Разработка методов анализа состояния ледового покрова

В 2021 г. были продолжены работы по развитию метода автоматической классификации ледового покрова по спутниковым данным оптического и ближнего ИК-диапазона. Актуальность и полнота информации о ледяном покрове важна как для обеспечения безопасности судов, так и для более эффективного промысла.

Для России наиболее актуальным является решение данной задачи для Охотского моря. Это связано с тем, что Охотское море является самым продуктивным морем России. При этом оно обладает обширной площадью ледового покрытия в период минтаевой путины, когда производится вылов основного объёма водных биологических ресурсов, что требует актуальной информации о состоянии ледового покрова.

В настоящее время регулярно представляются в автоматическом режиме данные по ледовой обстановке на основе микроволновых спутниковых данных. Пространственное разрешение таких данных не более пяти километров. Нет сомнений, в необходимости улучшения пространственного разрешения информации о ледовом покрытии.

Также предоставляются уточнённые данные по ледовой обстановке по данным радарных спутниковых снимков и снимков в видимом и ближнем инфракрасном диапазонах спектра, требующие «ручной» работы экспертов, в основном по анализу текстуры изображения.

MODIS также предоставляет данные по льдам и снегу. Но использование данного продукта крайне неудобно, так как облачность и лёд представлены одним цветом. Оператор на основе контекста и текстуры, а также по сравнению с данными предыдущих суток должен разделить лёд и облачность.

Использование данных прибора Terra-MODIS является важным для построения методики автоматической классификации ледового покрытия по причине, доступности информации в видимом и ближнем инфракрасном диапазонах с относительно хорошим разрешением по всему земному шару на каждые сутки.

В работах предыдущих лет на основе анализа двумерных гистограмм по нормализованным индексам и отдельным каналам МОDIS (NDSI-band6 и NDWI-band4) была представлена методика полностью автоматизированной классификации ледового покрытия. NDWI — индекс аналогичный индексу NDSI, но для классификации пикселя, как «открытая вода». Анализ проводился с помощью машинного обучения, принципиальным шагом в разработке методики стал учёт сезонных особенностей для вышеуказанных гистограмм.

В ранее представленных работах приведено много примеров, существенного улучшения результатов автоматической классификации с помощью полученных корректировок критериев отнесения к различным классам. Разработанный сервис предоставления классификации ледового покрытия на основе спутниковых данных интегрирован в картографический интерфейс ОСМ.

Ниже на рисунке 1 представлены цвета отображения различных классов в картографическом интерфейсе ОСМ.

 
Рисунок 1 — Легенда классифицированных изображений

Несмотря на существенные улучшения в автоматической классификации, зона, в которой по спутниковым снимкам за день определено отнесение морской поверхности к свободной ото льда или к покрытой льдом, далеко не полная.

В 2021 г. была проведена оценка возможности с помощью композиций обработанных снимков за несколько дней существенно улучшить полноту классификации.
Были обработаны снимки MODIS за шесть зимних и весенних месяцев посредством разработанного ранее алгоритма. Затем, по полученным результатам составлены композиционные распределения, на основе четырёх дней. Каждый пиксель композита был получен самым последним «безоблачным» результатом в случае наличия хотя бы одного результата, отличного от облачного. В случае отсутствия хотя бы одного «безоблачного» результата пикселю присваивался класс как на последнем спутниковом снимке.

К сожалению, полной классификации морской поверхности получить не удалось.
Можно, однако, отметить два оптимистичных момента:

• Было проверено, что случаев быстрого перехода из состояния «вода под облаками» в состояние «лёд» ничтожно мало: менее одного процента. Это говорит, о том что критерии отнесения к данному классу вполне надёжны. С учётом обнаруженных незначительных отклонений были проведены дополнительные корректировки критериев.
   

• Состояний «вода подо льдом» значительное количество. Во многих случаях не меньше, чем состояний, отнесённых к классам облачности. На рисунке 2 приведён график количества пикселей различных классов по дням года.

Рисунок 2 — Количество пикселей разных классов на композиционных сценах по дням года

 

Пример значительного количества пикселей класса «вода подо льдом» приведён на рисунке 3.

 

 Рисунок 3 — Пример значительного количества пикселей класса «вода подо льдом»

Таким образом, показано, что в разработанном в методе автоматической классификации используются корректные критерии классификации пикселей спутникового снимка, в том числе отнесения зоны морской поверхности к классу «вода подо льдом».

Это, в свою очередь, позволяет значительно увеличить зону морской поверхности, на которой было проведено отнесение к классам покрытых льдом или свободных ото льда.

Этот факт говорит в пользу составления композиционных карт при совместном использовании с другими источниками ледовой информации, например, с картами на основе субмиллиметрового диапазона для улучшения их пространственного разрешения.