Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 6. С. 344-355
Анализ сплочённости ледяного покрова в Карском море по данным радиометра MIRAS спутника SMOS с использованием методов машинного обучения
В.В. Тихонов
1, 2, 3 , Д.Р. Катамадзе
4 , Т.А. Алексеева
3, 1 , Е.В. Афанасьева
3, 1 , Ю.В. Соколова
3, 1 , И.В. Хвостов
2 , А.Н. Романов
2 1 Институт космических исследований РАН, Москва, Россия
2 Институт водных и экологических проблем СО РАН, Барнаул, Россия
3 Арктический и антарктический научно-исследовательский институт, Санкт-Петербург, Россия
4 Московский государственный университет имени М.В. Ломоносова, Москва, Россия
Одобрена к печати: 29.11.2024
DOI: 10.21046/2070-7401-2024-21-6-344-355
Представлены первые результаты исследования по использованию данных микроволнового радиометра MIRAS (англ. Microwave Imaging Radiometer using Aperture Synthesis) спутника SMOS (англ. Soil Moisture and Ocean Salinity) для определения сплочённости ледяного покрова в Карском море. По восьми областям в Карском море была исследована динамика яркостной температуры продукта SMOS L1C за 2022–2023 гг. Для определения сплочённости ледяного покрова в выбранных областях по данным продукта SMOS L1C были применены методы машинного обучения. В исследовании задействовано восемь моделей машинного обучения, использующих метод обучения с учителем. Обучение было выполнено по данным за 2022 г. Проверка качества прогнозов используемых моделей машинного обучения осуществлялась на основе данных за 2023 г. В результате анализа трёх метрик качества была выбрана оптимальная модель машинного обучения — XGBoost. Проведённые исследования показали перспективность использования машинного обучения для оценки состояния морского ледяного покрова Арктики по данным радиометра MIRAS спутника SMOS.
Ключевые слова: спутниковая микроволновая радиометрия, яркостная температура, сплочённость морского льда, видимый диапазон, инфракрасный диапазон, методы машинного обучения
Полный текстСписок литературы:
- Алексеева Т. А., Соколова Ю. В., Афанасьева Е. В. и др. Влияние загрязненности морского льда на ошибки в определении сплоченности в период таяния по данным спутниковой микроволновой радиометрии // Исслед. Земли из космоса. 2022. № 5. С. 30–46. https://doi.org/10.31857/S0205961422050037.
- Алексеева Т. А., Сероветников С. С., Макаров Е. И. и др. Влияние интенсивного судоходства на изменение строения и динамики ледяного покрова в юго-западной части Карского моря // Проблемы Арктики и Антарктики. 2024. Т. 70. № 3. С. 323–337. https://doi.org/10.30758/05552648-2024-70-3-323-337.
- Афанасьева Е. В., Соколова Ю. В., Тихонов В. В., Ермаков Д. М. Проблемы использования данных космической радиолокационной съёмки при решении задачи автоматизации ледового картирования // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 1. С. 9–27. DOI: 10.21046/2070-7401-2024-21-1-9-27.
- Заболотских Е. В., Хворостовский К. С., Животовская М. А. и др. Спутниковое микроволновое зондирование морского льда Арктики: Обзор // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 1. С. 9–34. DOI: 10.21046/2070-7401-2023-20-1-9-34.
- Кутуза Б. Г., Яковлев О. И., Данилычев М. И. Спутниковый мониторинг Земли: Микроволновая радиометрия атмосферы и поверхности. М.: ЛЕНАНД, 2016. 336 с.
- Рашка С., Мирджалили В. Python и машинное обучение: Машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2. 3-е изд. СПб.: ООО «Диалектика», 2020. 848 с.
- Спутниковые методы определения характеристик ледяного покрова морей / под ред. В. Г. Смирнова. СПб.: ААНИИ, 2011. 240 с.
- Тихонов В. В., Раев М. Д., Шарков Е. А. и др. Спутниковая микроволновая радиометрия морского льда полярных регионов: Обзор // Исслед. Земли из космоса. 2016. № 4. С. 65–84. DOI: 10.7868/S0205961416040072.
- Тихонов В. В., Хвостов И. В., Романов А. Н. и др. Особенности собственного излучения Обской губы в L-диапазоне в период ледостава // Исслед. Земли из космоса. 2020. № 3. С. 59–76. DOI: 10.31857/S0205961420030070.
- Тихонов В. В., Алексеева Т. А., Афанасьева Е. В. и др. О возможности определения сплочённости ледяного покрова арктических морей по данным спутника SMOS // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 6. С. 329–335. DOI: 10.21046/2070-7401-2023-20-6-329-335.
- Тихонов В. В., Хвостов И. В., Романов А. Н., Шарков Е. А. Модель собственного микроволнового излучения устьевых областей арктических рек с учетом попадания в пиксель радиометра поверхности суши // Исслед. Земли из космоса. 2024. № 3. С. 16–29. DOI: 10.31857/S0205961424030026.
- Флах П. Машинное обучение: Наука и искусство построения алгоритмов, которые извлекают знания из данных / пер. с англ. А. А. Слинкина. М.: ДМК Пресс, 2015. 400 с.
- Alekseeva T., Tikhonov V., Frolov S. et al. Comparison of arctic sea ice concentrations from the NASA Team, ASI, and VASIA2 algorithms with summer and winter ship data // Remote Sensing. 2019. V. 11. No. 21. Article 2481. 31 p. https://doi.org/10.3390/rs11212481.
- Ali Z. A., Abduljabbar Z. H., Tahir H. A. et al. Exploring the power of eXtreme gradient boosting algorithm in machine learning: A review // Academic J. Nawroz University (AJNU). 2023. V. 12. No. 2. P. 320–334. DOI: 10.25007/ajnu.v12n2a1612.
- Kern S., Lavergne T., Pedersen L. T. et al. Satellite passive microwave sea-ice concentration data set intercomparison using Landsat data // The Cryosphere. 2022. V. 16. No. 1. P. 349–378. https://doi.org/10.5194/tc-16-349-2022.
- Kim S., Kim H. A new metric of absolute percentage error for intermittent demand forecasts // Intern. J. Forecasting. 2016. V. 32. No. 3. P. 669–679. https://doi.org/10.1016/j.ijforecast.2015.12.003.
- Mohri M., Rostamizadeh A., Talwalkar A. Foundations of machine learning. 2nd ed. MIT Press, 2018. 498 p.
- Plevris V., Solorzano G., Bakas N., Ben Seghier M. Investigation of performance metrics in regression analysis and machine learning-based prediction models // Proc. 8th European Congress on Computational Methods in Applied Sciences and Engineering (ECCOMAS Congress 2022). 5–9 June 2022, Oslo, Norway. 2022. 25 p. DOI: 10.23967/eccomas.2022.155.
- Raizer V. Advances in passive microwave remote sensing of oceans. CRC Press, 2017. 262 p.
- Remote sensing of the cryosphere / ed. Tedesco M. Oxford: John Wiley and Sons, 2015. 404 p.
- Shalev-Shwartz S., Ben-David S. Understanding machine learning: From theory to algorithms. Cambridge: Cambridge University Press, 2014. 449 p.
- Wernecke A., Notz D., Kern S., Lavergne T. Estimating the uncertainty of sea-ice area and sea-ice extent from satellite retrievals // The Cryosphere. 2024. V. 18. No. 5. P. 2473–2486. https://doi.org/10.5194/tc-18-2473-2024.