Значительная часть океанского пластика не плавает на поверхности, а «парит» в приповерхностном слое воды. Волны затягивают лёгкие обломки вниз и удерживают их за счёт гидродинамических процессов. Именно поэтому стандартные методы наблюдения — в том числе визуальный осмотр с судов — не дают полной картины загрязнения. Ежегодно в окружающую среду попадает около 12,7 млн т пластика: часть оседает в донных грунтах, часть выносится в открытый океан, где течения формируют так называемые мусорные острова.
Скопления мусора, даже скрытые под водой, изменяют структуру ветровых волн на поверхности. Если пластик находится близко к поверхности — он гасит мелкую рябь, и участок выглядит на радарных снимках как тёмное пятно. Если чуть глубже — колебания мусора, напротив, провоцируют рябь, которая фиксируется как яркий участок. Именно эти эффекты лежат в основе разработанного метода.
Учёные провели серию натурных экспериментов на Горьковском водохранилище: раскладывали на воде полиэтиленовые полотна площадью до 450 кв. м и фиксировали изменения поверхности — с борта исследовательского судна и с помощью орбитальных аппаратов. По результатам был впервые рассчитан «пластиковый индекс» — вычислительный показатель, позволяющий автоматически выявлять признаки загрязнения при анализе спутниковых снимков в разных диапазонах оптического спектра.
Модель проверили на радарных данных, полученных после разрушительного цунами 2011 года у берегов Японии, когда в океан попали миллионы тонн обломков. Расчёты по предложенному индексу совпали с тем, что фиксировали спутники.
Метод позволит отслеживать перемещение мусора в крупных акваториях практически в режиме реального времени и значительно улучшить картирование загрязнённых зон. Дополнительная перспектива — мониторинг пластисферы: экосистем микроорганизмов и водорослей, которые формируются прямо на поверхности пластикового мусора в океане.
Среди ограничений — сложность идентификации: тёмное пятно на снимке может оказаться нефтяной плёнкой, биогенным веществом или зоной ветрового затишья. Кроме того, метод эффективен лишь в узком диапазоне скорости ветра — около 3–8 м/с. Эксперты отмечают, что точность вырастет при подключении алгоритмов машинного обучения.
