Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 5. С. 23-34

Цифровая обработка данных Sentinel-1 для автоматизированного выделения кромки старых льдов

Н.Ю. Захваткина 1, 2 , И.А. Бычкова 1 , В.Г. Смирнов 1 
1 Арктический и Антарктический научно-исследовательский институт, Санкт-Петербург, Россия
2 Международный центр по окружающей среде и дистанционному зондированию им. Нансена, Санкт-Петербург, Россия
Одобрена к печати: 29.07.2020
DOI: 10.21046/2070-7401-2020-17-5-23-34
Описан алгоритм автоматизированной классификации морского льда Арктики по возрастным стадиям на основе метода нейронных сетей (НС). Входными данными становятся изображения радиолокатора Sentinel-1 с двойной поляризацией. Данные радиолокатора с синтезированной апертурой имеют несколько особенностей, для учёта которых предложен подход к улучшению качества данных. Обучение сети проводилось с использованием алгоритма с обратным распространением ошибки. Обоснован выбор информативных текстурных признаков, обеспечивающих оптимизацию вычислительного алгоритма. На основании анализа ошибок классификации и времени обработки найдена оптимальная топология НС. Для верификации результатов классификации применяются генерализованные карты Арктического и антарктического научно-исследовательского института (ААНИИ) и визуальные оценки ледового эксперта. Показано, что спутниковые радиолокационные данные могут применяться для автоматического определения нескольких градаций морского льда и для картирования границы старого льда. С использованием карт ААНИИ как опорного источника данных рассчитана матрица ошибок и показатели точности классификации льда по методу НС. Точность классификации для однолетнего льда составила 75 %, для старого льда — 90 %.
Ключевые слова: морские льды, кромка старого льда, Арктика, Sentinel-1, радиолокатор с синтезированной апертурой, классификация, текстурные характеристики, нейронные сети
Полный текст

Список литературы:

  1. Методические указания по вопросам приема, обработки и использования спутниковой ледовой информации. Вып. 1: Определение характеристик ледяного покрова по радиолокационным снимкам ИСЗ «Космос-1500». Л.: ААНИИ, 1985. 75 с.
  2. Смирнов В. Г., Бушуев А. В., Захваткина Н. Ю., Лощилов В. С. Спутниковый мониторинг морских льдов // Проблемы Арктики и Антарктики. 2010. Т. 85. № 2. C. 62–76.
  3. Хайкин С. Нейронные сети: полный курс. 2-е изд. / пер. с англ. М.: Вильямс, 2006. 1104 с.
  4. Albregtsen F. Statistical Texture Measures Computed from Gray Level Coocurrence Matrices / Image Processing Laboratory Department of Informatics. University of Oslo. 2008. 14 p.
  5. Clausi D. A. An analysis of co-occurrence texture statistics as a function of grey level quantization // Canadian J. Remote Sensing. 2002. V. 28. P. 45–62.
  6. Dierking W. Sea ice monitoring by synthetic aperture radar // Oceanography. 2013. V. 26. P. 100–111.
  7. Haralick R. M., Shanmugam K. S., Dinstein I. Textural features for image classification // IEEE Trans. Systems, Man, and Cybernetics. 1973. V. 3. P. 610–621.
  8. Kwok R. The Radarsat Geophysical Processor System // Analysis of SAR Data of the Polar Oceans. Berlin; Heidelberg: Springer, 1998. P. 235–257.
  9. Komarov A. S., Buehner M. Detection of First-Year and Multi-Year Sea Ice from Dual-Polarization SAR Images Under Cold Conditions // IEEE Trans. Geoscience and Remote Sensing. 2019. V. 57. No. 11. P. 9109–9123.
  10. Leigh S., Zhijie W., Clausi D. A. Automated Ice–Water Classification Using Dual Polarization SAR Satellite Imagery // IEEE Trans. Geoscience and Remote Sensing. 2014. V. 52. P. 5529–5539.
  11. Mäkynen M., Karvonen J. Incidence Angle Dependence of First-Year Sea Ice Backscattering Coefficient in Sentinel-1 SAR Imagery Over the Kara Sea // IEEE Trans. Geoscience and Remote Sensing. 2017. V. 55. No. 11. P. 6170–6181.
  12. Sentinel-1 Level 1 Detailed Algorithm Definition. Technical Document. Iss. 2/2. ESA, 2019. 158 p.
  13. Shokr M. E. Evaluation of Second-Order Texture Parameters for Sea Ice Classification from Radar Images // J. Geophysical Research. 1991. V. 96. P. 10625–10640.
  14. Soh L. K., Tsatsoulis C. ARCTOS: A Knowledge Engineering Software Tool for Images // Intern. J. Human-Computer Studies. 2002. V. 57. No. 6. P. 469–496.
  15. Thermal denoising of products generated by the Sentinel-1 IPF: Technical Document. Iss. 1.1. ESA, 2017. 25 p.
  16. Zakhvatkina N., Korosov A., Muckenhuber S., Sandven S., Babiker M. Operational algorithm for ice water classification on dual-polarized Radarsat-2 images // The Cryosphere. 2017. V. 11. No. 1. P. 33–46.
  17. Zakhvatkina N., Smirnov V., Bychkova I. Satellite SAR Data-based Sea Ice Classification: An Overview // Geosciences. 2019. V. 9(4). P. 152. DOI: 10.3390/geosciences9040152.