Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 6. С. 18-28
Классификация РСА изображений ледовых полей Арктики, основанная на использовании мультифрактальных признаков
Д.В. Учаев
1 , Дм.В. Учаев
1 , В.А. Малинников
1 1 Московский государственный университет геодезии и картографии, Москва, Россия
Одобрена к печати: 22.11.2022
DOI: 10.21046/2070-7401-2022-19-6-18-28
Представлен метод мультифрактальной классификации радиолокационных изображений ледовых полей Арктики, полученных с помощью радиолокационных станций с синтезированной апертурой (РСА). Данный метод предназначен для дифференциации на радиолокационных снимках участков ледовых полей, характеризующихся разной степенью сплочённости. В основу метода положен тот факт, что ледяной покров Арктики имеет сложную иерархическую (мультифрактальную) структуру, которая может значительным образом изменяться в зависимости от региональных и сезонных особенностей ледового режима, а также динамики атмосферных и океанических процессов. Основные этапы предлагаемого метода классификации РСА изображений ледовых полей следующие: предварительная обработка радиолокационного изображения; формирование многослойного изображения мультифрактальных признаков; классификация сформированных векторов мультифрактальных признаков с помощью классификатора, основанного на случайных мультиграфах. Экспериментальная верификация предложенного метода классификации РСА изображений проведена на более чем 50 фрагментах радиолокационных снимков покрытых льдом морских районов Арктики, полученных со спутников серии Sentinel-1 в летний период. Результаты верификации показали, что предлагаемый метод мультифрактальной классификации РСА изображений допускает использование относительно небольших по объёму обучающих выборок и достигает в этом случае достаточно высоких значений общей и средней точности классификации снимков.
Ключевые слова: арктические моря, ледовый покров, сплочённость морского льда, РСА изображение, мультифрактальная классификация
Полный текстСписок литературы:
- Захваткина Н. Ю., Бычкова И. А. Классификация ледового покрова арктических морей с использованием метода Байеса // Исслед. Земли из космоса. 2015. № 4. C. 60–66. DOI: 10.7868/S0205961415020128.
- Захваткина Н. Ю., Александров В. Ю., Коросов А. А., Йоханнессен О. М. Классификация морских льдов на РСА изображениях спутника ENVISAT // Современные проблемы дистанционного зондирования Земли из космоса. 2009. Т. 1. № 6. C. 373–379.
- Коберниченко В. Г., Иванов В. Г., Сосновский А. В. Обработка радиолокационных данных дистанционного зондирования Земли: лабораторный практикум. Екатеринбург: Изд-во Уральского ун-та, 2013. 64 с.
- Малинников В. А., Савиных В. П., Учаев Д. В., Учаев Д. В. Мультифрактальная оценка ледовой обстановки по материалам космической съёмки // Идеи и новации. 2018. Т. 6. № 3. С. 69–74.
- Миронов Е. У., Клячкин С. В., Смоляницкий В. М., Юлин А. В., Фролов С. В. Современное состояние и перспективы исследований ледяного покрова морей российской Арктики // Российская Арктика. 2020. № 10. С. 13–29. DOI: 10.24411/2658-4255-2020-12102.
- Митник Л. М., Хазанова Е. С. Динамика ледяного покрова в морях Восточно-Сибирском и Лаптевых по данным спутникового микроволнового зондирования во второй половине октября 2014 г. // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 2. С. 100–113.
- Никольский Д. Б. Сравнительный обзор современных радиолокационных систем // Геоматика. 2008. № 1. С. 11–17.
- Репина И. А., Иванов В. В. Применение методов дистанционного зондирования в исследовании динамики ледового покрова и современной климатической изменчивости Арктики // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 5. С. 89–103.
- Смирнов В. Н. Особенности динамики и механики деформирования льда арктического бассейна // Проблемы Арктики и Антарктики. 2007. № 1(75). С. 73–84.
- Congalton R. G., Green K. Assessing the accuracy of remotely sensed data: principles and practices. 2nd ed. Boca Raton: CRC Press, 2008. 210 p.
- Dalla Mura M., Benediktsson J. A., Waske B., Bruzzone L. Extended profiles with morphological attribute filters for the analysis of hyperspectral data // Intern. J. Remote Sensing. 2010. V. 31. No. 22. P. 5975–5991. DOI: 10.1080/01431161.2010.512425.
- Han Y., Liu Y., Hong Z., Zhang Y., Yang S., Wang J. Sea ice image classification based on heterogeneous data fusion and deep learning // Remote Sensing. 2021. V. 13. No. 4. Art. No. 592. DOI: 10.3390/rs13040592.
- Jaffard S. Multifractal formalism for functions part I: results valid for all functions // SIAM J. Mathematical Analysis. 1997. V. 28. No. 4. P. 944–998. DOI: 10.1137/S0036141095282991.
- Khaleghian S., Ullah H., Kræmer T., Hughes N., Eltoft T., Marinoni A. Sea ice classification of SAR imagery based on convolution neural networks // Remote Sensing. 2021. V. 13. No. 9. Art. No. 1734. DOI: 10.3390/rs13091734.
- Lee G. Refined filtering of image noise using local statistics // Computer Graph Image Processing. 1981. V. 15. No. 4. P. 380–389. DOI: 10.1016/S0146-664X(81)80018-4.
- Lee J. S., Jurkevich L., Dewaele P., Wambacq P., Oosterlinck A. Speckle filtering of synthetic aperture radar images: a review // Remote Sensing Reviews. 1994. V. 8. No. 4. P. 313–340. DOI: 10.1080/02757259409532206.
- Li W., Chen C., Su H., Du Q. Local binary patterns and extreme learning machine for hyperspectral imagery classification // IEEE Trans. Geoscience and Remote Sensing. 2015. V. 53. No. 7. P. 3681–3693. DOI: 10.1109/TGRS.2014.2381602.
- Mironov Ye. U., Frolov I. Ye., Spichkin V. A., Karklin V. P., Karelin I. D., Gorbunov Y. A., Losev S. M. Sea ice conditions observed from satellite remote-sensing data // Remote Sensing of Sea Ice in the Northern Sea Route: Studies and Applications. Berlin; Heidelberg: Springer-Verlag, 2007. P. 253–322. DOI: 10.1007/978-3-540-48840-8_5.
- Mirzapour F., Ghassemian H. Moment-based feature extraction from high spatial resolution hyperspectral images // Intern. J. Remote Sensing. 2016. V. 37. No. 6. P. 1349–1361. DOI: 10.1080/2150704X.2016.1151568.
- Park J.-W., Korosov A. A., Babiker M., Won J.-S., Hansen M. W., Kim H.-C. Classification of sea ice types in Sentinel-1 synthetic aperture radar images // The Cryosphere. 2020. V. 14. No. 8. P. 2629–2645. DOI: 10.5194/tc-14-2629-2020.
- Uchaev Dm. V., Uchaev D. V., Malinnikov V. A. (2020a) Chebyshev multifractal signatures and their use in multifractal interpretation of SAR images of ice-covered sea areas // Proc. SPIE. 2020. V. 11433. Art. No. 1143307. DOI: 10.1117/12.2559391.
- Uchaev Dm. V., Uchaev D. V., Malinnikov V. A. (2020b) Spectral-spatial classification of hyperspectral images based on multifractal features // Proc. SPIE. 2020. V. 11533. Art. No. 115330T. DOI: 10.1117/12.2573715.
- Uchaev D. V., Uchaev Dm. V. Feature profiles for semisupervised hyperspectral image classification with limited labeled training samples // Proc. SPIE. 2021. V. 11862. P. 235–243. DOI: 10.1117/12.2599182.
- Uchaev Dm. V., Uchaev D. V., Malinnikov V. A. (2021a) Hyperspectral image classification by Chebyshev moment multifractal profiles // Recent Progress in Moments and Moment Invariants / ed. Papakostas G. A. Thrace: Science Gate Publ. P. C., 2021. V. 7. P. 75–99. DOI: 10.15579/gcsr.vol7.ch4.
- Uchaev Dm. V., Uchaev D. V., Malinnikov V. A., Savinykh V. P. (2021b) Multifractal classification of Sentinel-1 SAR images of ice-covered sea areas // Proc. SPIE. 2021. V. 11862. Art. No. 118620S. DOI: 10.1117/12.2599886.
- Vihma T. Effects of arctic sea ice decline on weather and climate: a review // Surveys in Geophysics. 2014. V. 35. No. 5. P. 1175–1214. DOI: 10.1007/s10712-014-9284-0.
- WMO sea-ice nomenclature. WMO-No. 259. 2014. V. I, II and III.
- Zakhvatkina N., Smirnov V., Bychkova I. Satellite SAR data-based sea ice classification: an overview // Geosciences. 2019. V. 9. No. 4. Art. No. 152. DOI: 10.3390/geosciences9040152.