Applications of Machine Learning in Winter Navigation

Abstract

This literature review investigates the applications of machine learning to enhance maritime winter navigation in Arctic waters. Given the increasing accessibility of Arctic waters, navigating partially ice-covered Arctic regions presents significant challenges, including unpredictable environmental variables and especially ice-related hazards. This study explores how machine learning technologies can utilize various data sources to support navigational decisions, and what challenges are encountered when applying machine learning to winter navigation. Studies commonly emphasize satellite data (especially SAR data), AIS data, vessel-specific parameters, and accident records as important data sources and inputs for machine learning models in maritime and winter navigation applications. Supervised learning has proven effective in processing satellite images, particularly in identifying ice from them. Unsupervised learning has been used for anomaly detection, route analysis, ice classification, and monitoring other maritime traffic. Data quality and availability, environmental variability, and computational constraints in real-time data processing are key challenges. The literature reveals a gap in applying machine learning to real-time onboard systems. the use of machine learning in winter navigation can improve safety and efficiency when operating in Arctic sea areas. Further research is needed, especially in the development of real-time applications and in adapting models to existing navigation systems. Ultimately, this study provides a foundation for further research on the application and integration of machine learning in winter navigation to improve the safety and efficiency of Arctic maritime operations.

Ilmaston lämpenemisen myötä arktisten alueiden saavutettavuus meriteitse on lisääntynyt, mutta navigointi osittain jäiden peittämillä merialueilla sisältää lukuisia haasteita vaikeasti ennakoitavien jääolosuhteiden ja muiden ympäristömuuttujien takia. Onnistunut ja tehokas navigointi arktisilla merialueilla vaatii useiden eri tietolähteiden huomioimista ja tehokasta käsittelyä. Koneoppimisen nopea kehitys avaa uusia mahdollisuuksia meriliikenteen päätöksentekoon sekä reaaliajassa laivakohtaisesti, että ennen laivan liikkeelle lähtöä suuremmassa mittakaavassa. Yksinkertaistetusti koneoppiminen voidaan jakaa kolmeen tyyppiin – ohjattu oppiminen, ohjaamaton oppiminen ja vahvistusoppiminen. Näiden kategorioiden alla on runsas määrä erilaisia koneoppimismalleja, joista jokaisella on omat vahvuutensa ja heikkoutensa talvimerenkulkuun soveltamisen näkökulmasta.

Tutkimuksen tavoitteena on selvittää, miten koneoppimistekniikoita voidaan hyödyntää talvimerenkulussa navigointipäätösten tukena. Työssä keskitytään erityisesti koneoppimisessa käytettävän datan lähteisiin kuten satelliittikuviin, säätietoihin ja visuaaliseen dataan, sekä koneoppimisen hyödyntämisessä kohdattaviin haasteisiin.

Tässä kirjallisuustutkimuksena toteutetussa kandidaatintyössäni tutkitaan koneoppimisen soveltuvuutta talvimerenkulun tarpeisiin perehtymällä vuosina 2007–2024 julkaistuihin 56 artikkeliin. Koneoppimisen potentiaali on tutkitun kirjallisuuden perusteella merkittävä talvimerenkulun kehittämisessä. Tutkimukset korostavat yleisesti satelliittidataa (erityisesti SAR-dataa), AIS-dataa, aluskohtaisia parametreja ja onnettomuusrekistereitä tärkeinä datalähteinä ja syöteaineistoina koneoppimismalleille meriliikenteen ja talvimerenkulun sovelluksissa. Ohjattu oppiminen osoittautui tehokkaaksi satelliittikuvien käsittelyssä, ja erityisesti niistä jään tunnistamisessa. Ohjaamatonta oppimista käytettiin poikkeavuuksien havaitsemiseen, reittianalyysiin, jään luokitteluun ja muun meriliikenteen seurantaan. Vahvistusoppimisella on lupaavia sovelluksia törmäysten välttämisessä ja reittioptimoinnissa. Datan laatu ja saatavuus, ympäristömuuttujien vaihtelevuus sekä laskennalliset rajoitteet reaaliaikaisen datan käsittelyssä olivat keskeisiä haasteita. Tämä rajoittaa teknologian hyödyntämistä navigointipäätöksissä. Koneoppimisen soveltaminen reaaliaikaisiin aluksilla toimiviin järjestelmiin on vielä vähäistä.

Koneoppimisen käyttö talvimerenkulussa voi kandidaatintyöni perusteella parantaa turvallisuutta ja tehokkuutta arktisilla merialueilla liikkuessa. Jatkotutkimusta tarvitaan erityisesti reaaliaikaisten sovellusten kehittämisessä ja mallien sovittamisessa alusten olemassa oleviin järjestelmiin ja toimintamalleihin. Näin voidaan edistää paremmin mukautuvia ja luotettavia navigointityökaluja, jotka vastaavat arktisen merenkulun ainutlaatuisiin haasteisiin.