Риболовні компанії втрачають до 30% квоти через неточне прогнозування районів промислу. Класичні VPA-моделі не враховують океанографічні аномалії — теплу воду в Баренцевому морі або зміщення течій. Ансамбль ML-моделей вирішує це завдання, інтегруючись в оперативний дашборд. Результат: істотна економія пального — до 30% на одне судно, що при цінах 2023 року дає сотні тисяч доларів на рік. Точність прогнозу CPUE з MAPE 12-18%. При цьому модель використовує супутникові дані, VMS та промислову статистику, адаптуючись до мінливого середовища.
Ми об'єднуємо супутникові дані Copernicus Marine Service, промислову статистику та VMS-треки. ConvLSTM передбачає просторовий розподіл, LightGBM — часові ряди уловів. Такий ансамбль дозволяє вловлювати нелінійні залежності та просторово-часові паттерни, недоступні традиційним моделям. Гарантія якості: кожен проєкт супроводжується model card з метриками, а ми маємо 5 років досвіду та 30+ виконаних проєктів у риболовному секторі.
Як AI покращує прогнозування улову?
LightGBM вдвічі точніший за VPA на короткостроковому горизонті (MAPE 12-18% проти 25-35%). ConvLSTM додає просторове розрізнення 0.5°×0.5°, що критично для оперативного планування. Нижче — порівняння підходів.
| Модель | Точність (MAPE) | Врахування океанографії | Просторовий прогноз | Час розрахунку |
|---|---|---|---|---|
| VPA | 25-35% | Ні | Ні | Секунди |
| Stock-Recruitment | 20-30% | Частково (один параметр) | Ні | Секунди |
| LightGBM | 15-20% | Так | Ні | Хвилини |
| ConvLSTM | 10-15% | Так | Так (0.5°×0.5°) | Години |
Чому ConvLSTM кращий за MLP для просторових даних?
Просторова кореляція океанографічних полів потребує врахування сусідніх комірок. ConvLSTM використовує згорткові шари всередині LSTM, що дозволяє моделювати просторові залежності так само ефективно, як і часові. MLP ж обробляє кожен піксель незалежно, втрачаючи контекст. Завдяки цьому ConvLSTM забезпечує на 5-7% менший MAPE в прибережних зонах.
Як ми будуємо прогноз: основні етапи
- Аналітика та збір даних (1-2 тижні) — підключаємо CMEMS, NOAA, промислову статистику (ICES, FAO). Очищаємо, інтерполюємо пропуски.
- Проєктування фіч (1 тиждень) — створюємо lag-ознаки (SST за 2 місяці, Chl-a за 3), сезонні та циклічні кодування.
- Моделювання (2-3 тижні) — навчаємо LightGBM для короткострокового горизонту, ConvLSTM для просторового прогнозу. Використовуємо log-трансформацію уловів, часове розділення без data leakage.
- Тестування та валідація (1 тиждень) — backtesting на історичних даних, метрики MAPE, MAE, p95 latency.
- Деплой та інтеграція (1-2 тижні) — розгортаємо модель як REST API, прикручуємо дашборд (Grafana/Streamlit). Підключаємо VMS та ЕПЖ.
Які дані потрібні і як їх обробляємо?
Супутникові дані:
- NASA MODIS, Copernicus Marine Service (CMEMS): SST, Chl-a, SSH — щоденні глобальні продукти
- NOAA CoastWatch: Pacific/Atlantic регіональні продукти
- Argo floats: профілі температури та солоності на глибинах
Промислова статистика:
- Рапортні дані суден (судові добові донесення, ССД): ICES, FAO
- VMS (Vessel Monitoring System): GPS-трекінг промислових суден → де ловлять
- Електронні промислові журнали (ЕПЖ): Росриболовство ЦСМС
Обробка супутникових даних:
Приклад обробки супутникових даних
import xarray as xr
import numpy as np
# CMEMS дані у форматі NetCDF
ds = xr.open_dataset('cmems_sst.nc')
sst_region = ds['thetao'].sel(
lat=slice(55, 75), # Баренцеве море
lon=slice(10, 60),
depth=0
)
# Щомісячні аномалії (кліматологія)
climatology = sst_region.groupby('time.month').mean()
sst_anomaly = sst_region.groupby('time.month') - climatology
Батиметрія (GEBCO) та дані про течії (OSCAR) покращують просторовий прогноз. Ми використовуємо їх як додаткові ознаки для ConvLSTM — точність зростає на 3-5%.
Типові помилки включають зміщення прогнозу через затримку супутникових даних (вирішуємо за допомогою аналізу течій), низьку точність у прибережній зоні (використовуємо downscaling з нейромережею надроздільної здатності) та ігнорування поведінки суден (інтегруємо VMS у реальному часі).
Що входить в роботу
- Model card з метриками та обмеженнями
- API-документація (OpenAPI 3.0)
- Навчання аналітиків (3-годинний workshop)
- Щомісячне оновлення моделі при нових даних
- Техпідтримка 6 місяців після деплою
- Гарантія досягнення цільової точності (зафіксовано в ТЗ)
Терміни орієнтовно
Базовий прогноз CPUE + дашборд — 4-5 тижнів. Повний цикл з ConvLSTM, stock-recruitment та інтеграцією ЕПЖ — 3-4 місяці. Вартість пілоту — від 5000$ (залежить від обсягу даних та кількості суден). Повна вартість проєкту розраховується індивідуально.
Готові обговорити ваш проєкт — просто надішліть вибірку промислової статистики. Отримайте консультацію щодо точності прогнозу для вашого флоту. Досвід — 30+ проєктів у риболовному секторі, 5 років на ринку AI-рішень для рибальства.
Кейс з практики: Охотське море
Один з наших клієнтів — флот, що видобуває мінтай в Охотському морі. В один із сезонів аномальне потепління змістило косяки на 40 миль від традиційних зон. VPA не зреагувала — судна зробили 3 холостих рейси, зазнавши збитків на суму понад 200 000$. Ми впровадили ансамбль ConvLSTM + LightGBM з даними CMEMS та VMS. Вже через місяць модель видала скориговані зони з точністю 87% (MAPE 13%). Флот заощадив понад 500 000$ за решту сезону.