CC BY
77
УДК 528.852
В.В. Асмус, В.А. Кровотынцев, В.П. Пяткин ИВМиМГ СО РАН, Новосибирск НИЦ «ПЛАНЕТА», Москва
КОСМИЧЕСКИЙ МОНИТОРИНГ ЛЕДЯНОГО ПОКРОВА АРКТИКИ
V.V. Asmus, V.A. Krovotyntsev, V.P. Pyatkin ICM and MG SB RAS, Novosibirsk SRC «Planeta», Moscow
SPACE MONITORING OF THE ARCTIC ICE SURFACE
Russian and foreign polar-orbital satellite data of the Earth remote sensing (ERS) have been used for the monitoring of ice surface of the Earth polar regions in SRC «Planeta» for more than 25 years. Within this problem solution SRC «Planeta» and ICM and IMG SB RAS have been cooperating for a long time in the field of development and use of satellite data processing methods and technologies. In the report there are the data of operating and prospective flying vehicle from our country and abroad, including space system «Arctic», the description of developed methods and operative technologies of ice surface monitoring, the examples of satellite information products of the Arctic.
Космический мониторинг ледяного покрова Земли 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 буев 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 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
2
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 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 K -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. 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 N -мерный вектор признаков х = (х1,...,хЛ,)г, где N - число спектральных диапазонов, а под объектом блок смежных векторов квадратной или крестообразной формы. Предполагается, что векторы х имеют в классе щ нормальное распределение N (щ, Вг) со средним щ и ковариационной матрицей В . 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 объектного классификатора, классифицирующего среднее блока в предположении, что векторы внутри блока независимы. Пусть О. = (со1,...,сот) - конечное множество классов, X = {х\...,хк) -
объект, состоящий из к ТУ-мерных векторов х1 =(х(,...,х^). Средний вектор х объекта X вычисляется по формуле:
1 к
х = — У X1.
к ^
к ы—
Дискриминантная функция класса сог имеет вид: -0.5к(х -тУВТ^х -т,),
где р(о)г) априорная вероятность класса со:. Обозначим через '/; основанное на распределении /2 пороговое значение для отклоненных векторов класса :
Tt = 1п(р(бУг)) - 0.5A(JV,Q) - 0.51n(| Bt |),
где A(N,Q) - критическое значение уровня Q распределения Пусть /, -переменная, значение которой зависит от параметра классификатора thr: tt = -оо,
т т jn
thr-l', ti = Tj, thr- 2; tx. = min Тг, йг = 3; ?г=тахГг, thr-A', ti =(^jT1)/m, thr = 5.
Тогда решающее правило для классификатора принимает следующий вид: центральный элемент объекта X заносится в класс ц, если gt(x)> g}(x) для
всех j^i и gi(x)>tr 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 х 50, размер объекта - от 1 х 1 до 11 х 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.
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 ^ - диапазона (длина волны 2,2 см) SeaWinds ИСЗ QшkSCAT. 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
2 2 примерно 20-70 тыс. км /мес, с января по май примерно 110-140 тыс. км /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 2007-2008 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
2 2
вариации площадей от 180 тыс. км до 540 тыс. км . 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 примерно на 5 %).
Все виды информационной продукции, получаемые при проведении космического мониторинга Арктики по мере их поступления заносятся в специализированный цифровой архив. К настоящему времени в архиве накоплены ряды спутниковых данных по различным районам Арктики за более чем 20-летний период.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Справочник потребителя спутниковой информации // Под редакцией В.В. Асмуса, О.Е. Милехина. - С-Петербург: Гидрометеоиздат, 2005. - 114 с.
2. Асмус В.В., Дядюченко В.Н., Загребаев В.А. и др. Наземный комплекс приема, обработки, архивации и распространения спутниковой информации / Труды НИЦ «Планета». - Вып. 1(46). - 2005. - С. 3-21.
3. Кровотынцев В.А., Милехин О.Е. Характеристики радиолокационного обратного рассеяния морских льдов Арктики по данным ИСЗ «Океан-О1» // Исследование Земли из космоса. - № 2. - 1998. - С. 68-80.
4. Бучнев А.А., Пяткин В.П. Программное обеспечение для решения некоторых задач аэрокосмического мониторинга // Труды Международной конференции «Математические методы в геофизике», 8-12 октября, 2003, Новосибирск. - Новосибирск: ИВМиМГ СО РАН, 2003. - Ч. 2. - С. 585-588.
5. Асмус В.В., Кровотынцев В.А., Милехин О.Е., Тренина И.С. Технологии обработки и архивации спутниковых данных при проведении мониторинга ледяного покрова Антарктики / Тезисы докладов на научной конференции «Россия в Антарктике», Санкт-Петербург, ГУ ААНИИ, 12-14 апреля 2006 г., с. 34-35.
6. Асмус В.В., Бучнев А.А., Пяткин В.П. Контролируемая классификация данных дистанционного зондирования Земли //Автометрия. - 2008. - Т. 44. - № 4. - С. 60-67.
7. Пяткин В.П., Салов Г.И. Статистический подход к задаче обнаружения некоторых структур на аэрокосмических изображениях // Наукоемкие технологии. - 2002. - № 3. - Т. 3. -С. 52-58.
8. Асмус В.В., Милехин О.Е., Кровотынцев В.А., Селиванов А.С. Использование радиолокационных данных ИСЗ серии «Океа» для решения задач гидрометеорологии и мониторинга окружающей среды // Исслед. Земли из космоса. - 2002. - № 3. - С. 63-70.
© В.В. Асмус, В.А. Кровотынцев, В.П. Пяткин, 2009
в
