Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 6. С. 241-259
Данные радиометра MIRAS спутника SMOS для оценки сплочённости морского ледяного покрова
Ю.В. Соколова
1 , В.В. Тихонов
1, 2, 3 , Д.Р. Катамадзе
, Т.А. Алексеева
2, 1 , Е.В. Афанасьева
2, 1 , И.В. Хвостов
3 , А.Н. Романов
3 1 Институт космических исследований РАН, Москва, Россия
2 Арктический и антарктический научно-исследовательский институт, Санкт-Петербург, Россия
3 Институт водных и экологических проблем СО РАН, Барнаул, Россия
Одобрена к печати: 26.09.2025
DOI: 10.21046/2070-7401-2025-22-6-241-259
Рассматривается возможность применения низкочастотных данных микроволнового радиометра MIRAS (англ. Microwave Imaging Radiometer using Aperture Synthesis) спутника SMOS (англ. Soil Moisture and Ocean Salinity) для оценки сплочённости морского льда (СМЛ). Для расчёта сплочённости использован метод машинного обучения XGBoost (англ. eXtreme Gradient Boosting), результаты которого сравнивались с данными Арктического и антарктического научно-исследовательского института (ААНИИ), а также с результатами наиболее распространённых алгоритмов обработки данных микроволновых радиометров AMSR-2 (англ. Advanced Microwave Scanning Radiometer 2) и SSMIS (англ. Special Sensor Microwave Imager/Sounder). Проведённый анализ показал, что в зимний период алгоритм, основанный на данных SMOS, обеспечивает точность, сопоставимую или превосходящую результаты высокочастотных алгоритмов, демонстрируя устойчивость к изменчивости излучательной способности льда и метеорологическим условиям. В летний период характерен рост ошибок у всех алгоритмов: для высокочастотных — вследствие наличия талой воды на поверхности льда, для низкочастотного — из-за прозрачности льда толщиной менее 50 см в L-диапазоне. Дополнительно выявлены ложные повышения СМЛ в безлёдный сезон, связанные с отсутствием погодных фильтров в алгоритме машинного обучения. Полученные результаты подтверждают перспективность использования низкочастотных измерений радиометра MIRAS спутника SMOS в задачах мониторинга ледяного покрова, при этом наибольшая эффективность может быть достигнута при совместном применении с данными высокочастотных радиометров AMSR-2 и SSMIS.
Ключевые слова: сплочённость морского льда, спутниковая микроволновая радиометрия, машинное обучение, Арктика, SMOS
Полный текстСписок литературы:
- Алексеева Т. А., Афанасьева Е. В., Соколова Ю. 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. 30–45. DOI: 10.31857/S0205961422050037.
- Афанасьева Е. В., Алексеева Т. А., Соколова Ю. В. и др. Методика составления ледовых карт ААНИИ // Российская Арктика. 2019. № 7. С. 5–20. DOI: 10.24411/2658-4255-2019-10071.
- 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.
- 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., 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., Катамадзе Д. Р., Алексеева Т. А. и др. (2024а) Анализ сплочённости ледяного покрова в Карском море по данным радиометра MIRAS спутника SMOS с использованием методов машинного обучения // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 6. С. 344–355. DOI: 10.21046/2070-7401-2024-21-6-344-355.
- Тихонов В. В., Хвостов И. В., Романов А. Н. и др. (2024б) 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.
- 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. DOI: 10.3390/rs11212481.
- Andersen S., Tonboe R., Kern S., Schyberg H. Improved retrieval of sea ice total concentration from spaceborne passive microwave observations using numerical weather prediction model fields: An intercomparison of nine algorithms // Remote Sensing of Environment. 2006. V. 104. No. 4. P. 374–392. DOI: 10.1016/j.rse.2006.05.013.
- Comiso J. C. Characteristics of Arctic winter sea ice from satellite multispectral microwave observations // J. Geophysical Research: Oceans. 1986. V. 91. No. C1. P. 975–994. DOI: 10.1029/JC091iC01p00975.
- Comiso J. C. SSM/I sea ice concentrations using the Bootstrap algorithm. Greenbelt, Maryland: Goddard Space Flight Center, NASA, 1995. 57 p.
- Comiso J. C., Cavalieri D. J., Markus T. Sea ice concentration, ice temperature, and snow depth using AMSR-E data // IEEE Trans. Geoscience and Remote Sensing. 2003. V. 41. No. 2. P. 243–252. DOI: 10.1109/TGRS.2002.808317.
- Copernicus Imaging Microwave Radiometer (CIMR) Mission Requirements Document. Iss. 5. Earth and Mission Science Division, 2023. 269 p.
- Gabarró C., Gupta M. Inter-comparison of high and low microwave frequency sea ice concentration algorithms. OSI SAF Visiting Scientist Activity Report AVS_2017_05. EUMETSAT OSI SAF, 2018. 31 p.
- Gabarro C., Turiel A., Elosegui P. et al. New methodology to estimate Arctic sea ice concentration from SMOS combining brightness temperature differences in a maximum-likelihood estimator // The Cryosphere. 2017. V. 11. No. 4. P. 1987–2002. DOI: 10.5194/tc-11-1987-2017.
- Global Sea Ice Concentration (AMSR2) (2017a). EUMETSAT OSI SAF, 2017. DOI: 10.15770/EUM_SAF_OSI_NRT_2023.
- Global Sea Ice Concentration (netCDF) — DMSP (2017b). EUMETSAT SAF on Ocean and Sea Ice, 2017. DOI: 10.15770/EUM_SAF_OSI_NRT_2004.
- Hersbach H., Bell B., Berrisford P. et al. ERA5 hourly data on single levels from 1940 to present. Copernicus Climate Change Service (C3S) Climate Data Store (CDS), 2023. DOI: 10.24381/cds.adbb2d47.
- Hwang P. A. Foam and roughness effects on passive microwave remote sensing of the ocean // IEEE Trans. Geoscience and Remote Sensing. 2012. V. 50. No. 8. P. 2978–2985. DOI: 10.1109/TGRS.2011.2177666.
- Ivanova N., Pedersen L. T., Tonboe R. T. et al. Inter-comparison and evaluation of sea ice algorithms: towards further identification of challenges and optimal approach using passive microwave observations // The Cryosphere. 2015. V. 9. No. 5. P. 1797–1817. DOI: 10.5194/tc-9-1797-2015.
- Kaleschke L., Maaß N., Haas C. et al. A sea-ice thickness retrieval model for 1.4 GHz radiometry and application to airborne measurements over low salinity sea-ice // The Cryosphere. 2010. V. 4. No. 4. P. 583–592. DOI: 10.5194/tc-4-583-2010.
- Kaleschke L., Tian-Kunze X., Maaß N. et al. Sea ice thickness retrieval from SMOS brightness temperatures during the Arctic freeze-up period // Geophysical Research Letters. 2012. V. 39. No. 5. Article L05501. 5 p. DOI: 10.1029/2012GL050916.
- Kern S., Lavergne T., Notz D. et al. Satellite passive microwave sea-ice concentration data set intercomparison: closed ice and ship-based observations // The Cryosphere. 2019. V. 13. No. 12. P. 3261–3307. DOI: 10.5194/tc-13-3261-2019.
- Kilic L., Prigent C., Aires F. et al. Ice concentration retrieval from the analysis of microwaves: A new methodology designed for the Copernicus Imaging Microwave Radiometer // Remote Sensing. 2020. V. 12. No. 7. Article 1060. 14 p. DOI: 10.3390/rs12071060.
- Kwok R., Comiso J. C., Martin S., Drucker R. Ross Sea polynyas: Response of ice concentration retrievals to large areas of thin ice // J. Geophysical Research: Oceans. 2007. V. 112. No. C12. Article C12012. 13 p. DOI: 10.1029/2006JC003967.
- Lu J., Heygster G., Spreen G. Atmospheric correction of sea ice concentration retrieval for 89 GHz AMSR-E observations // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2018. V. 11. No. 5. P. 1442–1457. DOI: 10.1109/JSTARS.2018.2805193.
- Lu J., Scarlat R., Heygster G., Spreen G. Reducing weather influences on an 89 GHz sea ice concentration algorithm in the Arctic using retrievals from an optimal estimation method // J. Geophysical Research: Oceans. 2022. V. 127. No. 9. Article e2019JC015912. 31 p. DOI: 10.1029/2019JC015912.
- Lubin D., Massom R. Polar remote sensing. V. I: Atmosphere and oceans. Berlin, Heidelberg: Springer, 2006. 756 p. DOI: 10.1007/3-540-30785-0.
- Meier W. N., Fetterer F., Windnagel A. K., Stewart J. S. NOAA/NSIDC Climate Data Record of Passive Microwave Sea Ice Concentration. Version 4. Boulder, Colorado, USA: National Snow and Ice Data Center, 2021. DOI: 10.7265/EFMZ-2T65.
- Oliva R., Daganzo E., Richaume P. et al. Status of Radio Frequency Interference (RFI) in the 1400–1427 MHz passive band based on six years of SMOS mission // Remote Sensing of Environment. 2016. V. 180. P. 64–75. DOI: 10.1016/j.rse.2016.01.013.
- Paţilea C., Heygster G., Huntemann M., Spreen G. Combined SMAP – SMOS thin sea ice thickness retrieval // The Cryosphere. 2019. V. 13. No. 2. P. 675–691. DOI: 10.5194/tc-13-675-2019.
- Pedersen L. T. Retrieval of sea ice concentration by means of microwave radiometry: PhD thesis. Denmark: Electromagnetics Institute, 1991. 148 p.
- Ricker R., Hendricks S., Kaleschke L. et al. A weekly Arctic sea-ice thickness data record from merged CryoSat-2 and SMOS satellite data // The Cryosphere. 2017. V. 11. No. 4. P. 1607–1623. DOI: 10.5194/tc-11-1607-2017.
- Rückert J. E., Rostosky P., Huntemann M. et al. Sea ice concentration satellite retrievals influenced by surface changes due to warm air intrusions: A case study from the MOSAiC expedition // Elementa: Science of the Anthropocene. 2023. V. 11. No. 1. 22 p. DOI: 10.1525/elementa.2023.00039.
- Schmitt A. U., Kaleschke L. Consistent combination of brightness temperatures from SMOS and SMAP over polar oceans for sea ice applications // Remote Sensing. 2018. V. 10. No. 4. Article 553. 20 p. DOI: 10.3390/rs10040553.
- Shokr M., Sinha N. Sea ice: Physics and remote sensing. Hoboken, New Jersey: American Geophysical Union, John Wiley and Sons, Inc., 2015. 579 p. DOI: 10.1002/9781119028000.
- Spreen G., Kaleschke L., Heygster G. Sea ice remote sensing using AMSR-E 89-GHz channels // J. Geophysical Research: Oceans. 2008. V. 113. No. C2. Article C02S03. 14 p. DOI: 10.1029/2005JC003384.
- Tian-Kunze X., Kaleschke L., Maaß N. et al. SMOS-derived thin sea ice thickness: algorithm baseline, product specifications and initial verification // The Cryosphere. 2014. V. 8. No. 3. P. 997–1018. DOI: 10.5194/tc-8-997-2014.
- Tonboe R. T., Nandan V., Mäkynen M. et al. Simulated geophysical noise in sea ice concentration estimates of open water and snow-covered sea ice // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2022. V. 15. P. 1309–1326. DOI: 10.1109/JSTARS.2021.3134021.