Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 3. С. 279-290
Анализ погрешностей определения фенологии ледяного покрова озёр по спутниковым данным MODIS с использованием нейросетей
Г.А. Кочергин 1 , М.А. Куприянов 1 , О.И. Соколков 1 , О.А. Байсалямова 1 , А.М. Золотарева 1 , М.А. Русанов 1 , А.В. Мельников 1 , Ю.М. Полищук 1 1 Югорский НИИ информационных технологий, Ханты-Мансийск, Россия
Одобрена к печати: 13.03.2026
DOI: 10.21046/2070-7401-2026-23-3-279-290
Работа посвящена вопросам оценки погрешностей дистанционного определения показателей ледового режима сезонно замерзающих озёр по снимкам MODIS (англ. Moderate Resolution Imaging Spectroradiometer) на основе нейросетевого подхода. В качестве основных показателей использованы даты начала и окончания процессов замерзания и таяния льда и продолжительность ледового покрова на озёрах. Выполнен анализ современного состояния вопросов точности определения показателей ледового режима озёр по космическим снимкам на основе результатов исследований, проведённых на территориях различных регионов. Для осуществления наших исследований выбраны восемь озёр различных размеров с гидрологическими постами на равнинных территориях Сибири и Южного Урала. Кратко изложены методические вопросы визуального определения показателей ледового режима по снимкам MODIS. Дана характеристика использованных в работе средств нейросетевого подхода к классификации снимков. Приведены результаты исследований, полученные по снимкам MODIS за период 2008–2023 гг. в виде графиков временных рядов пяти показателей ледового режима, определённых нейросетевым и визуальным способом. Сопоставление временных рядов показало, что тренды изменений всех показателей, полученных по снимкам нейросетевым подходом, демонстрируют близость (иногда почти совпадение) с трендами, определёнными визуально, а коэффициенты взаимной корреляции изученных показателей, установленных разными способами, имеют высокие и очень высокие значения. Проведена оценка погрешностей определения показателей ледового режима озёр на основе сравнения с данными гидрологических постов. Показано, что как средняя абсолютная, так и среднеквадратическая ошибка всех исследованных показателей не превышает соответствующих величин, полученных другими исследователями в разных регионах Евразии и Америки, что может служить основанием для заключения о перспективности нейросетевого подхода к определению показателей фенологии ледового режима озёр по снимкам MODIS.
Ключевые слова: сезонно замерзающие озёра, ледовый покров озера, даты замерзания и таяния, продолжительность ледостава, климатические изменения, спутниковые снимки, нейронные сети, погрешности дистанционного измерения
Полный текстСписок литературы:
- Кашницкий А. В., Лупян Е. А. Архив информационных продуктов о частоте наблюдения типов поверхности на основе данных спутников Sentinel-2 и возможности его применения // Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 2. С. 335–342. DOI: 10.21046/2070-7401-2025-22-2-335-342.
- Кочергин Г. А., Полищук Ю. М., Куприянов М. А. и др. Дистанционное исследование климатических воздействий на продолжительность ледового покрова озер Сибири // Материалы Международ. симп. «Инженерная экология — 2025». М.: Московское научно-техн. об-во радиотехники, электроники и связи им. А. С. Попова, 2025. С. 126–130.
- Al-Ganess M. A. A., Wu G., Al-Alimi D. MGCET: MLP-mixer and graph convolutional enhanced transformer for hyperspectral image classification // Remote Sensing. 2024. V. 16. Iss. 16. Article 2892. DOI: 10.3390/rs16162892.
- Baetens L., Desjardins C., Hagolle O. Validation of Copernicus Sentinel-2 cloud masks obtained from MAJA, Sen2Cor, and FMask processors using reference cloud masks generated with a supervised active learning procedure // Remote Sensing. 2019. V. 11. Iss. 4. Article 433. DOI: 10.3390/rs11040433.
- Dosovitskiy A., Beyer L., Kolesnikov A. et al. An image is worth 16×16 words: Transformers for image recognition at scale // Proc. 9th Intern. Conf. on Learning Representations (ICLR, 2021). 2020. 21 p.
- Feyisa G. L., Meilby H., Fensholt R., Proud S. R. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery // Remote Sensing of Environment. 2014. V. 140. P. 23–35. DOI: 10.1016/j.rse.2013.08.029.
- Giroux-Bougard X., Fluet-Chouinard E., Crowley M. A. et al. Multi-sensor detection of spring breakup phenology of Canada’s lakes // Remote Sensing of Environment. 2023. V. 295. Article 113656. DOI: 10.1016/j.rse.2023.113656.
- Grandidni M., Bagli E., Visani G. Metrics for multi-class classification: An overview // https://arxiv.org/. arXiv:2008.05756. 2020. 17 p. DOI: 10.48550/arXiv.2008.05756.
- Hampton S. E., Powers S. M., Dugan H. A. et al. Environmental and societal consequences of winter ice loss from lakes // Science. 2024. V. 386. Iss. 6718. Article eadl3211. 11 p. DOI: 10.1126/science.adl3211.
- He X., Andreadis K. M., Roy A. H. et al. Modeling daily ice cover in northern hemisphere lakes with a long short-term memory neural network // Geophysical Research Letters. 2025. V. 52. Iss. 12. Article e2024GL113544. DOI: 10.1029/2024GL113544.
- Liu C., Huang H., Hui F. et al. Fine-resolution mapping of Pan-Arctic lake ice-off phenology based on dense Sentinel-2 time series data // Remote Sensing. 2021. V. 13. Iss. 14. Article 2742. DOI: 10.3390/rs13142742.
- Pletcher A., Cooley S. W., Levenson E. Observing fine‐scale lake ice‐out dynamics in the Lower Kuskokwim River Basin, Alaska // Hydrological Processes. 2025. V. 39. Iss. 11. Article e70309. 14 p. DOI: 10.1002/hyp.70309.
- Shi X., Cheng J., Yang Q. et al. Variations of lake ice phenology derived from MODIS LST products and the influencing factors in Northeast China // Remote Sensing. 2024. V. 16. Iss. 21. Article 4025. DOI: 10.3390/rs16214025.
- Skoglund S. K., Bah A. R., Norouzi H. et al. Approximation of ice phenology of Maine lakes using Aqua MODIS surface temperature data // Ecosphere. 2024. V. 15. Iss. 9. Article e70000. 16 p. DOI: 10.1002/ecs2.70000.
- Tuttle S. E., Roof S. R., Retelle M. J. et al. Evaluation of satellite-derived estimates of lake ice cover timing on Linnévatnet, Kapp Linné, Svalbard using in-situ data // Remote Sensing. 2022. V. 14. Iss. 6. Article 1311. DOI: 10.3390/rs14061311.
- Verpoorter C., Kutser T., Seekell D. A., Tranvik L. J. A global inventory of lakes based on high‐resolution satellite imagery // Geophysical Research Letters. 2014. V. 41. Iss. 18. P. 6396–6402. DOI: 10.1002/2014GL060641.
- Walter Anthony K., Schneider T., Nitze I. et al. 21st-century modeled permafrost carbon emissions accelerated by abrupt thaw beneath lakes // Nature Communications. 2018. V. 9. Article 3262. DOI: 10.1038/s41467-018-05738-9.
- Wang X., Feng L., Qi W. et al. Continuous loss of global lake ice across two centuries revealed by satellite observations and numerical modeling // Geophysical Research Letters. 2022. V. 49. Iss. 12. Article e2022GL099022. 9 p. DOI: 10.1029/2022GL099022.
- Webb E. E., Liljedahl A. K. Diminishing lake area across the northern permafrost zone // Nature Geoscience. 2023. V. 16. pp. 202–209. DOI: 10.1038/s41561-023-01128-z.
- Xing W., Smith J., Gavrielides M. et al. Nautilus: A precision-guided open data architecture for big omics data analysis // 2nd Intern. Conf. on Artificial Intelligence and Big Data (ICAIBD, 2019). IEEE, 2019. 8 p. DOI: 10.1109/ICAIBD.2019.8836977.
- Zhang S., Pavelsky T. M. Remote sensing of lake ice phenology across a range of lakes sizes, ME, USA // Remote Sensing. 2019. V. 11. Iss. 14. Article 1718. DOI: 10.3390/rs11141718.