CC BY
18COMPLEX OF THE SOFTWARE IN PROBLEMS OF SPACE MONITORING OF HAZARDOUS HYDROMETEOROLOGICAL
PHENOMENA
V. Asmus, A. Buchnev*, V. Krovotyntsev, V. Pyatkin*
Research Center „Planeta", 123242, Moscow, Russia institute of Computational Mathematics and Mathematical Geophysics SB RAS,
630090, Novosibirsk, Russia
The „PlanetaMonitoring" software complex, developed jointly bv the Scientific Research Center „Planeta" and the Institute of Computational Mathematics and Mathematical Geophysics of the Siberian Branch of the Russian Academy of Sciences, is in constant development with regard to the launch of new Russian and foreign spacecraft. The complex is a representative set of software technologies that allow solving various problems of processing Earth remote sensing (ERS) data. Here are some of these software technologies: satellite image filtering; radiometric and geometric correction; geo-referencing; transformation into cartographic projections and images mounting; detection of lineaments and ring structures; recognition and classification of environmental objects (cluster analysis and supervised classification); determination of spatial displacements of objects using multitemporal satellite images. These technologies are widely used in solving problems of monitoring hydro meteorological hazards (floods, ice conditions, wind over the sea surface, pollution, etc.).
When it comes to analyzing space images, the monitoring of the natural environment as part of solving applied problems of ERS comes across a problem of detection of extended objects of a given shape, such as linear and ring structures on random background. When processing space images in order to detect interesting objects on them, one usually prefers a nonparametric statistical approach for a number of reasons. The main reason is that, due to the randomness of natural processes, the data of remote measurements (images with combined spectra) contain many random variations masking differences in the brightness values of the images at the points of the object region and at the points of the background region. The main idea of this approach is to calculate statistics based on the analysis of image pixels values along the normals to the intended object position. For each possible position, the decision on the presence of an object is made based on the result of comparing the calculated statistics values with predefined threshold values obtained on the basis of the input parameters.
The large generalization of details during observations from space provides space monitoring of floods taking into account regional features of the river network and allows tracing the development of flooding processes along the entire length of the river. The selection of the boundaries of the flooded areas on multi-zone satellite images is carried out using the algorithms of uncontrolled classification. At the first stage of the uncontrolled classification, the selection of the environmental object classes on
the satellite image occurs, based on the difference in their spectral properties. At the second stage, the
„ " „ "
processing of satellite data, the flooded areas are combined with topographic maps.
Clustering methods for multispectral satellite images are actively used to recognize the characteristics of sea ice (mobility, age, private cohesion, ice forms). For such cases, it is advisable to first perform an uncontrolled classification of multi-zone satellite images and recognize the characteristics of ice concentrated in a small ice area, and then build an ice map using the recognition results.
(c) V. Asmus, A. Buchnev, V. Krovotyntsev, V. Pyatkin, 2018
Another type of regularly produced satellite information products using the PlanetaMonitoring software package is the automatic preparation of maps of fields (speeds and directions) of the wind over the sea surface of the seas of Russia according to the data of ASCAT microwave scatter meters, placed on European polar-orbital satellites METOP-A and METOP-B. Maps of fields of the wind over the sea surface in the internal seas of Russia are built 1-2 times a day, however, due to the thickening of longitudes in northern latitudes, each Arctic sea can be covered by a scatterometric survey at several adjacent turns in running.
One of the important directions of using satellite data is monitoring of marine environment pollution. The task of construction of pollution displacements fields of the marine environment using multi-temporal satellite data is closely related to the problem of determining the vectors (velocity and direction) of spatial displacements of water masses. The technology uses the method of restoring fields of spatial displacements of water masses on the identified changes in the position of some water bodies (tracers) on multi-temporal satellite images, which are combined in a single cartographic projection. Determination of the coordinates of water bodies is achieved using piecewise afline transformations based on Delaunav triangulation. Simultaneously with the construction of the map, histograms of velocities and directions of spatial displacements of water masses are calculated.
Key words: remote sensing, PlanetaMonitoring software package, pre-processing, supervised classification, clustering, statistical detection of linear and ring structures, spatial displacements of natural objects, floods, ice conditions, wind over the sea surface, pollution.
References
1. Asmus V. V., Buchnev A. A., Krovotvntsev V. A., Pvatkin V. P., Salov G. I. Kompleks programmnogo obespecheniva PLANETAMONITORING v prikladnvkh zadachakh distantsionnogo zondirovaniva //Avtometriva. 2018. T. 54. N 3. S. 14-23.
2. Distantsionnoe zondirovanie: kolichestvennvi podkhod // Per. s angl. Pvatkina V. P. i Yudinoi O. A. pod red. A. S. Alekseeva. M.: Nedra, 1983.
3. Shovengerdt R. A. Distantsionnoe zondirovanie. Modeli i metodv obrabotki izobrazhenii. M., Tekhnosfera, 2010.
4. Asmus V. V. Programmno-apparatnvi kompleks obrabotki sputnikovvkh dannvkh i ego primenenie diva zadach gidrometeorologii i monitoringa prirodnoi sredv. Dissertatsiva v vide nauchnogo doklada na soiskanie uchenoi stepeni doktora fiziko-matematicheskikh nauk. Na pravakh rukopisi. Moskva, 2002.
5. Krovotvntsev V. A., Trenina I. S., Volgutov R. V., Maksimov A. A., Maslova N. A. Informatsionnava produktsiva sputnikovogo monitoringa polyarnvkh akvatorii Zemli i zamerzavushchikh morei Rossii //Meteospektr. 2014. N 2. S. 89-98.
6. Bedritskii A. I., Asmus V. V., Krovotvntsev V. A., Lavrova O. Yu., Ostrovskii A. G. Sputnikovvi monitoring zagrvazneniva rossiiskogo sektora Chernogo i Azovskogo morei v 2003-2007 gg. // Meteorologiva i gidrologiva. 2007. N 11. S. 5-13.
7. Asmus V. V., Buchnev A. A., Pvatkin V. P. Kontroliruemava klassifikatsiva dannvkh distantsionnogo zondirovaniva Zemli // Avtometriva. 2008. N 4. S. 60-67.
8. Asmus V. V., Buchnev A. A., Pvatkin V. P. Klasternvi analiz dannvkh distantsionnogo zondirovaniva Zemli // Avtometriva. 2010. N 2. S. 58-66.
9. Salov G. I. O moshchnosti neparametricheskikh kriteriev diva obnaruzheniva protvazhennvkh ob'ektov na sluchainom fone // Avtometriva. 1997. N 3. S. 60-75.
10. Salov G. I. Novvi statisticheskii kriterii diva zadach s dvumva i tremva vvborkami, bolee moshchnvi, chem kriterii Vilkoksona i Uitni // Avtometriva. 2011. N 4. S. 58-70.
11. Asmus V. V., Buchnev A. A., Pvatkin V. P., Salov G. I. Software System for Satellite Data Processing of Applied Tasks in Remote Sensing of the Earth // Pattern Recognition and Image Analysis. 2009. Vol. 19. N 3. P. 69-74.
12. Buchnev A. A., Pvatkin V. P. Monitoring oblachnvkh obrazovanii po dannvm geostatsionarnvkh sputnikov Zemli // Avtometriva. 2009. N 4. S. 40-47.
КОМПЛЕКС ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ В ЗАДАЧАХ КОСМИЧЕСКОГО МОНИТОРИНГА ОПАСНЫХ ГИДРОМЕТЕОРОЛОГИЧЕСКИХ ЯВЛЕНИЙ
В. В. Асмус, А. А. Бучнев*, В. А. Кровотынцев, В. П. Пяткин*
ФГБУ «Научно-исследовательский центр космической гидрометеорологии „Планета"»,
123242, Москва, Россия * Институт вычислительной математики и математической геофизики СО РАН,
630090, Новосибирск, Россия
УДК 528.852
Программный комплекс PlanetaMonitoring (совместная разработка ФГБУ „НИЦ „Планета" и ИВМ и МГ СО РАН) находится в постоянном развитии с учетом ввода в эксплуатацию новых российских и зарубежных космических аппаратов. Комплекс является представительным набором программных технологий, позволяющих решать различные задачи обработки данных дистанционного зондирования Земли. Перечислим некоторые из этих программных технологий: фильтрация спутниковых изображений; радиометрическая и геометрическая коррекция; географическая привязка; трансформирование в картографические проекции и монтаж изображений; выделение линеаментов и кольцевых структур; распознавание и классификация объектов окружающей среды (кластерный анализ и распознавание с обучением; определение пространственных перемещений объектов по разновременным спутниковым изображениям. Эти технологии широко используются при решении задач мониторинга опасных гидрометеорологических явлений (паводки, ледовая обстановка, лесные пожары, приводный ветер, загрязнения и др.).
Ключевые слова: дистанционное зондирование, программный комплекс PlanetaMonitoring, предварительная обработка, классификация с обучением, кластеризация, статистическое выделение линейных и кольцевых структур, пространственные перемещения природных объектов, паводки, ледовая обстановка, приводный ветер, загрязнения.
Введение. В работе исследуется возможность применения программных (вычислительных) технологий программного комплекса PlanetaMonitoring [1] при решении некоторых задач мониторинга опасных гидрометеорологических явлений.
1. Программный комплекс PlanetaMonitoring. Разработанный в ИВМиМГ СО РАН совместно с ФГБУ „НИЦ „Планета" этот программный комплекс обеспечивает функционально полный набор операций по обработке данных дистанционного зондирования Земли (ДЗЗ) [2-4]. Он реализует ряд программных технологий обработки многоспектральной спутниковой информации оптического, инфракрасного и микроволнового диапазонов. В разделе 1 представлены программные технологии, наиболее востребованные при решении задач мониторинга опасных гидрометеорологических явлений [4-6].
Работа выполнена в рамках государственного задания ИВМ и МГ СО РАН (проект 0315-2016-0003) при финансовой поддержке Российского фонда фундаментальных исследований (код проекта 16-07-00066).
(г) В. В. Асмус, А. А. Бучнев, В. А. Кровотынцев, В. П. Пяткин, 2018
1.1, Предварительная обработка спутниковых данных. Одна из программных технологий традиционна — технология предварительной обработки данных ДЗЗ, которая включает в себя набор общепринятых операций по яркоетным и контрастным преобразованиям изображений, В группу геометрических преобразований включены масштабирование изображений и отображение космических снимков на растровые карты (геокодирование). Трансформирование спутниковых изображений в картографическую основу является геометрическим преобразованием, отображающим весь снимок, либо его часть на заранее подготовленную растровую географическую карту соответствующей территории. Карта строится в выбранной географической проекции с использованием различных баз данных (в том числе, шейп-файлов ГНС Arc View) для нанесения на лист карты контурных элементов пространственных объектов. Отображение снимка на карту основано на использовании идентичных опорных точек снимка и карты. Возможно использование одного из двух типов отображений: на основе применения семейства кусочно-аффинных преобразований, которые строятся на множестве треугольников снимка и карты, получаемых в результате триангуляции выпуклой оболочки множества опорных точек снимка, и на основе отображающего полинома заданной степени (первой, второй или третьей). Мозаики спутниковых изображений формируются путем объединения трансформированных на единую картографическую основу изображений. Программный комплекс включает также ряд основанных на видоизменении гистограмм контрастных преобразований,
1.2, Распознавание и классификация объектов окружающей среды. Центральные вопросы тематической обработки (интерпретации) данных ДЗЗ — вопросы повышения качества дешифрирования — непосредственно связаны с проблемой выбора адекватных алгоритмов распознавания [4, 7, 8], Современный опыт автоматизированного распознавания данных ДЗЗ показывает, что заранее практически невозможно установить, какой алгоритм будет лучше с точки зрения точности классификации. Поэтому в распознающую систему целесообразно закладывать несколько алгоритмов и выбор оптимального алгоритма проводить эмпирически, В классификации данных ДЗЗ чаще других используются методы, которые можно разбить на две группы: контролируемая классификация (классификация с обучением) и неконтролируемая классификация (кластеризация),
1.2.1. Кластеризация (неконтролируемая, классификация). В состав программного комплекса PlanetaMonitoring входит реализация классического алгоритма жесткой кластеризации — алгоритма K-средних, широко используемого для разбиения на кластеры больших объемов многомерных данных [8], Алгоритм K-средпих может быть отнесен к классу параметрических, т, к, он неявным образом предполагает природу плотности вероятности: кластеры стремятся иметь конкретную геометрическую форму, зависящую от выбранной метрики. Используются следующие метрики: Евклида, Махалапобиса, Чебы-шева, Манхэттена, Известно также, что результат кластеризации методом K-средних зависит от задания начальных центров кластеров. Предоставляется выбор одного из трех вариантов, два из которых определяются на основе статистических характеристик набора данных, и один основан на случайной выборке. Один из вариантов алгоритма позволяет учитывать влияние смешанных векторов [4], Дополнительным параметром в этом случае является выбираемое эмпирически соотношение чистых и смешанных векторов в наборе данных. На основе этого соотношения и градиентного изображения, сформированного подходящим градиентным оператором (Робертса/Превитта/Собела), выделяются связные компоненты, состоящие из чистых векторов. Кластеризации подвергаются сред-
ние векторы связных компонент, В дальнейшем смешанные векторы распределяются по полученным кластерам на основе минимального расстояния до центра кластера.
Другой подход, позволяющий получать разбиение векторов измерений на кластеры произвольной формы, основан на предположении, что исходные данные являются выборкой из многомодового закона распределения, причем векторы, отвечающие отдельной моде, образуют кластер [4]. Таким образом, задача сводится к анализу мод многомерных гистограмм,
1.2.2. Классификация с обучением (контролируемая классификация). В классификации с обучением для распределения векторов признаков по представляющим интерес классам используется процесс обучения классификатора способности различать эти классы на основе репрезентативных выборок представителей классов. Эти выборки называются обучающими. Процесс обучения фактически является процессом построения функций правдоподобия (или решающих функций) для классов. Эти функции будут затем использоваться для классификации каждого вектора признаков как принадлежащего только одному классу (жесткая классификация), либо нескольким классам (нечеткая классификация). Обучение классификатора может быть проконтролировано путем определения вероятности правильной классификации (для этого часть из обучающих выборок переводится в разряд контрольных). Контролируемая классификация в программном комплексе Р1аш.Ч,аМош1:,огт§ основана на использовании байесовской стратегии максимального правдоподобия для нормально распределенных векторов признаков, Пусть х — ^-мерный вектор признаков, где N — число спектральных диапазонов. Предполагается, что векторы х имеют в классе шг нормальное распределение N(шг,Вг) со средним шг и ковариационной матрицей Вг. В этом случае байесовская стратегия максимального правдоподобия для поэлементного классификатора формулируется следующим образом [4, 7], Пусть П = (шг,..., шт) — конечное множество классов, р(шг) — априорная вероятность класса С, Тогда решающая функция класса шг имеет вид: 9г((х) = 1п(р(шг)) — 0.51п(|Вг|) — 0.5(х — шг)ТВг-1(х — шг). Решающее классическое прах
шг , если дг(х) > д^(х) для всех ] = г. Поскольку физические размеры реально сканируемых пространственных объектов, как правило, больше разрешения съемочных систем, между векторами признаков существуют взаимосвязи [4], Использование информации подобного рода дает возможность повысить точность классификации, если пытаться распознавать одновременно блок смежных векторов квадратной или крестообразной формы. Будем называть такой блок векторов объектом. Решение об отнесении центрального элемента объекта тому или иному классу принимается на основе результата классификации всего объекта. Такой подход порождает целое семейство решающих правил. Во-первых, это использование принципа голосования, т, е, независимая классификация элементов объекта и отнесение центрального элемента к тому классу, которому было отнесено большинство элементов объекта. Во-вторых, это применение текстурных операторов (простейший пример — описание объекта X через вектор средних составляющих его элементов) с последующим отнесением центрального элемента классу, к которому был отнесен параметр, характеризующий X, В-третьих, описание объекта X случайным марковским полем.
Необходимые для построения решающих функций классов оценки статистических характеристик — векторов средних и ковариационных матриц, коэффициентов пространственной корреляции между значениями координат соседних векторов в горизонтальном
и вертикальном направлениях — определяются на основе векторов из обучающих выборок (полей). Априорные вероятности классов могут быть взяты из результатов кластеризации,
1.3, Непараметрический статистический подход к выделению линейных и кольцевых структур. В анализе космических изображений при решении прикладных задач ДЗЗ, в мониторинге природной среды возникает проблема обнаружения протяженных объектов заданной формы, например, линейных и кольцевых структур на случайном фоне. При обработке космических снимков с целью обнаружения на них таких объектов, представляющих интерес, в силу целого ряда причин предпочтение отдается непараметрическому статистическому подходу [9-1]. Одна из причин состоит в том, что вследствие случайного характера природных процессов данные дистанционных измерений (спектро-совмещенные изображения) содержат много случайных вариаций, маскирующих различия значений яркости изображения в точках области объекта и в точках области фона, Основная идея этого подхода состоит в вычислении статистик Б+ и Б- на основе анализа значений пикселов изображения вдоль нормалей к предполагаемому положению объекта [9], Эти статистики определяются следующим образом. Для г = 1,...,к обозначим через Сг,&ъ£г2 значения пикселов, наблюдаемых в точках проверяемого по-
г
Б+ = ^н=1I> шах(£а,£¿2)}, Б- = ^н=1I< шт(£г1,£г2)} где I{.} — индикаторная функция события {.}, равная 1 ми 0 в зависимости от того, произошло или не произошло {.}
мается по результату сравнения посчитанных значений статистик Б+ и Б- с предопределенными пороговыми значениями, полученными на основе входных параметров. При
к
нормалей для получения значений пикселов и таковы, что все величины могут рассматриваться как статистически независимые в совокупности, когда в поле зрения объект отсутствует. Используемый для построения статистик Б + и Б- анализ значений пикселов требует больших временных затрат при его последовательном выполнении, В связи с этим разработаны параллельные реализации алгоритмов обнаружения аномальных структур,
1.4, Определение пространственных перемещений объектов по разновременным, спутниковым, изображениям. Одним из способов определения пространственных перемещений природных объектов по разновременным спутниковым изображениям является метод, основанный на нахождении максимумов коэффициента взаимной корреляции [12]. Корреляция используется как средство поиска эквивалентов объекта-эталона, представленного в виде изображения т(ху) размерами 3 х К, на изображении f (х,у) размерами М х N предполагается, что 3 ^ Ми К ^ N , Коэффициент взаимной корреляции
Здесь тт — среднее значение пикселов в эталоне т, fm — среднее значение элементов изображения f в области, покрываемой эталоном. Знаменатель в (1) является произведением стандартного отклонения аш пикселов эталона т на стандартное отклонение а/ пикселов изображения f в области, покрываемой эталоном. Поиск позиций найденных эталонов (определение смещений) на следующем изображении серии может быть реализован одним из трех методов: определением максимума коэффициента взаимной корреляции в пространственной области, определением максимума коэффициента взаимной корреляции в частотной области на основе быстрого преобразования Фурье и нахождением миниму-
7 (х,У)
ЕзЕЛ.(х + 8,У + ^ - .[т^^]^^^ - тт]
(1)
ат а/
ма суммы квадратов расстояний. При этом, как правило, не предполагается при поиске смещений каких-либо преобразований эталона, за исключением преобразования переноса, В представляемой работе определение смещений эталонов производится на основе определения максимума коэффициента взаимной корреляции в пространственной области в соответствии с формулой (1), При этом эталон может подвергаться преобразованию, состоящему из масштабирования, поворота и переноса. Реализован соответствующий алгоритм и получены результаты вычислительных экспериментов на изображениях, полученных с К А ,, METEOS АТ-8" [12]. Эти результаты свидетельствуют как о необходимости учета масштабирования и поворота эталона, так и о приемлемом времени соответствующих вычислений, Решение задачи состоит из следующих основных шагов: 1) поиск на текущем изображении квадратных объектов-эталонов, основанный на достижении максимума контраста либо максимума энтропии; 2) поиск позиций найденных эталонов на последующем изображении, основанный на достижении максимального значения коэффициента взаимной корреляции; 3) построение векторных полей пространственных перемещений объектов в соответствии с найденными позициями. Здесь wm — среднее значение пикселов в эталоне w, fm — среднее значение элементов изображения f в области, покрываемой эталоном. Знаменатель в (1) является произведением стандартного отклонения aw пикселов эталона w на стандартное отклонение а/ пикселов изображения f в области, покрываемой эталоном. Поиск позиций найденных эталонов (определение смещений) на следующем изображении серии может быть реализован одним из трех методов: определением максимума коэффициента взаимной корреляции в пространственной области, определением максимума коэффициента взаимной корреляции в частотной области на основе быстрого преобразования Фурье и нахождением минимума суммы квадратов расстояний. При этом, как правило, не предполагается при поиске смещений каких-либо преобразований эталона за исключением преобразования переноса, В представляемой работе определение смещений эталонов производится на основе определения максимума коэффициента взаимной корреляции в пространственной области в соответствии с формулой (1), При этом эталон может подвергаться преобразованию, состоящему из масштабирования, поворота и переноса, 2. Мониторинг опасных гидрометеорологических явлений, 2,1, Паводки. Наводнения на территории России, в основном, связаны с речными разливами в период половодий и паводков и наиболее часто (практически ежегодно) происходят в поймах рек Волги, Зап. Двины, Оби, Иртыша, Енисея и др. Угроза наводнений в Российской Федерации существует более чем для 40 городов и нескольких тысяч других населенных пунктов. Периодическому затоплению подвержена территория площадью около 500 тысяч га. Среднестатистическая величина ущерба от наводнений по России оценивается примерно в 3,25 млрд, долларов в год. Обширность речных пойм и быстрота протекающих на них процессов затопления с одной стороны, и недостаточная густота сети гидрологических постов с другой стороны, затрудняют получение сведений о наводнениях наземными средствами, В настоящее время в России действует более 6000 гидрологических постов на реках. Все они фиксируют уровень воды, на половине из них измеряются расходы воды. Проведение аэронаблюдений районов наводнений затруднено из-за дороговизны полетов и зависимости их от погодных условий. Недостаток наземной и аэроинформации может быть компенсирован за счет использования космических данных ДЗЗ, на их основе возможно определять основные гидрологические параметры, характеризующие процесс наводнения. Важными преимуществами методов ДЗЗ являются высокая периодичность наблюдения затопленных территорий, большая обзорность и оперативность получения
информации о районе наводнения. Большая генерализация деталей при наблюдениях из космоса обеспечивает космический мониторинг с учетом региональных особенностей речной сети и позволяет проследить за развитием процессов затопления по всей длине реки, В качестве исходной информации для картирования наводнений используются оптические данные среднего и высокого пространственного разрешения с российских и зарубежных КА Метеор-М (КМСС), Канопус-В (МСС), Ресурс-П (Сангур-1У, ШМСА-ВР, ШМСА-СР), Terra/Aqua (MODIS), принимаемые в Европейском, Сибирском и Дальневосточном центрах ФГБУ „НИЦ „Планета", а также оптические и радиолокационные данные с зарубежных спутников, получаемые по сети Интернет Landsat-8 (OLI), Sentinel-2 (MSI) и Sentinel-1 (SAR), Выделение границ зон затопления (затопленных участков поймы рек и районов переувлажненных почв) при наводнениях на многозональных спутниковых изображениях осуществляется с использованием алгоритмов неконтролируемой автоматизированной классификации. На первом этапе автоматизированной классификации происходит выделение на спутниковом изображении большого количество классов объектов окружающей среды, исходя из различия их спектральных свойств. На втором этапе происходит
""
ного алгоритма позволяет более точно отделить границу между сильно загрязненной водой и влажной почвой речной поймы, по сравнению с использованием для этой цели пороговых методов. Результатом обработки этого этапа является выделение на многозональном спутниковом изображении площади затопления речной поймы. На заключительном этапе тематической обработки спутниковых данных происходит совмещение площадей затопления речных пойм с топографическими картами с использованием ГИС-технологий,
"
(КМСС), притоков реки Оки (Мокша, Вад и др.) в период наводнения (18,04,2013 г.) и результат совмещения площадей затопления, выделенных при обработке данного изображения, с топографической картой масштаба 1:500 ООО представлены на рис, 1,
2.2, Ледовая обстановка. Методы кластеризации многозональных спутниковых изображений активно используются для распознавания характеристик морского льда (подвижности, возраста, частной сплоченности, форм льда), особенно в сложных ледовых условиях когда в результате продолжительного воздействия ветра на сравнительно небольшую ледовую акваторию происходит высокая подвижность льда, способствующая интенсивному перемешиванию ледяных образований различного возрастного состава и форм, что вызывает определенные трудности для проведения визуального дешифрирования. Для таких случаев целесообразно сначала выполнить автоматизированную классификацию многозональных спутниковых изображений и распознать характеристики льда, сконцентрированные на небольшой ледовой акватории, а затем по результатам распознавания строить карту ледовой обстановки. Пример использования описанной технологии представлен на рис, 2,
2.3, Приводный ветер. Еще одним видом регулярно выпускаемой в ФГБУ „НИЦ „Пла-
"
са PlanetaMonitoring является подготовка в автоматическом режиме карт полей (скорости и направления) приводного ветра над поверхностью акваторий морей России (свободной ото льда) по данным микроволновых скаттерометров ASCAT европейских полярно-орбитальных спутников МЕТОР-А и МЕТОР-В, Микроволновый скаттерометр является радиолокатором низкого пространственного разрешения С-диапазона, с помощью кото-
Рис. 1. Совмещение выделенных площадей затопления с топографической картой
poro можно определять модуль скорости приводного ветра над взволнованной морской поверхностью независимо от освещенности и облачности.
Однако, в отличие от радиолокаторов, в скаттерометре используется 6 ножевых антенн, с помощью которых можно проводить наблюдения морской поверхности под разными углами (диапазоны углов изменяются от 37 до 64 градусов) и по измерениям радиолокационного обратного рассеяния морской поверхности под разными углами можно рассчитывать направление ветра, Скаттерометрическая съемка морской поверхности осуществляется вдоль полета спутника в виде двух полос шириной 550 км, каждая из которых отстоит от надира приблизительно на 300 км. Скорость и направление ветра рассчитывается по алгоритму, разработанному в EUMETSAT. При этом точность измерения скорости приводного ветра составляет 2 м/сек в диапазоне 4-24 м/сек, для скоростей, превышающих значение 24 м/сек, точность измерения ветра составляет 10 % от измеряемой величины. Точность измерения направления ветра составляет 20°. Значения скорости и направления ветра, рассчитанные по данным скаттерометров, могут быть представлены на карте в узлах регулярной сетки размером 25x25 км или 12,5x12,5 км. Карты полей приводного ветра по внутренним морям России строятся 1-2 раза в сутки, однако из-за сгущения долгот в северных широтах каждое арктическое море может быть охвачено скаттерометрической съемкой на нескольких смежных витках подряд. На рис, 3 приводится пример карты полей приводного ветра Каспийского моря, построенной по данным скаттерометров МЕТОР-А и МЕТОР-В за 16 мая 2016 г.
2,4, Загрязнения. Одним из важных направлений использования спутниковых данных в интересах Росгидромета является мониторинг загрязнения морской среды. Основны-
Рис. 2. Классификация морского льда в Татарском проливе: слова результат автоматизированного распознавания льда; справа карта ледовой обстановки по данным ИСЗ „Ресурс-Ф", разрешение 10 м.
ми источниками загрязнения морских вод являются речной сток, береговые загрязнения (сбросы сточных вод промышленных предприятий и коммунального хозяйства), судовые загрязнения, включая пленки нефтепродуктов, и биогенные загрязнения, связанные с интенсивным цветением фитопланктона и водорослей, а также с образованием продуктов их разложения в виде пленок поверхностно-активных веществ биогенного происхождения. Загрязнения, попадая в морскую среду, становятся частью этой среды и распространяются в пей под воздействием гидрометеорологических факторов |6|,
Таким образом, задача построения по разновременным спутниковым данным нолей распространения загрязнений морской среды находится в тесной связи с задачей определения векторов (скорости и направления) пространственных перемещений водных масс. По сути, задача по оценке распространения загрязнений поверхностного слоя морских вод сводится к определению по спутниковым данным векторов пространственного перемещения водных масс. Более 10 лет в ФГБУ „НИЦ „Планета" действует технология (совместная разработка ФГБУ „НИЦ „Планета" и ИВМиМГ СО РАН) построения полей пространственных перемещений водных масс по разновременным спутниковым изображениям одной и той же морской акватории. В качестве исходных данных в технологии может использоваться спутниковая информация видимого, инфракрасного или активного микроволнового (радиолокационные данные) диапазонов; ограничение касается только временного периода съемок разновременных изображений, который в среднем не должен превышать двое суток, а также степени покрытия облачностью (не более 5 %) оптических и инфракрасных изображений. В технологии используется метод восстапов-
48° 50° 52° 54'
48° 50° 52' 54 =
_Скорость ветра (м/с)_
1.8 3.6 5.4 7.2 9.0 10.8 12.6 14.4 16.2
ИСЗ МеЮр, АЭСАТ Карта полей приводного ветра Каспийское морс
2017.05.16 18:06
Рис. 3. Карта полей приводного ветра над акваторией Каспийского моря по данным ИСЗ
МеЮр/АБСАТ; 16.05.2016 г.
ления полей пространственных перемещений водных масс по опознанным изменениям положения некоторых водных объектов (трассеров) на разновременных и совмещенных в единой картографической проекции спутниковых изображениях. В качестве трассеров на разновременных спутниковых изображениях оптического диапазона используются водные объекты, сформировавшиеся в результате цветения вод (линейные и вихревые структуры распределения фитопланктона и водорослей). Для изображений инфракрасного диапазона в качестве трассеров в основном используются линейные и вихревых термические структуры, для радиолокационных изображений — нефтяные пленки и пленки биогенных загрязнений. Определение координат перемещения водных объектов в узлах регулярной сетки с заданным шагом достигается в результате использования аппроксимаций по методу триангуляции Делоне.
При этом на спутниковых изображениях предварительно производится „закрепление" контуров береговой черты с помощью опорных точек, и, таким образом, на картах распределения полей пространственных перемещений водных масс происходит разделение неподвижной суши и перемещающейся водной среды. Одновременно с построением карты
б)
Рис. 4. Карта пространственных перемещений водных масс Северного Каспия, построенная по разновременным данным ИСЗ „Адиа"/МСШ18 в период 07-09 марта 2017 г. (а) и диаграммы распределения скоростей и направлений дрейфа льда (б)
рассчитываются гистограмма скоростей и роза направлений пространственных перемещений водных масс.
Пример карты пространственных перемещений водных масс Северного Каспия, построенной по данным спектрорадиометра MODIS ИСЗ „Terra" в период с 05 по 07.08.2017 г. (а), и диаграммы распределений скоростей и направлений поверхностных перемещений водных масс (б) представлены на рис. 4.
Заключение. Многолетний успешный опыт использования описанного выше программного комплекса обработки спутниковых данных в различных прикладных задачах ДЭЗ подтверждает высокую эффективность реализованных в комплексе алгоритмов обработки данных ДЭЗ, в частности, и при решении задач мониторинга опасных гидрометеорологических явлений.
Список литературы
1. Асмус В. В., Бучпев А. А., Кровотыпцев В. А., Пяткип В. П., Салов Г. И. Комплекс программного обеспечения PLANETAMONITORING в прикладных задачах дистанционного зондирования /7 Автометрия, 2018. Т. 54. № 3. С. 14 23.
2. Дистанционное зондирование: количественный подход. / пер. с англ. Пяткина В. П. и Юдиной O.A. иод ред. A.C. Алексеева. М.: Недра, 1983.
3. Шовепгердт P.A. Дистанционное зондирование. Модели и методы обработки изображений. М, Техносфера, 2010.
4. Асмус В. В. Программно-аппаратный комплекс обработки спутниковых данных и его применение для задач гидрометеорологии и мониторинга природной среды. Диссертация в виде научного доклада на соискание ученой степени доктора физико-математических наук. На правах рукописи. М. 2002.
5. Кровотыпцев В. А., Тренина U.C., Волгутов Р. В., Максимов A.A., Маслова H.A. Информационная продукция спутникового мониторинга полярных акваторий Земли и замерзающих морей России /7 Метеоспектр, 2014. № 2. С. 89 98.
6. Бедрицкий А.И., Асмус В. В., Кровотыпцев В. А., Лаврова О.Ю., Островский А. Г. Спутниковый мониторинг загрязнения российского сектора Черного и Азовского морей в 2003 2007 1ч\ /7 Метеорология и гидрология. 2007. № 11. С. 5 13.
7. Асмус В. В., Бучпев А. А., Пяткип В. П. Контролируемая классификация данных дистанционного зондирования Земли /7 Автометрия. 2008. № 4. С. 60 67.
8. Асмус В. В., Бучпев A.A., Пяткип В. П. Кластерный анализ данных дистанционного зондирования Земли /7 Автометрия. 2010. № 2. С. 58 66.
9. Салон Г. И. О мощности непараметрических критериев для обнаружения протяженных объектов на случайном фоне /7 Автометрия. 1997. № 3. С. 60 75.
10. Салон г. II. Новый статистический критерий для задач с двумя и тремя выборками, более мощный, чем критерии Вилкоксона и Уитни /7 Автометрия. 2011. № 4. С. 58 70.
11. Asmus V.V., BuciiXEV A.A., Pyatklx V.P., Salov G.I. Software System for Satellite Data Processing of Applied Tasks in Remote Sensing of the Earth /7 Pattern Recognition and Image Analysis. V. 19. N 3. P. 69 74.
12. Бучпев A.A., Пяткип В.П. Мониторинг облачных образований по данным геостационарных спутников Земли /7 Автометрия. 2009. № 4. С. 40 47.
Василий Валентинович Асмус д-р физ.-мат. наук, профессор ФГБУ „Научно-исследовательский центр кос-ми ческой гидрометеорологии „Планета" Росгидромета; е-таП: азтиз®р1апе1. з.гЪр.ги. Родился в 1952 году. Окончил Московский институт электронного машиностроения (1976 I'.). Защитил кандидатскую диссертацию в 1984 году и докторскую диссертацию в 2002 году. В 2007 году ему присвоено звание профессора. Работает в должности директора Государственного учреждения Научно-
исследовательский центр космической гидро"
Роесии по гидрометеорологии и мониторингу окружающей среды (г. Москва). Действительный член Российской Академии космонавтики им. К. Э. Циолковского, Лауреат премии Мэрии Москвы. Область научных интересов: дистанционное зондирование, распознавание образов, спутниковые информационные системы. Автор более 140 работ, включая 4 монографии.
Born in 1952. Graduated from Moscow Institute of Electronic Machinery Manufacturing in 1976. Obtained PhD degree in 1984 and degree Doctor of Science in 2002. Has become a professor in 2007. He is a Director of State Research Center of Space Hydrometeorologv „Planeta" (Moscow). Full member of the Russian Tsiolkovskii Academy of Cosmonautics. Russian Federation and Moscow
Region Government prizes winner. Fields of scientific interest are: remote sensing, pattern recognition, satellite information systems. Author of more than 140 scientific papers, including 4 monographs.
Алексей Александрович Бучнев канд. техн. наук, старший научный сотрудник .лаборатории обработки изображений Института вычислительной математики и математической геофизики СО РАН; e-mail: baa@ooi.sscc.ru;
Родился в 1947 году. Окончил Красноярский государственный университет в 1972 году. Защитил кандидатскую диссертацию в 1989 году. Лауреат Государственной премии СССР в области науки и техники (1988 год). Старший научный сотрудник Института вычислительной математики и математической геофизики СО РАН. Область научных интересов: дистанционное зондирование, цифровая обработка изображений, распознавание образов. Автор более 70 работ.
Born in 1947. Graduated from Krasnoyarsk State University in 1972. Obtained PhD degree in 1989. USSR State Prize winner in Science and Technology (1988). Senior Research Fellow at the Institute of Computational Mathematics and Mathematical Geophysics, Siberian Branch, Russian Academy of Sciences. Research interests include remote sensing, digital image processing, pattern recognition. Author of more than 70 scientific papers.
Владимир Анатольевич Кровотынцев канд. физ.-мат. наук, рук. отдела ФГБУ „Научно-исследовательский центр космической гидрометеорологии „Планета"; e-mail: krv<3planet.i itp.ru;
Родился в 1946 году. Окончил Севастопольский приборостроительный институт в 1970 i'. Защитил кандидатскую диссертацию в 2003 году. В настоящее время работает в Федеральном государственном бюджетном учреждении „ Научно-исследовательский
центр космической гидрометеорологии „Плане"
делом тематической обработки данных дистанционного зондирования. Член- корреспондент Российской академии космонавтики им. К.Э. Циолковского. Лауреат премии Мэрии Москвы, заслуженный метеоролог Российской Федерации. Область научных интересов: дистанционное зондирование, цифровая обработка изображений, космическая океанография, спутниковые информационные системы. Автор более 70 работ.
Born in 1946. Graduated from Sevastopol Institute of Instrument Engineering in 1970. Obtained PhD degree in 2003. He is a head of Department for Thematic processing of remote sensing data, State Research Center of Space Hvdrometeorologv „Plan eta" (Moscow). Full member of the Russian Tsiolkovskii Academy of Cosmonautics. Moscow Region Government prize winner and Honoured meteorologist of Russian Federation. Fields of scientific interest are: remote sensing, digital processing of images, oceanography, satellite information systems. Author of more than 70 scientific papers.
Валерий Павлович Пят-
кин д-р техн. наук, профессор. Ин-т вычислительной математики и математической геофизики СО РАН; e-mail: pvp<3sscc.ru\underbar.
Родился в 1939 году. Окончил Московский энергетический институт в 1963 году. Защитил кандидатскую диссертацию в 1970 и докторскую диссертацию в 1987 году. В 1990 году ему присвоено звание профессора. Заведующий Лабораторией обработки изображений Института вычислительной математики и математической геофизики СО РАН (г. Новосибирск). Область научных интересов: цифровая обработка спутниковых изображений, дистанционное зондирование, геоинформатика, GIS- и Web- технологии. Автор более 200 работ, включая 5 монографий.
Born in 1939. Graduated from Moscow Institute of High Power Engineering in 1963. Obtained PhD degree in 1970 and degree Doctor of Science in 1987. Has become a professor in 1990.
He is the head of Laboratory for Image Processing, Institute of Computational Mathematics and Mathematical Geophysics, Siberian Branch, Russian Academy of Sciences. Fields of scientific
interest are: digital processing of satellite images, remote sensing, geographical informatics, GIS-and Web-technologies. Author of more than 200 scientific papers, including 5 monographs.
Дата поступления — 18.09.2018
