CC BY
149
Научно-технические разработки
УДК 614.8
В.Ю. Ромасько
ИСПОЛЬЗОВАНИЕ ИНФОРМАЦИИ СО СПУТНИКОВ ДЛЯ МОНИТОРИНГА И ПРОГНОЗИРОВАНИЯ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ НА ВОДЕ
В данной статье рассматривается применение информации действующих КА серий NOAA (NOAA-12, -15, -16, -17) и EOS (EOS-PM1 «Terra») для мониторинга и прогнозирования чрезвычайных ситуаций, связанных с разливом рек, в отделе приема и обработки космической информации ФГУ ВНИИ ГОЧС (ФЦ)
В.Ю. Ромасько
Йанные со специализированных метеорологических и природноресурсных космических аппаратов (КА) в современном мире являются довольно эффективным и относительно недорогим иком информации о состоянии окружающей среды для разных отраслей хозяйственной деятельности человека. В настоящее время широко используется информация с метеорологических спутников серии NOAA, регулярно запускаемых с 1979 г., с разрешением 1 км. С 1998 г. запускаются космические аппараты серии EOS — EOS-PM1 «Terra». С 2002 г. — EOS—AM1 «Aqua», с максимальным разрешением 250 м. С вводом в строй новых перспективных орбитальных группировок, оснащенных бортовыми радиометрами среднего и высокого разрешения, появляется возможность по-новому взглянуть на проблемы, в частности, мониторинга и прогнозирования чрезвычайных ситуаций.
Разливы рек возможны в любое время года и могут быть вызваны различными причинами. В осенне-зимний период они возникают перед кромкой ледостава и сопровождают ее движение. Весеннее половодье является самым катастрофичным периодом на реках. Летом возможны паводки от обильных осадков. Во всех этих ситуациях информация с космических аппаратов может быть использована для прогнозирования, обнаружения и мониторинга чрезвычайных ситуаций.
Прогнозирование, обнаружение и мониторинг чрезвычайных ситуаций на реках объединено в единое целое. Для своевременного прогнозирования и обнаружения ЧС, как правило, необходим мониторинг всего бассейна реки. Так например, ледяной затор ниже по течению населенного пункта может привести к катастрофическому разливу и его подтаплению, если в ближайшее время идет (или возможно) обильное снеготаяние в бассейне реки выше по течению. В процессе мониторинга бассейна реки можно:
• обнаруживать разливы, ледяные заторы, проталины;
• картировать снежный покров в границах бассейна.
На основании этих данных можно прогнозировать возможные пути развития ситуации и заранее предусмотреть меры по предотвращению возникновения ЧС. Далее рассматриваются отдельные моменты мониторинга гидрологической ситуации на реках.
Мониторинг положения кромки ледостава, разливов и ледовых пробок
В зимнее время разливы рек практически возможны только в районе кромки ледостава. В этом месте вода разливается, натекает на лед и может подтапливать находящиеся на берегу населенные пункты. Надо отметить, что это явление может носить техногенный характер. Так например, река Енисей, которая до постройки Красноярской ГЭС замерзала не только в районе Красноярска, но и гораздо выше по течению, сейчас не замерзает ниже плотины на протяжении до 500 км, и угрозе подтопления в зимнее время подвергаются населенные пункты, никогда не знавшие его до постройки ГЭС. Для своевременного обнаружения зоны возможной ЧС, связанной с подтоплением населенных пунктов в зимнее время, в районе кромки ледостава целесообразно вести мониторинг положения кромки ледостава. Дви-
жение кромки ледостава относительно медленное и повторяет в своей динамике температуру воздуха.
В период весеннего половодья ситуация меняется гораздо быстрее. Так, на р. Енисей средняя скорость движения кромки ледостава весной составляет 10 км в день. В отличие от единственной кромки, здесь часто наблюдается сложная картина из ледовых заторов, ограниченных с обеих сторон льдом проталин, разливов. В этих случаях данные с космических аппаратов необходимы для оперативного наблюдения за гидрологической обстановкой.
В Отделе приема и обработки космической информации ФГУ ВНИИ ГОЧС (ФЦ) в течение нескольких лет в зимнее время ведется мониторинг положения кромки ледостава на реке Енисей с использованием информации КА серии NOAA, а в последний год — и КА «Тегга». Кромка ледостава идентифицируется визуально оперативным дежурным один раз в сутки. В случае осложнения обстановки возможно беспрепятственное увеличение частоты съема данных до четырех раз в сутки. Естественно, мониторинг кромки с использованием космической информации возможен только при отсутствии облачности. Но, например, для Сибири с ее длительными антициклонами облачность не является сильно ограничивающим фактором в зимнее время.
Характерным признаком кромки является ступенчатое изменение яркости изображения вдоль русла реки. В качестве изображения могут быть использованы видимые, ближние или тепловые ИК каналы радиометра AVHRR или MODIS. Каналы выбираются, исходя из метеорологической ситуации в месте предположительного нахождения кромки ледостава. Если погода ветреная и/или относительно теплая, то следует использовать видимые каналы, предпочтительно 1 и 2 каналы радиометра MODIS, имеющие разрешение 250 м. Если погода безветренная, холодная, антициклоническая, как это часто
бывает в центральной Сибири, то над незамерзшей водой удерживается облако пара, имеющее сходные со снегом и льдом спектральные характеристики, что исключает использование видимых и ближних ИК каналов. С другой стороны, тонкий и непокрытый снегом лед прозрачен, он слабо отличается по виду от открытой воды. В этом случае целесообразно использование тепловых ИК каналов. В тепловом диапазоне яркостная интегральная температура системы вода-пар отличается от температуры поверхности снега и льда. Причем следует учесть, что интегральная яркостная температура системы вода-пар значительно ниже 0 °С, но немного выше, чем температура окружающей поверхности, что все-таки позволяет достаточно уверенно идентифицировать кромку.
В качастве иллюстрации вышеизложенного приведен рис. 1, на котором показан снимок района кромки ледостава на р. Енисей 9 февраля 2004 г. со спутника NOAA-16. На рисунке 1а показан видимый диапазон спектра (4*1к — 3*2к, 2к, 1 канал радиометра AVHRR), на 1б — тепловой диапазон (5 канал). Как видно на изображениях, кромку ледостава нетрудно идентифицировать по тепловому каналу, тогда как достаточно сложно — по видимому каналу.
В противоположность этой ситуации приведен рис. 2, на котором показан снимок района кромки ледостава на Енисее 18 января 2004 г. с КА «Тегга». В данном случае погода была ветреная, и на изображении, представляющем собой композит из 1, 3 и 4 каналов радиометра MODIS с разрешением 500 м (данный композит наиболее близок к тому, что увидел бы человек, находясь на КА), ясно видно кромку ледостава.
В весеннее время кромка ледостава и другие гидрологические явления хорошо видны в видимом диапазоне, поскольку разность температур между водой,
Рис. 1. Вид кромки ледостава в зимнее время со спутников ЖЛЛ
Научно-технические разработки
Научно-технические разработки
Рис. 2. Вид кромки ледостава со спутника «Terra»
льдом и воздухом мала, и туман не образуется. В качестве примера сложной обстановки, наблюдавшейся в отделе в 2003 году, приведен рис. 3, на котором показана ситуация, сложившаяся в районе Якутска в 28 мая 2003 г. На рисунке видны с одной стороны сильные разливы в районе Якутска, а с другой стороны — ледовый затор в естественном сужении русла р. Лена ниже по течению, являющийся причиной этих разливов.
Географические координаты идентифицированной кромки и других явлений определяются с точностью привязки снимка:
• для спутников серии КОАА — ~1 км,
• для КА «Тегга» — ~400 м.
Дополнительно к географическим координатам может измеряться принятое в метеорологии расстояние до ближайшего населенного пункта, стоящего на берегу реки (в километрах).
Рис. 3. Гидрологическая обстановка на р. Лена 28 мая 2003 года
Оперативная работа по мониторингу положения кромки ледостава, разливов и ледовых пробок ведется в оригинальном, специально разработанном в отделе программном обеспечении (ПО) для тематической обработки информации со спутников NOAA и «Terra». Приведенные иллюстрации сделаны в этом же ПО.
Таким образом, прогноз подтоплений населенных пунктов в месте разлива воды перед кромкой ледостава в зимнее время, а также различных заторных явлений и разливов в весеннее время возможен при относительно простом и доступном мониторинге реки с использованием информации спутников NOAA или EOS.
Использование динамики снеготаяния в краткосрочных прогнозах уровней воды в реках в период весеннего половодья
Наиболее драматичные последствия для человека приносит весеннее половодье. Максимально уменьшить последствия затоплений талыми водами прибрежных речных территорий можно было бы при наличии долгосрочных (на месяц/сезон) прогнозов уровней воды в реках. Но проблема расчета долгосрочных прогнозов уровней на сегодня неразрешима, в частности и оттого, что пока не решена проблема долгосрочных прогнозов погоды. Тем не менее, проблема создания краткосрочных прогнозов уровней воды на несколько дней в настоящее время успешно решается различными способами. Краткосрочные прогнозы уровней воды в реках позволяют уменьшить затраты на экстренное спасение людей и
ценного имущества путем оповещения населения с достаточной для самостоятельной эвакуации заблаговременностью.
Одной из важных составляющих исходных данных для гидрологических прогнозов является толщина снежного покрова, как исходная на момент начала таяния, так и текущая. В любом случае в гидрологической модели, используемой для прогноза, присутствует параметр толщины снежного покрова — распределение по бассейну и/или по высотам. К сожалению, снегомерные съемки трудно проводить; это связано с необходимостью вести контактные измерения в труднодоступных, часто в высокогорных районах. Тем более трудно проводить такие измерения регулярно. И в то же время дистанционно, со спутника измерить толщину снежного покрова также не представляется возможным. По спутниковым изображениям можно определить лишь площадь заснеженности района, но никак не толщину. Тем не менее были разработаны методики определения снегозапасов в бассейнах рек при использовании информации о площадях заснеженности, получаемых с космических аппаратов [1, 2].
Не вдаваясь в подробности моделирования стока рек, далее описывается методика использования данных спутниковой информации о заснеженности в краткосрочных прогнозах уровней рек. Основная идея методики тесно связана с гидрологической моделью речного стока. Прогнозирование ведется ежедневно в течение сезона снеготаяния. Каждый
Научно-технические разработки
Научно-технические разработки
день в модель вводятся метеорологические данные — как фактические, так и прогнозные на несколько суток вперед, а также фактические данные об уровнях воды с гидрологических постов. Модель расчета уровней воды в реке позволяет ежедневно рассчитывать стаивание снега за весь прошедший период с начала наблюдения и выдать текущие расчетные площади заснеженности, которые должны наблюдаться, если, конечно, в модель заложены правильные исходные данные. Как правило, именно исходные данные о снегозапасах на начало сезона снеготаяния не совсем точные, поскольку снегомерные съемки ведутся эпизодически лишь с нескольких точках в пределах одного бассейна. Одновременно по спутниковым данным проводится классификация снежного покрова и определяются фактические площади заснеженности на текущий день. Сравнение расчетных и фактических площадей дает информацию об ошибках в исходных данных. Оператор, дающий прогноз, сравнивая расчетные и фактические площади заснеженности бассейна, вводит поправки в исходные снегозапасы и повторяет расчет, затем снова сравнивает, и так далее, пока разность между расчетными и фактическими площадями не уменьшится до нескольких процентов. Такой итеративный процесс приводит к тому, что модель со скорректированными исходными данными позволяет рассчитывать такую же динамику площадей заснеженности, которую дают спутниковые данные. Иными словами, становится возможным определить начальные снегозапасы по последующему изменению площадей заснеженнос-ти речного бассейна, так сказать «задним числом», тем самым уточняя последующие прогнозы.
Данная методика уже опробована на нескольких сибирских реках [1, 2]. Естественно, в реальном случае все сложнее, чем описано выше. Так, возможны ошибки не только в снегозапасах, но и в многочисленных параметрах модели, например в коэффициенте стаивания или его зависимости от высоты. В таком случае коррекция снегозапасов не даст совпадения расчетной и фактической динамики ни при каких значениях снегозапасов. Тогда следует проводить оптимизацию других параметров модели по фактическим данным с использованием метода наименьших квадратов. Опыт работы на сибирских реках показал, что, как правило, в течение первых нескольких лет модель оптимизацией приводится в достаточно устойчивое состояние в том смысле, что впоследствии достаточно лишь вышеописанной итеративной коррекции исходных снегозапасов.
В Красноярском филиале Сибирского научноисследовательского гидрометеорологического института регулярно составляются прогнозы с использованием вышеописанной методики для бассейнов Красноярского и Саяно-Шушенского водохранилищ, рек Туба, Кан, Абакан, Чулым, Томь, Нижняя Тунгуска, а также рек верховий Оби (до Новосибирского водохранилища).
Используемые в прогнозах фактические площади заснеженности бассейнов рек определяются на основе данных со спутников NOAA-17 и «Terra». Для определения площадей заснеженности используется специальное программное обеспечение, разработанное автором и использующее широко известные, хорошо изученные алгоритмы классификации снежного покрова [3]. Далее приведен алгоритм, описанный в этом источнике.
Выделение снежного покрова основывается на использовании так называемого «нормализованного дифференциального снежного индекса» (Normalized Difference Snow Index (NDSI)):
R
0,5 л
N081 =
7? . и
0,5 мкм 1,6 мкм
где: Я — альбедо для данной длины волны.
Исследования, проведенные на основе данных Landsat, показали, что пиксели, покрытые снегом более чем на 50 %, имеют значение NDSI большее или равное 0,4. Это соотношение является главным критерием заснеженности пикселя.
Однако существуют некоторые классы земной поверхности с низкой отражательной способностью в диапазоне 1,6 мкм, что может привести к высокому значению NDSI. Так, водная поверхность может иметь NDSI больше 0,4, но в то же время она имеет очень низкое значение альбедо в видимом и ближнем ИК диапазоне. Для ее отсечения необходимо проверять значение альбедо в диапазоне 0,8 мкм; оно должно быть не менее 11 % для того, чтобы пиксель мог считаться заснеженным. Некоторые виды растительности (например, ель черная) имеют также очень низкое альбедо в диапазоне 0,5 мкм, что приводит к высоким значениям NDSI. Для исключения таких пикселей из категории заснеженных необходимо отбрасывать пиксели, имеющие альбедо в диапазоне 0,5 мкм меньше 10 %.
Наиболее сложными ландшафтами для определения заснеженности являются лесные территории из-за очевидного перекрытия кронами снежного покрова, что приводит к снижению NDSI. Полностью учесть влияние крон и без ошибок обнаружить снежный покров или его отсутствие под кронами невозможно. Но в некоторой степени это можно сделать, если понизить порог классификации по NDSI над лесными территориями. Для этого используется значение NDVI — (нормализованного дифференциального растительного индекса):
К
'0,8 МКМ
Ті
0,6 мкм
МШ =
и I и
0,8 мкм. 0,6 мкм
Для учета заснеженных лесных территорий порог по NDSI понижается по эмпирической зависимости, если NDVI пикселя выше 0,1.
В [4] приводятся результаты экспериментальной проверки алгоритма на примере территории Аляски. В регионах с лесистостью менее 50 % алгоритм правильно определил 99 % заснеженной территории; на территориях были в основном представлены болота
и смешанные леса, включая замерзшие озера. В регионах с лесистостью более 50 % алгоритм правильно определил 98 % заснеженной территории; эти территории были в основном представлены густыми хвойными и лиственными лесами.
Программное обеспечение, реализующее этот алгоритм, рассчитано на работу со специально подготовленными для каждого бассейна картографическими материалами. Оно предназначено как для предварительной, так и для тематической обработки данных HRPT со спутников NOAA. Предварительная обработка включает в себя:
• радиометрическую калибровку и географическую привязку данных радиометра AVHRR;
• вырезку и сохранение фрагментов на интересующие бассейны;
• точную коррекцию географической привязки.
Тематическая обработка включает классификацию
снежного покрова и подсчет площадей заснеженнос-ти в пределах выбранного бассейна.
Определенные площади заснеженности используются в прогнозах без дополнительной обработки.
Следует упомянуть о достоинстве используемого алгоритма. Он не требует изменения или подстройки каких-либо параметров вручную оператором. Также необходимо отметить, что облачность в пределах отдельной части бассейна сильно искажает результат классификации. Если в районе есть облачность, то площади заснеженности для этого района не определяются, а используются данные другого района, сходного по географическим характеристикам и ландшафту с интересующим. В реальном случае облака практически не мешают, потому что достаточно всего нескольких чистых снимков в течение сезона, чтобы скорректировать начальные снегозапасы и давать значительно более точные прогнозы, чем без использования спутниковой информации.
Таким образом, площади заснеженности речных бассейнов, определенные с помощью алгоритма классификации снега на основе нормализованного дифференциального индекса, могут использоваться в краткосрочных прогнозах уровней рек для коррекции начальных снегозапасов по результатам сравнения фактической и расчетной динамики снеготаяния.
Литература
1. Бураков Д.А., Кашкин В.Б., Сухинин А.И., Ромасько В.Ю., Ратненко И.В. Методика определения заснеженности речного бассейна по спутниковым данным для оперативных прогнозов стока // Метеорология и гидрология. —1996. — № 8. — С. 100-109.
2. Бураков Д.А., Авдеева Ю.В. Технология оперативных прогнозов расходов (уровней) воды на основе спутниковой информации о заснеженности // Метеорология и гидрология. — 1996. — № 10. — С. 75-87.
3. Hall D. K., Tait A. B., Riggs G. A., Salomonson V. V. Algorithm Theoretical Basis Document for the MODIS Snow-, Lake Ice- and Sea Ice-Mapping Algorithms. Version 4.0, 1998.
4. Hall D. K., J. L. Foster, A. T. C. Chang, C. S. Benson and J. Y. L. Chein Determination of snow covered area in different land covers in central Alaska, U. S. A., from aircraft data April 1995. Annals of Glaciology, 1998, 26.
Научно-технические разработки
