Идентификация морских льдов Северного Ледовитого океана по данным радиолокатора с синтезированной апертурой

Захваткина, Наталья Юрьевна

Бесплатный автореферат и диссертация по наукам о земле на тему
Идентификация морских льдов Северного Ледовитого океана по данным радиолокатора с синтезированной апертурой
ВАК РФ 25.00.28, Океанология

Автореферат диссертации по теме "Идентификация морских льдов Северного Ледовитого океана по данным радиолокатора с синтезированной апертурой"

На правах рукописи УДК 551.467; 528.8

Захваткина Наталья Юрьевна

ИДЕНТИФИКАЦИЯ МОРСКИХ ЛЬДОВ СЕВЕРНОГО ЛЕДОВИТОГО ОКЕАНА

ПО ДАННЫМ РАДИОЛОКАТОРА С СИНТЕЗИРОВАННОЙ АПЕРТУРОЙ

Специальность: 25.00.28 — океанология

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук

Санкт-ПетербурА_ '-> ■• ' 2009

003471408

Работа выполнена в государственном учреждении «Арктический и антарктический научно-исследовательский институт»

Научный руководитель: доктор географических наук, профессор

ФРОЛОВ Иван Евгеньевич

Научный консультант: кандидат физико-математических наук

АЛЕКСАНДРОВ Виталий Юрьевич

Официальные оппоненты: доктор физико-математических наук,

профессор МЕЛЕНТЬЕВ Владимир Владимирович

Защита диссертации состоится 18 июня 2009 г. в 13:00 часов на заседании совета Д 327.002.01 по защите докторских и кандидатских диссертаций в Арктическом и антарктическом научно-исследовательском институте по адресу: 199397, Санкт-Петербург, ул. Беринга, д. 38.

С диссертацией можно ознакомиться в библиотеке Арктического и антарктического научно-исследовательского института.

Автореферат разослан 15 мая 2009 г.

Ученый секретарь

доктор физико-математических наук МАКШТАС Александр Петрович

Ведущая организация:

Российский государственный гидрометеорологический университет

диссертационного совета кандидат географических наук

В. Ф. Радионов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования обусловлена тем, что изучение физических свойств земной поверхности с целью использования их в практической деятельности является одним из важнейших направлений развития дистанционного зондирования. При освещении обстановки в удаленных и малонаселенных районах Земли возникает необходимость в получении оперативной информации, обеспечивающей надежное решение задач управления для обеспечения хозяйственной деятельности, а также для решения проблем экологической безопасности.

К таким районам относятся акватории Северного Ледовитого океана и морей умеренных широт, замерзающих в зимнее время, где условия мореплавания и практической деятельности (рыболовство, геологическая разведка, операции на шельфе, такие как добыча нефти и газа, прокладка трубопроводов) в значительной мере определяются состоянием ледяного покрова.

Работа в этих условиях требует повышенной скорости усвоения информации ввиду сокращения времени принятия решения в сложной обстановке, что невозможно выполнить без применения средств и методов дистанционного зондирования и вычислительной техники, реализующей алгоритмы количественной обработки на основе использования моделей процессов и/или объектов наблюдения. Требования к точности и объективности результатов автоматизированной обработки данных дистанционного зондирования постоянно растут, и увеличение только одной производительности средств вычислительной техники уже не может обеспечить все возрастающие требования потребителей гидрометеорологической информации.

Наиболее оптимальным как по времени получения (время суток, сезон), так и по пространственному обзору (покрытие и перекрытие зон обзора) является использование радиолокационных станций, установленных на борту искусственных спутников Земли (ИСЗ).

Для обработки радиолокационной информации в приемлемые сроки и предоставления ее в виде цифровых ледовых карт требуется применение алгоритмов автоматизированной классификации радиолокационных (РЛ) изображений и идентификации морского льда. Существует ряд причин, сдерживающих повышение эффективности построения цифровых ледовых карт в оперативном режиме, основными из которых являются: а) необходимость осуществления интерактивных процессов, связанных с оконтуриванием однородных структур и предполагающих использование априорной информации о гидрометеорологических условиях предшествующего периода; б) длительность процесса подготовки специалистов «ледовых экспертов» для выполнения работ оперативного дешифрирования радиолокационных изображений.

Одной из перспективных возможностей автоматизированного дешифрирования радиолокационных изображений морского льда является разработка и внедрение технических и программно-технологических средств, основанных на использовании методов нейронных сетей (НС). Преимущества указанных методов заключаются в реализации ассоциативного поиска информации, в возможности реализации процесса самообучения нейронной сети в процессе ее функционирования, в отсутствии необходимости получения априорной информации о статистическом распределении данных, отсутствии необходимости внешнего программирования сети и в возможности усвоения разнородных данных, в том числе использования различных поляризаций.

Указанные выше обстоятельства позволили сделать вывод об актуальности разработки методов и алгоритмов автоматизации процессов дешифрирования РЛ-изображений и идентификации видов морского льда с использованием метода нейронных сетей.

Цель исследования - разработка методики автоматизированной идентификации морских льдов (на примере льдов центральной части Северного Ледовитого океана) с использованием данных радиолокатора с синтезированной апертурой (РСА) на основе нейронных сетей.

Работа выполнена с использованием данных РСА, установленного на борту спутника ЕЫУКАТ.

Для достижения этой цели были поставлены следующие задачи:

1) изучить характер зависимости удельной эффективной площади рассеяния (УЭПР) морских льдов от их возраста по данным РСА;

2) проанализировать зависимость УЭПР морских льдов от угла зондирования и разработать методику угловой коррекции РСА-изображений;

3) оценить возможность распознавания различных видов морского льда на РСА-изображениях, полученных с использованием различных поляризаций;

4) определить информативность текстурных признаков радиолокационных изображений и оптимальную комбинацию этих признаков для автоматизированной классификации изображений морских льдов;

5) обосновать выбор параметров настройки и выполнить настройку нейронной сети для идентификации морских льдов по данным съемки с помощью РСА с использованием значений УЭПР и текстурных признаков;

6) протестировать разработанную методику.

Методы исследования. Основные результаты исследования получены с помощью экспериментальных методов и теоретических расчетов с применением теории радиолокации и методов прикладных исследований, отражающих свойства морских льдов. Применялись качественные методы дешифрирования спутниковых радиолокационных изображений морских льдов (визуальный анализ РСА изображений с привлечением сопутствующих изображений, полученных в видимом диапазоне длин волн) с привле-

чением ледовых карт, составленных специалистами-экспертами.

Учет зависимости УЭПР от угла падения РСА и особенностей радиолокационных изображений при классификации морских льдов осуществлялся посредством калибровки изображений. На этом этапе проводилась коррекция зависимости получаемых значений УЭПР морских льдов от угла падения методом статистической обработки.

Для обработки использовалось специализированное программное обеспечение, разработанное в Центре по окружающей среде и дистанционному зондированию им. Нансена (г. Берген, Норвегия) и Международном центре по окружающей среде и дистанционному зондированию им. Нансена (г. Санкт-Петербург), а также пакет прикладных программ Matlab (Matrix Laboratory). При разработке алгоритмов автоматизированной классификации морских льдов применялись методы нейронных сетей, реализованные в программном пакете SNNS (Stuttgart Neural Network Simulator, версия 4.2) университета Штуптарта.

При написании диссертации автор придерживался ледовой терминологии и условных обозначений в соответствии с действующей Международной символикой для морских ледовых карт и номенклатурой морских льдов, принятой Всемирной метеорологической организацией.

Положения, выносимые на защиту:

1. Методика угловой коррекции РСА-изображений морских льдов.

2. Методика автоматизированной идентификации видов морского льда на основе анализа РСА-изображений с помощью нейронных сетей.

3. Обоснование выбора поляризаций и углов падения для выделения характеристик морского льда.

Научная новизна результатов диссертационного исследования

Получены оригинальные результаты по адаптации теоретических положений в области распознавания образов с применением нейронных сетей для получения параметров конкретных объектов природной среды (морского ледяного покрова) на примере РСА-изображений, получаемых со спутника ENVISAT.

К оригинальным научным результатам можно отнести:

1) выявленные диапазоны изменения УЭПР разных видов льда в С-диапазоне на горизонтальной (ГГ) поляризации;

2) методику угловой коррекции РСА-изображений;

3) параметры расчета текстурных характеристик РСА-изображений морских льдов;

4) информативные признаки различных видов морского льда для различных поляризаций;

5) методику обработки информации с помощью нейронных сетей, адаптированную для идентификации морских льдов по РСА-изображениям;

6) алгоритм настройки нейронных сетей по экспериментальным данным.

Практическая значимость результатов исследования состоит в том, что разработанная методика угловой коррекции значений УЭПР различных видов морского льда позволяет получить характеристики подстилающей поверхности по всей полосе обзора, что существенно увеличивает информативность РСА-изображений. Результаты анализа возможностей идентификации различных видов морского льда на РСА-изображениях в режиме альтернативной поляризации могут быть адаптированы для РСА-изображений, получаемых с различных ИСЗ. Совокупность разработанных методик автоматизированного дешифрирования снимков с целью создания цифровых ледовых карт позволяет повысить эффективность дешифрирования и, следовательно, скорость обработки материала и качество создаваемых ледовых карт. Разработанная методика автоматизированной классификации РСА-изображений была успешно апробирована при исследовании возможности выбора места размещения дрейфующей станции «Северный Полюс-35». Кроме того, полученные результаты были использованы при разработке методики определения опасных ледяных образований с использованием средств дистанционного зондирования в рамках проекта ААНИИ.

Апробация результатов диссертационного исследования. Результаты исследования были представлены на итоговой сессии Ученого совета ААНИИ по результатам работ 2008 г. (Санкт-Петербург, 2009 г.); на Шестой всероссийской конференции «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2008 г.); на международной конференции SeaSAR 2008 (ESA ESRIN) (Фраскат - Рим, Италия, 2008 г.); на ежегодных аспирантских сессиях Международного центра по окружающей среде и дистанционному зондированию им. Нансена (Санкт-Петербург, 2004, 2005, 2006, 2007, 2008 гг.); на научном семинаре «Норвежско-Российское сотрудничество на Свальбарде» в Норвежском Полярном Институте (Тромсо, Норвегия, 2006 г.).

Публикации. По теме диссертации опубликованы 3 работы общим объемом 5.7 п. л., в том числе одна - в издании, включенном в перечень ВАК. Результаты диссертационного исследования использованы при выполнении ряда научно-исследовательских работ и представлены в отчетах ААНИИ.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка используемых сокращений, списка использованной литературы общим объемом 132 наименования (из них 88 на английском языке) и содержит 169 страниц машинописного текста, 10 таблиц, 39 рисунков.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснованы актуальность темы исследования, его научная новизна и практическая значимость, сформулированы цель, задачи исследования и положения, выносимые на защиту, определены методы исследования, содержатся сведения об апробации основных научных результатов, объеме и структуре работы.

В первой главе «Мониторинг ледяного покрова с помощью спутниковых радиолокаторов с синтезированной апертурой» изложены результаты анализа проблемы исследования, описаны общие принципы дистанционного зондирования и особенности формирования радиолокационных изображений морского льда.

Анализ существующих средств и методов дистанционного зондирования с использованием его информационной модели позволил определить, что необходимым и достаточным условием для регулярного получения основных навигационных характеристик морского льда является использование радиолокационных изображений ледяного покрова.

Рассмотрены физические основы образования и свойства различных видов морского льда, а также методы их дистанционного зондирования в микроволновом диапазоне с учетом того факта, что данные о возрасте, наряду со сплоченностью, имеют решающее значение для навигационной оценки состояния ледяного покрова. Оценены возможности и информативность спутниковых радиолокационных изображений морского льда, полученных в различных режимах съемки РСА ИСЗ Е1ЯУ1БАТ. На основе анализа принципов работы радиолокационных станций показаны пути применения радиолокационных изображений для мониторинга ледяного покрова, а также методов относительной и абсолютной калибровки изображений, получаемых с помощью РСА.

В этой главе проанализированы также основные подходы к автоматизированной классификации изображений морского льда. Показано, что существующие алгоритмы автоматизированной классификации изображений морского льда по РСА-изображениям различных спутников не обеспечивают необходимой точности получения параметров морского льда.

Во второй главе «Интерпретация изображений, полученных с помощью радиолокатора с синтезированной апертурой спутника ЕЫУ1БАТ» представлены результаты изучения параметров морского льда, определяемых с помощью РСА-изображений.

Анализ способов визуальной интерпретации РСА-изображений, получаемых с ЕЫУКАТ, позволил оценить возможность получения таких параметров морского льда, как возраст, форма и сплоченность, а также определить наличие разводий и полыней. На этом основании были сделаны выводы о том, что выделение некоторых видов морского льда при визуальной интерпретации РСА-изображений спутника ЕМУ1БАТ представляется затруднительным вследствие зависимости регистрируемого значения обратного рас-

сеяния морских льдов от конструктивных параметров РЛ-систем.

В главе представлены полученные по изображениям датчика ASAR спутника ENVISAT сигнатуры морских льдов, оценена их удельная эффективная площадь рассеяния, проведено их сравнение с данными, полученными с помощью РСА, установленных на других спутниках. По результатам исследований была создана база данных значений УЭПР морских льдов для РСА спутника ENVISAT. Подтверждено, что диапазоны изменения УЭПР некоторых видов льда перекрываются, в результате чего требуется привлечение дополнительных признаков изображения для их идентификации.

В исследовании установлено, что для надежной идентификации различных видов морского льда необходимо проводить компенсацию влияния угла сканирования на значения УЭПР. В эксперименте угловая зависимость УЭПР водной поверхности, молодого (серого), однолетнего и многолетнего льдов оценивалась по серии из 8 калиброванных изображений ENVISAT ASAR на ГГ-поляризации в диапазоне углов зондирования от 20° до 40°. Для получения угловой зависимости выбирались участки изображений, на которых эти виды льда наблюдались по всей ширине полосы обзора, при этом данные снимались по всей полосе обзора с шагом один градус.

Для всех рассматриваемых видов льда наблюдалось значительное отклонение значений УЭПР от линии тренда. Данный факт обусловлен разбросом значений УЭПР соседних участков одного и того же вида льда в пределах ± 2-3 дБ. Разброс значений УЭПР взволнованной водной поверхности значительно меньше вследствие большей ее однородности. На основе анализа трендов были получены коэффициенты изменений УЭПР различных видов льда и взволнованной водной поверхности с увеличением угла падения.

Формула калибровки Европейского космического агентства (1) была преобразована таким образом, чтобы привести все значения УЭПР РСА-изображения с широкой полосой обзора к фиксированному углу падения 25° с учетом полученных коэффициентов изменений УЭПР.

о-0 = 101g

( А2 — xsin (aD) К

(1),

где К - калибровочная константа, различающаяся в зависимости от центра приема и обработки РСА-снимков ENVISAT ASAR; А2 - среднее значение яркости пикселя полученного изображения; <т° - значение УЭПР; aD -угол падения, соответствующий данному пикселю изображения.

Полученная зависимость значений УЭПР от угла сканирования (2) учитывает преобладающий на РСА-изображении вид ледяного покрова:

= 10 lg

) +(а0-25')х5

(2),

где К - калибровочная константа, различающаяся в зависимости от центра

приема и обработки РСА-снимков ENVISAT ASAR; А2 - среднее значение яркости пикселя полученного изображения; сг° - значение УЭПР; aD -угол падения, соответствующий данному пикселю изображения; В - коэффициент тренда, равный отношению изменения УЭПР преобладающего вида льда к изменению угла сканирования.

На основе этой зависимости была разработана методика угловой коррекции снимков ASAR, позволившая классифицировать разные виды морского льда по всей ширине полосы обзора (см. рис. 1).

б)

Рисунок 1. Приведение УЭПР калиброванного изображения ENVISAT ASAR WS к углу падения 25°: а) исходное изображение от 31.03.2006 в районе к югу от Земли Франца-Иосифа в Баренцевом море (преобладает однолетний лед; приведена

зависимость нескорректированных значений УЭПР от угла падения); б) то же изображение, скорректированное на угловое изменение УЭПР (приведенное к углу 25°; приведена зависимость скорректированных значений УЭПР от угла падения)

Результаты применения алгоритма приведения УЭПР морского льда к фиксированному углу сканирования были сопоставлены с методикой, используемой в Центре дистанционного зондирования им. Нансена (г. Берген, Норвегия). Угол наклона тренда значений УЭПР, полученных в результате коррекции с помощью разработанного в диссертации алгоритма, оказался меньше, и, таким образом, скорректированные значения УЭПР оказались менее подвержены влиянию изменяющегося угла зондирования.

В главе приведены результаты исследования серии РСА-изображений, получаемых в режиме альтернативной поляризации. Анализировались изображения, полученные при различных углах зондирования и с различными комбинациями поляризаций (режимы IS1 - IS7). Цель исследования - выявить возможность идентификации различных параметров морского льда и обосновать выбор оптимальных поляризаций и углов зондирования для мо-

ниторинга морских льдов. Для этого была создана база данных характерных значений УЭПР морских льдов различного возраста, формы и деформации.

Анализ результатов исследований показал, что снимки в режиме альтернативной поляризации позволяют более надежно осуществлять распознавание некоторых видов морского льда, границы лед/вода, а именно:

- для поляризаций ВВ и ГГ: при больших углах зондирования улучшается классификация видов льда, а также границы лед/вода, более надежно выделяются отдельные поля однолетнего льда в летний период;

- для поляризаций ГГ и ГВ: при малых углах зондирования более надежно классифицируется взволнованная водная поверхность и полосы льда, а также зоны молодого льда;

- для поляризаций ВВ и ГВ: при больших углах зондирования более надежно классифицируются разрывы в многолетнем и однолетнем льдах.

В третьей главе «Автоматизированный алгоритм классификации РСА-изображений морского льда, основанный на модели нейронной сети» представлены результаты применения алгоритма автоматизированной идентификации морских льдов по РСА-изображениям с использованием модификации модели нейронных сетей на основе обучения с обратным распространением ошибки. Дано детальное описание предлагаемой методики.

Обсуждается применение метода нейронных сетей для классификации РСА-изображений морского льда, теоретически обоснован выбор метода. Представлено описание метода НС и способа ее обучения. Нейронная сеть представляет собой совокупность нейронов, аксонов и сигналов. Сигнал в нашем случае - это число, которое передается от одного нейрона к другому, а нейрон - сигмоидальная функция, трансформирующая входной сигнал в выходной. На начальном этапе НС тренируется для настройки весов входных сигналов каждого нейрона. Количество нейронов во входном слое выбирается равным количеству характеристик, получаемых с РСА-изображений морского льда.

Для решения задач классификации были проведены исследования по использованию в качестве дополнительных признаков РСА-изображений текстурных характеристик.

Для количественного описания текстуры применяются признаки, вычисляемые на анализируемом участке РЛ-изображения по матрице совместной встречаемости уровней яркости (МСВ) (К М. НагаНск):

к (3).

IIулл

1=1 7=1

Матрица совместной встречаемости строится для различных

направлений 0= (0°, 45°, 90°, 135°) и расстояний между соседними пикселями с1 ~ 1... N-1, где г, у = 0... К-\ (где К - количество уровней

яркости). Для каждого направления и расстояния создается собственная матрица, в каждую ячейку (/, j) которой записывается вероятность того, что разделенные расстоянием d пиксели имеют яркости i и j.

При вычислении параметров текстуры достаточно использовать количество уровней яркости в диапазоне от 16 до 32 (D. A. Clausi). Была использована квадратная МСВ с размерностью по вертикали и горизонтали, равной числу использованных уровней яркости К = 16 (Y. Нага, А. V. Bog-danov, L. К. Soh). Инвариантность распознавания ледяных полей к повороту достигается усреднением значений МСВ по четырем направлениям СС , что также повышает точность классификации (D. A. Clausi). По МСВ вычисляются такие текстурные характеристики, как корреляция, инерция, однородность и т. д. (R. М. Haralick, У. Прэтт, A. Baraldi).

Набор наиболее информативных текстурных признаков отличался в зависимости от таких факторов, как географический район, окружающие условия, тип спутниковой информации и т. д. (С. С. Wackerman, J. A. Nystuen, Q. A. Holmes, М. Е. Shokr, М. J. Collins, D. G. Barber). Статистический анализ, а также имеющиеся литературные данные показали, что наиболее информативными признаками являются: корреляция, инерция, выпуклость кластера, энергия, однородность и энтропия, а также центральные статистические моменты яркости изображения 3-го и 4-го порядков. Для вычисления текстурных характеристик и центральных статистических моментов яркости 3-го и 4-го порядков РСА-изображений морских льдов по МСВ (формула (3)) требовалось определить оптимальные параметры расчета: размер окна вычислений и межпиксельное расстояние для повышения эффективности выделения морских льдов на изображениях.

При определении выделяемых классов льда происходит «смешение» форм льда и степени деформации, т. е. класс «деформированного однолетнего льда» включает некоторые формы однолетнего морского льда: мелкобитый и крупнобитый, а класс «спокойная вода/нилас» объединяет начальные виды льда, которым соответствует низкое значение УЭПР (ледяное сало), нилас и спокойную водную поверхность при низкой приводной скорости ветра (VBeTpa < 3 м/с).

Оптимальный размер окна вычислений МСВ определялся на основе визуальной оценки основных видов морского льда центрального Арктического бассейна (однолетнего ровного, однолетнего деформированного и многолетнего), выполняемой ледовыми экспертами по РСА-изображениям. Скользящее окно перемещалось в границах областей каждого вида льда, для которого были рассчитаны средние значения текстурных характеристик, статистических моментов яркости и средних значений УЭПР. Вычисления проводились при размерах окна 16, 32, 64 и 128 пикселей. По распределению средних значений текстурных характеристик для разных видов льда размер окна вычислений был выбран 32 х 32, поскольку при этом значении наблюдаются максимальные различия разных видов льда (см. рис. 2).

0.65

х 0.55

х 0.45

0.35

х 0.25

-.-РОЛ •^-ДОЛ

0.65

х 0.55

х 0.45

0.35

а)

1 2 3 4 5 6 7 8 текстурные характеристики

0.25

32x32

—*—

____о—о/л

■*■ РОЛ •°'ДОЛ —мл

б)

1 2 3 4 5 6 7 8 текстурные характеристики

0.7

0.6

0.5

0.4

га 0.3

о. о

X 0.2

64x64

РОЛ -е- ДОЛ — МЛ

0.65

£ 0.55

х 0.45 сз ш о <0

с; го 2 о. о

0.35

1 2 3 4 5 6 7 8 текстурные характеристики

х 0.25

128 х128

-«-- РОЛ ~в~ ДОЛ — МЛ

1 2 3 4 5 6 7 8 текстурные характеристики

В)

Рисунок 2. Нормализованные средние значения текстурных характеристик, рассчитанных с разным размером окна вычислений, для трех видов льда: а) размер окна 16x16 пикселей; б) размер окна 32 х 32 пикселей; в) размер окна 64 * 64 пикселя; г) размер окна 128 * 128 пикселей

Примечание. РОЛ - однолетний ровный лед; ДОЛ - однолетний деформированный лед (торосистость 3 балла и более); МЛ - многолетний лед. 1 - энергия, 2 - корреляция, 3 - инерция или контраст, 4 - выпуклость кластера, 5 - однородность, 6 - энтропия, 7 - 3-ий центральный статистический момент яркости, 8 -4-ый центральный статистический момент яркости, 9 - среднее значение УЭПР.

Изменение расстояния с/ в формуле (3) между соседними пикселями также играет определяющую роль при расчетах (Ь. К. БоЬ, М. Е. БЬокг). Был рассчитан набор текстурных характеристик и центральных статистических моментов яркости для трех видов льда с разными расстояниями -2,4,8 и 16 пикселей - между соседними пикселями в «скользящем окне» размером 32 х 32. Значительное улучшение в разделении исследуемых классов морского льда достигается при значении межпиксельного расстояния с!= 4.

Было установлено, что текстурные признаки всегда являются особенностью какого-либо вида льда при расчете МСВ с определенными параметрами - «скользящим окном» 32 х 32 и с/ = 4. На рисунке 3 приведены средние значения и средние квадратичные отклонения текстурных характеристик и центральных статистических моментов яркости для основных классов морского льда (однолетнего, однолетнего деформированного и многолетнего), а также для класса «спокойная вода/нилас», вычислен-

ные для выборок, составленных по нескольким РСА-изображениям после их визуального анализа ледовыми экспертами.

1.75

1.25

0.75

0.25

с; го г о.

2 -0.25

23 апреля 2007 г.

а)

1 2 3 4 5 6 7 8 текстурные характеристики

1.25

0.75

0.25

-0.25

06 февраля 2008 г.

--*•- РОЛ --©■-ДОЛ

I 1.25

т т го

щ 0.75

Л X X

8 0.25

| о

о.

§ -0.25

б)

а: £

? 1.25 я

X О

£ 0.75

16 января 2008 г.

--.- РОЛ

-©- ДОЛ — МЛ

1 2 3 4 5 6 7 текстурные характеристики

8 9

0.25

В)

•0.25

18 апреля 2006 г.

--*-- РОЛ •-©-- вода/нилас

— дол

текстурные характеристики

123456789 текстурные характеристики

Рисунок 3. Нормализованные средние значения и средние квадратичные отклонения текстурных характеристик и статистических моментов яркости РСА-изображений морских льдов

Примечание. РОЛ - однолетний ровный лед; ДОЛ - однолетний деформированный лед (торосистосгь 3 балла и более); МЛ - многолетний лед; вода/ нилас - спокойная вода/нилас. 1 - энергия, 2 - корреляция, 3 - инерция или контраст, 4 -выпуклость кластера, 5 - однородность, 6 - энтропия, 7 - 3-ий статистический момент яркости, 8 - 4-ый статистический момент яркости, 9 - среднее значение УЭПР.

Установлено, что если при классификации используются только значения УЭПР, то качество разделения льда разного возраста при автоматической классификации неудовлетворительно. Разделение однолетнего ровного и однолетнего деформированного льдов затруднительно (рис. 3). При отсутствии многолетнего льда разделение ровного однолетнего льда и объединенных в один класс спокойной чистой воды и ниласа вполне возможно (рис. 3 г).

Рисунок 3 демонстрирует, что разделение всех видов льда может быть улучшено за счет использования дополнительных признаков: корреляции и выпуклости кластера (обозначены цифрами 2 и 4 соответственно). Многолетний лед (рис. 3 а, 3 б) и однолетний ровный и однолетний деформированный льды (рис. 3 в) выделяются уверенно.

Это позволяет утверждать, что обе текстурные характеристики привносят дополнительную полезную информацию. Однако в уверенное выде-

ление класса «спокойная вода/нилас» значительный вклад вносят корреляция, инерция и, отчасти, однородность (обозначены цифрами 2, 3 и 5 соответственно). Энергия, однородность, энтропия, 3-ий и 4-ый статистические моменты яркости (цифры 1, 5, 6 и 7 соответственно) также вносят значительный вклад в разделение однолетнего и многолетнего льдов (рис. 3 а).

Целесообразность использования текстурных характеристик подтверждена результатами корреляционного анализа. Для оценки взаимосвязи текстурных характеристик для каждого исследуемого вида морского льда вычислялись коэффициенты корреляции всех текстурных характеристик. По наиболее значимому коэффициенту корреляции текстурные характеристики можно условно разделить на две группы: 1) энергия, инерция, однородность, энтропия, 3-ий и 4-ый статистические моменты и 2) корреляция и выпуклость кластера.

Низкое значение коэффициента корреляции означает, что данные текстурные характеристики являются наиболее информативными независимо друг от друга и их совместное использование может значительно улучшить разделение льдов. По данным корреляционного анализа наибольший вклад в разделение многолетнего льда и класса «спокойная вода/ нилас» вносят комбинации определенных ранее групп, а именно сочетание энергии, инерции, однородности, энтропии и центральных статистических моментов со следующими текстурными характеристиками: корреляцией и выпуклостью кластера, а также со средним значением УЭПР. Для однолетнего деформированного льда получилось аналогичное сочетание текстурных. характеристик, но с обратным знаком коэффициентов корреляции. На выделение однолетнего ровного льда наибольшее влияние оказывают следующие характеристики: корреляция, выпуклость кластера и УЭПР в комбинации с 3-им и 4-ым статистическими моментами яркости, а также совместное использование корреляции и энергии, инерции и 4-го статистического момента яркости.

Сравнение значений текстурных характеристик для трех видов льда, определенных в процессе визуального анализа разных РСА-изображений, осуществлялось по скаттерограммам (см. рис. 4 на с. 15).

На рисунках 4 а) и 4 в) отчетливо видно, насколько отличны друг от друга три вида льда по различным текстурным признакам. На скатгеро-грамме «выпуклость кластера/энергия» (рис. 4 б) хорошо разделяются спокойная вода/нилас и однолетний ровный лед (темным цветом обозначены спокойная вода/нилас, самым светлым - ровный однолетний лед). Остальные характеристики отчасти дублируют друг друга и, следовательно, не вносят дополнительной информации (рис. 4 г), позволяющей улучшить разделение льдов при использовании данных признаков по отдельности.

Статистический анализ полученных текстурных характеристик и центральных статистических моментов показал, что для уверенного разделения 4-х классов ледяного покрова необходимо использовать весь набор описанных выше характеристик. Полученные данные, вместе со значения-

ми УЭПР, были использованы в качестве входных данных для создания, обучения и определения параметров нейронной сети при классификации морского льда Арктического бассейна.

18/04/2006

• ДОЛ

вода/нилас . РОЛ

0.2 0.3 0.4 0.5 0.6 0.7 0.3

энергия

18/01/2008

В)

энергия

5 ю

г)

* вода/нилас ДОЛ

* РОЛ

энергия

Рисунок 4. Диаграммы рассеяния для данных РСА-изображений ИСЗ ЕМУШАТ

Примечание. МЛ - многолетний лед, ДОЛ - однолетний деформированный лед, РОЛ - однолетний ровный лед, вода/нилас - спокойная вода/нилас.

Разработанный алгоритм классификации методом нейронных сетей состоит из последовательности следующих этапов: 1) угловой коррекции РСА-изображений; 2) экспертного анализа изображений и выделения различных видов морского льда; 3) расчета текстурных параметров для определенных видов льда; 4) создания нейронной сети - выбора топологии; 5) обучения нейронной сети; 6) обработки снимка.

Выбор топологии сети осуществлялся с учетом условий поставленной задачи и качества как исходных, так и анализируемых впоследствии данных. Выбор архитектуры сети, ее обучение и выбор входных признаков производились применительно к решению задачи классификации РСА-изображений морских льдов района центральной Арктики.

Для формирования тренировочной выборки нейронной сети были отобраны обучающие примеры, на основе которых было осуществлено преобразование соответствующей информации к виду, используемому на входе НС. На первом этапе формируется база данных текстурных характеристик изображений эталонных участков однолетнего ровного, однолетнего деформированного и многолетнего льдов. Ледовые эксперты по конт-

6х1°! 23/04/2007

*РОЛ •ДОЛ * МЛ

энергия 23/04/2007

рольным (тестовым) изображениям выбирали наиболее характерные участки определенных видов льдов, для каждого из которых рассчитывается набор текстурных характеристик, а также 3-ий и 4-ый центральные статистические моменты и средние значения УЭПР. Таким образом, для каждого эталона формировался допустимый диапазон значений признаков.

На вход обученной НС подается набор признаков РСА-изображе-ния, определенных для тренировочного и тестового массивов. Алгоритм классификации текстурных характеристик в режиме обучения состоит в расчете текстурных признаков для выбранных областей. НС обучается распознаванию схожих образов на вновь поступающих изображениях. Работа алгоритма классификации оценивалась для однолетнего ровного, однолетнего деформированного и многолетнего льдов.

В четвертой главе «Применение метода нейронной сети для классификации РСА-изображений морских льдов» представлены результаты экспериментальных работ, выполненных с применением разработанной методики автоматизированной идентификации морских льдов по РСА-изображениям, получаемым со спутника ENVISAT.

Результат автоматизированной классификации с помощью НС оценивался путем сравнения визуальной интерпретации РСА-изображений с ледовой картой, выполненной специалистами ААНИИ. Полученная ошибка классификации РСА-снимка вызвана уменьшением УЭПР морских льдов с увеличением угла падения, что приводит к значительному уменьшению яркости РСА-изображения в дальней части полосы обзора относительно ближней и невозможности распознавания сетью каких-либо других признаков изображения и, соответственно, видов морского льда.

Оптимальная конфигурация нейронной сети для классификации скорректированного изображения морского льда, полученного с ENVISAT ASAR, состоит из 9 нейронов во входном слое, соответствующих количеству используемых признаков, одного скрытого слоя с 6 нейронами и 3 нейронами в выходном. Выходные параметры соответствуют классам многолетнего, однолетнего ровного и однолетнего деформированного льдов. Для оценки достоверности результатов работы сети на основе их визуальной интерпретации был классифицирован ряд РСА-изображений. Ошибка классификации изображений методом НС составила 15% для однолетнего ровного льда, 20% -для многолетнего и 17% - для однолетнего деформированного льда.

Верификация алгоритма была выполнена на примере ледяного покрова в районе дрейфующей станции «Северный Полюс - 35» («СП-35»), В этом районе была возможность проводить натурные наблюдения с определением точных координат того или иного ледяного образования.

Результаты применения методики оценивались с помощью сравнения с визуальным анализом и ледовыми картами, выполненными специалистами ААНИИ (см. рис. 5), а также с данными ледовых наблюдений, полученных в ходе работ на «СП-35».

Рисунок 5. Пример автоматизированной классификации фрагментаРСА-изображения в районе «СП-35»: а) РСА-изображение от 04.02.2008 г. района станции «СП-35» (в окружности); б) результат автоматизированной

классификации этого изображения алгоритмом НС Примечание. А - однолетний ровный лед (торосистость 2 балла и менее); Б - зона многолетнего льда; С - однолетний лед с торосисгостью 3 балла и более.

Ледяное поле, на котором был построен лагерь дрейфующей станции «СП-35», представляет собой конгломерат смерзшихся обломков полей старого льда различных форм, размеров, толщины и конфигурации. Монолитные обломки полей старого льда не касаются между собой и разделены полосами однолетнего льда с включениями битого старого льда.

Результаты классификации (см. рис. 5) оценивались по данным экспертного анализа изображений и ледовых наблюдений с самолета, из чего можно сделать вывод, что поля старого льда и зоны однолетнего ровного льда в большинстве случаев классифицировались правильно.

Для оценки эффективности алгоритма классификации методом НС было обработано 20 РСА-изображений в период с ноября 2006 г. по апрель 2009 г. в центральных районах Северного Ледовитого океана.

В работе оценена возможность использования нескольких нейронных сетей для автоматического выделения на РСА-изображениях таких сложно

различаемых классов, как «спокойная вода/нилас» и «ровный однолетний лед». Для выявления способности НС к разделению классов «спокойная вода/нилас» и «ровный однолетний лед» была натренирована новая сеть.

Для сравнения результатов двух вариантов применения НС было классифицировано скорректированное РСА-изображение от 18.01.2008 (рис. 6).

Обозначения рис. 6 б) и в):

| многолетний лед

(¡И однолетний деформированный лед (торосистость 3 балла и более)

| _ ¡однолетний ровыный лед (торосистость 2 балла и менее)

1 | спокойная вода/нилас

Рисунок 6. Фрагмент изображения ENVISАТ ASAR: а) скорректированное РСА-изображение от 18.01.2008 г.; б) результат автоматизированной классификации этого изображения алгоритмом НС без включения класса «спокойная вода/ нилас»; в) результат автоматизированной классификации этого изображения алгоритмом НС с добавлением класса «спокойная вода/нилас»

На рисунке 6 а) обозначены границы зон распределения морских льдов, определенные в процессе визуального анализа, а также: А - зона многолетнего льда, Б - однолетний толстый или двухлетний лед; В - од-

нолетний ровный лед (торосистость 2 балла и менее); Г - однолетний лед с торосистостью 3 балла и более; Д - разрывы, заполненные водой или начальными видами льда (ниласом).

Сравнение результатов классификации последовательного применения НС показало:

1) улучшилось выделение многолетних льдов при представлении части снимка в виде однородной зоны (более грубо);

2) однолетние ровные льды выделяются с достаточно высоким уровнем точности;

3) разрывы идентифицируются в массиве многолетнего льда; в массиве многолетнего льда к классу «спокойная вода/нилас» также относятся некоторые участки, которые, согласно визуальной интерпретации, являются включениями ровного однолетнего льда.

Последовательное применение нескольких нейронных сетей дало возможность разделить обычно сложно различаемые классы: ровный однолетний лед и спокойная вода/нилас.

ЗАКЛЮЧЕНИЕ

Теоретические и экспериментальные исследования позволили разработать алгоритм автоматизированной обработки радиолокационных изображений морского льда на базе современной компьютерной техники, программных пакетов и материалов космических съемок.

Установлено, что необходимым и достаточным условием для успешного получения практически любых параметров ледяного покрова (кроме параметров дрейфа, которые не были целью данной работы) является использование РЛ-изображений на этапе автоматизированной классификации.

Получены наиболее информативные признаки РСА-изображений и оптимальные параметры алгоритма: размер скользящего окна 32 х 32 пикселей и межпиксельное расстояние, равное 4.

Установлено, что снимки в режиме альтернативной поляризации позволяют лучше различать некоторые виды морского льда, выделять отдельные поля однолетнего льда и зоны молодого льда, а также границы лед/вода.

Анализ показал, что использование кросс-поляризационных данных позволяет выделить разрывы в многолетнем и однолетнем льдах, а также айсберги на фоне взволнованной водной поверхности. Этот вывод дает основание предположить, что использование данных в режиме альтернативной поляризации в процедуре классификации в дальнейшем приведет к увеличению количества, повышению качества распознаваемых классов и точности классификации.

Показана возможность автоматизированной идентификации различных видов морского льда с помощью метода нейронных сетей и выбора оптимальных параметров для настройки НС по РСА-изображениям с ЕЫУ^АТ, которые можно использовать и в дальнейшем для РСА других спутников.

Основными результатами исследований являются:

- база данных значений УЭПР различных видов морского льда Северного Ледовитого океана для данных РСА ИСЗ ENVISAT;

-набор уникальных коэффициентов для трех основных видов льдов и взволнованной воды; и на этой основе разработана и реализована методика угловой коррекции РСА-изображений;

- база данных УЭПР морских льдов, полученных по РСА-изобра-жениям на различных поляризациях;

- рекомендации к оптимальному выделению различных видов льда в режиме съемки альтернативной поляризации в зависимости от углов падения и поляризации;

- алгоритм автоматизированной классификации изображений морских льдов по РСА-снимкам, получаемым с ИСЗ ENVISAT, использующий в качестве признаков УЭПР, текстурные характеристики и центральные статистические моменты яркости.

Кроме того, установлено, что метод НС позволяет с достаточной долей вероятности детализировать информацию о состоянии ледяного покрова, а также показано, что метод НС с применением текстурных характеристик дает возможность автоматического разделения на РСА-изобра-жениях таких обычно сложно различаемых классов, как ровный однолетний лед и спокойная вода/нилас.

Перечень основных работ, опубликованных по теме диссертации

1. Пиотровская Н. Ю. (Захваткина Н.Ю.) Оценка УЭПР морских льдов разного возраста по радиолокационным изображениям спутника ENVISAT / В. Ю. Александров, Н. Ю. Пиотровская// Исследования Земли из космоса. - 2008. - № 4. - С. 3-11 (1.2 п. л./О.б п. л.).

2. Пиотровская Н. 10. (Захваткина Н.Ю.) Цифровая обработка РСА-изображений морских льдов спутника ENVISAT / В. Ю. Александров, Н. Ю. Пиотровская // Проблемы Арктики и Антарктики. - 2008. - №1 (78). - С. 90-94 (0.5 п. Л./0.25 п. л.).

3. Захваткина Н. Ю. Мониторинг ледяного покрова с помощью спутниковых радиолокаторов с синтезированной апертурой // Метеорологический вестник: электронное издание. 2009. Т. 2, вып. 1 (2) [март]. -С. 1-37 (4 п. л.). URL: http://www.elibrary.ru/download/66079385.pdf (дата обращения 12.05.2009).

Подписано в печать 12.05.2009 г. Формат 60x84 1/16. Бумага офсетная. Печать офсетная. Усл. печ. л. 1,0. Тираж 100 экз. Заказ № 1192.

Отпечатано в ООО «Издательство "ЛЕМА"»

199004, Россия, Санкт-Петербург, В.О., Средний пр., д.24, тел./факс: 323-67-74 e-mail: izd_lema@mail.ru http://www.lemaprint.ru

Содержание диссертации, кандидата физико-математических наук, Захваткина, Наталья Юрьевна

Введение

Глава 1 Мониторинг ' ледяного покрова с помощью спутниковых радиолокаторов с синтезированной апертурой

1.1 Методы и средства дистанционного зондирования морского

1.1.1 Дистанционное зондировапне, как система взаимодействия природно-технических компонентов

1.1.2' Процессы образования, динамики и таяния морских льдов и порождаемые ими явления

1.1.3 Дистанционное зондирование морского льда в микроволновом диапазоне

1.2 Информационные возможности спутниковых радиолокационных изображений морского льда

1.3 Применение радиолокационных изображений для мониторинга ледяного покрова

1.3.1 Принципы работы радиолокаторов с синтезированной апертурой

1.3.2 Радиометрическая калибровка изображений, полученных с помощью радиолокатора с синтезированной апертурой 1.4 Основные подходы к автоматизированной классификации изображений морского льда

1.5 Выводы по главе

Глава 2 Интерпретация изображений, полученных с помощью радиолокатора с синтезированной апертурой спутника ENVISAT

2.1 Визуальный анализ и интерпретация изображений, полученных с помощью РСА ENVISAT

2.1.1 Возрастные характеристики морского льда

2.1.3 Формы и сплоченность морского льда

2.1.4 Разрывы и полыньи

2.2 Сигнатуры изображений морских льдов и оценка их удельной эффективной площади рассеяния по изображениям ASAR с широкой полосой обзора

2.3 Приведение изображений, полученных с помощью радиолокатора с синтезированной апертурой, к одному углу зондирования

2.4 Особенности PCА-изображений, полученных в режиме 75 альтернативной поляризации

2.5 Выводы по главе

Глава 3 Автоматизированный алгоритм классификации РСА-изображений f морского льда, основанный на модели нейронной сети

3.1 Обоснование использования метода нейронных сетей для классификации изображений морского льда

3.1.1 Основные преимущества метода нейронных сетей

3.2 Модель многослойной нейронной сети

3.2.1 Обучение нейронной сети

3.3 Выявление дополнительных признаков для классификации изображений морских льдов методом нейронной сети

3.311 Текстурные характеристики и статистические моменты яркости РСА-изображения

3.3.2 Информативность текстурных характеристик и статистических моментов яркости РСА-изображения для разделения морских льдов

3.4 Выбор параметров нейронной сети

3.4.1 Подготовка нейронной сети

3.4.2 Применение нейронной сети

3.5 Выводы по главе

Глава 4 Применение метода нейронной сети для классификации РСАизображений морских льдов

4.1 Выводы по главе

Введение Диссертация по наукам о земле, на тему "Идентификация морских льдов Северного Ледовитого океана по данным радиолокатора с синтезированной апертурой"

Одним из важнейших направлений развития дистанционного зондирования является изучение физических свойств земной поверхности с целью использования их в практической деятельности. При освещении обстановки в удаленных и малонаселенных районах Земли возникает необходимость в получении оперативной информации, обеспечивающей надежное решение задач управления для обеспечения хозяйственной деятельности, а также решения проблем экологической безопасности.

К таким районам относится акватория Северного Ледовитого океана, а в зимнее время и замерзающие моря умеренных шпрот, где условия мореплавания и практической деятельности (рыболовство, геологическая разведка, операции на шельфе, такие как добыча нефти и газа, прокладка трубопроводов) в значительной мере определяются состоянием ледяного покрова.

Первые попытки использования дистанционных методов наблюдений ледяного покрова были предприняты еще в середине 40-х годов XX века, когда для изучения характеристик ледяного покрова наряду с авиационными визуальными ледовыми наблюдениями, стала применяться аэрофотосъемка [12, 10].

В 50-ые и 60-ые годы стали появляться новые дистанционные средства, и с 1953 г. самолеты ледовой разведки стали оборудоваться панорамными радиолокационными станциями (PJIC). Учитывая их всепогодиость, эти PJIC стали использовать в качестве средства наблюдения за льдами. Однако из-за низкой разрешающей способности PJIC, неравноконтрастности изображения и больших радио теней при полетах на малых высотах они не вошли в практику ледовых наблюдений [22].

С 1968 г. для регулярного мониторинга и картографирования морских льдов широко использовались отечественные самолетные радиолокационные станции бокового обзора (РЛСБО) "Торос" и "Нить". Большое значение для развития методики радиолокационного мониторинга морских льдов имел запуск в 1983 г. первого спутника российской системы "Океан", на борту которого впервые в отечественной практике была установлена РЛСБО.

Дальнейшее совершенствование космической техники привело к созданию спутниковых радиолокаторов с синтезированной апертурой (РСА), которые позволили получить значительно более высокое пространственное разрешение по сравнению с РЛСБО. Эффективность их использования для изучения и мониторинга морских льдов была продемонстрирована американским спутником SEAS AT (1978 г.), и российскими искусственными спутниками Земли (ИСЗ) "Космос-1870" (1989 г.) и "Алмаз-1" (1991 г.). Однако для решения оперативных задач получаемая информация использовалась (по разным причинам) в ограниченном объеме [2].

Начиная с 1991 г. радиолокационные системы с синтезированной апертурой, установленные на европейских спутниках ERS-1,2, стали использоваться при решении различных задач дистанционного зондирования Земли, в том числе при изучении ледяного покрова [76, 78]. С запуском в 1995 г. канадского спутника RADARSAT и в 2002 г. европейского спутника ENVISAT, позволяющих производить съемку земной поверхности в широкой полосе обзора с высоким разрешением и возможностью комбинировать поляризации, возможности мониторинга морских льдов и обеспечения навигации значительно расширились [36].

В настоящее время наиболее оптимальным, как по временным параметрам применения (сезонным, суточным), так и по пространственному обзору (покрытию и перекрытию зон обзора), является использование радиолокационных станций, т.е. датчиков ' дистанционного зондирования, работающих в радиодиапазоне микроволновых частот. Классификация радиолокационных изображений для решения задач производится по признакам пространственного обзора с учетом движения космического аппарата вдоль траектории полета: трассовые и панорамные РЛС;

-РЛС бокового обзора (РЛСБО);

- РЛС с синтезированной апертурой (РСА).

Переход от пространственных характеристик РЛ-изображений морских льдов к навигационным осуществляется в процессе интерпретации и включает этапы обнаружения, опознавания и идентификации. Идентификацией считается определение основных характеристик морских льдов в соответствии с принятой классификацией. В работе использована классификация, разработанная в Арктическом и антарктическом научно-исследовательском институте. Классификация содержит термины и определения, согласованные с номенклатурой морского льда Всемирной Метеорологической Организации (ВМО) [28].

Визуальное дешифрирование спутниковых изображений выполняется опытным ледовым экспертом в интерактивном режиме. При визуальном анализе PJI-изображений морских льдов, кроме яркости участков изображения, принимаются во внимание следующие факторы: тональная структура изображения, форма и размеры ледовых образований, их расположение, а также учитываются особенности ледового режима конкретного географического района, метеорологические данные, наземные наблюдения, данные спутников, полученные в других спектральных диапазонах и на различных поляризациях.

Продуктом визуальной интерпретации является составляемая ледовым экспертом ледовая карта, на которой детали ледовой обстановки отображаются принятыми в официальном издании Всемирной Метеорологической Организации условными обозначениями («Номенклатура ВМО по морскому льду» ВМО, № 259, Тр. 145, 1970, Женева). Экспертное дешифрирование требует значительных временных затрат и является довольно трудоемким процессом, особенно, если требуется высокая степень детализации составляемых ледовых карт.

Работа в тяжелых условиях полярного региона и оперативное обеспечение хозяйственной деятельности в арктических морях ледовыми данными требуют повышенной скорости усвоения информации, ввиду сокращения времени принятия решения в сложной обстановке, что невозможно выполнить без применения средств и методов дистанционного зондирования и вычислительной техники, реализующей сложные алгоритмы количественной обработки. Требования к точности и объективности результатов автоматизированной обработки данных дистанционного зондирования постоянно растут, и рост одной только производительности средств вычислительной техники уже не может удовлетворить всех возрастающих требований потребителей гидрометеорологической информации.

Существует несколько путей развития методов получения параметров окружающей среды с использованием космических средств дистанционного зондирования, а именно:

- путем сокращения объема используемых для обработки данных с устранением избыточной информации, которая определяется не только особенностями объектов природной среды, но и особенностями отображения объекта - его изображениями; использованием репрезентативной информации;

- разработкой более производительных алгоритмов тематической обработки данных дистанционного зондирования, которая достигается как с помощью оптимизации известных алгоритмов, так и разработкой принципиально новых средств и методов.

Для своевременной обработки радиолокационной информации и предоставления ее в виде цифровых ледовых карт требуется разработка автоматических алгоритмов классификации и идентификации морского льда.

Классификацией считается тематическая обработка, позволяющая производить автоматизированное разбиение PJI-изображений на однородные по какому-либо критерию области (классы морского льда). В последние годы было предложено несколько автоматических алгоритмов классификации РСА-изображений морских льдов [82, 84, 129], но большинство из них находится на стадии тестирования и не используются в оперативном режиме, и только некоторые внедрены (например. ARCTOS) [123, 124, 51]. На практике автоматические алгоритмы классификации морского льда могут являться частью автоматизированной комплексной системы обработки спутниковой информации.

Процедура классификации основывается чаще всего на статистическом анализе различных характеристик изображения: пространственных, временных или спектральных. К простейшим полезным пространственным характеристикам относятся: текстура, контекст, форма и структурные соотношения.

Текстура изображения определяется статистическими взаимосвязями значений соседних пикселей РСА-изображения и выражается в виде некоторого абстрактного «узора», воспринимаемого глазом при визуальном анализе изображения (само латинское слово «textura» означает ткань, строение). Характер текстуры, соответствующей разным типам льда, может быть весьма разнообразен. Текстура зависит от пространственного разрешения радиолокатора, пространственного масштаба неоднородностей на поверхности морских льдов и в его объеме. Для её численного выражения применяются текстурные признаки [83], вычисляемые на анализируемом участке РЛ-изображения.

Под временными характеристиками следует понимать сезонные изменения морского льда, которые могут служить их индикаторами. Однако принято считать, что основную информацию о состоянии ледяного покрова содержат их спектральные характеристики, поэтому в большинстве известных алгоритмов классификации используются спектральные образы (сигнатуры) или получаемые по ним значения удельной эффективной площади рассеяния (УЭПР) видов морского льда.

Распознавание совокупности этих признаков является довольно простой задачей для человеческого зрения, которое решает проблему соответствия тона или текстур РСА-изображения тому или иному виду морского льда совершенно легко на подсознательном уровне, но весьма трудной для машинного. Для решения подобных проблем широкое распространение получили исследования способов обработки информации человеческим мозгом, которые в корне отличаются от обычных математических методов. Стала развиваться новая прикладная область математики, специализирующаяся на попытках имитации работы нейронов головного мозга, и получившая названне Искусственных Нейронных Сетей (НС).

В данной работе предложен алгоритм классификации PJI-изображений морского льда, который основывается на модели НС с обратным распространением ошибок. Разделение морских льдов в процедуре автоматической классификации может быть улучшено путем совместного использования дополнительных признаков РСА-изображений, которые получены в ходе исследований основной визуальной характеристики процесса дешифрирования - текстуры, и значений УЭПР в качестве входных параметров алгоритма.

Актуальность темы исследования

Работа в указанных условиях требует повышенной скорости усвоения информации, ввиду сокращения времени принятия решения в сложной обстановке, что невозможно выполнить без применения средств и методов дистанционного зондирования и вычислительной техники.

Реализовать развитие методов получения параметров окружающей среды с использованием космических средств дистанционного зондирования позволяет оптимизация известных алгоритмов обработки для конкретного вида бортовых средств наблюдения и изучения свойств определенных типов подстилающей поверхности (суши, водной поверхности, ледовой поверхности замерзающих морей). Поэтому актуальной и востребованной научной и прикладной задачей в настоящее время является разработка адекватных методов обработки для реализации третьего вышеуказанного пути, а именно разработки более производительных алгоритмов тематической обработки данных дистанционного зондирования, которая достигается как с помощью оптимизации известных алгоритмов, так и разработкой принципиально новых средств и методов.

Цель и задачи исследования

Целью диссертационной работы является разработка методики автоматизированной идентификации морских льдов Арктики по данным радиолокатора с синтезированной апертурой на основе нейронных сетей. Совершенствование технологии и практического использования методики автоматизированной классификации изображений морских льдов в Арктике осуществляется по материалам космической радиолокационной съемки на примере обработки информации РСА, установленного на борту спутника ENVISAT.

Реализация поставленной цели потребовала решения следующих задач: изучить характер зависимости удельной эффективной площади рассеяния (УЭПР) морских льдов от их возраста по данным РСА; проанализировать зависимость УЭПР морских льдов от угла зондирования и разработать методику угловой коррекции РСА-изображений; оценить возможность распознавания различных видов морского льда на РСАизображениях, полученных с использованием различных поляризаций;

- определить информативность текстурных признаков радиолокационных изображений и оптимальную комбинацию этих признаков для автоматизированной классификации изображении морских льдов;

- обосновать выбор параметров настройки и выполнить настройку нейронной сети для идентификации морских льдов по данным съемки с помощью РСА с использованием значений УЭПР и текстурных признаков;

- протестировать разработанную методику.

Объект исследования - ледяной покров Северного Ледовитого океана и происходящие в нем процессы.

Предмет исследования - технология классификации изображений морского льда с помощью метода нейронных сетей с учетом особенностей функционирования РСА.

Методы исследования и используемое программное обеспечение

Основные результаты исследования получены с помощью экспериментальных методов и теоретических расчетов с применением теории радиолокации и методов прикладных исследований, отражающих свойства морских льдов. Применялись качественные методы дешифрирования спутниковых радиолокационных изображений морских льдов (визуальный анализ РСА изображений с привлечением сопутствующих изображений, полученных в видимом диапазоне длин волн) с привлечением ледовых карт, составленных специалистами-экспертами.

При анализе особенностей радиолокационных изображений и классификации морских льдов предварительно выполнялась калибровка, на стадии которой проводилась коррекция зависимости получаемых значений УЭПР морских льдов от угла падения РЛ-изображений, осуществлялась статистическая обработка полученных результатов. При этом использовалось программное обеспечение, разработанное в Международном центре по окружающей среде и дистанционному зондированию им. Нансена (г. Берген, Норвегия и г. Санкт-Петербург, Россия), и пакет прикладных компьютерных программ Matrix Laboratory (Matlab) компании The Math Works (США). При разработке алгоритмов автоматизированной классификации морских .льдов использовались методы нейронных сетей, реализованные в программном пакете SNNS (Stuttgart Neural Network Simulator версия 4.2), разработанном в университете Штутгарта.

При написании диссертации автор придерживался ледовой терминологии п условных обозначений в соответствии с действующей Международной символикой для морских ледовых карт и номенклатурой морских льдов, принятой Всемирной Метеорологической Организацией.

На защиту выносятся:

1) Методика угловой коррекции РСА-изображений морских льдов. Предлагаемая методика угловой коррекции РСА-изображений морских льдов позволяет выделять различные виды льда по всей ширине полосы обзора.

2) Методика автоматизированной идентификации видов морского льда на основе анализа РСА-изображений с помощью нейронных сетей. Разработанная методика автоматизированной классификации РСА-изображений с помощью нейронных сетей обеспечивает достоверную идентификацию видов морского льда.

3) Обоснование выбора поляризаций и углов падения для выделения характеристик морского льда. Обоснованный выбор различных поляризаций и углов падения позволяет эффективно выделять некоторые виды морского льда.

Научная новизна

В процессе выполнения исследований были получены оригинальные результаты по адаптации теоретических положений в области распознавания образов с применением нейронных сетей для получения параметров конкретных объектов природной среды (морского ледяного покрова) на примере РСА-изображений, получаемых со спутника ENVISAT.

К оригинальным научным результатам исследований можно отнести:

1) выявленные диапазоны изменения УЭПР разных видов льда в С-диапазоне на горизонтальной (ГГ) поляризации;

2) методику угловой коррекции РСА-изображений;

3) параметры расчета текстурных характеристик РСА-изображений морских льдов;

4) информативные признаки различных видов морского льда для различных поляризаций;

6) алгоритм настройки нейронных сетей по экспериментальным данным.

Практическая значимость

Разработанная методика угловой коррекции значений УЭПР различных видов морских льдов позволяет получить характеристики подстилающей поверхности по всей полосе обзора, что существенно увеличивает объем данных РСА-изображений и, следовательно, их информативность. Эти результаты могут быть использованы в оперативной работе ледовых экспертов в процессе визуального дешифрирования РСА-пзображеиий, так как получаемое равноконтрастное изображение значительно облегчает процесс интерпретации.

Возможности идентификации различных параметров морских льдов на РСА-изображениях в режиме альтернативной поляризации, получаемых с ENVISAT, при определённых в работе поляризациях и углах падения можно использовать в дальнейшем и для РСА таких спутников как RADARSAT-2 и Sentinel-1.

Совокупность разработанных методик и способов, примененных в технологии автоматизированного дешифрирования изображений с целью создания цифровых ледовых карт, позволит существенно повысить эффективность дешифрирования и, следовательно, эффективность создания ледовых карт в целом.

Разработанная методика автоматизированной классификации РСА-изображений была успешно апробирована при исследовании возможности выбора места размещения дрейфующей станции «Северный Полюс -35» (СП-35). Также результаты, полученные в диссертации, были использованы при разработке методики определения опасных ледяных образований с использованием средств дистанционного зондирования в рамках проекта ГУ ААНИИ.

Апробация работы и публикации

Результаты исследования были представлены на итоговой сессии Ученого совета ААНИИ по результатам работ 2008 г. (Санкт-Петербург, 2009 г.); на Шестой всероссийской конференции «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2008 г.); на международной конференции SeaSAR 2008 (ESA ESRIN) (Фраскат - Рим, Италия, 2008 г.); на ежегодных аспирантских сессиях Международного центра по окружающей среде и дистанционному зондированию им. Нансена (Санкт-Петербург, 2004, 2005, 2006, 2007, 2008 гг.); на научном семинаре «Норвежско-Российское сотрудничество на Свальбарде» в Норвежском Полярном Институте (Тромсо, Норвегия, 2006 г.).

По теме диссертации опубликованы работы, в том числе одна публикация, в изданиях, включенных в перечень ВАК.

1) Пиотровская Н. Ю. (Захваткина Н.Ю.) Оценка УЭПР морских льдов разного возраста по радиолокационным изображениям спутника ENVISAT /

B. Ю. Александров, Н. Ю. Пиотровская // Исследования Земли из космоса. -2008. - № 4. - С. 3-11 (1.2 п. л./0.6 п. л.).

2) Пиотровская IT. Ю. (Захваткина Н.Ю.) Цифровая обработка РСА-изображений морских льдов спутника ENVISAT / В. Ю. Александров, Н. Ю. Пиотровская // Проблемы Арктики и Антарктики. - 2008. - №1 (78).

C. 90-94 (0.5 п. Л./0.25 п. л.).

3) Захваткина Н. Ю. Мониторинг ледяного покрова с помощью спутниковых радиолокаторов с синтезированной апертурой // Метеорологический вестник: электронное издание. 2009. Т. 2, вып. 1 (2) [март]. С. 1-38. URL: http:/Av\vw.elibrary.ru/download/66079385.pdf (дата обращения 12.05.2009).

Результаты диссертационных исследований также изложены в отчетах ААНИИ по научно-исследовательским работам.

Объем и структура работы

Диссертация состоит из введения, четырех глав, заключения, списка используемых сокращений, списка использованной литературы общим объемом 132 наименования (из них 88 на английском языке) и содержит 168 страниц машинописного текста, 10 таблиц, 39 рисунков.

Заключение Диссертация по теме "Океанология", Захваткина, Наталья Юрьевна

Основные выводы и результаты исследования состоят в следующем:

1) Создана база данных значений УЭПР различных видов морских льдов Северного Ледовитого океана по РСА-изображениям, получаемым с ИСЗ ENVISAT.

2) На основе анализа зависимости УЭПР различных типов ледовой поверхности от угла визирования, получен набор коэффициентов для трёх основных видов льдов и взволнованной воды, и на этой основе разработана и реализована методика угловой коррекции РСА-изображения.

3) Сформирована база данных УЭПР морских льдов, полученных по РСА-изображениям на различных поляризациях, с рекомендациями к наилучшему выделению различных видов льдов при различных режимах съемки.

4) Разработан алгоритм автоматизированной классификации изображений морских льдов по РСА-изображениям, получаемым с ИСЗ ENVISAT, использующий в качестве признаков УЭПР и текстурные характеристики. На основе сравнения результатов экспертной классификации (ледовых карт ААНИИ), визуального анализа и алгоритма нейронных сетей показано, что разработанный алгоритм позволяет с достаточной долей вероятности детализировать информацию о состоянии ледяного покрова.

5) Показано, что метод нейронных сетей с применением текстурных характеристик даёт возможность автоматического разделения на РСА-изображениях таких, обычно сложно различаемых классов, как ровный однолетний лёд и спокойная вода/нилас.

СПИСОК ИСПОЛЬЗОВАННЫХ СОКРАЩЕНИЙ

АП - альтернативная поляризация;

В - вертикальная поляризация;

ВМО - Всемирная Метеорологическая Организация;

Г - горизонтальная поляризация;

ДЗ - дистанционное зондирование;

ДДЗ - датчики дистанционного зондирования;

ИСЗ - искусственный спутник Земли;

ЛДА - линейный дискриминантный анализ;

МНС - многослойная нейронная сеть;

МСВ - матрица совместной встречаемости;

НС - нейронная сеть;

РЛС - радиолокационная станция;

РЛСБО - радиолокационная станция бокового обзора;

РСА - радиолокатор с синтезированной апертурой;

СП-35 - дрейфующая станция «Северный Полюс -35»;

УЭПР - удельная эффективная площадь рассеяния;

ARCTOS - Advanced Reasoning using Knowledge for Typing Of Sea-ice; ASAR - Advanced Synthetic Aperture Radar; SNNS - Stuttgart Neural Network Simulator;

ЗАКЛЮЧЕНИЕ

В соответствии с поставленной целью в диссертации выполнено исследование на актуальную тему, посвященную научному анализу, обобщению и совершенствованию технологии автоматизированной обработки радиолокационных изображений морского льда на базе современной компьютерной техники, программных пакетов и материалов космических съемок.

В процессе работы над диссертацией выполнен анализ возможностей определения различных характеристик морского льда с помощью дистанционного зондирования. В диссертационной работе показано, что необходимым и достаточным условием для успешного получения практически любых параметров ледяного покрова в соответствии с [28] (кроме параметров дрейфа, которые не были целью данной работы), использование РЛ-изображений на этапе автоматической классификации.

Главный итог диссертации - разработан и протестирован алгоритм классификации РСА-изображений ледяного покрова для автоматизированной идентификации трех видов морского льда в районах центральной Арктики в холодный период года. Проведенный статистический анализ позволил выделить наиболее информативные признаки РСА-изображения, разработать технологию определения оптимальных параметров расчета текстурных характеристик и статистических моментов яркости и включить их в процедуру автоматизированной классификации.

Разработанная методика угловой коррекции изображений ASAR с широкой полосой обзора позволяет уверенно идентифицировать на изображениях разные виды морского льда по всей ширине полосы обзора, что значительно улучшает как возможности визуальной интерпретации, так и результаты автоматической классификации.

Установлено, что изображения в режиме альтернативной поляризации позволяют лучше различать некоторые виды морских льдов, выделять отдельные поля однолетнего льда и зоны молодого льда, а также границы лед/вода. Выполненный в работе анализ показал, что использование кросс-поляризационных данных позволяет выделить разрывы в многолетнем и однолетнем льдах. Это позволяет предположить, что использование данных в режиме АП в процедуре классификации в дальнейшем приведет к увеличению количества распознаваемых классов, увеличению надежности и точности классификации.

Показана возможность автоматизированной идентификации различных видов морских льдов с помощью метода нейронных сетей и выбора оптимальных параметров для настройки НС по PC А-изображениям с ENVISAT, которые можно использовать и в дальнейшем для РСА таких спутников как RADARSAT-2 и Sentinel-1. Для мониторинга морских льдов по PJI-изображениям этих ИСЗ могут быть использованы определённые в работе поляризации и углы падения, полученные на примере РСА-изображений ENVISAT.

Библиография Диссертация по наукам о земле, кандидата физико-математических наук, Захваткина, Наталья Юрьевна, Санкт-Петербург

1. Автоматизированная обработка изображений природных комплексов Сибири / отв. ред. А. Л. Яншин, В. А. Соловьев. Новосибирск: Наука, Сиб. отд-ние, 1988.-С. 11-43.

2. Александров В. Ю. Исследование айсбергов и морских льдов в Антарктике по данным РСА спутника «Алмаз-1» / В.Ю.Александров, В. С. Лощил ов,

3. A. В. Проворкин // Айсберги мирового океана / под ред. И. К. Попова,

4. B. А. Воеводина. СПб. : Гидрометеоиздат, 1996. - С. 30-36.

5. Александров В. Ю. Оценка УЭПР морских льдов разного возраста по радиолокационным изображениям спутника ENVISAT / В. Ю. Александров, Н. Ю. Пиотровская // Исследования Земли из космоса. 2008. - № 4. - С. 3-11.

6. Александров В.Ю. Цифровая обработка РСА-изображений морских льдов спутника ENVISAT / В. Ю. Александров, Н. Ю. Пиотровская // Проблемы Арктики и Антарктики. 2008. - №1 (78): доклады науч. конф. «Моря высоких широт и морская криосфера». - С. 90-94.

7. Бельчанский Г. И. Идентификация типов морского льда по радарным данным спутников «0кеан-01» и эталонным таблицам / Г. И. Бельчанский, Д. С. Дуглас, И. Н. Мордвинцев // Исследования Земли из космоса. 1998. - № 6. - С. 52-65.

8. Бородачев В. Е. Льды Карского моря / В. Е. Бородачев. СПб.: Гидрометеоиздат, 1998.- 182 с.

9. Бушуев А. В. Алгоритм и программа географической привязки и трансформирования спутниковых изображений / А. В. Бушуев, С. Н. Буланов, Ю. А. Щербаков // Труды ААНИИ. 2002. - Т. 445. - С. 17-26.

10. Бушуев А. В. Атлас ледовых образований / А. В. Бушуев, Н. А. Волков, B.C. Ло-щилов. Л.: Гидрометеоиздат, 1974. - 138 с.

11. Ю.Бушуев А. В. Наблюдения за морскими льдами и их исследования, создание Автоматизированной ледово-информационной системы / А. В. Бушу ев, Н. А. Волков, В. Д. Грищенко // Проблемы Арктики и Антарктики. 1995. -Вып. 70.-С. 104-119.

12. Бушуев А. В. Номенклатура морских льдов, условные обозначения для ледовых карт / А. В. Бушуев, Н. А. Волков. JL: Гидрометеоиздат, 1974. - 87 с. 5

13. Волков Н.А. Руководство по производству ледовой авиационной разведки / Н. А. Волков. JL: Гидрометеоиздат, 1981. - 240 с.

14. Гарбук С. В. Космические системы дистанционного зондирования Земли / С. В. Гарбук, В. Е. Гершензон. М.: Изд-во А и Б., 1997. - 296 е.: ил.

15. Гудкович 3. М. Основные итоги изучения дрейфа льдов в Арктическом бассейне / 3. М. Гудкович, Н. А. Волков // Тр. Аркт. и антаркт. НИИ. 1967. -Вып. 27. - С. 55-64.

16. ДейвисМ. Дистанционное зондированием: количественный подход / М.Дейвис, Д. А. Ландгребе, Т. Л. Филлипс и др.; под ред. Ф. Свейна, Ш. Дейвис; пер. с англ.-М.: Недра, 1983. -415 с.

17. Доронин Ю. П. Морской лед / Ю.П.Доронин, Д. Е. Хейсин. Л.: Гидрометеоиздат, 1975. - 318 с.

18. Доронин Ю. П. Рост и таяние морского льда / Ю. П. Доронин, Н. В. Кубышкин. СПб.: Гидрометеоиздат, 2001. - 44 с.

19. Доронин Ю. П. Тепловое взаимодействие атмосферы и гидросферы в Арктике / Ю. П. Доронин. Л.: Гидрометеоиздат, 1969. - 300 с.

20. Доронин Ю. П. Физика океана / Ю.П.Доронин. СПб.: Гидрометеоиздат, 2000.-306 с.

21. Исследование ледяного покрова с помощью радиолокационных станций бокового обзора (РЛС БО): метод, пособие / А. В. Бушуев, Ю. Д. Быченков, В. С. Лощилов, А. Д. Масанов. Л.: Гидрометеоиздат, 1983. - 120 с.

22. Калинина В. Н. Математическая статистика: учеб. для студентов сред. спец. учеб. заведений / В. Н. Калинина, В. Ф. Панкин. 3-е изд., испр. - М.: Высш. шк., 2001.-336 е.: ил.

23. Короткий С. Нейронные сети: основные положения Электронный ресурс. // BYTE / Россия. 2000. - №5. - С. 18-21. - Режим доступа: hltp://www.gotai.net/docuinents/doc-nn-002.aspx).

24. Лощилов В. С. Интерпретация, классификация и картографирование морских льдов по спутниковым изображениям различных спектральных диапазонов / В. С. Лощилов, Е. А. Гришин // Труды ААНИИ. 2002. - Т. 445. - С. 27-39.

25. Мак-Каллок У. С. Логическое исчисление идей, относящихся к нервной активности/У. С. Мак-Каллок, В. Питтс; пер. с англ. // Автоматы / под ред. К. Э. Шеннона, Дж. Маккарти. -М.: Изд-во иностр. лит., 1956. С. 363-384.

26. Международная символика для морских ледовых карт и номенклатура морских льдов / под общ. ред. Б. А. Крутских. Л.: Гидрометеоиздат, 1984. - 56 с.

27. Минина Л. С. Практика нефанализа / Л.С.Минина. Л.: Гидрометеоиздат, 1970.-336 с.

28. Миронов Е. У. Современное состояние и основные направления развития технологий получения, усвоения и анализа оперативной ледовой и гидрометеорологической информации в Арктике / Е. У. Миронов, В. Г. Смирнов // Труды ААНИИ. 2002. - Т. 445. - С. 5-16.

29. Осовский С. Нейронные сети для обработки информации / С. Осовский ; пер. с пол. И. Д. Рудинского. -М.: Финансы и статистика, 2004. 344 е.: ил.

30. ПрэттУ. Цифровая обработка изображений. / У. Прэтт; пер. с англ. М.: Мир, 1982.-Кн. 2.-480 е.: ил.

31. Рис У. Основы дистанционного зондирования / У. Рис; пер. с англ. 2-е изд. -М.: Техносфера, 2006. - 336 е.: ил.

32. Скурихин А. Н. Нейронные сети: определения, концепция, применение: обзор / А. Н. Скурихин. М.: ЦНИИатоминформ, 1991. - 53 с.

33. Сонечкин Д. М. Классификация типов телевизионных изображений облачности земной поверхности, получаемых со спутников экспериментальной системы «Метеор» / Д. М. Сонечкин // Метеорология и гидрология. 1968. - № 9.

34. Состояние и ближайшие перспективы развития космических средств дистанционного зондирования Земли за рубежом // Дистанционное зондирование земли. Обзорная информация. СПб.: Гидрометеоиздат, 2000. - Вып. 1.

35. Степанов В. В. Дистанционное зондирование. Теоретические вопросы практического применения // Современные проблемы дистанционного зондирования Земли из космоса: сб. науч. ст. М.: Азбука-2000, 2008. - Вып. 5, т. 2.-С. 571-576.

36. Степанов В. В. Модель системы дистанционного зондирования // Тез. пятой юбилейной открытой Всерос. конф. «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 12-16 ноября 2007 г. -М.: б. и., 2007.-С. 141.

37. Степанов В. В. Научные открытия, изобретения и технологии в гидрометеорологии и смежных областях : метод, рекомендации по правовой охране и использованию результатов интеллектуальной деятельности / В. В. Степанов. — СПб.: Наука, 2006. 320 е.: ил.

38. Степанов В. В. Система дистанционного зондирования: патент Российской Федерации на полезную модель № 58735 // Изобретения. Полезные модели. -2006.-№33.

39. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика Электронный ресурс. / Ф. Уоссермен; пер. с англ. Ю. А. Зуева, В. А. Точенова. [Б. м. ], 1992. - Режим доступа: http://www.gotai.net/documents/doc-nn-001 .aspx

40. Хайкин С. Нейронные сети: полный курс / С. Хайкин; пер. с англ. 2-е изд. -М. : Вильяме, 2006. - 1104 с. : ил. - Парал. тит. англ.

41. Шанда Э. Физические основы дистанционного зондирования / Шанда Э.; пер. с англ. И. А. Столярова. М. : Недра, 1990. - 208 с.

42. A Comparison of Second-Order Classifiers for SAR Sea Ice Discrimination / D. G. Barber, M. E. Shokr, R. A. Femandes, E. D. Soulis, D. G. Flett, E. F. Le Drew // Photogrammetric Eng. and Remote Sensing. 1993. - Vol.59, Nr9, Sept. -P. 1397-1408.

43. A Laboratory Study of the Effect of Frost Flowers on C-Band Radar Backscatter from Sea Ice / S. V. Nghiem, S. Martin, D. K. Perovich, R. M. Kwok, R. Drucker, A. J. Gow // J. of Geophys. Research. 1997. - Vol. 102, Nr C2. - P. 3357-3370.

44. Application of Neural Networks for Sea Ice Classification in Polarimetric SAR Images // Y. Hara, R. G. Atkins, R. T. Shin, J. A. Kong, S. H. Yueh, R. Kwok // IEEE Trans, on Geoscience and Remote Sensing. 1995. - Vol. 33, Nr 3, May. -P.740-748.

45. Application of Neural Networks to Radar Image Classification / Y. Hara, R. G. Atkins, R. T. Shin, J. A. Kong, S. H. Yueh, R. Kwok // IEEE Trans, on Geoscience and Remote Sensing. 1994. - Vol. 32, Nr 1, Jan. - P. 100-109.

46. Arctic Sea Ice Extents, Areas, and Trends, 1978-1996 / C.L.Parkinson, D. J. Cavalieri, P. Gloersen, H. J. Zwally, J. C. Comiso // J. of Geophys. Research. -1999. Vol. 104, Nr C9, Sept. - P. 20,837-20,856.

47. ARCTOS: An Intelligent System for SAR Sea Ice Image Classification / L. K. Soh, C. Tsatsoulis, D. Gineris, C. Bertoia // IEEE Trans, on Geoscience and Remote Sensing. 2004. - Vol. 42, Nr 1, Jan. - P. 229-248.

48. ASAR User guide Electronic resource. // European Space Agency. Mode of access: http://envisat.esa.int/dataproducts/asar/toc.htm).

49. Atkinson P. M. Neural Networks in Remote Sensing / P.M.Atkinson, A. R. L. Tatnall // Intern. J. of Remote Sensing. 1997. - Vol. 18, № 4. - P. 699709.

50. BaraldiA. An Investigation of the Textural Characteristics Associated with Gray Level Cooccurrens Matrix Statistical Parameters / Andrea Baraldi, Flavio Parmiggiani // IEEE Trans, on Geoscience and Remote Sensing. 1995. - Vol. 33, №2, Mar.-P. 293-304.

51. Barber D. G. Role of SAR in Surface Energy Flux Measurements Over Sea Ice / D. G. Barber, A. Thomas, T. N. Papakyriakou // Analysis of SAR Data of the Polar Oceans / Ed. C. Tsatsoulis, R. Kwok. New York: Springer-Verlag, 1998. - P. 3568.

52. Barber D. G. SAR Sea Ice Discrimination Using Texture Statistics: a Multivariate Approach / D. G. Barber, E. F. Le Drew // Photogrammetric Eng. and Remote Sensing. 1991. - Vol. 57, Nr 4. - P. 385-395.

53. Beaven S. G. Radar Backscatter Signatures of Thin Ice in the Central Arctic / S. G. Beaven, S. P. Gogineni, M. Shanablen // Intern. J. of Remote Sensing. 1994. -Vol. 15.-P. 1149-1154.

54. BertoiaC. Polar SAR Data for Operational Sea Ice Mapping / C. Bertoia, J. Falkingham, F. Fetterer // Analysis of SAR Data of the Polar Oceans. Recent Advances / Ed. C. Tsatsoulis, R. Kwok. Berlin: Springer-Verlag, 1998. - P. 202234.

55. Carsey F. D. Review and Status of Remote Sensing of Sea Ice // IEEE J. of Oceanic Eng.- 1989.-Vol. 14, №2, Apr. -P. 127-138.

56. Clausi D. A. A Fast Method to Determine Co-Occurrence Texture Features / D. A. Clausi, M. E. Jernigam // IEEE Trans, on Geoscience and Remote Sensing. -1998.-Vol. 36, Nr 1, Jan.-P. 298-300.

57. Clausi D. A. An Analysis of Co-Occurrence Texture Statistics as a Function of Grey Level Quantization // Canad. J. of Remote Sensing. 2002. - Vol. 28, Nr 1. - P. 4562.

58. Clausi D. A. Comparing Co-Occurrence Probabilities and Markov Random Fields for Texture Analysis of SAR Sea Ice Imagery / Clausi David A., Bing Yue // IEEE Trans, on Geoscience and Remote Sensing. 2004. - Vol. 42, Nr 1, Jan. - P. 215228.

59. Collins M. J. Discrimination of Sea Ice in the Labrador Marginal Ice Zone from Synthetic Aperture Radar Image Texture / M. J. Collins, С. E. Livingstone, R. K. Raney // Intern. J. of Remote Sensing. 1997. - Vol. 18, Nr 3. - P. 535-571.

60. Cornford D. Improved Neural Network Scatterometer Forward Models / Dan Cornford, Ian T. Nabney, Guillaume Ramage // J. of Geophys. Researce. 2001. -Vol. 106, Nr C10, Oct. - P. 22331-22338.

61. Del Frate. Use of Neural Networks for Automatic Classification From ITigh-Resolution Images / Del Frate, G. Schiavon, C. Solimini // IEEE Trans, on Geoscience and Remote Sensing. 2007. - Vol. 45, Nr 4, Apr. - P. 800-809.

62. Deng H. Unsupervised Segmentation of Synthetic Aperture Radar Sea Ice Imagery Using the Novel Markov Random Field Models / H. Deng, D. A. Clausi // IEEEj161

63. Trans, on Geoscience and Remote Sensing. 2005. - Vol. 43, Nr 3, Mar. - P. 528538.

64. Determination of the Geophysical Model Function of the ERS-1 Scatterometer by the Use of Neural Networks / C. Mejia, S. Thiria, N. Tran, M. Crepon, F. Badran // J. of Geophys. Research. 1998. - Vol. 103, Nr C6, June. - P. 12853-12868.

65. Dierking W. SAR Polarimetry for Sea Ice Classification / W. Dierking, H. Skriver, P. Gudmandsen // Proc. of the POLinSAR Workshop (ESA, 14-16 Jan. 2003, Frascati, Italy): Special Publication. ESA SP- 529. Frascati (Italy) : s. п., 2003. -P. 109-118.

66. Dierking W. Sea Ice Monitoring by L-Band SAR: an Assessment Based on Literature and Comparisons of JERS-1 and ERS-1 Imagery / W. Dierking, T. Busche // IEEE Trans, on Geoscience and Remote Sensing. 2006. - Vol. 44, Nr 2, Apr. - P. 957970.

67. ERS-1 SAR Backscatter Modeling and Interpretation of Sea Ice Signatures / J. Askne, A. Carlstrom, W. Dierking, L. Ulander // Proc. of IGARSS'94. Pasadena (California), 1994. - Pasadena (California): s. п.. - P. 162-164.

68. Fetterer F.M. Multi-Year Ice Concentration from Radarsat / F.M. Fetterer, J. Ye // Proc. of IGARSS'97, Singapore, Aug. 3-8. Singapore : s. п., 1997. - Vol. 1. -P.402-404.

69. Fetterer F. M. Sea Ice Type Maps from Alaska Synthetic Aperture Radar Facility Imagery: an Assessment / F. M. Fetterer, D. Gineris, R. Kwok // J. of Geophys. Research. 1994. - Vol. 99, Nr CI 1. - P. 22,443-22,458.

70. Frost Flowers on Sea Ice as a Source of Sea Salt and Their Influence on Tropospheric Halogen Chemistry / L. Kalechke, A. Richter, J. Burrows, O. Afe, G. ITeygster, J. Notholt // Geophys. Research Letters. 2004. - Vol. 31.

71. Furevik B. R. SAR-Retrieved Wind in Polar Regions Comparison with In Situ Data and Atmospheric Model Output / B. R. Furevik, О. M. Johannessen, A. D. Sandvik // IEEE Trans, on Geoscience and Remote Sensing. - 2002. - Vol.40, №8. -P. 1,720-1,732.

72. Haarpaintner J. Automatic Ice-Ocean Discrimination in SAR Imagery: NORUT IT-Raport 06/2007 / J. Haarpaintner, S. Solbo ; NORUT IT. S. 1. : s. п., 2007. - 28 p.

73. HaralickR. M. Textural Features for Image Classification / R. M. Haralick, K. Shanmugan, I. Dinstein // IEEE Trans, on Systems, Man and Cybernetics. 1973. - Vol. SMC-3, Nr 6, Nov. - P. 610-621.

74. Haverkamp D. A Comprehensive, Automated Approach to Determining Sea Ice Thickness from SAR Data / D. Haverkamp, L. K. Soh, C. Tsatsoulis // IEEE Trans, on Geoscience and Remote Sensing. 1995. - Vol. 33, Nr 1, Jan. - P. 46-57.

75. HeermanP. D. Classification of Multispectral Remote Sensing Data Using a Back-Propagation Neural Network / P. D. Heerman, N. Khazenie // IEEE Trans, on Geoscience and Remote Sensing. 1992. - Vol. 30, Nr 1., - P. 81-88.

76. Holmes Q. A. Textural Analysis and Real-Time Classification of Sea Ice Types Using Digital SAR Data / Q. A. Holmes, D. R. Nuesch, R. A. Shuchman // IEEE Trans, on Geoscience and Remote Sensing. 1984. - Vol. 22, Nr 2, Mar. - P. 113— 120.

77. Identification of Sea Ice Types in Spaceborne Synthetic Aperture Radar Data / R. Kwok, E.Rignot, B.Holt, R. Onstott // J. of Geophys. Research. 1992. -Vol. 97, Nr C2, Febr. - P. 2391-2402.

78. Incidence Angle Dependence of the Statistical Properties of C-Band HH-Polarization Backscattering Signatures of the Baltic Sea Ice / M. Makynen, A. Manninen, M. Simila,

79. J. Katvonen, M. Hallikainen // IEEE Trans, on Geoscience and Remote Sensing. -2002. Vol. 40, Nr 12, Dec. - P. 2593-2605.

80. Kalechke L. ERS-2 SAR Image Analysis for Sea Ice Classification in the Marginal Ice Zone / L. Kalechke, S. Kern // Proc. of IGARSS'02, Canada, Toronto, June, 22-24, 2002. Toronto : s. п., 2002. - Vol. 5. - P. 3038-3040.

81. Karvonen J. A. Baltic Sea Ice SAR Segmentation and Classification Using Modified Pulse-Coupled Neural Networks // IEEE Trans, on Geoscience and Remote Sensing. 2004. - Vol. 42, Nr 7, Jul. - P. 1566-1574.

82. KermanB. Information States in Radar Imagery of Sea Ice // IEEE Trans, on Geoscience and Remote Sensing. 1999. - Vol. 37, Nr 37, May. - P. 1435-1446.

83. KwokR. Backscatter Characteristics of the Winter Ice Cover in the Beaufort Sea / R. Kwok, G. F. Cunningham // J. of Geophys. Research. 1994. - Vol. 99, Nr C4. -P. 7787-7802.

84. Kwok R. Seasonal Ice Area and Volume Production of the Arctic: November 1996 through April 1997 / R. Kwok, G. F. Cunningham // J. of Geophys. Research. 2002. -Vol. 107, Nr C10.

85. Lee Jong-Sen. Segmentation of SAR Images / Lee Jong-Sen, I. Jurkevich // IEEE Trans, on Geoscience and Remote Sensing. 1989. - Vol. 27, Nr 6, Nov. - P. 674680.

86. Levrini G. ENVISAT Calibration and Validation Approach / G. Levrini, E. Attema Electronic resource. // European Space Agency. Mode of access: http://envisat.esa.int/m-s/envisat mission 2001/CalVal/l Intro.html).

87. Lundhaug M. ERS SAR Studies of Sea Ice Signatures in the Pechora Sea and Kara Sea Region / M. Lundhaug, О. M. Johannessen, К. H. Esbensen // Canad. J. of Remote Sensing. 2002. - Vol. 28, Nr 2. - P. 1-14.

88. Maillard P. Comparing Texture Analysis Methods through Classification // Photo-grammetric Eng. and Remote Sensing. 2003. - Vol. 69, Nr 4. - P. 357-367.

89. Maillard P. Operational Map-Guided Classification of SAR Sea Ice Imagery / P. Maillard, D. A. Clausi, H. Deng // IEEE Trans, on Geoscience and Remote Sensing. 2005. - Vol. 43, Nr 12, Dec. - P. 2940-2951.

90. MalnesE. Sea Ice Classification: Correction for Incidence Angle Variation in Radarsat Wide Swath Scenes: NORUT IT-Raport / E. Malnes, T. Guneriussen; NORUT IT. S. 1.: s. п., 2002. - 14 p.

91. MellingH. Detection of Features in First-Year Pack Ice by Synthetic Aperture Radar (SAR) // Intern. J. Remote Sensing. 1998. - Vol. 19, Nr 6. - P. 1223-1249.

92. Microwave Remote Sensing of Sea Ice / ed. F. D. Carsey. Washington (DC): American Geophys. Union, 1992. - 462 p. - (Geophys. Monograph; Nr 68).

93. MollerD. Field Observations of Radar Backscatter from the Ocean Surface under Low Wind Speed Conditions / D. Moller, P. D. Mourad, S. J. Frasier // J. of Geophys. Research. 2000. - Vol. 105, Nr C10, Oct. - P. 24,059-24,069.

94. Monitoring Polynya Processes and Sea Ice Production in the Laptev Sea: Abstr. Nr 137 / C.Haas, W. Dierking, T. Busche, J. Hoelemann, C.Wegener // Proc. of ENVISAT Symp., Salzburg, Sept., 6-10, 2004. Salzburg: s. п., 2004.

95. Multisensor Approach to Automated Classification of Sea Ice / Andrey V. Bog-danov, Stein Sandven, Ola M. Johannessen, Vitaly Yu. Alexandrov, Leonid P. Bobylev // IEEE Trans, on Geoscience and Remote Sensing. 2005. - Vol. 43, №7, July.-P. 1648-1664.

96. Nghiem S. On the Use of ENVISAT ASAR for Remote Sensing of Sea Ice: Abstr. Nr 672 // Abstr. of ENVISAT Symp., Salzburg, 6-10 Sept., 2004. Salzburg: s. п., 2004.

97. Nystuen J. A. Sea Ice Classification Using SAR Backscatter Statistics / J. A. Nystuen, Frank W. Garcia (jr.) // IEEE Trans, on Geoscience and Remote Sensing. 1992. - Vol. 30, Nr 3, May. - P. 502-509.

98. Potential of RADARSAT-2 Data for Operational Sea Ice Monitoring / B. Scheuchl, D. Flett, R. Caves, I. Cumming // Canad. J. of Remote Sensing. 2004. - Vol. 30, № 3. - P. 448-461.

99. Principles and Applications of Imaging Radar: Manual of Remote Sensing / Ed. Floyd M. Henderson, Anthony J. Lewis. 3rd ed. - New York: Camridge Univ. Press, 1998. - Vol. 2. - 880p.

100. Radar Remote Sensing of Sea Ice: Workshop, Gothenburg, 10-11 Oct. 2007 / Karin Borenas, Leif Eriksson, Wolfgang Dierking et. al.; SMHI. [S. 1.: s. п.], 2007.-25 p.

101. Robinson I. S. Measuring the Oceans from Space. The Principles and Methods of Satellite Oceanography /1. S. Robinson. Berlin: Springer-Verlag, 2004. - 669 p.

102. SAR Sea Ice Interpretation Guide : NERSC Technical : Report №227 / О. M. Johannessen, S. Sandven, 0. Dalen, K. Kloster, M. Lundhaug, T. Hamre,

103. V. Melentyev, V. Alexandrov, A. Bogdanov, N. G. Babich. Bergen: s. п., 2003. -105 p.

104. Shokr M. E. Evaluation of Second-Order Texture Parameters for Sea Ice Classification from Radar Images // J. of Geophys. Research. 1991. - Vol. 96, Nr C6, June. - P. 10625-10640.

105. Smith D. M. Sea Ice Type Classification from ERS-1 SAR Data, Based on Grey Level and Texture Information / D. M. Smith, E. C. Barret, J. C. Scott // Polar Rec. -1995.-31 (177).-P. 135-146.

106. SohL. K. ARCTOS: a Knowledge Engineering Software Package for Satellite Sea Ice Classification / L. K. Soh, C. Tsatsoulis // Proc. of IGARSS'00, Honolulu, HI. -Honolulu : s. п., 2000. P. 696-698.

107. SohL. K. ARCTOS: a Knowledge Engineering Software Tool for Images / L. K. Soh, C. Tsatsoulis // Intern. J. of Human-Computer Studies. 2002. - Vol. 57, Nr 6, Dec.-P. 469—496.

108. SohL. K. Texture Analysis of SAR Sea Ice Imagery Using Gray Level CoOccurrence Matrices / L. K. Soh, C. Tsatsoulis // IEEE Trans, on Geoscience and Remote Sensing. 1999. - Vol. 37, Nr 2, Mar. - P. 780-795.

109. SohL. K. Unsupervised Segmentation of ERS and Radarsat Sea Ice Images Using Multiresolution Peak Detection and Aggregated Population Equalization / L. K. Soh, C. Tsatsoulis // Intern. J. of Remote Sensing. 1999. - Vol. 20, Nr 15. - P. 30873109.

110. Synthetic Aperture Radar Marine User's Manual / Ed. C. R. Jackson, J. R. Apel. -Washington (DC) : US Department of Commerce, 2004. 465 p.

111. Ulaby F. Т. Microwave Remote Sensing: Active and Passive / F. T. Ulaby, R. K. Moore, A. K. Fung. Washington (DC).: Addison-Wesley Publishing Company, 1981.-456 p.

112. Wackerman С. C. An Automated Algorithm for Sea Ice Classification in the Marginal Ice Zone Using ERS-1 Synthetic Aperture Radar Imagery: Technical Report / Christopher C. Wackerman, Darren L. Miller. Ann Arbor: ERIM, 1996.

113. Wackerman С. C. Digital SAR Image Formation // Microwave Remote Sensing of Sea Ice / ed. F. D. Carsey. Washington (DC): American Geophys. Union, 1992. -P. 105-110. - (Geophys. Monograph; Nr 68).

114. Weeks W. F. Growth Structure and Properties of Sea Ice / W. F. Weeks, S. F. Ackley // The Geophysics of Sea Ice / ed. N. Untersteiner. New York : Plenum Press, 1986. - Vol. 146, chap. 1. - P. 9-153. - (NATO ASI Series. Series B: Physics).

115. Winebrenner D. P. Observation of Autumn Freeze-up in the Beaufort and Chukchi Seas Using the ERS-1 Synthetic Aperture Radar / D. P. Winebrenner, B.Holt, E. D.Nelson // J. of Geophys. Research. 1996. - Vol. 101, Nr C7. - P. 1640116419.43 p.

Информация о работе

Захваткина, Наталья Юрьевна
кандидата физико-математических наук
Санкт-Петербург, 2009
ВАК 25.00.28

Диссертация

Идентификация морских льдов Северного Ледовитого океана по данным радиолокатора с синтезированной апертурой - тема диссертации по наукам о земле, скачайте бесплатно

Автореферат

Похожие работы