Текст книги "Океанография и морской лед"

Кровотынцев В.А., О.Ю. Лаврова, М.И. Митягина, А.Г. Островский. Космический мониторинг состояния природной среды Азово-Черноморского бассейна. Конференция ИКИ РАН. Москва, 2009, (DVDROM).

Лавренов И.В. Математическое моделирование ветрового волнения в пространственно-неоднородном океане. СПб.: Гидрометеоиздат, 1998, 499 с.

Лебедев С.А., Костяной А.Г. Спутниковая альтиметрия Каспийского моря. М.: Издательский центр «МОРЕ» Международного института океана, 2005, 366 с.

Митягина М.И., Лаврова О.Ю. Спутниковые наблюдения поверхностных проявлений внутренних волн в морях без приливов. Конференция ИКИ РАН, Москва, 2009, (DVD-ROM).

Мясоедов А.Г., Кудрявцев В.Н. Изучение мезомасштабных океанических течений по РСА и оптическим изображениям. Конференция ИКИ РАН, Москва, 2009, (DVD-ROM).

Наставление по службе прогнозов (раздел 3, часть III, Служба морских гидрологических прогнозов). – Л.: Гидрометеоиздат, 1982, с. 59.

Фукс В.Р., Блошкина Е.В. Кинематический анализ спутниковых альтиметрических измерений // Тр. ГОИН, 2007, Вып. 210, с. 199–208.

AVISO (Archiving, Validation and Interpretation of Oceanographic Satellite data) Ocean Observation, France. 2010. URL: http://www.aviso.oceanobs.com

Hollingsworth A. Objective analysis for numerical weather prediction// In: Short and medium range numerical weather prediction. T.Matsuno (ed). Special volume of the Journal of the Meteorological Society of Japan, 1986, P. 11–59.

Høyer Jacob L. and J.W. Nielsen. SATELLITE SIGNIFICANT WAVE HEIGHT OBSERVATIONS IN COASTAL AND SHELF SEAS, Center for Ocean and Ice, Danish Meteorological Institute, Lyngbyvej 100, 2100 Copenhagen Ø, Denmark. DAT // 15 years of progress in Radar Altimetry Workshop. Venice. 2006. Портал ESA,URL: http://earth.esa.int/workshops/venice06/participants/812/paper_812_hoeyer.pdf

Intergovernmental Oceanographic Commission. Assimilation of satellite wind and wave data in numerical weather and wave prediction models // Report on a workshop at ECMWF, Reading ECMWF, Reading, 1986. P. 1–34.

Janssen Peter A. E. M., Saleh Abdalla, Hans Hersbsch, and Jean-Raymond Bidlot.

Error Estimation of Buoy, Satellite, and Model Wave Height Data //

Journal of Atmosphere and Oceanic Technology. 2007, Vol. 24, issue 9. P. 1665–1677.

Krogstad Harald E. and Stephen F. Barstow. SATELLITE WAVE MEASUREMENTS FOR COASTAL ENGINEERING APPLICATIONS. Сетевой журнал, 1997, URL: http://www.oceanor.no/projects/wave_energy/papers/ceremse_fin.pdf

Sole J., Cuesta I., Garcia-Ladona E., Grau X. Effect of Langmuir Circulations in particle dispersion // Turbulent Diffusion in the Environment. J.M. Redondo & A.Babiano (Eds). © XDFTG, UPC, Barcelona, 2000, P. 53–60.

Sølvsteen Claus, Carsten Hansen. COMPARISON OF ALTIMETRY WAVE AND WIND DATA WITH MODEL AND BUOY DAT // 15 years of progress in Radar Altimetry Workshop. Venice. 2006. Портал ESA, URL: http://earth.esa.int/cgi-bin/confalt15y.pl?abstract=1312

Tarantola A. Inverse problem theory, methods for data fitting and model parameter estimation. Elsevier, 1987, Amsterdam, 613 p.

E.V. Bloshkina[16]16
  Arctic and Antarctic Research Institute, Saint-Petersburg, Russia


[Закрыть], A.K. Platonov[17]17
  Arctic and Antarctic Research Institute, Saint-Petersburg, Russia


[Закрыть], N.A. Kusse-Tyuz[18]18
  Arctic and Antarctic Research Institute, Saint-Petersburg, Russia


[Закрыть], V.I. Dymov[19]19
  Arctic and Antarctic Research Institute, Saint-Petersburg, Russia


[Закрыть], T.A. Pasechnik[20]20
  Arctic and Antarctic Research Institute, Saint-Petersburg, Russia


[Закрыть], V.V. Alexeev[21]21
  Arctic and Antarctic Research Institute, Saint-Petersburg, Russia


[Закрыть]. Opportunities and prospects to the Arctic Ocean hydrological conditions monitoring and research by satellite measurements data

Abstract

The article is devoted to some opportunities of an use of the satellite information for monitoring and studying of hydrological conditions of the Arctic Ocean. The basic characteristics of some space satellites and devices of remote sounding of the ground are advanced. The features of remote sensing for definition a sea surface temperature and a sea level are considered. The question of an use of the satellite altimeter information for verification of the wind waves models and its assimilation by models in operative practice is discussed. On a concrete example is shown that the satellite data on sea waves not always are good for the operative assimilation. Radars with synthesized aperture on board of space satellite allow to carry out the supervision over manifestations on a surface of the sea of the complex dynamic meteorological and oceanographic phenomena and spots of surface pollution.

1.2 Использование современных средств зондирования и изучения ледяного покрова Арктики

Аннотация

В работе обсуждаются методы дистанционного зондирования (ДЗ), используемые для оценки сплоченности, возраста, толщины и дрейфа морского льда. Приведены примеры картирования возрастных стадий льда в Арктике по данным Envisat с помощью метода нейронных сетей и метода байесовской классификации. Излагаются особенности спутниковой технологии обнаружения опасных ледяных образований. Сформулированы предложения по дальнейшему развитию методов ДЗ для изучения ледяного покрова морей полярных областей с учетом опыта, полученного в период работы по программе МПГ.

1. Роль дистанционного зондирования в мониторинге полярных областей

Растущая хозяйственная деятельность в полярных регионах вызывает насущную необходимость организации на постоянной основе мониторинга ледяного покрова. Из-за труднодоступности полярных районов использование традиционных контактных методов измерений затруднено, а в ряде случаев просто невозможно. Стандартные океанографические средства наблюдения в этих районах не могут являться основой мониторинга. Организация каждой новой полярной гидрометеорологической станции – дело не только затратное и трудоемкое, но еще и требующее наличия квалифицированного персонала, готового сменить привычные комфортные условия жизни на суровую обстановку Арктики. Влияние человеческого фактора в Арктике очень велико, ошибки при обеспечении гидрометеорологических прогнозов могут стоить жизни людей. Именно поэтому особое значение для мониторинга морского ледяного покрова в полярных районах приобретают дистанционные методы зондирования.

Спутниковое дистанционное зондирование является основой мониторинга окружающей среды в полярных областях, обеспечивая оперативное получение объективной информации о состоянии ледяного покрова морей, наличии опасных ледяных образований (айсбергов, гряд торосов, стамух и пр.), опасных гидрометеорологических явлений. Возможности и ограничения методов ДЗ при мониторинге ледяного покрова морей зависят от применяемого диапазона электромагнитного спектра, чувствительности аппаратуры, типа зондирования (активное, пассивное), времени доведения спутниковой информации до потребителя. Существенные ограничения применения методов ДЗ связаны с коммерциализацией рынка спутниковых данных высокого разрешения. В настоящее время для организации наблюдений в полярных областях используются как эксплуатационные спутники среднего разрешения, осуществляющие сброс информации в режиме непосредственной передачи, так и коммерческие спутники высокого разрешения, поставляющие информацию потребителю по специальным каналам после предоплаты. Однако ведение дорогостоящей хозяйственной деятельности на шельфе арктических морей вынуждает нефтедобывающие и иные подобные компании закупать дорогую спутниковую информацию высокого разрешения, поскольку такая информация позволяет минимизировать риски работ в тяжелых ледовых условиях.

Для мониторинга льдов наиболее подходят оперативные ИСЗ, информация с которых поступает потребителям без ограничения, в режиме непосредственной передачи. К таким спутникам относятся, в частности, американские ИСЗ с аппаратурой видимого и ИК диапазонов серии NOAA/AVHRR и Terra (Aqua)/MODIS. Поэтому спутники NOAA на сегодняшний день наиболее широко используются национальными ледовыми службами при подготовке информации о состоянии ледяного покрова.

Подавляющее большинство существующих технологий интерпретации спутниковых данных для ледового картирования в национальных ледовых службах основаны на интерактивном анализе с участием опытного ледового эксперта. Наибольшее развитие среди спутниковых технологий, применяемых национальными ледовыми службами, получили технологии, основанные на использовании данных радиолокаторов с синтезированной апертурой (SAR). При этом для автоматической интерпретации данных SAR применялись различные подходы. Так, для определения типов льда разрабатывались различные алгоритмы с использованием величины коэффициента обратного рассеяния сигнала ледяным покровом (Александров, Пиотровская, 2008а; 2008б); проводилось исследование текстуры изображений с использованием полей Маркова (Clausi, 2000); исследовались процессы взаимодействия сигнала SAR с поверхностью льда различного возраста (Abreu, 2000) и др.

Однако такая технология автоматической классификации данных SAR требует наличия большого числа подспутниковых измерений и постоянного контроля со стороны ледового эксперта. Необходимость контроля выходной продукции ледовым экспертом обусловлена высокой вероятностью ошибок интерпретации при использовании автоматических процедур обработки данных SAR.

2. Методы дистанционного зондирования, используемые для получения характеристик ледяного покрова морей

Сплоченность льда. Для оценки сплоченности льда на практике успешно применяются алгоритмы автоматической обработки данных микроволнового пассивного зондирования. Преимущества использования СВЧ-радиометров для мониторинга морского льда обусловлены значительной разницей в микроволновом диапазоне в излучательной способности открытой воды и различных типов льда, а также всепогодностью микроволновых датчиков, их способностью вести измерения в любое время суток. СВЧ-радиометры могут осуществлять ежедневный мониторинг параметров морского льда, как в глобальном, так и в региональном масштабе. Однако на сегодняшний день эти приборы имеют малое пространственное разрешение (6×4 км – у лидирующего по этому параметру радиометра AMSR-E/Aqua). Этот факт препятствует использованию микроволновых данных в региональных целях, в частности при обеспечении ледового плавания. СВЧ-радиометры применяются для глобального мониторинга ледяного покрова, при построении обзорных ледовых карт. Данные о сплоченности ледяного покрова, полученные с СВЧ-радиометров, собираются в информационных центрах (NESDIS, NSIDC) и предоставляются всем потребителям в квазиреальном масштабе времени.

Существующие алгоритмы оценки сплоченности льда по данным СВЧ-измерений основаны на линейной комбинации яркостных температур и их разностей на частотах 19, 37 и 85/89 ГГц при вертикальной и горизонтальной поляризациях. Среди наиболее распространенных алгоритмов оценки сплоченности льда, используемых в ледовых центрах, следует отметить: NASA Team, Bootstrap, TUD, ARTIST (Andersen, Tonboe et al.,2007; Cavalieri, 1994; Comiso,1995).

Алгоритм NASA Team (NT) использует два отношения: поляризационное (горизонтальная и вертикальная поляризации канала 19 ГГц) и градиентное отношение (вертикальная поляризация каналов 19 и 37 ГГц). Использование отношения уменьшает зависимость получаемой в итоге сплоченности от температуры поверхности. Алгоритм применим для трех типов поверхности: воды и двух типов льда (в условиях Арктики – однолетнего и многолетнего; модифицированный алгоритм – для областей с однолетним льдом и тонким льдом). Для снижения вероятности ложного обнаружения морского льда в открытых водах алгоритм NT использует два погодных фильтра, основанных на расчете пороговых значений по отношению вертикальной поляризации каналов 37 и 19 ГГц (23 и 19 ГГц). Улучшенная версия NT – алгоритм NASA Team 2 кроме каналов 19 и 37 ГГц использует данные канала 85 ГГц, полезные для автоматического восстановления параметров морского льда. Канал 85 ГГц очень чувствителен к атмосферному излучению и менее чувствителен к неоднородности снега или льда. Атмосферное излучение на 85 ГГц гораздо более сильное, чем на 19 и 37 ГГц, особенно в присутствии оптически тонких облаков. Вклад атмосферы корректируется путем использования простой модели переноса излучения; для каждого пикселя делается расчет атмосферных поправок, исходя из 11 типовых видов полярных атмосфер. В итоге алгоритм NASA Team 2 позволяет повысить точность оценки сплоченности льда.

Свои недостатки и преимущества в зависимости от времени года и конкретной ледовой обстановки имеют и остальные из перечисленных алгоритмов.

Важно отметить, что микроволновые радиометры в настоящее время позволяют автоматически ежесуточно различать границу льда и общую сплоченность морского льда в течение сезонных периодов вне летнего таяния и осеннего замерзания. Однако автоматическая оценка сплоченности многолетнего льда все еще нестабильна и менее точна, чем оценки, основанные на экспертном анализе SAR или видимых/ИК изображений. В периоды летнего таяния и осеннего замерзания величина ошибок для автоматически получаемых продуктов увеличивается в два раза и более (Andersen, Tonboe et al.,2007). Для снижения погрешности необходима дополнительная экспертная проверка качества последовательных серий информационных продуктов.

Возраст льда. Спутниковые наблюдения в различных диапазонах спектра позволяют определить возрастной состав льда – важнейшую характеристику ледяного покрова. При этом по изображениям видимого диапазона опытный ледовый эксперт может при визуальном анализе определить до 8 градаций развития (возраста) льдов; причем ниласовые и молодые льды разделяются на несколько возрастных градаций, а более старые льды объединяются в одну категорию, не разделяемую по градациям. По ИК-изображениям могут быть определены толщины ниласовых, молодых и однолетних тонких и средних льдов. По радиолокационным изображениям дешифрируются старые льды. В условиях Арктики в зимний период диагностировать возрастной состав льдов можно путем совместного использования ИК– и СВЧ-диапазонов.

Автоматизированные методы картирования морских льдов по возрастным градациям с использованием радиолокационных данных. Технологии использования данных микроволнового диапазона для картирования льда по возрастным градациям развиваются с 1980-х гг. Одна из первых методик оперативного картирования ледовой обстановки была разработана для российского ИСЗ «Океан», единственного на тот период спутника, оснащенного радиолокатором бокового обзора. В процедурах картирования применялся как метод визуальной экспертной интерпретации изображений, так и алгоритмы автоматизированной количественной оценки льдов (Александров, Лощилов, 1985; Александров и др., 1989). Данные спутника «Океан» широко использовались в ААНИИ для ежедневного анализа оперативной ледовой обстановки по изображениям на отдельных орбитах и для составления еженедельных композитных ледовых карт для всей трассы СМП (Асмус и др., 2002; Бушуев и др., 2004).

Одним из методов объективного оценивания возрастных градаций ледяного покрова является метод нейронных сетей (НС) (Bogdanov, 2005; Hara et al., 1994), широко применяемый при обработке данных дистанционного зондирования благодаря ряду преимуществ перед традиционно используемыми статистическими методами классификации. Нейросетевые алгоритмы показывают лучшие результаты при наличии спекл-шума в спутниковых радиолокационных данных. Обученные НС имеют более высокое быстродействие, что позволяет использовать их для обработки больших массивов информации. Это особенно важно при оперативной работе со спутниковыми изображениями с высоким пространственным разрешением. Наиболее сложной задачей является настройка (тренировка) НС с использованием обучающей выборки. При распознавании образов, где обучающая выборка может не охватывать всех возможных состояний данных, важнейшим свойством НС становится способность классифицировать вектора данных, которые не использовались при тренировке алгоритма, то есть способность к обобщению. Это свойство позволяет использовать нейронные сети как универсальный классификатор в задачах дистанционного зондирования.

Метод НС был применен в ААНИИ для разработки метода картирования ледяного покрова по спутниковой радиолокационной информации SAR. На начальном этапе были определены текстурные характеристики изображения. Текстура изображения определяется статистическими взаимосвязями значений соседних пикселей радиолокационного изображения, что выражается в виде «узора» или «рисунка», воспринимаемого глазом при визуальном анализе изображения. Особенности формирования ледяного покрова, стадии его развития, состояние поверхности и другие факторы определяют внешний вид текстуры изображения. Характеристики текстур различных типов поверхностей вычисляются на основе матрицы совместной встречаемости уровней яркости.

Статистический анализ полученных текстурных характеристик показал, что корреляция, инерция и выпуклость кластера – это наиболее значимые признаки. Энергия, гомогенность и энтропия менее значимы, однако являются источниками дополнительной информации. Целесообразность использования этих характеристик подтверждена корреляционным анализом. Яркости SAR-изображения, как известно, подвержены значительному краевому эффекту: уменьшение удельной эффективной площади рассеяния (УЭПР) электромагнитных импульсов морским льдом с увеличением угла зондирования приводит к значительному уменьшению сигнала в дальней части полосы обзора относительно ближней. Для получения равноконтрастного изображения по всей полосе обзора была разработана методология приведения УЭПР морских льдов к одному углу зондирования (Александров, Пиотровская, 2008а; 2008б). Алгоритм приведения изображения к фиксированному углу зондирования включает в себя пересчет яркости SAR-изображения в значение УЭПР для данного угла зондирования, пересчет полученного значения для угла зондирования 25° и пересчет скорректированной УЭПР в новое значение яркости по ранее определенным коэффициентам, уникальным для каждого класса льда (однолетнего, однолетнего деформированного и старого льда).

Верификация алгоритма оценки возрастных градаций льда по методу НС проводилась в период Международного полярного года, на акватории российской Арктики, в частности, по району дрейфа СП-35. Были использованы SAR-изображения с европейского спутника Envisat с разрешением 150 м и полосой обзора 400 км. Благодаря высокоширотному положению траектории дрейфа станции, ее изображение (точнее морских льдов в области станции) можно было получать практически ежедневно. Согласно экспертной оценке, ледяное поле, на котором был построен лагерь дрейфующей станции, состояло из смерзшихся обломков полей старого льда различных размеров, толщины и конфигурации. Монолитные обломки полей старого льда разделены полосами однолетнего льда с включениями битого старого льда. Поэтому сеть настраивалась на выделение на спутниковой сцене трех классов: старого льда, однолетнего ровного льда и однолетнего деформированного льда. Для обучения этой сети использовался стандартный алгоритм обратного распространения ошибки. Сеть была настроена на классификацию SAR-изображений центрального района Арктики в зимний период года. Полученные результаты классификации соответствовали результатам экспертного дешифрирования. Рассчитанные ошибки классификации составили: для однолетнего ровного льда 15 %, для однолетнего деформированного льда 17 % и для старого льда 20 %. Обученная сеть также была использована для автоматического картирования этих же возрастных градаций льда по данным Envisat в Арктическом бассейне (рис. 1).

Рис. 1. Картирование возрастных стадий льда в Арктике с помощью метода нейронных сетей по данным Envisat. 16.01.2008 (слева – исходный снимок, в центре – снимок с угловой коррекцией, справа – классифицированное изображение) 1 – старый лед; 2 – однолетний ровный лед; 3 – однолетний деформированный лед

Для использования метода НС в автоматическом режиме, с целью оперативного картирования возрастных стадий льда, необходима настройка сети в направлении выделения большего количества классов ледовых образований.

Определять возрастной состав морских льдов по спутниковым данным в автоматизированном режиме можно также с помощью методов теории вероятности, в частности, применяя формулу Байеса для расчета апостериорной вероятности p(ω_j/x_i)

p(ω_j/x_i) = p(x_i/ω_j) × p(ω_j)/p(x_i), p(x_i) = p(x_i/ω_j) × p(ω_j),

где p(ω_j) – априорная вероятность, p(x_i/ω_j) – условная плотность распределения величины x_i в состоянии ω_j.

Метод байесовской классификации обеспечивает оптимальное решение с точки зрения минимума вероятности ошибки. При классификации ледяного покрова на спутниковом снимке принимается решение в пользу того вида льда, для которого величина апостериорной вероятности p(ω_j/x_i) максимальна.

Для того, чтобы применять правило Байеса, необходимо знать условные плотности распределения и априорные вероятности. В центральной части Арктики частная сплоченность многолетних льдов составляет около 90 % (Johannessen et al., 2006). Исходя из этого, были выбраны следующие значения априорной вероятности появления многолетнего, ровного и деформированного однолетнего льдов: p(ω_my)=0.9; p(ω_fy)=0.05, p(ω_fd)=0.05. Условные плотности распределения p(x_i/ω_j) рассчитывались по калиброванным изображениям со спутника Envisat, на которых экспертным путем выбирался ряд характерных участков каждого из рассматриваемых видов льдов.

Решение принимается в пользу:

ω_my, если p(ω_my /x_i) > p(ω_fy/x_i) и p(ω_my /x_i) > p(ω_fd/x_i)

ω_fy, если p(ω_fy/x_i) > p(ω_my /x_i) и p(ω_fy/x_i) > p(ω_fd/x_i)

ω_fd, если p(ω_fd/x_i) > p(ω_my /x_i) и p(ω_fd/x_i) > p(ω_fy/x_i)

На основе алгоритма байесовской классификации были обработаны SAR-изображения, полученные со спутника Envisat в районе к северу от Гренландии. При этом на первом этапе обработки выполнялось приведение УЭПР поверхности к углу падения 25°, а на втором – распознавание и оценка частной сплоченности многолетнего льда (рис. 2). Участки многолетнего льда и разрывы выделяются на снимке достаточно точно. Некоторые пиксели многолетнего льда идентифицировались как однолетний или деформированный лед, что обусловлено перекрытием их значений УЭПР.

Рис. 2. Картирование возрастных стадий льда в Арктике по SAR-изображению с помощью метода байесовской классификации, по данным Envisat. 6 декабря 2005 г. а) исходное изображение, приведенное к углу падения 25°; б) результат классификации (многолетний лед – желтый; однолетний ровный лед – темно-синий; однолетний деформированный лед – голубой; не классифицирован – красный; в) вычисление частной сплоченности многолетнего льда в выделенных зонах: синяя зона – C_my=0.95; зеленая зона – C_my=0.81; красная зона – C_my=0

Дрейф льда. Дрейф льда определяют с помощью интерактивных или автоматических процедур, основанных на использовании координат одних и тех же опорных точек на последовательных спутниковых изображениях. Определение дрейфа льда в интерактивном режиме занимает значительное время и в оперативной практике не используется. В автоматизированном режиме для оценки векторов дрейфа по последовательным спутниковым изображениям используются следующие методы: полиномиальный, кросс-корреляционный, гибридный, метод оптического потока.

Полиномиальный метод. По двум спутниковым изображениям, выведенным на экран компьютера, интерактивно определяются и запоминаются координаты идентичных ледовых образований. Далее строится полиномиальная модель, коэффициенты которой вычисляются по методу наименьших квадратов. Полученная зависимость позволяет по координатам ледового объекта на первом изображении определить вероятные координаты этого объекта на втором изображении. Таким образом, оператор имеет возможность производить поиск соответствующего ледового объекта на втором изображении в окрестности предсказанной точки, что ускоряет определение дрейфа в интерактивном режиме.

Кросс-корреляционный метод. Метод основан не на опознавании и определении координат идентичных точек изображений, а на нахождении соответствия между небольшими участками (шаблонами) на паре последовательных изображений путем поиска максимума кросс-корреляции. Впервые этот метод был предложен М. Фили и Д.А. Ротроком в 1987 г. для изображений SAR ERS-1 и в дальнейшем применялся для изображений других спутников (Fily, Rothrock, 1987). Выбранный на первом изображении шаблон сравнивается с таким же по размеру шаблоном на втором изображении. При этом шаблон на втором изображении последовательно передвигается в пределах района, размер которого определяется оператором с учетом максимально возможной для этого района скорости дрейфа. Модификация метода использует пирамидальную структуру изображений, включающую в себя несколько уровней, каждый из которых представляет собой исходное изображение с различным усреднением. По модифицированному алгоритму сначала находят векторы дрейфа для изображений самого низкого разрешения, а затем эта информация используется при поисках максимума коэффициента кросс-корреляции последовательно на каждом уровне пирамиды, начиная с вершины. На каждом уровне пирамиды происходит уточнение поля векторов дрейфа. Использование пирамидальной структуры изображений позволяет ограничить область поиска на втором изображении и снижает, хотя и не исключает полностью, вероятность грубых ошибок метода. Данный алгоритм применялся при определении дрейфа в центральных районах Арктики, однако в битых льдах и при значительных углах поворота ледяных полей его точность значительно ухудшалась, а пик корреляции расширялся и в конечном счете становился статистически незначимым. Использование системы полярных координат позволяет применить кросс-корреляционный метод к преобразованному спектру мощности для определения углов поворота ледяных полей. После исключения относительного поворота, пик кросс-корреляции возрастает, что позволяет получить векторы перемещения первого порядка, определяющие движение льда как твердого тела (перемещение и поворот).

Для уменьшения времени вычислений в модификации кросс-корреляционного алгоритма используется процедура двумерного бинарного поиска. При этом принимается допущение, что двумерный коэффициент кросс-корреляции в некоторой окрестности наблюдаемого объекта монотонно уменьшается от максимального значения, соответствующего его истинному положению. Расчеты показали, что распределение двумерного коэффициента кросс-корреляции в окрестности рассматриваемого объекта на SAR – изображении имеет множество пиков, и использование процедуры двумерного бинарного поиска приводит к нахождению максимума, соответствующего одному из них.

Для автоматического определения дрейфа по радиолокационным изображениям, полученным со спутника «Океан», метод кросс-корреляции был усовершенствован в ААНИИ (Рахина и др., 1998). Особенностью используемого подхода стала обработка изображения полного разрешения с ограничением зоны поиска на повторном снимке для уменьшения времени вычислений и вероятности ошибки. Ограничить зону поиска удалось за счет использования априорной информации о максимально возможной скорости дрейфа. Данный алгоритм впоследствии был применен для определения дрейфа льдов по данным ИСЗ Envisat (рис. 3).

Рис. 3. Вектора дрейфа льда, рассчитанные для района Северной Земли за период 30.10 – 3.11.2009 гг. с использованием кросс-корреляционного алгоритма Международного центра по окружающей среде и дистанционному зондированию им. Нансена. 1 – старый лед; 2 – однолетний лед; 3 – открытая вода; длина векторов, выраженная в масштабе карты, отражает перемещения льда за промежуток времени с 30 октября по 3 ноября 2009 г.

Гибридный метод. Является комбинацией интерактивного, полиномиального и кросс-корреляционного методов. По интерактивно определенным векторам дрейфа строится полиномиальная модель дрейфа, которая уточняется методом кросс-корреляции. Определенная полиномиальной моделью точка на втором изображении является центром площади поиска максимума коэффициента кросс-корреляции. Размер зоны поиска, определяющий объем вычислений, и точность конечного результата зависят от точности полиномиальной модели.

Метод оптического потока. Метод основан на вычислении компонент скорости движения льда по яркости каждой точки изображения при помощи аппарата частных производных. Автор алгоритма Я. Сан (Sun, 1994) также использует построение пирамидальной структуры спутниковых изображений, на вершине которой находится изображение наиболее грубого разрешения, а в основании – исходное изображение. На уровне грубого разрешения методом кросс-корреляции получаются грубые вектора дрейфа. Затем на каждом уровне пирамиды производится вычисление оптического потока – трехмерного векторного поля, которое получается из скалярной функции яркости последовательных по времени изображений. Яркость объекта во время его движения считается постоянной. Градиент яркости изображения также принимается стационарным во времени. Метод используется для детального слежения за динамикой льда и позволяет получить информацию о трансформациях ледяного покрова – сжатиях, разрежениях, взаимных подвижках, деформациях. Алгоритм вычисления оптического потока требует предварительной калибровки снимков по значениям яркости.

Толщина льда. Толщина льда – один из наиболее важных параметров ледяного покрова. Методов прямых измерений толщины льда с помощью спутниковых средств не существует. Для определения толщины льда по данным ИСЗ применяются косвенные методы, основанные либо на найденных закономерностях между измеряемыми параметрами (температурой поверхности льда) и собственно толщиной льда, либо на вычислении разницы в длине пути луча, проходящего до границы снег-воздух и луча, отраженного непосредственно от ледовой поверхности. Грубая оценка толщины льда может быть получена по спутниковым данным о возрасте льда, так как толщина льда и его возраст – два взаимосвязанных параметра.

Определение толщины льда по данным измерений в ИК-диапазоне. ИК-диапазон исторически стал первым из известных диапазонов электромагнитного спектра, дистанционные наблюдения в котором позволили разработать реально действующие технологии оценки толщины льда. Уже в 1970-е гг. были получены первые успешные результаты оценки толщины льда по данным авиационных ИК-радиометров (Kuhn, 1975). В 1980-х начались разработки технологий использования спутниковых ИК-каналов для оценки толщины льда (Лощилов, Парамонов, 1987; Groves, Stringer, 1991). Технологии базировались на решении уравнений теплопроводности сред вода – лед – снег – воздух и эмпирических зависимостях, полученных в ходе полевых наблюдений в полярных районах. Было установлено, что при отрицательных температурах воздуха между температурой поверхности льда и его толщиной до определенных критических толщин льда существует обратно пропорциональная зависимость: чем толще лед, тем ниже температура его поверхности. При толщине льда 240–250 см наблюдался эффект насыщения, когда температура поверхности льда приобретала минимальные для данных гидрометеорологических условий значения, которые не менялись при дальнейшем увеличении толщины. Такие льды получили наименование «толстые».