В работе обсуждаются методы дистанционного зондирования (ДЗ), используемые для оценки сплоченности, возраста, толщины и дрейфа морского льда. Приведены примеры картирования возрастных стадий льда в Арктике по данным Envisat с помощью метода нейронных сетей и метода байесовской классификации. Излагаются особенности спутниковой технологии обнаружения опасных ледяных образований. Сформулированы предложения по дальнейшему развитию методов ДЗ для изучения ледяного покрова морей полярных областей с учетом опыта, полученного в период работы по программе МПГ.
Растущая хозяйственная деятельность в полярных регионах вызывает насущную необходимость организации на постоянной основе мониторинга ледяного покрова. Из-за труднодоступности полярных районов использование традиционных контактных методов измерений затруднено, а в ряде случаев просто невозможно. Стандартные океанографические средства наблюдения в этих районах не могут являться основой мониторинга. Организация каждой новой полярной гидрометеорологической станции – дело не только затратное и трудоемкое, но еще и требующее наличия квалифицированного персонала, готового сменить привычные комфортные условия жизни на суровую обстановку Арктики. Влияние человеческого фактора в Арктике очень велико, ошибки при обеспечении гидрометеорологических прогнозов могут стоить жизни людей. Именно поэтому особое значение для мониторинга морского ледяного покрова в полярных районах приобретают дистанционные методы зондирования.
Спутниковое дистанционное зондирование является основой мониторинга окружающей среды в полярных областях, обеспечивая оперативное получение объективной информации о состоянии ледяного покрова морей, наличии опасных ледяных образований (айсбергов, гряд торосов, стамух и пр.), опасных гидрометеорологических явлений. Возможности и ограничения методов ДЗ при мониторинге ледяного покрова морей зависят от применяемого диапазона электромагнитного спектра, чувствительности аппаратуры, типа зондирования (активное, пассивное), времени доведения спутниковой информации до потребителя. Существенные ограничения применения методов ДЗ связаны с коммерциализацией рынка спутниковых данных высокого разрешения. В настоящее время для организации наблюдений в полярных областях используются как эксплуатационные спутники среднего разрешения, осуществляющие сброс информации в режиме непосредственной передачи, так и коммерческие спутники высокого разрешения, поставляющие информацию потребителю по специальным каналам после предоплаты. Однако ведение дорогостоящей хозяйственной деятельности на шельфе арктических морей вынуждает нефтедобывающие и иные подобные компании закупать дорогую спутниковую информацию высокого разрешения, поскольку такая информация позволяет минимизировать риски работ в тяжелых ледовых условиях.
Для мониторинга льдов наиболее подходят оперативные ИСЗ, информация с которых поступает потребителям без ограничения, в режиме непосредственной передачи. К таким спутникам относятся, в частности, американские ИСЗ с аппаратурой видимого и ИК диапазонов серии NOAA/AVHRR и Terra (Aqua)/MODIS. Поэтому спутники NOAA на сегодняшний день наиболее широко используются национальными ледовыми службами при подготовке информации о состоянии ледяного покрова.
Подавляющее большинство существующих технологий интерпретации спутниковых данных для ледового картирования в национальных ледовых службах основаны на интерактивном анализе с участием опытного ледового эксперта. Наибольшее развитие среди спутниковых технологий, применяемых национальными ледовыми службами, получили технологии, основанные на использовании данных радиолокаторов с синтезированной апертурой (SAR). При этом для автоматической интерпретации данных SAR применялись различные подходы. Так, для определения типов льда разрабатывались различные алгоритмы с использованием величины коэффициента обратного рассеяния сигнала ледяным покровом (Александров, Пиотровская, 2008а; 2008б); проводилось исследование текстуры изображений с использованием полей Маркова (Clausi, 2000); исследовались процессы взаимодействия сигнала SAR с поверхностью льда различного возраста (Abreu, 2000) и др.
Однако такая технология автоматической классификации данных SAR требует наличия большого числа подспутниковых измерений и постоянного контроля со стороны ледового эксперта. Необходимость контроля выходной продукции ледовым экспертом обусловлена высокой вероятностью ошибок интерпретации при использовании автоматических процедур обработки данных SAR.
Сплоченность льда. Для оценки сплоченности льда на практике успешно применяются алгоритмы автоматической обработки данных микроволнового пассивного зондирования. Преимущества использования СВЧ-радиометров для мониторинга морского льда обусловлены значительной разницей в микроволновом диапазоне в излучательной способности открытой воды и различных типов льда, а также всепогодностью микроволновых датчиков, их способностью вести измерения в любое время суток. СВЧ-радиометры могут осуществлять ежедневный мониторинг параметров морского льда, как в глобальном, так и в региональном масштабе. Однако на сегодняшний день эти приборы имеют малое пространственное разрешение (6×4 км – у лидирующего по этому параметру радиометра AMSR-E/Aqua). Этот факт препятствует использованию микроволновых данных в региональных целях, в частности при обеспечении ледового плавания. СВЧ-радиометры применяются для глобального мониторинга ледяного покрова, при построении обзорных ледовых карт. Данные о сплоченности ледяного покрова, полученные с СВЧ-радиометров, собираются в информационных центрах (NESDIS, NSIDC) и предоставляются всем потребителям в квазиреальном масштабе времени.
Существующие алгоритмы оценки сплоченности льда по данным СВЧ-измерений основаны на линейной комбинации яркостных температур и их разностей на частотах 19, 37 и 85/89 ГГц при вертикальной и горизонтальной поляризациях. Среди наиболее распространенных алгоритмов оценки сплоченности льда, используемых в ледовых центрах, следует отметить: NASA Team, Bootstrap, TUD, ARTIST (Andersen, Tonboe et al.,2007; Cavalieri, 1994; Comiso,1995).
Алгоритм NASA Team (NT) использует два отношения: поляризационное (горизонтальная и вертикальная поляризации канала 19 ГГц) и градиентное отношение (вертикальная поляризация каналов 19 и 37 ГГц). Использование отношения уменьшает зависимость получаемой в итоге сплоченности от температуры поверхности. Алгоритм применим для трех типов поверхности: воды и двух типов льда (в условиях Арктики – однолетнего и многолетнего; модифицированный алгоритм – для областей с однолетним льдом и тонким льдом). Для снижения вероятности ложного обнаружения морского льда в открытых водах алгоритм NT использует два погодных фильтра, основанных на расчете пороговых значений по отношению вертикальной поляризации каналов 37 и 19 ГГц (23 и 19 ГГц). Улучшенная версия NT – алгоритм NASA Team 2 кроме каналов 19 и 37 ГГц использует данные канала 85 ГГц, полезные для автоматического восстановления параметров морского льда. Канал 85 ГГц очень чувствителен к атмосферному излучению и менее чувствителен к неоднородности снега или льда. Атмосферное излучение на 85 ГГц гораздо более сильное, чем на 19 и 37 ГГц, особенно в присутствии оптически тонких облаков. Вклад атмосферы корректируется путем использования простой модели переноса излучения; для каждого пикселя делается расчет атмосферных поправок, исходя из 11 типовых видов полярных атмосфер. В итоге алгоритм NASA Team 2 позволяет повысить точность оценки сплоченности льда.
Свои недостатки и преимущества в зависимости от времени года и конкретной ледовой обстановки имеют и остальные из перечисленных алгоритмов.
Важно отметить, что микроволновые радиометры в настоящее время позволяют автоматически ежесуточно различать границу льда и общую сплоченность морского льда в течение сезонных периодов вне летнего таяния и осеннего замерзания. Однако автоматическая оценка сплоченности многолетнего льда все еще нестабильна и менее точна, чем оценки, основанные на экспертном анализе SAR или видимых/ИК изображений. В периоды летнего таяния и осеннего замерзания величина ошибок для автоматически получаемых продуктов увеличивается в два раза и более (Andersen, Tonboe et al.,2007). Для снижения погрешности необходима дополнительная экспертная проверка качества последовательных серий информационных продуктов.
Возраст льда. Спутниковые наблюдения в различных диапазонах спектра позволяют определить возрастной состав льда – важнейшую характеристику ледяного покрова. При этом по изображениям видимого диапазона опытный ледовый эксперт может при визуальном анализе определить до 8 градаций развития (возраста) льдов; причем ниласовые и молодые льды разделяются на несколько возрастных градаций, а более старые льды объединяются в одну категорию, не разделяемую по градациям. По ИК-изображениям могут быть определены толщины ниласовых, молодых и однолетних тонких и средних льдов. По радиолокационным изображениям дешифрируются старые льды. В условиях Арктики в зимний период диагностировать возрастной состав льдов можно путем совместного использования ИК– и СВЧ-диапазонов.
Автоматизированные методы картирования морских льдов по возрастным градациям с использованием радиолокационных данных. Технологии использования данных микроволнового диапазона для картирования льда по возрастным градациям развиваются с 1980-х гг. Одна из первых методик оперативного картирования ледовой обстановки была разработана для российского ИСЗ «Океан», единственного на тот период спутника, оснащенного радиолокатором бокового обзора. В процедурах картирования применялся как метод визуальной экспертной интерпретации изображений, так и алгоритмы автоматизированной количественной оценки льдов (Александров, Лощилов, 1985; Александров и др., 1989). Данные спутника «Океан» широко использовались в ААНИИ для ежедневного анализа оперативной ледовой обстановки по изображениям на отдельных орбитах и для составления еженедельных композитных ледовых карт для всей трассы СМП (Асмус и др., 2002; Бушуев и др., 2004).
Одним из методов объективного оценивания возрастных градаций ледяного покрова является метод нейронных сетей (НС) (Bogdanov, 2005; Hara et al., 1994), широко применяемый при обработке данных дистанционного зондирования благодаря ряду преимуществ перед традиционно используемыми статистическими методами классификации. Нейросетевые алгоритмы показывают лучшие результаты при наличии спекл-шума в спутниковых радиолокационных данных. Обученные НС имеют более высокое быстродействие, что позволяет использовать их для обработки больших массивов информации. Это особенно важно при оперативной работе со спутниковыми изображениями с высоким пространственным разрешением. Наиболее сложной задачей является настройка (тренировка) НС с использованием обучающей выборки. При распознавании образов, где обучающая выборка может не охватывать всех возможных состояний данных, важнейшим свойством НС становится способность классифицировать вектора данных, которые не использовались при тренировке алгоритма, то есть способность к обобщению. Это свойство позволяет использовать нейронные сети как универсальный классификатор в задачах дистанционного зондирования.
Метод НС был применен в ААНИИ для разработки метода картирования ледяного покрова по спутниковой радиолокационной информации SAR. На начальном этапе были определены текстурные характеристики изображения. Текстура изображения определяется статистическими взаимосвязями значений соседних пикселей радиолокационного изображения, что выражается в виде «узора» или «рисунка», воспринимаемого глазом при визуальном анализе изображения. Особенности формирования ледяного покрова, стадии его развития, состояние поверхности и другие факторы определяют внешний вид текстуры изображения. Характеристики текстур различных типов поверхностей вычисляются на основе матрицы совместной встречаемости уровней яркости.
Статистический анализ полученных текстурных характеристик показал, что корреляция, инерция и выпуклость кластера – это наиболее значимые признаки. Энергия, гомогенность и энтропия менее значимы, однако являются источниками дополнительной информации. Целесообразность использования этих характеристик подтверждена корреляционным анализом. Яркости SAR-изображения, как известно, подвержены значительному краевому эффекту: уменьшение удельной эффективной площади рассеяния (УЭПР) электромагнитных импульсов морским льдом с увеличением угла зондирования приводит к значительному уменьшению сигнала в дальней части полосы обзора относительно ближней. Для получения равноконтрастного изображения по всей полосе обзора была разработана методология приведения УЭПР морских льдов к одному углу зондирования (Александров, Пиотровская, 2008а; 2008б). Алгоритм приведения изображения к фиксированному углу зондирования включает в себя пересчет яркости SAR-изображения в значение УЭПР для данного угла зондирования, пересчет полученного значения для угла зондирования 25° и пересчет скорректированной УЭПР в новое значение яркости по ранее определенным коэффициентам, уникальным для каждого класса льда (однолетнего, однолетнего деформированного и старого льда).
Верификация алгоритма оценки возрастных градаций льда по методу НС проводилась в период Международного полярного года, на акватории российской Арктики, в частности, по району дрейфа СП-35. Были использованы SAR-изображения с европейского спутника Envisat с разрешением 150 м и полосой обзора 400 км. Благодаря высокоширотному положению траектории дрейфа станции, ее изображение (точнее морских льдов в области станции) можно было получать практически ежедневно. Согласно экспертной оценке, ледяное поле, на котором был построен лагерь дрейфующей станции, состояло из смерзшихся обломков полей старого льда различных размеров, толщины и конфигурации. Монолитные обломки полей старого льда разделены полосами однолетнего льда с включениями битого старого льда. Поэтому сеть настраивалась на выделение на спутниковой сцене трех классов: старого льда, однолетнего ровного льда и однолетнего деформированного льда. Для обучения этой сети использовался стандартный алгоритм обратного распространения ошибки. Сеть была настроена на классификацию SAR-изображений центрального района Арктики в зимний период года. Полученные результаты классификации соответствовали результатам экспертного дешифрирования. Рассчитанные ошибки классификации составили: для однолетнего ровного льда 15 %, для однолетнего деформированного льда 17 % и для старого льда 20 %. Обученная сеть также была использована для автоматического картирования этих же возрастных градаций льда по данным Envisat в Арктическом бассейне (рис. 1).
Рис. 1. Картирование возрастных стадий льда в Арктике с помощью метода нейронных сетей по данным Envisat. 16.01.2008 (слева – исходный снимок, в центре – снимок с угловой коррекцией, справа – классифицированное изображение) 1 – старый лед; 2 – однолетний ровный лед; 3 – однолетний деформированный лед
Для использования метода НС в автоматическом режиме, с целью оперативного картирования возрастных стадий льда, необходима настройка сети в направлении выделения большего количества классов ледовых образований.
Определять возрастной состав морских льдов по спутниковым данным в автоматизированном режиме можно также с помощью методов теории вероятности, в частности, применяя формулу Байеса для расчета апостериорной вероятности p(ωj/xi)
p(ωj/xi) = p(xi/ωj) × p(ωj)/p(xi), p(xi) = p(xi/ωj) × p(ωj),
где p(ωj) – априорная вероятность, p(xi/ωj) – условная плотность распределения величины xi в состоянии ωj.
Метод байесовской классификации обеспечивает оптимальное решение с точки зрения минимума вероятности ошибки. При классификации ледяного покрова на спутниковом снимке принимается решение в пользу того вида льда, для которого величина апостериорной вероятности p(ωj/xi) максимальна.
Для того, чтобы применять правило Байеса, необходимо знать условные плотности распределения и априорные вероятности. В центральной части Арктики частная сплоченность многолетних льдов составляет около 90 % (Johannessen et al., 2006). Исходя из этого, были выбраны следующие значения априорной вероятности появления многолетнего, ровного и деформированного однолетнего льдов: p(ωmy)=0.9; p(ωfy)=0.05, p(ωfd)=0.05. Условные плотности распределения p(xi/ωj) рассчитывались по калиброванным изображениям со спутника Envisat, на которых экспертным путем выбирался ряд характерных участков каждого из рассматриваемых видов льдов.
Решение принимается в пользу:
ωmy, если p(ωmy /xi) > p(ωfy/xi) и p(ωmy /xi) > p(ωfd/xi)
ωfy, если p(ωfy/xi) > p(ωmy /xi) и p(ωfy/xi) > p(ωfd/xi)
ωfd, если p(ωfd/xi) > p(ωmy /xi) и p(ωfd/xi) > p(ωfy/xi)
На основе алгоритма байесовской классификации были обработаны SAR-изображения, полученные со спутника Envisat в районе к северу от Гренландии. При этом на первом этапе обработки выполнялось приведение УЭПР поверхности к углу падения 25°, а на втором – распознавание и оценка частной сплоченности многолетнего льда (рис. 2). Участки многолетнего льда и разрывы выделяются на снимке достаточно точно. Некоторые пиксели многолетнего льда идентифицировались как однолетний или деформированный лед, что обусловлено перекрытием их значений УЭПР.
Рис. 2. Картирование возрастных стадий льда в Арктике по SAR-изображению с помощью метода байесовской классификации, по данным Envisat. 6 декабря 2005 г. а) исходное изображение, приведенное к углу падения 25°; б) результат классификации (многолетний лед – желтый; однолетний ровный лед – темно-синий; однолетний деформированный лед – голубой; не классифицирован – красный; в) вычисление частной сплоченности многолетнего льда в выделенных зонах: синяя зона – Cmy=0.95; зеленая зона – Cmy=0.81; красная зона – Cmy=0
Дрейф льда. Дрейф льда определяют с помощью интерактивных или автоматических процедур, основанных на использовании координат одних и тех же опорных точек на последовательных спутниковых изображениях. Определение дрейфа льда в интерактивном режиме занимает значительное время и в оперативной практике не используется. В автоматизированном режиме для оценки векторов дрейфа по последовательным спутниковым изображениям используются следующие методы: полиномиальный, кросс-корреляционный, гибридный, метод оптического потока.
Полиномиальный метод. По двум спутниковым изображениям, выведенным на экран компьютера, интерактивно определяются и запоминаются координаты идентичных ледовых образований. Далее строится полиномиальная модель, коэффициенты которой вычисляются по методу наименьших квадратов. Полученная зависимость позволяет по координатам ледового объекта на первом изображении определить вероятные координаты этого объекта на втором изображении. Таким образом, оператор имеет возможность производить поиск соответствующего ледового объекта на втором изображении в окрестности предсказанной точки, что ускоряет определение дрейфа в интерактивном режиме.
Кросс-корреляционный метод. Метод основан не на опознавании и определении координат идентичных точек изображений, а на нахождении соответствия между небольшими участками (шаблонами) на паре последовательных изображений путем поиска максимума кросс-корреляции. Впервые этот метод был предложен М. Фили и Д.А. Ротроком в 1987 г. для изображений SAR ERS-1 и в дальнейшем применялся для изображений других спутников (Fily, Rothrock, 1987). Выбранный на первом изображении шаблон сравнивается с таким же по размеру шаблоном на втором изображении. При этом шаблон на втором изображении последовательно передвигается в пределах района, размер которого определяется оператором с учетом максимально возможной для этого района скорости дрейфа. Модификация метода использует пирамидальную структуру изображений, включающую в себя несколько уровней, каждый из которых представляет собой исходное изображение с различным усреднением. По модифицированному алгоритму сначала находят векторы дрейфа для изображений самого низкого разрешения, а затем эта информация используется при поисках максимума коэффициента кросс-корреляции последовательно на каждом уровне пирамиды, начиная с вершины. На каждом уровне пирамиды происходит уточнение поля векторов дрейфа. Использование пирамидальной структуры изображений позволяет ограничить область поиска на втором изображении и снижает, хотя и не исключает полностью, вероятность грубых ошибок метода. Данный алгоритм применялся при определении дрейфа в центральных районах Арктики, однако в битых льдах и при значительных углах поворота ледяных полей его точность значительно ухудшалась, а пик корреляции расширялся и в конечном счете становился статистически незначимым. Использование системы полярных координат позволяет применить кросс-корреляционный метод к преобразованному спектру мощности для определения углов поворота ледяных полей. После исключения относительного поворота, пик кросс-корреляции возрастает, что позволяет получить векторы перемещения первого порядка, определяющие движение льда как твердого тела (перемещение и поворот).
Для уменьшения времени вычислений в модификации кросс-корреляционного алгоритма используется процедура двумерного бинарного поиска. При этом принимается допущение, что двумерный коэффициент кросс-корреляции в некоторой окрестности наблюдаемого объекта монотонно уменьшается от максимального значения, соответствующего его истинному положению. Расчеты показали, что распределение двумерного коэффициента кросс-корреляции в окрестности рассматриваемого объекта на SAR – изображении имеет множество пиков, и использование процедуры двумерного бинарного поиска приводит к нахождению максимума, соответствующего одному из них.
Для автоматического определения дрейфа по радиолокационным изображениям, полученным со спутника «Океан», метод кросс-корреляции был усовершенствован в ААНИИ (Рахина и др., 1998). Особенностью используемого подхода стала обработка изображения полного разрешения с ограничением зоны поиска на повторном снимке для уменьшения времени вычислений и вероятности ошибки. Ограничить зону поиска удалось за счет использования априорной информации о максимально возможной скорости дрейфа. Данный алгоритм впоследствии был применен для определения дрейфа льдов по данным ИСЗ Envisat (рис. 3).
Рис. 3. Вектора дрейфа льда, рассчитанные для района Северной Земли за период 30.10 – 3.11.2009 гг. с использованием кросс-корреляционного алгоритма Международного центра по окружающей среде и дистанционному зондированию им. Нансена. 1 – старый лед; 2 – однолетний лед; 3 – открытая вода; длина векторов, выраженная в масштабе карты, отражает перемещения льда за промежуток времени с 30 октября по 3 ноября 2009 г.
Гибридный метод. Является комбинацией интерактивного, полиномиального и кросс-корреляционного методов. По интерактивно определенным векторам дрейфа строится полиномиальная модель дрейфа, которая уточняется методом кросс-корреляции. Определенная полиномиальной моделью точка на втором изображении является центром площади поиска максимума коэффициента кросс-корреляции. Размер зоны поиска, определяющий объем вычислений, и точность конечного результата зависят от точности полиномиальной модели.
Метод оптического потока. Метод основан на вычислении компонент скорости движения льда по яркости каждой точки изображения при помощи аппарата частных производных. Автор алгоритма Я. Сан (Sun, 1994) также использует построение пирамидальной структуры спутниковых изображений, на вершине которой находится изображение наиболее грубого разрешения, а в основании – исходное изображение. На уровне грубого разрешения методом кросс-корреляции получаются грубые вектора дрейфа. Затем на каждом уровне пирамиды производится вычисление оптического потока – трехмерного векторного поля, которое получается из скалярной функции яркости последовательных по времени изображений. Яркость объекта во время его движения считается постоянной. Градиент яркости изображения также принимается стационарным во времени. Метод используется для детального слежения за динамикой льда и позволяет получить информацию о трансформациях ледяного покрова – сжатиях, разрежениях, взаимных подвижках, деформациях. Алгоритм вычисления оптического потока требует предварительной калибровки снимков по значениям яркости.
Толщина льда. Толщина льда – один из наиболее важных параметров ледяного покрова. Методов прямых измерений толщины льда с помощью спутниковых средств не существует. Для определения толщины льда по данным ИСЗ применяются косвенные методы, основанные либо на найденных закономерностях между измеряемыми параметрами (температурой поверхности льда) и собственно толщиной льда, либо на вычислении разницы в длине пути луча, проходящего до границы снег-воздух и луча, отраженного непосредственно от ледовой поверхности. Грубая оценка толщины льда может быть получена по спутниковым данным о возрасте льда, так как толщина льда и его возраст – два взаимосвязанных параметра.
Определение толщины льда по данным измерений в ИК-диапазоне. ИК-диапазон исторически стал первым из известных диапазонов электромагнитного спектра, дистанционные наблюдения в котором позволили разработать реально действующие технологии оценки толщины льда. Уже в 1970-е гг. были получены первые успешные результаты оценки толщины льда по данным авиационных ИК-радиометров (Kuhn, 1975). В 1980-х начались разработки технологий использования спутниковых ИК-каналов для оценки толщины льда (Лощилов, Парамонов, 1987; Groves, Stringer, 1991). Технологии базировались на решении уравнений теплопроводности сред вода – лед – снег – воздух и эмпирических зависимостях, полученных в ходе полевых наблюдений в полярных районах. Было установлено, что при отрицательных температурах воздуха между температурой поверхности льда и его толщиной до определенных критических толщин льда существует обратно пропорциональная зависимость: чем толще лед, тем ниже температура его поверхности. При толщине льда 240–250 см наблюдался эффект насыщения, когда температура поверхности льда приобретала минимальные для данных гидрометеорологических условий значения, которые не менялись при дальнейшем увеличении толщины. Такие льды получили наименование «толстые».
В ААНИИ применяется технология оценки толщины льда по данным о температуре поверхности льда, полученной с ИСЗ NOAA/AVHRR.
Снежно-ледяной покров морей зимой рассматривается как промежуточный слой между морской водой, имеющей у нижней поверхности льда постоянную температуру, равную температуре замерзания морской воды данной солености, и слоем воздуха, температура которого для арктических морей в большинстве случаев находится в пределах –20 … –50 °C. Температура замерзания морской воды определяется из справочной литературы, как функция солености в районе наблюдения.
Для устранения эффекта атмосферного влияния на значения ИК-сигнала применяется стандартная процедура многоканальной коррекции с использованием радиационных температур в 4-м и 5-м каналах AVHRR при заданных для исследуемого региона постоянных коэффициентах. Наличие облачности в районе наблюдений полностью исключает возможность оценки толщины льда по ИК-измерениям. Поэтому автоматизированное определение толщины морского льда по спутниковым изображениям ИК-диапазона производится только для безоблачных районов. Границы облачных образований могут быть определены интерактивно или с использованием специальных статистических методов анализа двумерных полей.
В рамках модели оценки толщины морского льда по значению температуры его поверхности непосредственно определяется не истинная толщина льда и снега в данном пикселе, а преобразованная толщина Hp, приведенная к толщине только льда, имеющего одинаковую теплопроводность со льдом, покрытым снегом:
Hp = H+h х L/l,
где H и L – толщина и теплопроводность льда, h и l – толщина и теплопроводность снега.
Параметрическая модель оценки толщины морского льда, применяемая нами, имеет на входе безразмерный параметр Q, представляющий собой «коэффициент подобия» между топографией поля льда и соответствующим ему температурным полем снежно-ледяной поверхности. Параметр Q вычисляется для каждого пиксела ИК изображения:
Q = (Ti – Tw) / (Tt – Tw),
где Ti —температура участка, на котором измеряется толщина льда, Tt, Tw – средние температуры тестовых участков «толстого» льда и чистой воды.
Тестовые участки «толстого» льда и чистой воды выбираются ледовым экспертом. Зависимость параметра Q от преобразованной толщины была определена экспериментально по ежедекадным измерениям толщин льда и снега на припае, проводимым береговыми полярными станциями.
Опыт показал, что определение параметра Q путем опознавания и измерения на тестовых участках чистой воды и старых льдов, как правило, не может быть выполнено корректно. При низких температурах воздуха на разводьях и разрывах сразу начинают образовываться ниласовые и молодые льды, а тестовые участки «толстого» льда в осенний и ранний зимний периоды даже в арктических морях могут отсутствовать. В разработанной нами усовершенствованной технологии в качестве тестовых участков «толстого льда» используется сеть постоянных реперных точек заснеженной суши. Истинная толщина льда, образование и нарастание которого происходило в бесснежные периоды, равняется преобразованной. Высоты снега на льдах той или иной преобразованной толщины определяются по данным береговых станций.
Реально на конкретной акватории одновременно присутствуют льды различного времени образования. Спутниковая технология, основанная на данных ИК-каналов, должна позволять определять толщины различных возрастных стадий льда. Для этого по осредненным данным береговых станций конкретного моря о высотах снега и декадных суммах среднесуточных температур формируется оперативная база высот снега, расчетных и преобразованных толщин льда (приведенных к толщине незаснеженного льда), а также расчетных и преобразованных толщин снежно-ледяного покрова различного времени образования. Вычисления выполняются по десятисуточным периодам, соответственно с датами измерения толщин льда и снега припая береговыми станциями. На завершающем этапе формируется классификационная таблица, в которой для каждой возрастной стадии (с шагом 20 см) указывается средняя высота снега, преобразованные толщины и безразмерные параметры Q. С использованием этой таблицы исходное ИК-изображение трансформируется в спутниковое классифицированное изображение (карту-схему) возрастных градаций (толщин) льда.
Оценка точности разработанной технологии оценки толщин льда по спутниковым ИК наблюдениям проводилась с использованием синхронных наблюдений с ледоколов. Оказалось, что технология позволяет оценивать преобразованные и истинные толщины молодых и однолетних тонких льдов с погрешностью ±5–10 см, а однолетних средних – 10–15 см. Возрастные стадии определяются, как правило, безошибочно.
Оценка толщины ледяного покрова в арктических морях в весенний период. Анализ спутниковой информации ИК-диапазона по Карскому морю за разные годы, проведенный А.В. Бушуевым, показал, что удовлетворительное совпадение расчетных данных по толщине снежно-ледяного покрова и натурных наблюдений имело место только для зимнего периода, когда температура воздуха ниже −10 °C. При более высоких температурах воздуха расчеты давали значительную погрешность. Исследования возможных причин расхождения экспериментальных и натурных оценок позволили заключить, что основную роль в возникновении ошибок расчета играет неучет сезонного изменения теплопроводности снега.
Снег, как известно, имеет более низкую теплопроводность по сравнению со льдом, что объясняется обилием в снеге мелких воздушных пор. Установлено, что коэффициент теплопроводности плотного снега в 3 раза меньше коэффициента теплопроводности морского льда (Дюнин, 1983). Весной снежный покров на поверхности морского льда меняет свои характеристики, главным образом, из-за изменения плотности снега.
Исследования показали, что в применяемой нами технологии оценки толщины снежно-ледяного покрова арктических морей в весенний период целесообразно использовать соотношение теплопроводностей льда и снега 3:1, а в зимний – 7:1. Эмпирическая зависимость параметра Q от толщины снежно-ледяного покрова для весеннего периода также берется иной по сравнению с зимним периодом. Для установления вида этой зависимости были использованы ледовые наблюдения в Карском море экспедиции ААНИИ «КАРА-2010» с борта дизель-электрохода «Мончегорск» в апреле-мае 2010 г. и снимки с радиометра AVHRR ИСЗ NOAA по району Карского моря. В результате была получена эмпирическая зависимость параметра Q от толщины снежно-ледяного покрова (рис. 4), характерная для весеннего погодного периода в Арктике, когда отмечаются слабые отрицательные температуры воздуха (до –10 °С). С использованием установленной зависимости по спутниковым данным AVHRR (рис. 5) были получены расчетные значения толщин льда (рис. 6).
Рис. 4 Зависимость параметра Q от толщины снежно-ледяного покрова, принимаемая для расчетов в зимнее время (1) и весеннее (2)
Рис. 5. Карское море 28 апреля 2010 г. Снимок AVHRR ИСЗ NOAA-16, 4 канал
Рис. 6. Толщина льда в Карском море 28 апреля 2010 г. по данным измерений температуры поверхности радиометром AVHRR/NOAA (в расчете использованы «весенние» значения параметра Q и коэффициент теплопроводности плотного снега; стрелками показан маршрут движения дизель-электрохода «Мончегорск» в период с 30.04 по 2.05.2010 г)
При положительных температурах воздуха на поверхности льдов образуется талая вода, экранирующая собственное излучение льда и ледовые наблюдения в ИК-диапазоне становятся невозможны.
Определение толщины льда по данным измерений в СВЧ-диапазоне. В микроволновом диапазоне возможности измерения толщины льда в значительной степени зависят от применяемой длины волны и чувствительности радиометра. Так, при рабочей длине волны 21 см максимальная толщина льда, которую можно измерить СВЧ-радиометром, составляет 173 см – при приборной чувствительности ∆Т=0,01 К и 132 см при ∆Т= 0,1 К. При рабочей длине волны 2 см максимальная измеряемая толщина льда составляет 27 см для аппаратуры с ∆Т= 0,01 К и 21 см – для ∆Т=0,1 К (Ji et al., 2007). Толщину льда в микроволновом диапазоне лучше определять с помощью многочастотных СВЧ-радиометров, причем для тонких льдов лучше использовать коротковолновые каналы 8 мм – 5 см, а для толстых льдов – канал 21 см. В настоящее время отладка разработанной модели выполняется с использованием данных измерений самолетных СВЧ-радиометров (Ji et al., 2007).
Комбинированные методы. В последнее время развиваются методы оценки толщины ледяного покрова с помощью спутниковой альтиметрии – лазеров и радаров-альтиметров. Луч лазера и луч радара обладают различной способностью проникновения в поверхностный слой снега: лазерный сигнал отражается от поверхности снега, а радарный проходит сквозь слой снега (hs) до поверхности льда. Таким образом, радары-альтиметры измеряют надводную толщину льда, а лазерные альтиметры – расстояние от спутника до верхней границы снежного покрова, находящегося на льду (hf.). Комбинирование этих двух видов измерений позволит более точно оценивать толщину ледяного покрова (hi). Расчет hi. проводят по уравнению плавучести с учетом плотности морской воды (ρw), снега (ρs), и льда (ρi) (Connor et al., 2009):
Основным недостатком радаров-альтиметров является зондирование только вдоль узкой трассовой полосы и низкое пространственное разрешение (порядка 7 км для радара-альтиметра RA-2), что не позволяет в настоящее время рассматривать радары-альтиметры в качестве источников ледовых данных для решения оперативных задач.
При решении задач освоения природных углеводородных месторождений на шельфе полярных морей наибольшую опасность для сооружений и инженерных конструкций представляют ледяные нагромождения деформированного морского льда и фрагменты льда материкового происхождения. Для арктических морей основную проблему при обеспечении жизнедеятельности на морских акватория представляют следующие опасные ледяные образования (ОЛО): многолетние ледяные поля диаметром 500 м и более; айсберги и их обломки; поля толстого однолетнего льда с большими (более 3 м высотой) грядами торосов; всплывшие и подвижные стамухи. Спутниковые технологии должны обеспечивать соответствующие эксплуатационные службы компаний, осуществляющих хозяйственную деятельность в шельфовой зоне, оперативной информацией о морфометрических характеристиках гряд торосов и стамух, параметрах айсбергов (габариты, скорость и направление дрейфа) и пр.
Экспертный анализ и интерпретация изображений являются пока наиболее надежным и точным способом получения информации по обнаружению ОЛО и их характеристикам. Причем без наличия опорных полевых наблюдений часто не представляется возможным сделать достоверное заключение об обнаружении ОЛО. На рис. 7 представлено изображение с ИСЗ RADARSAT, на котором с помощью наземной исследовательской группы удалось идентифицировать крупную стамуху. При этом, по полевым наблюдениям, в радиусе пяти километров от указанной стамухи располагались еще несколько стамух приблизительно такого же размера, в том числе и в южном направлении. Однако на спутниковом изображении такие объекты не были обнаружены. Этот факт может быть связан с неблагоприятной случайной взаимной ориентацией угла и направления зондирования в момент съемки стамух.
Рис. 7. РСА изображение со спутника RADARSAT, на котором удалось идентифицировать изображение стамухи (выделено кружком) 22 апреля 2007 г.
Наиболее перспективным является оперативный мониторинг ОЛО на основе совместного комплексного анализа данных SAR (спутников RADARSAT, Envisat), данных тепловых каналов оптического диапазона спутников NOAA и Terra, наземных наблюдений на судах и береговых станциях, а также модельных расчетных данных. Важным условием таких комплексных наблюдений является регулярный, а не эпизодический спутниковый мониторинг состояния ледяного покрова. Одним из методов объективного мониторинга ОЛО с помощью спутниковых данных может быть метод нейронных сетей. Для выделения ОЛО по этому методу, помимо текстурных характеристик, могут использоваться и иные входные параметры. Например, для айсбергов это могут быть: наличие и конфигурация открытой воды за движущимся айсбергом и ветровые данные.
Для развития спутниковых технологий обнаружения ОЛО необходима верификация результатов с использованием подспутникового эксперимента с регистрацией широкого круга параметров. Особенно это необходимо для обеспечения возможности выделения «точечных объектов» – айсбергов, ледяных островов и всплывших стамух. Основной проблемой при выделении таких объектов методом нейронных сетей является, например, дефицит обучающих выборок.
В заключение этого раздела в табл. 1 отражены возможности современной спутниковой аппаратуры при определении важнейших параметров морского льда в автоматическом/автоматизированном режиме. Наиболее соответствуют задачам мониторинга морских льдов на ежедневной основе технологии оценки сплоченности и положения кромки льдов по данным СВЧ-радиометрии. К сожалению, приборы этого типа имеют пока недостаточное для многих приложений пространственное разрешение. Самыми информативными являются приборы активной локации – радары. Они позволяют определять наибольшее число параметров ледяного покрова, причем круглогодично и при любых облачных условиях. Данные видимого диапазона, напротив, имеют ограниченное применение в полярных регионах ввиду невозможности проведения съемки в темное время года. Данные ИК-диапазона обеспечивают хорошие интерпретационные возможности при мониторинге льдов в зимний период. Этот диапазон наиболее предпочтителен для разработки технологий оценки толщины льда.
Таблица 1. Характеристики ледяного покрова, измеряемые с ИСЗ (для видимого и ИК– диапазонов – в условиях ясного неба, для видимого – также при высоте солнца над горизонтом более 5°)
Табл. 1 иллюстрирует только аппаратные возможности и наличие необходимых технологий обработки данных. Реальное использование тех или иных спутниковых средств для мониторинга морских льдов зависит также от экономических факторов, от доступности спутниковой информации для конкретных потребителей.
Цикл работ в области изучения характеристик морского льда с помощью методов дистанционного зондирования, осуществленный российскими учеными в период МПГ в полярных областях Земли, позволил получить ряд важных выводов.
Дальнейшее совершенствование методов дистанционного зондирования ледяного покрова полярных регионов требует постановки широкомасштабных экспериментальных работ по верификации методик ДЗ морских льдов. Для таких работ необходимым условием должно быть обеспечение исследователям возможности доступа к имеющимся различным информационным источникам по изучаемой акватории. В том числе желательно обеспечить, в согласованных объемах, обмен информацией между ледовыми службами разных стран. Полевые работы должны проводиться с использованием сертифицированной аппаратуры, обеспечивающей выполнение многопараметрических полевых наблюдений с сопоставимой точностью. Необходимо совершенствовать стационарный сегмент гидрометеорологических наблюдений в полярных районах, для чего следует шире разворачивать в труднодоступных полярных регионах сеть современных автоматических измерительных комплексов, включенную в систему мониторинга морских льдов.
Перспективы развития технологий мониторинга морских льдов зависят также от степени разработанности ледовых моделей, позволяющих прогнозировать краткосрочные и долгосрочные изменения параметров ледяного покрова (в том числе модели дрейфа льда, дрейфа айсбергов, нарастания толщин льда и пр.). В моделях должна быть предусмотрена возможность усвоения спутниковых данных. Прогностический блок должен стать полноправной составляющей технологии мониторинга морских льдов.
Работы российских ученых по программе МПГ показали, что развитие методов ДЗ морского льда в нашей стране сдерживается из-за отсутствия собственных природоресурсных космических аппаратов, оснащенных современными радарами, радиометрами высокого разрешения и пр. В РФ были предприняты определенные шаги для восстановления российской орбитальной группировки метеорологических и природоресурсных спутников. 17 сентября 2009 г. был запущен российский космический аппарат «Метеор-М». Информация с этого спутника уже используется для решения ряда природоресурсных задач, а данные бортового спектрофотометра с пространственным разрешением 60 м могут быть использованы для изучения тонкоструктурных особенностей строения морского ледяного покрова. На 2011 г. запланирован запуск второго спутника серии «Метеор-М». Вся российская группировка метеоспутников будет состоять из трех аппаратов, причем третий планируется оборудовать радиолокатором с активной фазированной решеткой с пространственным разрешением порядка 1 м.
В соответствии с федеральной космической программой в период до 2015 года будет завершена реализация мероприятий по вводу в эксплуатацию Многоцелевой Космической Системы (МКС) «Арктика». Система будет состоять из двух космических аппаратов (КА) «Арктика-М», функционирующих на высокоэллиптических орбитах типа «Молния» с периодом обращения 12 часов, и двух космических аппаратов «Арктика-Р», запускаемых на низкие околополярные орбиты и оснащенных радиолокаторами с синтезированной апертурой. Подсистема «Арктика-М» позволит осуществлять непрерывный мониторинг окружающей среды Арктики, включая наблюдения за состоянием ледяного покрова в видимом и инфракрасном спектральных диапазонах.
В XVIII веке М.В. Ломоносов сказал, что богатство России будет прирастать Сибирью; в XXI веке мы можем утверждать, что богатство России будет прирастать Арктикой. Обязанность ученых в решении этой важной государственной задачи – разработать наиболее эффективные технологии доступа к этим богатствам, обеспечить безопасность жизнедеятельности на хозяйственных объектах в полярных регионах, предложить наиболее экологичные методы природопользования. Реализация таких программных задач потребует широкой международной кооперации, развития эффективного сотрудничества ученых разных стран. Важным элементом такого сотрудничества несомненно станет развитие спутниковых технологий мониторинга полярных областей Земли.
Александров В.Ю., Лощилов В.С. Количественная интерпретация спутниковых радиолокационных изображений морских льдов с использованием априорных данных // Исследование Земли из космоса. 1985, № 3. С. 28–31.
Александров В.Ю., Лощилов В.С., Терентьев И.В. Оценка возможности автоматизированного определения характеристик разрывов в ледяном покрове по спутниковым радиолокационным изображениям // Исследование Земли из космоса. 1989. № 3. С.12–17.
Александров В.Ю., Пиотровская Н.Ю. Оценка УЭПР морских льдов разного возраста по радиолокационным изображениям спутника ENVISAT // Исследование Земли из космоса. 2008а. № 4. С. 3–11.
Александров В.Ю., Пиотровская Н.Ю. Цифровая обработка РСА-изображений морских льдов спутника ENVISAT // Проблемы Арктики и Антарктики. 2008б. № 1(78). С. 90–94.
Асмус В.В. Милехин О.Е., Кровотынцев В.А., Селиванов А.С. Использование радиолокационных данных ИСЗ Океан для решения задач гидрометеорологии и мониторинга окружающей среды // Исследование Земли из космоса. 2002. № 2. С. 1–8.
Бушуев А.В., Лощилов В.С., Смирнов В.Г., Щербаков Ю.А. Спутниковый мониторинг ледяного покрова. – В сб. докладов 2й всероссийской научной конференции: Дистанционное зондирование земных покровов и атмосферы аэрокосмическими средствами. Санкт-Петербург, РГГМУ, 16–18 июня, 2004, Том 2, с. 42–47.
Дюнин А.К. В царстве снега /Новосибирск: Наука. СО АН СССР. 1983, 161 с.
Лощилов В.С., Парамонов А.И. Определение и картографирование толщины морского льда в Арктике по спутниковым изображениям в ИК-диапазоне // Исследование Земли из космоса. 1997, № 5. С. 63–72.
Рахина Т.В., Александров В.Ю., Бушуев А.В., Сандвен С. Определение дрейфа льдов по радиолокационным изображениям спутника «Океан» с использованием кросс-корреляционного алгоритма // Исследование Земли из Космоса. 1998. № 4. С. 102–110.
Abreu R.D. RADAR Sea Ice Signatures: An Operational Primer // Proceedings of a workshop on mapping and archiving of sea ice data – the expanding role of radar. Ottawa, Canada, 2–4 May 2000. WMO/TD-№. 1027, JCOMM Technical Report 2000. №.7. P. 85–94.
Andersen, S., Tonboe, R., Kaleschke, L., Heygster, G., Pedersen, L.T. (2007). Intercomparison of passive microwave sea ice concentration retrievals over the high-concentration Arctic sea ice //J. Geophys. Res., 2007. Vol. 112, C08004.
Bogdanov A.V., Sandven S., Johannessen O.M.et al. Multisensor Approach to Automated Classification of Sea Ice // IEEE Trans. on Geoscience and Remote Sensing. 2005. Vol. 43. № 7. P. 1648–1664.
Carsey F.D. Microwave remote sensing of sea ice // Geophysical monograph. 1992. Vol. 68. 446p.
Cavalieri D. A passive microwave technique for mapping new and young sea ice in seasonal sea ice zones // J. Geophys. Res. 1994. Vol. 99(C6). P. 12561–12572.
Clausi D.A. Texture Analysis of SAR ICE Imagery Using MRFs. // Proceedings of a workshop on mapping and archiving of sea ice data – the expanding role of radar, Ottawa, Canada, 2–4 May 2000, WMO/TD-No. 1027, JCOMM Technical Report 2000. №.7. P. 287–292.
Comiso J.C. SSMI ice concentrations using the Bootstrap Algorithm, NASA RP № 1380, 1995. 50p.
Connor L. N., Laxon S.W., Ridou L.R. e.a. Comparison of Envisat radar and airborne laser altimeter measurements over Arctic sea ice//Remote Sensing of Environment 2009. Vol/ 113, Issue 3, P. 563–570
Fily M., Rothrock D.A. Sea ice tracking by nested correlation // IEEE Transactions on Geoscience and Remote Sensing. 1987. Vol. 25. № 5, P. 570–580.
Gronvall H., Seina A., Simila M. The Finish Ice Service and Real-Time Automatic Classification of SAR Data // Nordic Space Activities, 1996. Vol. 4, P. 28–29, 33–35.
Groves J.E., Stringer W.J. The use of AVHRR thermal infrared imagery to determine sea ice thickness within the Chukchi polynya //ARCTIC VOL. 1991, № 44, Supp. 1. P. 130–139.
Hara Y., Atkins R.G., Shin R.T. et.al. Application of Neural Networks to Radar Image Classification // IEEE Trans. on Geoscience and Remote Sensing. – 1994. – Vol. 32, № 1. P. 100–109.
Haverkamp D., Son L.K. Tsatsoulis C. A Comprehensive, Automated Approach to determining Sea Ice Thickness from SAR data // IEEE Trans. Geosci. Rem. Sensing. 1995. Vol.33, № 1, P. 46–57/
Haverkamp D., Son L.K., Tsatsoulis C. The combination of Algorithms and Heuristic Methods for the Classification of Sea Ice Imagery // Remote Sensing Reviews, 1994. Vol. 9, P. 135–159, 183–194.
Ji Y., Zhang, J. Meng, Y. ABMR ice thickness model and its application to Bohai Sea in China // Progress in Electromagnetic Research 2007. Vol. 76. P. 183–194.
Johannnessen O.M., Volkov A.M., Grischenko V.D. Bobylev L.P. e.a. ICEWACH, Real-time sea ice monitoring of the Nothern sea route using satellite radar technology A cooperative project between Russian Space Agency (RKA) and European Space Agency (ESA), Progress report, Technical report No. 113. Nansen environmental and remote center, 1996. 126 p.
Johannessen O.M., Alexandrov V.Yu., Frolov I.Ye., Sandven S., Bobylev L.P., Pettersson L.H., Kloster K., Smirnov V.G., Mironov Ye.U., Babich, N.G. Remote sensing of sea ice in the Northern Sea Route: studies and applications. Chichester, UK: Springer-Praxis, 2006.
Kloster, K., Fleshe H., Johannessen O.M. Ice motion from airborne SAR and satellite imagery // Advanced Space Res. 1992. № 12(7). P. 149–153.
Kuhn P.M., Sterns L.P., Ramseier R.O. Airborne infrared imagery of arctic sea ice thickness. NOAA Technical Report ERL. 331–APCL 34. 1975. Boulder: U.S. Department of Commerce, NOAA, Environmental Research Laboratories.
Sandven S., Kloster K., Johannessen O.M. SAR Ice Algorithms for Ice Edge, Ice Concentration, and Ice kinematics // NERSC Technical Rep. 1991. № 38.
Spreen G., Kaleschke L., Heygster G. Sea ice remote sensing using AMSR 89-GHz // J. Geophys. Res., 2008. Vol.113.
Sun Y. A new correlation technique for ice motion analysis // EARSeL Advances in Remote Sensing. 1994. Vol.3, № 2, P. 57–63.
Abstract
Remote sensing methods used for determination of sea ice concentration, stages of development, thickness and drift are considered. Examples of sea ice stages of development charting in the Arctic with the use of Envisat data, neural network and Bayesian classification methods are presented. Features of satellite technology for Dangerous Ice Formations (DIFs) are stated. Proposals for further development of sea ice remote sensing taking into account the IPY experience are formulated.