ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА, 2015, № 4, с. 60-66
МОНИТОРИНГ СОСТОЯНИЯ ЛЕДОВОГО ПОКРОВА АРКТИКИ
КЛАССИФИКАЦИЯ ЛЕДОВОГО ПОКРОВА АРКТИЧЕСКИХ МОРЕЙ С ИСПОЛЬЗОВАНИЕМ МЕТОДА БАЙЕСА © 2015 г. Н. Ю. Захваткина1,2, И. А. Бычкова*
ФГБУ "Арктический и Антарктический научно-исследовательский институт, С.-Петербург
2Фонд "Нансен-центр", С.-Петербург *Е-таП: natalia.piotrovskaya@niersc.spb.ru Поступила в редакцию 15.05.2014 г.
На основании использования спутниковых радиолокационных данных разработана классификация морских льдов Арктики по возрасту: многолетний, однолетний и однолетний деформированный льды, нилас и др., с учетом региональных особенностей этих видов льдов для разных секторов Арктики с использованием метода Байеса. Оценка априорных вероятностей для каждого вида льда, необходимая для использования байесовской классификации, получена путем анализа карт ледовой обстановки в арктических морях, построенных в ААНИИ в 2008—2013 гг. с использованием спутниковых данных. Оценка апостериорных вероятностей выполняется путем использования визуальной экспертной оценки. Выделенные на спутниковых снимках ледовыми экспертами виды морского льда позволяют создать выборки значений удельной эффективной поверхности рассеяния (УЭПР). Приведены примеры классификации льдов моря Лаптевых по спутниковым данным Бпу18а1 на основании использования предложенного алгоритма применения байесовской классификации.
Ключевые слова: морские льды, арктические моря, спутник, радиолокатор с синтезированной апертурой, байесовская классификация, оценка априорной вероятности
DOI: 10.7868/S0205961415020128
ВВЕДЕНИЕ
Для освоения природных ресурсов Арктики необходимо совершенствовать системы мониторинга ледового покрова арктических морей, основанные на использовании данных спутниковых наблюдений. Спутниковые системы позволяют обеспечивать потребителей оперативной информацией о ледовом покрове труднодоступных полярных районов (Смирнов и др., 2010; Спутниковые методы, 2011; Репина и Иванов, 2012). Для надежного функционирования таких систем требуется разработка методов автоматизированной классификации морского ледового покрова на спутниковых изображениях (Kongoli и др., 2011; Scott и др., 2013). Автоматизация процесса тематической обработки спутниковых снимков для выявления градаций морских льдов позволяет избежать субъективных ошибок интерпретации изображений ледового покрова экспертами и существенно повышает скорость обработки снимков по сравнению с интерактивными технологиями анализа снимков. Одним из распространенных автоматизированных методов компьютерного дешифрирования спутниковых снимков является метод Байеса. Для арктических регионов самым востребованным видом спутниковых данных яв-
ляется информация радиолокаторов с синтезированной апертурой (РСА) — в силу всепогодности радиолокации и независимости от естественной освещенности. Метод Байеса позволяет отнести пикселы РСА-изображения к определенным категориям морских льдов, характеризующим возрастные виды льдов и степень деформации поверхности. Эти категории определяются возможностями РСА по определению основных характеристик морских льдов из всего их многообразия, представленного в Номенклатуре ВМО по морскому льду.
РАЙОН ИССЛЕДОВАНИЙ
Ледовый покров арктических морей наблюдается постоянно в течение всего года и имеет сезонный ход, уменьшаясь в летний период и увеличиваясь в зимний.
Формирование ледового покрова происходит под воздействием следующих трех основных процессов:
— образования и нарастания ледового покрова при охлаждении воды ниже температуры замерзания в осенне-зимний период;
— постоянного движения льдов под действием ветра и течений, приводящего к его переносу, сплочению, разряжению, торошению и другим деформациям;
— таяния ледового покрова под действием тепловых факторов, приводящих к уменьшению его толщины и сплоченности, разрушению и полному исчезновению в летний период.
Устойчивое ледообразование в Северном Ледовитом океане, начинается в конце августа в его центральной части, среди льдов, сохранившихся после летнего таяния, и в течение осенних месяцев продвигается в окраинные моря (Спутниковые методы, 2011). Площадь льдов значительно увеличивается в осенние месяцы за счет появления молодых льдов осеннего образования в морях Северного Ледовитого океана. Когда продвижение ледообразования в Арктике достигает побережья, приращение площади льда почти прекращается. С появлением спутниковых методов зондирования морского льда появилась возможность получения достоверных оценок площади дрейфующих льдов и анализа межгодовой изменчивости ледовитости в Арктике (Бобылев и др., 2011; Репина и Иванов, 2012).
СПУТНИКОВЫЕ РАДИОЛОКАЦИОННЫЕ ДАННЫЕ
Классификация ледового покрова арктических морей выполнялась в работе по данным радиолокаторов С-диапазона (5.6 см) спутников Envisat и Radarsat-1,2. Данные Envisat использовались в режиме Wide Swath (WS), имеющем следующие параметры: полоса обзора 400 х 400 км; пространственное разрешение около 150 м, HH-поля-ризация (горизонтальная). Данные Radarsat применялись в режимах ScanSAR Wide (500 х 500 км, разрешение 100 м) и Standard (100 х 100 км, разрешение 25 м).
Основным прямым дешифровочным признаком радиолокационного изображения морского льда является яркость (определяемая УЭПР морских льдов), которая может значительно изменяться в зависимости от вида льда, его форм и шероховатости поверхности. Исследования показали, что даже в холодный период года нельзя однозначно связать значения УЭПР, получаемые для льда по спутниковым данным, с толщиной (возрастом) льда. Например, серый лед, толщина которого не превышает 15 см, при определенных условиях его формирования может давать рассеивающий сигнал, аналогичный сигналу от многолетних льдов. Возрастные стадии однолетних льдов (толщина от 30 см до 2 м), таким образом, не могут быть классифицированы только лишь по интенсивности обратного рассеяния на РЛ-сним-ках. Однако проблема классификации льдов мо-
жет быть решена на основе экспертного анализа относительной яркости ледяных полей и поверхности льда в разводьях с учетом конфигурации и "иерархической" последовательности структуры разломов, разводий полыней. В последние годы широко применяются методы классификации льдов, основанные на статистическом анализе двумерных полей, в частности такие методы, как байесовская классификация, нейронные сети, метод опорных векторов ^ак^аМпа, А1ехапёгоу, 2013). Для практического применения таких статистических методов требуется большой объем вычислений, поэтому не удивительно, что всплеск интереса к ним совпал с периодом расцвета компьютерных технологий.
МЕТОД БАЙЕСОВСКОЙ КЛАССИФИКАЦИИ
Под классификацией понимается отнесение объектов наблюдений к одному из заранее известных классов. Байесовская классификация объектов, широко используемая в исследовании Земли из космоса, основана на трудах Томаса Байеса, британского математика и священника XVIII в. Главным положением классификации является теорема о том, что если плотности распределения классов известны, то алгоритм классификации, имеющий минимальную вероятность ошибок, можно записать в явном виде. Классификация по Байесу относится к методам "обучения с учителем", называемым контролируемым, или управляемым, обучением. Отличие байесовской классификации от других методов классификации состоит в том, что она исходит из известной заранее априорной вероятности существования объекта данного класса. В то же время другие методы перед началом классификации исходят из равновероятности события, состоящего в том, что объект принадлежит к тому или иному классу. Формула Байеса позволяет по известному факту события вычислить вероятность того, что оно было вызвано конкретной причиной, т.е. "переставить причину и следствие".
Разработанный метод определения возраста льдов и частной сплоченности многолетнего льда в Арктическом бассейне по данным спутниковых радиолокаторов основывается на байесовской классификации, обеспечивающей оптимальное решение с точки зрения минимума вероятности ошибки. При этом принимается решение в пользу того вида льда, для которого величина апостериорной вероятности р(ы/х) максимальна. Эта вероятность вычисляется по формуле Байеса
р(Ю]/х1) = р(Х, /Юу ) р(Юу )/Р(Х,-),
N
РХ) = ^ Р(Х1 /ю;)р(Ю]),
где p(wy) — априорная вероятность, p(x¡/oj) — условная плотность распределения величины x¡ в состоянии юу-.
Условные плотности распределения значений УЭПР p(x¡/oj) определялись по характерным участкам рассматриваемых видов льдов, выделенных визуально на калиброванных РСА-изображе-ниях.
Решение принимается в пользу
юиу, если p(^my/x¡) > p(Mfy/x¡) и p(Wmy/x,) >p(&fd/x¡);
f если p(«fy/x¡) >p(^my/x ) и p(®fy/x¡) >p(Wfd/x¡);
f если p(Wfd/x¡) >p(®my/x¡) и p(®fd/x¡) > p(®fy/x¡).
Вероятность ошибки при использовании правила Байеса рассчитывается по формуле
N N
p(e) = ^ pe, x¡) = ^ pie/xt )p(x¡), i=1 i=1 где:p(e/x¡) = 1—p(®my/x¡), если пиксел идентифицирован как многолетний лед;
p(e/x¡) = 1—p(®fy/x¡), если пиксел идентифицирован как однолетний лед;
p(e/x¡) = 1—p(®fd/x¡), если пиксел идентифицирован как деформированный лед.
Байесовский метод классификации имеет определенные ограничения, накладываемые особенностью методики. А именно: необходимы знания достоверных значений априорных вероятностей для каждого вида льда в конкретном районе, а также апостериорных вероятностей: требуется достаточно однозначное и точное выделение примеров всех видов морского льда на стадии визуальной экспертной оценки, из которых в дальнейшем делаются выборки значений УЭПР.
Точность байесовской классификации зависит от достоверности оценки априорной вероятности. Если такая достоверность низка, то байесовский подход может привести к существенным ошибкам классификации, особенно при распознавании объектов редко встречающихся классов. Поэтому для успешного применения метода Байеса для классификации морского льда по данным дистанционного зондирования необходимо получить наиболее достоверные значения априорной вероятности существования ледового объекта данного класса в конкретное время в
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.