучше MLP для пространственных данных?

Пространственная корреляция океанографических полей требует учёта соседних ячеек. ConvLSTM использует свёрточные слои внутри LSTM, что позволяет моделировать пространственные зависимости так же эффективно, как и временные. MLP же обрабатывает каждый пиксель независимо, теряя контекст. Благодаря этому ConvLSTM обеспечивает на 5-7% меньший MAPE в прибрежных зонах.

Как мы строим прогноз: основные этапы

1. Аналитика и сбор данных (1-2 недели) — подключаем CMEMS, NOAA, промысловую статистику (ICES, FAO). Очищаем, интерполируем пропуски.
2. Проектирование фич (1 неделя) — создаём lag-признаки (SST за 2 месяца, Chl-a за 3), сезонные и циклические кодировки.
3. Моделирование (2-3 недели) — обучаем LightGBM для краткосрока, ConvLSTM для пространственного прогноза. Используем log-трансформацию уловов, временное разделение без data leakage.
4. Тестирование и валидация (1 неделя) — backtesting на исторических данных, метрики MAPE, MAE, p95 latency.
5. Деплой и интеграция (1-2 недели) — разворачиваем модель как REST API, прикручиваем дашборд (Grafana/Streamlit). Подключаем VMS и ЭПЖ.

Какие данные нужны и как их обрабатываем?

Спутниковые данные:

• NASA MODIS, Copernicus Marine Service (CMEMS): SST, Chl-a, SSH — ежедневные глобальные продукты
• NOAA CoastWatch: Pacific/Atlantic региональные продукты
• Argo floats: профили температуры и солёности на глубинах

Промысловая статистика:

• Рапортные данные судов (судовые суточные донесения, ССД): ICES, FAO
• VMS (Vessel Monitoring System): GPS-трекинг промысловых судов → где ловят
• Электронные промысловые журналы (ЭПЖ): Росрыболовство ЦСМС

Обработка спутниковых данных:

import xarray as xr
import numpy as np

# CMEMS данные в NetCDF формате
ds = xr.open_dataset('cmems_sst.nc')
sst_region = ds['thetao'].sel(
    lat=slice(55, 75),  # Баренцево море
    lon=slice(10, 60),
    depth=0
)

# Ежемесячные аномалии (клайматология)
climatology = sst_region.groupby('time.month').mean()
sst_anomaly = sst_region.groupby('time.month') - climatology

Батиметрия (GEBCO) и данные о течениях (OSCAR) улучшают пространственный прогноз. Мы используем их как дополнительные признаки для ConvLSTM — точность растёт на 3-5%.

Типичные ошибки включают смещение прогноза из-за задержки спутниковых данных (решаем с помощью анализа течений), низкую точность в прибрежной зоне (используем downscaling с нейросетью сверхразрешения) и игнорирование поведения судов (интегрируем VMS в реальном времени).

Что входит в работу

• Model card с метриками и ограничениями
• API-документация (OpenAPI 3.0)
• Обучение аналитиков (3-часовой workshop)
• Ежемесячное обновление модели при новых данных
• Техподдержка 6 месяцев после деплоя

Сроки ориентировочно

Базовый прогноз CPUE + дашборд — 4-5 недель. Полный цикл с ConvLSTM, stock-recruitment и интеграцией ЭПЖ — 3-4 месяца. Стоимость рассчитывается индивидуально под ваш флот.

Готовы обсудить ваш проект — просто пришлите выборку промысловой статистики. Получите консультацию по точности прогноза для вашего флота. Опыт — 30+ проектов в рыболовном секторе.

Кейс из практики: Охотское море

Один из наших клиентов — флот, добывающий минтай в Охотском море. В один из сезонов аномальное потепление сместило косяки на 40 миль от традиционных зон. VPA не среагировала — суда сделали 3 холостых рейса, понеся значительные убытки. Мы внедрили ансамбль ConvLSTM + LightGBM с данными CMEMS и VMS. Уже через месяц модель выдала скорректированные зоны с точностью 87% (MAPE 13%). Флот сэкономил существенную сумму за оставшийся сезон.