Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 2. С. 32-42
Применение нейронной сети для детектирования ледяного покрова Дальневосточных морей по данным прибора VIIRS космического аппарата NOAA-20
М.О. Кучма
1 , З.Н. Лотарева
1 , Л.А. Корнева
1 , Ю.А. Шамилова
1 1 Дальневосточный центр НИЦ «Планета», Хабаровск, Россия
Одобрена к печати: 25.03.2022
DOI: 10.21046/2070-7401-2022-19-2-32-42
В настоящей работе представлена технология расчёта маски ледяного покрова с использованием свёрточной нейронной сети применительно к данным прибора VIIRS, установленного на космическом аппарате NOAA-20. Специалистами Дальневосточного центра ФГБУ «Научно-исследовательский центр космической гидрометеорологии «Планета» (ДЦ ФГБУ «НИЦ «Планета») была набрана обучающая выборка с использованием данных прибора VIIRS за период с октября 2020 г. по июнь 2021 г., составившая около 22 тыс. текстур. Эмпирическим методом была получена оптимальная для решения поставленной задачи архитектура нейронной сети. В ходе экспериментов были получены оптимальный размер входных текстур, который составил 21×21 пиксель, и входные параметры: зенитный угол Солнца и инфракрасные каналы с центральными длинами волн 0,6; 1,6; 10,7 и 12,0 мкм. Результаты валидации разработанного алгоритма при сравнении с данными программного комплекса Community Satellite Processing Package VIIRS Aerosols, Cryosphere, Clouds and Volcanic Ash Environmental Data Record Products и с эталонными масками ледяного покрова, составленными специалистами ДЦ ФГБУ «НИЦ «Планета» методами интерактивного дешифрирования, показали высокие значения точности и вероятности правильного определения события: 94 и 98 % соответственно.
Ключевые слова: дистанционное зондирование Земли, VIIRS, NOAA-20, свёрточная нейронная сеть, текстура, лёд, маска ледяного покрова
Полный текстСписок литературы:
- Крамарева Л. С., Андреев А. И., Блощинский В. Д., Кучма М. О., Давиденко А. Н., Пустатинцев И. Н., Шамилова Ю. А., Холодов Е. И., Королев С. П. Использование нейронных сетей в задачах гидрометеорологии // Вычисл. технологии. 2019. Т. 24. № 6. С. 50–59. DOI: 10.25743/ICT.2019.24.6.007.
- Кучма М. О., Лотарева З. Н., Слесаренко Л. А. Определение кромки ледового покрова Дальневосточных морей с использованием сверточных нейронных сетей по данным прибора МСУ-МР спутника «Метеор-М» № 2 // Материалы 18-й Всероссийской открытой конф. «Современные проблемы дистанционного зондирования Земли из космоса». 16–20 нояб. 2020. М.: ИКИ РАН, 2020. C. 217. DOI: 10.21046/18DZZconf-2020a.
- Кучма М. О., Лотарева З. Н., Слесаренко Л. А. Определение маски ледяного покрова Дальневосточных морей по данным прибора МСУ-МР спутника «Метеор-М» № 2 // Исслед. Земли из космоса. 2021. № 2. C. 31–41. DOI: 10.31857/S0205961421020032.
- Паундер Э. Физика льда: пер. с англ. М.: Мир, 1967. 190 с.
- Спутниковые методы определения характеристик ледяного покрова морей / под ред. В. Г. Смирнова. СПб.: ААНИИ, 2011. 240 с.
- Топоров А. И., Мясоедов А. Г., Гусев В. В. Использование нейросетевых подходов для мультиспектрального анализа спутниковых данных при проектировании объектов капитального строительства // Материалы 17-й Всероссийской открытой конф. «Современные проблемы дистанционного зондирования Земли из космоса». 11–15 нояб. 2019. М.: ИКИ РАН, 2019. C. 67.
- Bloshchinskiy V. D., Kuchma M. O., Andreev A. I., Sorokin A. A. Snow and cloud detection using a convolutional neural network and low-resolution data from the Electro-L No. 2 Satellite // J. Applied Remote Sensing. 2020. V. 14. No. 3. P. 034506. DOI: 10.1117/1.JRS.14.034506.
- Crane R. G., Anderson M. R. Satellite discrimination of snow/cloud surfaces // Intern. J. Remote Sensing. 1984. No. 5. P. 213–223. DOI: 10.1080/01431168408948799.
- Dorsey N. E. Properties of Ordinary Water-Substance in All Its Phases. Reinhold Publishing Corporation, 1940. 673 p. DOI: 10.1038/146145a0.
- Godin R., Vicente G. Joint Polar Satellite System (JPSS) Operational Algorithm Description (OAD) Document for VIIRS Sea Surface Temperature (SST) Environmental Data Record (EDR) Software. USA: NASA Goddard Space Flight Center, 2017. 17 p.
- Ioffe S., Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift // Proc. 32nd Intern. Conf. Machine Learning (ICML 15). 2015. V. 37. P. 448–456. DOI: 10.48550/arXiv.1502.03167.
- Jezek K., Perovich D., Golden K., Luther C., Barber D., Gogineni P., Grenfell T., Jordan A., Mobley C., Nghiem S., Onstott R. Broad spectral, interdisciplinary investigation of the electromagnetic properties of sea ice // IEEE Trans. Geoscience and Remote Sensing. 1998. V. 36. P. 1633–1641. DOI: 10.1109/36.718635.
- Key J. R., Mahoney R., Liu Y., Romanov P., Tschudi M., Appel I., Maslanik J., Baldwin D., Wang X., Meade P. Snow and ice products from Suomi NPP VIIRS // J. Geophysical Research: Atmospheres. 2013. V. 118. P. 12816–12830. DOI: 10.1002/2013JD020459.
- Kingma D. P., Ba J. L. Adam: a method for stochastic optimization // Intern. Conf. Learning Representations. 2015. 13 p. DOI: 10.48550/arXiv.1412.6980.
- Kuo J. C. Understanding convolutional neural networks with a mathematical model // J. Visual Communication and Image Representation. 2016. V. 41. P. 406–413. DOI: 10.48550/arXiv.1609.04112.
- Minnett P. J. GHRSST-PP Sea Ice Working Group (SI-WG) report // Report 8th GHRSST-PP Science Team Meeting. 14–18 May 2007. Melbourne, Australia. 2007. V. 1. P. 57–60.
- Mueller A., Guido S. An Introduction to Machine Learning with Python. O’Reilly Media, 2017. 188 p.
- Riggs G., Hall D., Roman M. O. VIIRS Snow Cover Algorithm Theoretical Basis Document (ATBD). USA: NASA Goddard Space Flight Center, 2015. 38 p.
- Salomonson V. V., Appel I. Estimating fractional snow cover from MODIS using the normalized difference snow index // Remote Sensing of Environment. 2004. V. 89. No. 3. P. 351–360. DOI: 10.1016/j.rse.2003.10.016.
- Seaman C., Hillger D., Kopp T., Williams R., Miller S., Lindsey D. Visible Infrared Imaging Radiometer Suite (VIIRS) Imagery Environmental Data Record (EDR) User’s Guide: NOAA Technical Report NESDIS 150. 2015. 35 p.
- Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: A Simple Way to Prevent Neural Networks from Overfitting // J. Machine Learning Research. 2014. V. 15. P. 1929–1958.
- Zang L., Zang L., Du B. Deep learning for remote sensing data: a technical tutorial on the state of the art // IEEE Geoscience and Remote Sensing Magazine. 2016. V. 4. No. 2. P. 22–40. DOI: 10.1109/MGRS.2016.2540798.