, д-р физ.-мат. наук, профессор

ГУ «Научно-исследовательский центр космической

гидрометеорологии «Планета» Росгидромета

(Россия, Москва, Бол. Предтеченский пер., 7,

тел.(4, Е-mail: *****@***)

, к-т физ.-мат. наук

ГУ «Научно-исследовательский центр космической

гидрометеорологии «Планета» Росгидромета

(Россия, Москва, Бол. Предтеченский пер., 7,

тел.(4, Е-mail: *****@***)

, д-р техн. наук, профессор

Ин-т вычислительной математики

и математической геофизики СО РАН

(Россия, Новосибирск, пр. Лаврентьева, 6,

тел.(3, Е-mail: *****@***ru)

Мониторинг ледяного покрова Арктики и Антарктики по данным дистанционного зондирования Земли

Аннотация. Данные измерений полярно-орбитальных российских и зарубежных спутников дистанционного зондирования Земли (ДЗЗ) в течение более 25 лет используются в ГУ «Научно-исследовательский центр космической гидрометеорологии «Планета» (ГУ «НИЦ «Планета») для мониторинга ледяного покрова полярных регионов Земли. В рамках решения этой задачи ГУ «НИЦ «Планета» и ИВМ и МГ СО РАН осуществляют долговременное сотрудничество в области создания и использования методов и технологий обработки спутниковых данных. В докладе приводятся данные о действующих и перспективных отечественных и зарубежных космических аппаратах, в том числе космической системы «Арктика», описание разработанных методов и оперативных технологий мониторинга ледяного покрова, примеры спутниковой информационной продукции по территориям Арктики и Антарктики.

Космический мониторинг ледяного покрова Арктики и Антарктики проводится в ГУ «НИЦ «Планета» более 25 лет, с момента запуска в 1983 г. первого отечественного океанографического спутника серии «Океан» с радиолокационной станцией бокового обзора X-диапазона (длина волны 3,2 см). В последующие годы ледовые наблюдения были дополнены данными видимого и инфракрасного диапазонов с отечественных и зарубежных космических систем Метеор, Ресурс, NOAA, EOS (TERRA, AQUA) [1]. В настоящее время в связи с отсутствием на орбитах российских спутников наблюдения Земли, мониторинг ледяного покрова осуществляется по данным с зарубежных спутников. В соответствии с Федеральной космической программой России до 2015 г. (ФКП - 2015) запланировано развитие отечественной космической системы наблюдения Земли, в том числе, создание постоянно действующей группировки оперативных метеорологических спутников в составе 2-х геостационарных космических аппаратов серии «Электро» и 3-х полярно-орбитальных КА серии «Метеор» (включая специализированный спутник океанографического назначения).

В настоящее время осуществляется также разработка уникальной (не имеющей мировых аналогов) системы спутников на высокоэллиптических орбитах - МКС «Арктика», предназначенной для мониторинга северного полярного региона. Арктический регион физически недоступен для наблюдений спутниками международной базовой метеорологической группировки на геостационарных орбитах. Зона качественного мониторинга с геостационарных орбит ограничивается зенитным углом наблюдения 70 градусов, что соответствует широте 60 градусов. Каналы связи, размещенные на геостационарных спутниках, не могут обеспечить качественный прием данных с арктических дрейфующих буёв и автоматических гидрометеостанций.

Основные задачи МКС «Арктика» - оперативное получение гидрометеорологической информации (скорости и направления ветра, параметров облачности, осадков, ледовой обстановки и др.) по арктическому региону для информационного обеспечения анализа и прогноза погоды, безопасности полетов авиации, навигации по Севморпути, контроля чрезвычайных ситуаций и др. Кроме того, данная система предназначена для сбора и ретрансляции информации с наблюдательных платформ наземного, морского и воздушного базирования, а также для обмена и распространения обработанных гидрометеорологических данных по арктическому региону Земли.

Контроль состояния ледяного покрова Арктики и Антарктики осуществлялся на основе данных, принимаемых наземным комплексом приема и обработки спутниковой информации (НКПОР), включающим в себя три региональных центра: ГУ «НИЦ «Планета» (Москва, Обнинск, Долгопрудный); ЗС РЦПОД (Новосибирск); ДВ РЦПОД (Хабаровск), что обеспечивало полное покрытие космической съемкой всей территории Северного морского пути и всех замерзающих морей России [2]. В декабре 2007 г. на НКПОР Росгидромета были завершены работы по налаживанию оперативного приема информации еще с 3-х зарубежных космических систем: METOP, SeaStar и FY-1.

За эти годы в ГУ «НИЦ «Планета» создавались, развивались и совершенствовались методы и технологии обработки спутниковых данных. В частности, были разработаны методы относительной и абсолютной калибровки данных РЛС БО ИСЗ серии «Океан», позволяющие осуществить переход от значений яркости радиолокационных изображений к физической характеристике ледяного покрова – удельной эффективной площади рассеяния (УЭПР). С использованием данных методов была проведена оценка пространственно-временных изменений и угловых зависимостей значений УЭПР многолетнего и однолетнего льда в двух (отличающихся по своим климатическим особенностям) районах Арктики [3]. Изучались:

- временные вариации УЭПР многолетнего и однолетнего льда при постоянном угле падения зондирующего сигнала (26°);

- угловые зависимости величин УЭПР многолетних и однолетних морских льдов в диапазоне углов падения зондирующего сигнала от 24° до 52° .

Анализ полученных зависимостей позволяет сделать вывод о возможности уверенного разделения полей многолетнего и однолетнего льдов в течение всего годового цикла по радиолокационным изображениям ИСЗ ОКЕАН (за исключением короткого периода июнь-июль в районе Баренцева моря). Разница значений УЭПР многолетнего и однолетнего льдов составляет 4 - 8 дБ.

Сравнение временных зависимостей УЭПР с данными SAR ERS (длина волны 5,66 см) позволяет сделать вывод, что в целом радиолокационный контраст (разница значений УЭПР многолетнего и однолетнего льда) изображений ИСЗ ОКЕАН на 2-3 дБ превышает соответствующие значения по данным ERS, что может быть объяснено разницей в длинах волн зондирующих сигналов..

Результаты исследований характеристик радиолокационного обратного рассеяния морского льда использовались при создании технологии бесшовного соединения спутниковых радиолокационных изображений при построении обзорных монтажей (мозаик) Арктики или ее отдельных территорий. Обзорные радиолокационные мозаики могут использоваться на практике как самостоятельная информационная продукция, либо служить в качестве исходных данных для построения карт ледовой обстановки.

Следующим важным направлением в обеспечении космического мониторинга является создание технологии построения карт ледовой обстановки по спутниковым данным видимого, инфракрасного или микроволнового диапазонов. В технологии воплощено сочетание автоматизированных и интерактивных процессов. В автоматизированном режиме осуществляется предварительная обработка спутниковых изображений (географическая привязка, трансформирование космических изображений в, сформированные заранее, картографические основы, составление обзорных монтажей). В интерактивном режиме осуществляется дешифрирование на космических снимках ледовых параметров (возраст, сплоченность, формы льда, обобщенные характеристики и др.) и их представление на карте в соответствие с требованиями ВМО. По данной технологии в ГУ «НИЦ «Планета» ежегодно выпускается около 600 карт и обзорных мозаик ледовой обстановки, из которых большее количество приходится на арктический регион. Данная информационная продукция передается для использования руководству Росгидромета, в Гидрометцентр РФ, в организации Минтранса, МО, РАН и др.

В рамках решения задач мониторинга ледяного покрова Арктики и Антарктики ГУ «НИЦ «Планета» осуществляет долговременное сотрудничество с ИВМиМГ СО РАН в области разработки алгоритмов и программного обеспечения обработки спутниковых данных [4]. В частности, одним из результатов такого сотрудничества является создание технологии автоматизированного распознавания и классификации ледовых объектов по многозональным спутниковым изображениям. В программной системе, поддерживающей эту технологию, реализованы методы распознавания и классификации без обучения (кластерный анализ) и классификации с обучением [5, 6] . Неконтролируемая классификация (кластерный анализ) в программном комплексе представлена двумя алгоритмами – методом -средних и методом анализа мод многомерной гистограммы. Первый подход основан на итеративной процедуре отнесения векторов признаков классам по критерию минимума расстояния от вектора до центра класса. Оптимальным считается такое разбиение входных векторов на кластеры, при котором внутриклассовый разброс не может быть уменьшен при переносе какого-либо вектора из одного кластера в другой. В основе второго подхода лежит предположение, что исходные данные являются выборкой из многомодового закона распределения, причем векторы, отвечающие отдельной моде, образуют кластер. Таким образом, задача сводится к анализу мод многомерных гистограмм. Гистограмма генерируется последовательным просмотром векторов данных и сравнением каждого вектора с текущим списком векторов. При этом либо изменяется соответствующее значение частоты, либо вектор добавляется в список. Для вычисления адресов векторов в списке используется хэш-кодирование. Первым шагом модального анализа является поиск ближайших соседей данного вектора списка среди других векторов списка. По определению вектор есть ближайший сосед вектора если для На втором этапе анализа гистограммы проводится её сглаживание либо путём замены частоты данного вектора на среднее значение частот его ближайших соседей, либо путём уменьшения разрядности векторов данных. Сглаживание проводится лишь для векторов, частоты которых меньше средней частоты. Далее проводится локализация мод гистограммы. Вначале каждому вектору на основе анализа его ближайших соседей ставится в соответствие градиент. Вектору приписывается номер вектора с максимальным значением градиента. Если градиент меньше нуля, то это означает, что координаты вектора являются центром моды и вектору приписывается его собственный номер. В конечном счете, каждой моде гистограммы сопоставляется ориентированный граф, корень которого соответствует точке максимума моды. Если количество получаемых кластеров (количество локальных максимумов гистограммы) больше заданного, то проводится сглаживание гистограммы. На завершающем этапе выполняется раскраска ориентированного графа одним цветом, т. е. всем вершинам графа присваивается значение, которое присвоено его корню.

Кластерный анализ позволяет группировать элементы изображения на основе близости их в многомерном спектральном пространстве. Результаты кластерной обработки применяются для выбора тестовых участков, используемых в распознавании с обучением. Система классификации с обучением (контролируемая классификация) в программном комплексе состоит из семи классификаторов (один поэлементный классификатор и шесть объектных), основанных на использовании байесовской стратегии максимального правдоподобия, и двух объектных классификаторов, основанных на минимуме расстояния. Под элементом здесь понимается - мерный вектор признаков , где - число спектральных диапазонов, а под объектом блок смежных векторов квадратной или крестообразной формы. Предполагается, что векторы имеют в классе нормальное распределение со средним и ковариационной матрицей . Решение о принадлежности центрального элемента объекта тому или иному классу принимается на основе результата классификации всего объекта. Классификаторы могут работать как с блоком в форме перекрестия, так и с квадратным блоком. Первые два классификатора объединяют пространственные характеристики объекта на основе модели каузального Марковского случайного поля первого и третьего порядка соответственно. Вторые два классификатора основаны на предположении, что векторы внутри блока независимы. Следующие классифицируют среднее блока в предположении, что векторы внутри блока независимы. Следующие классифицируют средний вектор блока в предположении, что векторы внутри блока независимы и ковариационные матрицы равны единичной. Когда размер объекта равен 1, все объектные классификаторы становятся поэлементными классификаторами, основанными на стратегии максимального правдоподобия, за исключением двух классификаторов, которые становятся поэлементными классификаторами, основанными на минимуме расстояния.

Как пример, рассмотрим алгоритм работы двух объектных классификаторов. Пусть – конечное множество классов, – объект, состоящий из - мерных векторов . Средний вектор объекта вычисляется по формуле:

Дискриминантная функция класса имеет вид:

,

где – априорная вероятность класса . Обозначим через основанное на распределении пороговое значение для отклоненных векторов класса :

где критическое значение уровня распределения . Пусть - переменная, значение которой зависит от параметра классификатора : ; ;, ; , ; . Тогда решающее правило для классификатора принимает следующий вид: центральный элемент объекта заносится в класс , если для всех и . В противном случае центральный элемент объекта заносится в класс отклоненных векторов. Необходимые для построения дискриминантных функций классов статистические характеристики – средние векторы, ковариационные матрицы, коэффициенты пространственной корреляции между значениями координат соседних векторов в горизонтальном и вертикальном направлениях – определяются на основе векторов из обучающих выборок. Все классификаторы могут использоваться в двух режимах – тестовом и рабочем. По результатам работы классификаторов в тестовом режиме над векторами контрольных полей рассчитываются матрица ошибок и оценки вероятностей правильной классификации. Анализируя эти данные, можно оценить качество обучения. Результатом работы классификаторов в рабочем режиме является одноканальное (байтовое) изображение, значениями пикселов которого являются номера классов. Это изображение окрашивается в предопределенные цвета, которые в интерактивном режиме могут быть заменены на цвета, определяемые пользователем. Кроме того, к этому изображению можно применить одну из двух функций постклассификации для удаления изолированных пикселов. Система контролируемой классификации имеет следующие характеристики: число обучающих образов – до 9, число классов – до 15, число обучающих и контрольных полей в классе – до 10, размер каждого поля – до 50*50, размер объекта – от 1*1 до 11*11, при этом размерность векторов данных не ограничивается. Технология распознавания нашла широкое применение при проведении классификации материкового и морского льда Арктики, исходя из различия их спектральных свойств, а также для привязки выделенных классов к реальным объектам.

Еще одним примером сотрудничества ГУ «НИЦ «Планета» с ИВМиМГ СО РАН является экспериментальная технология построения полей дрейфа морского льда. В технологии использовался метод восстановления полей дрейфа морского льда по опознанным изменениям положения некоторых ледовых объектов (трассеров) на разновременных и картографически совмещенных спутниковых изображениях. Определение координат перемещения ледовых полей с заданным шагом достигалось в результате использования аппроксимаций по методу триангуляции Делоне. При этом на спутниковых изображениях предварительно производилось закрепление контуров береговой черты с помощью опорных точек для того, чтобы на картах дрейфа льда произвести разделение неподвижной суши и перемещающегося плавучего льда.

Совместными усилиями ГУ «НИЦ «Планета» и ИВМиМГ СО РАН произведена адаптация методов линеаментного анализа (ранее использовавшегося для изучения структур суши [7]) для изучения структуры морского льда в Арктике. Было установлено, что по распределению линеаментов, выделенных на разновременных спутниковых изображениях, можно оценивать упорядоченность и перемещение трещеневатых структур плавучего морского льда, а зоны повышенной плотности линеаментов, выделенные на космических снимках морского льда, в большей степени подвержены деформации. Именно в этих зонах происходит наибольшее количество сжатий и разряжений ледяного покрова.

С использованием разработанных технологий в ГУ «НИЦ «Планета», впервые в мире, была построена цифровая радиолокационная карта Антарктиды [8]. Первый вариант карты был построен в 1986 г., сразу же по завершению радиолокационной съемки. По мере развития технологий обработки спутниковой информации карта несколько раз перестраивалась. Последний раз она была перестроена несколько лет назад. Ее главное отличие от первых образцов – бесшовное соединение и абсолютная калибровка всех, входящих в нее, радиолокационных изображений. Радиолокационная карта Антарктиды 1986 года по-прежнему является единственной в мире картой, построенной по радиолокационным данным на длине волны 3,2 см.

Более 20 лет продолжаются спутниковые наблюдения за динамикой кромки крупных шельфовых ледников, а также отколами и дрейфом гигантских айсбергов. В частности, с 1986 г. ведутся наблюдения за отколом и дрейфом трех гигантских айсбергов (А22, А23 и А24) в море Уэдделла. До 1990 г. все три айсберга прочно удерживались на отмели в 230 км от кромки шельфового ледника Фильхнера, а затем айсберг А24 совершил дрейф вдоль Антарктического полуострова и побережья Южной Америки. В 2004 – 2005 гг. подобный дрейф совершил айсберг А22. Айсберг А23 до сих пор находится на отмели. Он превратился в искусственный остров. В холодное время года между айсбергом и берегом Антарктиды образуется припай.

Созданные в ГУ «НИЦ «Планета» технологии обработки спутниковых данных используются не только в оперативной практике, но и для изучения долговременных изменений характеристик ледяного покрова по архивным данным. Так, например, в 2002 – 2008 гг. была проведена оценка сезонных изменений границ распространения и площадей покрытия многолетнего льда в Арктике по данным скаттерометра KU – диапазона (длина волны 2,2 см) SeaWinds ИСЗ QuikSCAT. Именно эти характеристики многолетнего льда наиболее чувствительны к изменениям климата и могут служить индикаторами региональных и глобальных климатических изменений. Оценка сезонных изменений площади многолетнего льда проводилась в российском секторе Арктики, ограниченном 10° в. д. и 160° з. д. В результате анализа сезонных изменений за шестилетний период были выявлены некоторые закономерности. Наибольшая площадь многолетнего льда в российской Арктике приходится на сентябрь месяц. В последующие месяцы площадь многолетнего льда неравномерно уменьшается. С сентября по декабрь ежемесячная скорость изменения площади многолетнего льда в российской Арктике составляет ~20-70 тыс. км2/мес, с января по май ~110-140 тыс. км2/мес. В отдельные месяцы наблюдается небольшой прирост площади многолетнего льда (как, например, в декабре 2002 г.) за счет его поступления из канадского сектора Арктики. Обращает на себя внимание существенное сокращение протяженности многолетнего льда в российском секторе Арктики в зимний период гг. В июне – августе оценки изменений площадей многолетнего льда не проводились из-за плохой разделяемости многолетнего и однолетнего льда в это время года.

Продолжены работы по оценке межгодовых изменений площади многолетнего льда в западном секторе Арктики. Ранее такие оценки проводились на основе многолетних рядов радиолокационных данных ИСЗ серии «Океан» за период 1983 – 1999 гг. В 2002 – 2007 гг. эти ряды были дополнены данными микроволнового скаттерометра SeaWinds ИСЗ QuikSCAT. Выделение границы многолетнего льда осуществлялось с использованием технологий автоматизированного распознавания и интерактивного дешифрирования. Валидация карт-схем границ распространения многолетнего льда, полученных по данным ИСЗ серии «Океан», проводилась с использованием данных авиационных наблюдений. Среднеквадратическая погрешность определения границ распространения многолетнего льда составила 8-12 км. Оценка межгодовых изменений площади многолетнего льда проводилась в западном секторе Арктики, ограниченном 40° в. д. и 105° в. д. Установлено, что в исследуемом районе имеют место значительные межгодовые вариации площадей от 180 тыс. км2 до 540 тыс. км2 . Наибольшая площадь многолетнего льда была отмечена за этот период в декабре 1988 и 2003 гг., наименьшая – в 1985, 1999, 2005, 2006 и 2007 гг. За период наблюдения с 1983 по 2007 гг. в западном секторе Арктики с учетом пропусков информации отмечается небольшой отрицательный тренд (уменьшение площади многолетнего льда ~ на 5%).

С 2002 г. осуществляется построение карт границ распространения морского льда в Антарктике по радиолокационным данным американского спутника QuikSCAT. Выделение границы морского льда на радиолокационных изображениях Антарктики осуществлялось с использованием технологий автоматизированного распознавания и интерактивного дешифрирования. Анализ спутниковой радиолокационной информации за 2гг. показал, что сезонные и межгодовые вариации площадей покрытия морского льда Антарктики существенно ниже, чем в Арктике за аналогичный период наблюдения.

Все виды информационной продукции, получаемые при проведении космического мониторинга Арктики и Антарктики, по мере их поступления заносятся в специализированный цифровой архив. К настоящему времени в архиве накоплены ряды спутниковых данных по различным районам Арктики и Антарктики за более чем 20-летний период.

Список литературы

1.  Справочник потребителя спутниковой информации. //Под редакцией и . 2005. С-Петербург, Гидрометеоиздат, 114 стр.

2.  , , и др. Наземный комплекс приема, обработки, архивации и распространения спутниковой информации. / В сб. Труды НИЦ «Планета», вып.1(46), 2005, с. 3-21.

3.  , Характеристики радиолокационного обратного рассеяния морских льдов Арктики по данным ИСЗ «Океан-О1». Исследование Земли из космоса, №2, 1998г., стр. 68-80.

4.  , Программное обеспечение для решения некоторых задач аэрокосмического мониторинга //Труды Международной конференции “Математические методы в геофизике”, 8-12 октября, 2003, Новосибирск: Изд. ИВМиМГ СО РАН,2003, ч.2, с.585-588.

5.  , , Технологии обработки и архивации спутниковых данных при проведении мониторинга ледяного покрова Антарктики. /Тезисы докладов на научной конференции «Россия в Антарктике». г. Санкт-Петербург, ГУ ААНИИ, 12-14 апреля 2006 г., стр. 34 – 35.

6.  , , Контролируемая классификация данных дистанционного зондирования Земли. //Автометрия.2008.,том 44, №4, с. 1-8.

7.  , Статистический подход к задаче обнаружения некоторых структур на аэрокосмических изображениях // Наукоемкие технологии, 2002, №3, т.3, с.52-58.

8.  , , Использование радиолокационных данных ИСЗ серии Океан для решения задач гидрометеорологии и мониторинга окружающей среды// Исслед. Земли из космоса. 2002. №3. с. 63-70.