Проект по долгосрочному экологическому мониторингу водоёма реализуется в Институте биологии озера Байкал ИГУ с февраля 1945 года по инициативе профессора Михаила Михайловича Кожова и внесён в Книгу рекордов России как самый длительный проект регулярного экологического мониторинга в истории науки.
От ручного анализа к ИИ: как развивается проект мониторинга планктона Байкала
Проект по исследованию планктона Байкала длится уже более 80 лет — и с 2022 года в нём участвуют наши технологии. Мы разработали нейросеть для автоматического анализа проб, а теперь делимся обновлёнными результатами проекта за 4 года работы.
21 июля 2026 г.
15 минут чтения
Краткий пересказ YandexGPT
- Проект по мониторингу планктона в Байкале существует более 80 лет. Это самый длительный проект регулярного экологического мониторинга в истории науки.
- Планктон (фитопланктон и зоопланктон) играет ключевую роль в экосистеме Байкала и служит биоиндикатором состояния озера.
- Ручной анализ проб планктона — кропотливая и длительная работа, поэтому для ускорения обработки данных разработали систему на базе технологий компьютерного зрения с элементами машинного обучения.
- Система работает по принципу «человек в цикле»: алгоритмы обрабатывают изображения, а сложные случаи и новые виды проверяют специалисты.
- Процесс анализа изображений включает несколько этапов: обнаружение объектов (с использованием алгоритма YOLO V11), классификация объектов (с применением визуальных трансформеров и метрического обучения), обнаружение выбросов в метрическом пространстве (с использованием алгоритмов OneClassSVM, KNN и HDBScan), верификация экспертами и адаптация моделей.
- За четыре года система обработала свыше 250 тыс. изображений проб, точность распознавания достигла 87%.
- С помощью системы удалось проследить сезонные изменения в сообществе планктона и выявить характеристики видового разнообразия.
- Ключевые достижения: создание обновляемой базы данных размеченных изображений зоопланктона, сокращение времени анализа проб в десятки раз, возможность масштабировать мониторинг без потери качества.
- Сравнение ручного и машинного анализа не выявило существенных различий в видовом составе. Это подтверждает надёжность нового подхода.
- Проект продолжает развиваться: планируется регулярно обновлять модель, расширять базу данных и совершенствовать алгоритмы.
- Облачная инфраструктура Yandex Cloud играет критически важную роль в обработке и хранении больших массивов изображений.
Вот уже более 80 лет учёные следят за состоянием планктона в рамках проекта «Точка № 1». С 2022 года в этом деле участвует Центр технологий для общества Yandex Cloud: мы разработали и выложили в опенсорс нейросеть для анализа зоопланктона. За четыре года система обработала свыше 250 тыс. изображений проб — и точность распознавания достигла 87%. В новой статье разберёмся, как устроен этот инструмент, почему он важен для экологии Байкала и каких результатов удалось достичь за несколько лет работы.
Организмы, которые самостоятельно производят органические вещества из неорганических (углекислого газа, воды, минеральных веществ), обычно с помощью фотосинтеза.
Чужеродный организм, который внедрился в новую экосистему, успешно размножился и начал наносить вред.
Отдел бактерий, способных к фотосинтезу с выделением молекулярного кислорода.
Почему планктон Байкала так важен
Планктон — это мельчайшие организмы, плавающие в толще воды. Он бывает двух видов:
- фитопланктон — микроскопические водоросли, которые играют роль первичных продуцентов: занимаются фотосинтезом и служат основой пищевой цепи водоёма;
- зоопланктон — мелкие животные организмы, которые питаются фитопланктоном и сами выступают кормовой базой для рыб и других существ.
Мониторинг планктона имеет фундаментальное значение для оценки состояния экосистемы Байкала. Эти организмы выполняют функцию естественных биоиндикаторов: их видовой состав, численность и физиологическое состояние чутко реагируют на:
- качество воды;
- температурный режим, в том числе из-за климатических изменений;
- баланс питательных веществ;
- появление инвазивных видов;
- антропогенные и природные воздействия.
Планктон — основа жизни Байкала. Нарушение его состояния может спровоцировать цепную реакцию проблем. Так, сокращение фитопланктона снижает первичную продукцию и уровень кислорода, изменения в зоопланктоне подрывают кормовую базу рыб, что угрожает их популяциям, а увеличение концентрации токсичных цианобактерий приводит к ухудшению качества воды и создаёт риски для рыб, зоопланктона и других обитателей озера.
В 2022 году, к старту проекта по экомониторингу Байкала с помощью нейросетей, мы выпустили короткометражный фильм.
Трейлер фильма «12 тысяч проб»
Компьютерное зрение для изучения планктона
За 80 лет проекта учёные собрали около 31 тыс. проб из разных водных слоёв. Результаты их обработки хранятся в базе данных — в ней более 10 млн записей. Традиционно пробы анализировали вручную методом микроскопии — кропотливой и длительной работой высококвалифицированных специалистов.
Этапы ручной обработки образцов: А — выбор объектов, Б — классификация объектов
You Only Look Once, версия 11 — алгоритм компьютерного зрения для обнаружения объектов на изображениях в реальном времени.
mean Average Precision, средняя точность — метрика, показывающая насколько хорошо алгоритм распознаёт объекты разных классов.
Intersection over Union, пересечение над объединением — метрика для оценки точности расположения рамки вокруг объекта.
Но ручной анализ существенно замедлял обработку данных и ограничивал возможность масштабирования проекта — особенно при необходимости оперативно реагировать на изменения в экосистеме. Чтобы решить эту задачу, мы разработали систему на базе технологий компьютерного зрения с элементами машинного обучения и участием экспертов. Она работает по принципу «человек в цикле»: сначала изображения обрабатывают алгоритмы, затем сложные случаи и новые виды проверяют специалисты.
Этапы обработки изображений с помощью компьютерного зрения
1. Обнаружение объектов
На этапе обнаружения объектов используется алгоритм компьютерного зрения YOLO V11: он выделяет на изображении области, которые могут быть организмами зоопланктона, и обрабатывает изображения размером 640×640 пикселей. В процессе обучения применяются стратегии аугментации данных — масштабирование, переворот и мозаичная аугментация. В результате модель достигает средней точности (mAP) 0,685 по порогам IoU от 0,5 до 0,95, а при IoU = 0,5 показатель mAP составляет 0,903.
Сначала нейросеть «просматривает» картинку и отмечает всё, что похоже на нужный объект. Затем каждый обведённый объект отдельно «изучается» — система решает, что это за организм, или отмечает его как неизвестный
Компонент в системах машинного обучения и компьютерного зрения, который выделяет важные характеристики (признаки) из исходных данных для дальнейшей обработки.
Vision Transformer Base, patch size 16 — это архитектура нейронной сети для задач компьютерного зрения, основанная на механизме трансформеров.
Функция потерь для нейронных сетей, специально разработанная для задач распознавания и классификации лиц, но успешно применяемая и в других областях: например, для классификации зоопланктона.
Мера сходства между двумя векторами, основанная на косинусе угла между ними.
Алгоритм машинного обучения с учителем, который используется для задач классификации и регрессии.
2. Классификация объектов
На этом этапе применяется подход с использованием метрического обучения и визуальных трансформеров. В качестве экстрактора признаков задействована нейросеть с архитектурой визуального трансформера ViT_b_16. Обучение модели выполняется с применением функции потерь ArcFace, а для измерения различия между векторными представлениями (вложениями) разных классов используется косинусное сходство. Итоговые выходные векторы анализируются с помощью алгоритма KNN (k‑ближайших соседей), который сопоставляет их с уже известными классами объектов.
Алгоритм оцифровывает изображение в короткий код, ищет в базе максимально похожие коды, а затем уточняет результат с помощью двух фильтров, чтобы не ошибиться с редкими или необычными объектами
Математическое понятие, описывающее множество объектов, для которых определено расстояние между любыми двумя элементами.
Библиотека с открытым исходным кодом, предназначенная для эффективного поиска исходных векторов в больших наборах данных.
Алгоритм для обнаружения аномалий (выбросов) в данных, когда есть примеры только одного класса (нормальных объектов), а аномалии заранее неизвестны.
Алгоритм кластеризации, основанный на плотности. Находит группы точек, расположенных близко друг к другу, и выделяет выбросы как точки в областях низкой плотности.
3. Обнаружение выбросов в метрическом пространстве
На этапе обнаружения выбросов в метрическом пространстве векторные представления сохраняются в плоском индексе Faiss, а для анализа структур применяются алгоритмы OneClassSVM, KNN и HDBScan — с их помощью выявляются объекты, не попадающие в известные кластеры. Такие случаи направляются на проверку экспертам.
После обнаружения отдельных объектов результаты с оценочной вероятностью ниже порогового значения 0,8 передаются для ручной проверки
4. Верификация экспертами
На этом этапе эксперты проверяют сложные и неизвестные случаи: подтверждают или корректируют результаты работы алгоритмов, а также добавляют новые данные в обучающую выборку. Это позволяет постоянно улучшать качество модели и адаптировать её к новым видам и вариациям объектов.
5. Адаптация и обновление моделей
Модели переобучаются несколько раз в год — это необходимо для учёта сезонных изменений, например различий между зимним и летним периодами. Процесс проходит по схеме активного обучения: наборы данных пополняются изображениями, предварительно проверенными экспертами. При этом главные критерии успешности обучения — повышение ключевых показателей классификации и обнаружения: IoU и mAP.
Непрерывный процесс обновления модели: для обучающих наборов данных используют только изображения, проверенные экспертами
Эндемичный вид планктонных ракообразных (веслоногих рачков), обитающий исключительно в озере Байкал.
Мелкий планктонный рачок (вид ветвистоусых ракообразных, отряд Cladocera), широко распространённый в пресных водоёмах.
Микроскопический планктонный организм из группы коловраток (Rotifera), обитающий в пресных водоёмах.
Внедрение компьютерного зрения: какие уже есть результаты
За годы работы автоматизированного анализа изображений зоопланктона удалось проследить сезонные изменения в сообществе планктона. Например, в марте 2024 года собрали 132 пробы, и уже с мая по ноябрь система проанализировала 31 812 изображений.
- Epischura baikalensis — самый многочисленный вид (в среднем 79% всех обнаружений, пик — 85% в июле 2024 года).
- Bosmina longirostris — 4% обработанных объектов, максимум — 7,67% в сентябре 2024 года.
- Keratella quadrata — рост с 1–2% весной и летом до 9% в октябре–ноябре 2024 года.
Характеристика видового разнообразия, выявленного с марта по ноябрь 2024 года. На графике — пять основных видов, в том числе водоросли
По состоянию на декабрь 2025 года система хранит и обрабатывает более 250 тыс. изображений, полученных из 811 проб. Ключевые достижения:
- точность обнаружения объектов — 87%;
- создание обновляемой базы данных размеченных изображений зоопланктона;
- сокращение времени анализа проб в десятки раз;
- возможность масштабировать мониторинг без потери качества;
- сохранение преемственности данных с 80‑летней историей наблюдений.
Сравнение ручного и машинного анализа не выявило существенных различий в видовом составе. Это подтверждает надёжность нового подхода и открывает возможности для:
- дальнейшего развития методов компьютерного зрения;
- расширения спектра анализируемых видов;
- углублённого изучения динамики экосистемы Байкала;
- применения аналогичных решений в других экологических проектах.
Работа над проектом продолжается: мы планируем регулярно обновлять модель, расширять базу данных и совершенствовать алгоритмы. Впереди — новые сезоны наблюдений, сбор дополнительных данных и дальнейшее повышение точности системы. Это лишь промежуточные результаты: долгосрочный мониторинг позволит ещё глубже изучить экосистему Байкала и адаптировать технологии к её сезонным и многолетним изменениям.
Этот проект показывает, как компьютерное зрение и нейросетевой анализ переводят мониторинг зоопланктона Байкала на новый технологический уровень при сохранении ключевой роли эксперта‑гидробиолога. С экологической точки зрения мы получаем инструмент для отслеживания сезонной и межгодовой динамики зоопланктона — это важно для понимания устойчивости байкальской экосистемы к климатическим и антропогенным воздействиям.
Критически важную роль играет облачная инфраструктура Yandex Cloud, которая обеспечивает обработку и хранение больших массивов изображений. Мы рассматриваем текущий этап как основу для дальнейшего расширения системы мониторинга и планируем продолжать совместную работу с Yandex Cloud, регулярно сообщая о новых результатах.
Заключение
80 лет учёные следят за планктоном Байкала — в этом им продолжает помогать компьютерное зрение. Технологии умножают возможности экспертов: быстрая обработка данных сочетается с многолетним опытом наблюдений. Вместе это даёт мощный инструмент для защиты озера — объекта Всемирного наследия ЮНЕСКО — от современных угроз.
Байкальский планктон — это чуткий индикатор здоровья всей экосистемы озера. Благодаря технологиям Yandex Cloud мы впервые помогаем анализировать гигантские объёмы данных почти в реальном времени, применяя ИИ для прогнозирования изменений. Этот проект — не просто мониторинг, а цифровой фундамент для защиты уникальной природы Байкала на десятилетия вперёд.
Центр технологий для общества Yandex Cloud реализует социально значимые проекты в области образования и науки, здравоохранения, экологии и культуры. Если у вас есть похожие проекты, заполните заявку.
