На днях вышла новая журнальная статья - в IEEE Geoscience and Remote Sensing Letters (Q1).

Deep Learning for Super-Resolution of Sea Ice Concentration: Case Study of OSISAF Down-Scaler
Авторы: Юлия Борисова, Дмитрий Морозов, Дмитрий Гилемханов, Николай Никитин

Помимо уже знакомых подписчикам имен сотрудников NSS Lab, свою первую статью выпустил Дмитрий - студент бакалавриата ИИИ ИТМО и участник учебно-научной лаборатории AIST.

Это расширенная версия работы с воркшопа Machine Learning for Remote Sensing на ICLR 2026. Задача здесь практическая: как получить детальные карты концентрации морского льда, если исторические спутниковые данные доступны только в относительно низком разрешении?

В качестве исходных данных используется продукт OSI SAF с пространственным разрешением около 25 км. При этом существует более детальный продукт MASAM2 с разрешением около 4 км, в котором данные дополнительно уточняются с использованием нескольких источников. Проблема в том, что такая детальная информация доступна далеко не для всей исторической ретроспективы.
Идея работы - научить нейросеть восстанавливать MASAM2-подобные поля из одного только OSI SAF. То есть несколько источников данных нужны во время обучения, а после обучения модели достаточно только грубого поля концентрации льда. В результате этот подход потенциально позволяет получить более детальное представление исторических данных, для которых MASAM2 ещё не существовал.

Что получилось:

Super-resolution. Модель увеличивает пространственное разрешение примерно с 25 до 4 км и при этом не просто «растягивает» картинку, а восстанавливает более реалистичную геометрию ледовой кромки. У Light U-Net MAE составляет 0.010 и SSIM — 0.961. Для сравнения, у билинейной интерполяции MAE — 0.071, а SSIM — 0.879.

Простая архитектура. Помимо облегчённого U-Net мы проверили Attention U-Net. Добавление attention-механизмов практически не улучшило качество: обе модели дают MAE около 0.010 и SSIM около 0.961. Поэтому в данном случае более сложная архитектура не окупается. Аналогично сравнение было выполнено и с архитектурой conditional diffusion (аналогично, она не дает улучшения в качестве).

Применимость для исторических данных. Метод, который напрямую использует дополнительные контуры льда MASIE, лучше работает по части метрик ледовой кромки. Но ему эти дополнительные данные нужны непосредственно при построении каждого поля. Нейросети после обучения достаточно только OSI SAF - и именно это делает подход интересным для восстановления длинных исторических рядов.

В итоге задача здесь немного шире классического super-resolution: мы пытаемся перенести информацию из более богатого многосенсорного продукта в модель так, чтобы затем использовать её для улучшения данных, где доступен только один источник.

Код: https://github.com/ITMO-NSS-team/GRSL_masam2_downscaling