Двадцать первый век – век космического освоения, в котором процесс дистанционного зондирования получает все большее применение. Информация, получаемая с космических носителей, используется для формирования баз данных геоинформационных систем. Получаемые с космических аппаратов и спутников снимки отличаются детальностью отображения исследуемых объектов в различных спектральных диапазонах.
В России уделяется значительное внимание мониторингу арктических морей. Обусловлено это необходимостью обеспечения выгодного судоходства на Северном морском пути и изучения ледового режима морей в Арктике.
Практически две трети года моря сибирского шельфа Арктики имеют сплоченный ледяной покров, чего нельзя сказать о морях приатлантического сектора Арктики. Поэтому необходимо понимать дальнейшие перспективы увеличения или уменьшения площади льдов.
Предлагаемая модель, основанная на данных дистанционного зондирования, позволит проанализировать данный вопрос.
Цель исследования: разработка алгоритма мониторинга и моделирования изменений ледяного покрова Арктики.
Обзор картографических источников
В качестве картографических источников использовались радарные и оптические снимки ледового покрытия в районе Карских ворот, предоставленные Центром космического мониторинга Арктики Северного (Арктического) федерального университета им. М.В. Ломоносова (спутниковые данные были получены с аппаратов Terra/Aqua (США), EROS B (Израиль), SPOT 4/5 (Франция), RADARSAT 1/2 (Канада)).
Карские Ворота – пролив, соединяющий Баренцево и Карское моря и расположенный между островами Новая Земля и Вайгач. Карские ворота являются проходом южного маршрута Северного морского пути. На рис. 1 представлены оптические и радарный снимки района Карских ворот.
Вторым районом исследования явился залив Печорская Губа. Печорская губа – крупный залив Печорского моря – юго-восточной части Баренцева моря, на территории Ненецкого автономного округа России. Печорская губа с севера ограничена полуостровом Русский Заворот, с северо-востока – Гуляевскими кошками, с юга – Двойничным носом, к северо-западу и западу – Захарьиным берегом, с юго-запада – дельтой Печоры.
Для определения расположения Печорской Губы были использованы топографические карты [1]:
- карта масштаба 1:1 000 000 (в 1 см – 10 км) R-39,40. о. Колгуев;
- карты масштаба 1:500 000 R-40-A,Б. пролив Карские ворота >> R-40-В,Г. Печорская Губа.
Таким образом, для создания цифровой картографической основы использовались топографическая карта, оптические и радарные снимки (для сверки расположения объектов) [2], также Яндекс-карта (для привязки координат растрового изображения).
Экспериментальная часть
Обработка радарных данных – довольно ресурсоемкий процесс. В связи с этим имеется несколько программных комплексов, позволяющих производить качественную и эффективную обработку радарных данных. Среди ведущих можно выделить такие разработки, как ENVI SARscape, ERDAS IMAGINE RADAR и PHOTOMOD Radar. Данные программные продукты используются для обработки и анализа радарных снимков с последующим выводом необходимых результатов. Для обработки радарных снимков дальнего Севера и Арктических регионов наиболее подходящей явилась разработка компании Exelis VIS – ENVI SARscape.
ENVI SARscape
Программный комплекс SARscape (разработчик – SARMAP, Швейцария; правообладатель – Exelis VIS, США) представляет собой набор дополнительных модулей к программе ENVI [3]. Эти дополнительные модули позволяют выполнять предварительную и тематическую обработку радарных снимков.
Рис. 1. Оптические (слева и по центру) и радарный (справа) снимки. Карские ворота
Результаты тематической обработки в программном продукте SARscape могут быть использованы для всепогодного мониторинга ледовой обстановки и судоходства (до нескольких раз в сутки). Модули SARscape позволяют выполнять такую обработку данных, как фокусировка, импорт комплексных и амплитудных данных, корегистрация, фильтрация (удаление спекл-шумов), извлечение характеристик (включая когерентность), геокодирование, радиометрическая калибровка и нормализация радарных снимков, составление из них бесшовных мозаик, сегментация изображений [4].
Данные радарного снимка импортируются в SARscape в специальный внутренний формат, готовый к дальнейшей обработке в ПО ENVI SARscape. Далее выполняется операция некогерентного накопления (НКН) для устранения эффекта вытягивания. Оно улучшает радиометрическое разрешение радиолокационного снимка за счет ухудшения пространственного разрешения, а также позволяет уменьшить уровень спекл-шума. Результат выполнения операции НКН показан на рис. 2.
Рис. 2. Результат выполнения НКН
Далее идет обработка и фильтрация спекл-шума, представляющего собой беспорядочно и случайно распределенные по площади снимка резкие яркостные вариации линейными размерами в один пиксель каждая, возникающие из-за когерентного переналожения многократных отражений радиосигнала, характеризующих один и тот же пиксель радарного снимка. Для фильтрации шумов на данном снимке использовался одиночный фильтр типа «Фрост». После работы фильтра было замечено уменьшение уровня спекл-шума и увеличение уровня сглаженности.
В силу присутствия градиента яркостей и особенностей рельефа необходимо выполнить процедуру геокодирования и радиометрической калибровки. Радиометрическая калибровка выполняется с учетом типа ландшафта, диаграммы направленности антенны в направлении дальности и ширины полосы съемки.
Следует отметить, что программное обеспечение ENVI SARscape является мощным и эффективным инструментом для обработки, анализа и расчета параметрических и пространственных данных радарных снимков.
SNAP
Архитектура SNAP состоит из различных наборов инструментов для обработки и анализа радиолокационного изображения.
Основными функциональными возможностями являются:
- некогерентное накопление, которое требуется для того, чтобы получить радиолокационный снимок с условным размером пикселя, а также для усреднения разрешения пикселов по дальности и по азимуту или по дальности или по азимуту, при этом повышая радиометрическое разрешение снимка, но ухудшая пространственное разрешение. Результатом этой обработки будет изображение, которое содержит меньше шума и приблизительный квадратный размер пикселя от наклонной дальности у дальности до поверхности земли;
- корректировка по местности, геокодирующая радиолокационный снимок для исправления геометрических искажений и использует цифровую модель высот, а также производящая продукт картографической проекции.
При работе с радиолокационными снимками необходимо выполнить операцию калибровки, которая «улучшает» снимки, при этом значение пикселей представляет собой значение обратного рассеяния луча радара от отраженной поверхности. На рис. 3 представлен исходный радиолокационный снимок и результат его калибровки.
Рассматриваемый программный продукт SNAP может быть использован для разархивирования радиолокационных снимков и сохранения в формате TIFF для дальнейшей обработки их в MatLab, поскольку SNAP позволяет сохранить снимок в любом удобном для пользователя разрешении и формате.
Краткосрочное прогнозирование уровня ледовитости на основе временных рядов
Прогнозирование уровня ледовитости на 1–2 шага вперед по имеющимся данным (временным рядам) можно осуществлять на основе адаптивных моделей.
Продемонстрируем процесс краткосрочного прогноза уровня ледовитости за самый холодный и за самый тёплый месяцы в Арктике (февраль и июль), рассмотрев временной промежуток с 1979 по 2014 г. [5, 6]. Исходные данные представлены на рис. 4.
Для каждого временного ряда были построены и проанализированы на точность и адекватность 8 адаптивных моделей. На рис. 5 представлены построенные модели по данным за самый холодный месяц года (февраль). Лучшими по адекватности и точности стали модели, построенные на основе метода гармонических весов.
Выбранные модели могут быть использованы для построения прогноза на 2 последующих периода. Рис. 6 демонстрирует результат прогнозирования.
Долгосрочное прогнозирование на основе нейронных сетей
Для долгосрочного прогнозирования может быть использована нейронная сеть.
По приведенным выше данным на основе trial-версии интегрированной системы статистического анализа, визуализации данных и разработки пользовательских приложений Statistica 12 рассмотрим результаты построения прогноза на 15 лет (до 2028 г.) [5, 6].
Рис. 3. Исходный снимок (слева) и радиолокационный снимок после калибровки (справа)
Рис. 4. Уровень ледового покрова в феврале (слева) и в июле (справа)
Рис. 5. Адаптивные модели для временного ряда 1 (февраль)
Рис. 6. Точечный и интервальный прогноз (июль)
Рис. 7. Нейросетевые модели (февраль)
Рис. 8. Построение прогноза (июль)
После построения моделей можно провести анализ и выбрать наилучшую модель, по которой строится прогноз. Модели записываются в виде MLP 12-7-1 (многослойный персептрон, 12 входов, 7 скрытых нейронов, 1 выход). Также можно получить описание моделей, величины производительности, контрольной производительности и величины ошибок. На рис. 7 показан результат построения нейросетевых моделей.
Процесс построения долгосрочного прогноза показан на рис. 8. Анализ представленных графиков позволяет определить имеющуюся тенденцию уменьшения уровня ледового покрытия.
Заключение
Результатом исследования стала разработка алгоритма мониторинга и моделирования изменений ледяного покрова Арктики. В процессе исследования выполнены следующие задачи:
- обзор существующих решений и инструментальных средств, используемых при мониторинге ледяного покрова;
- анализ предметной области и разработка алгоритма моделирования уровня ледяного покрова;
- выполнение краткосрочного и долгосрочного прогнозирования на основе полученных данных.