ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2009. В.6. Т.1. С. 373-379

Классификация морских льдов на РСА изображениях спутника ENVISAT

Н.Ю. Захваткина 1, В.Ю. Александров 2, А.А. Коросов 2, О.М. Йоханнессен 2
1 Международный центр по окружающей среде и дистанционному зондированию им. Нансена (Фонд «Нансен-центр») Арктический и антарктический научно-исследовательский институт, 199034, Санкт-Петербург, В.О., 14-я линия, 7, оф. 49 199397, Россия, Санкт-Петербург, ул. Беринга, 38
2 Международный центр по окружающей среде и дистанционному зондированию им. Нансена (Фонд «Нансен-центр»), 199034, Санкт-Петербург, В.О., 14-я линия, 7, оф. 49
Для решения задачи классификации морских льдов на изображениях спутника Envisat,
получаемых усовершенствованной радиолокационной станцией с синтезированной апертурой,
использован алгоритм, основанный на модели нейронных сетей с обратным распространением
ошибки в комбинации с экспертными оценками. Основными входными параметрами
классификации являются удельная эффективная площадь рассеяния морских льдов и
вычисляемые текстурные признаки изображений. Определены оптимальные значения параметров
алгоритма классификации радиолокационных изображений с широкой полосой обзора,
получаемых с ENVISAT - размер скользящего окна и межпиксельное расстояние на стадии
расчета текстурных характеристик. Согласно предварительным оценкам и сравнениям с
результатами визуальной интерпретации тестовых данных ошибка классификации изображений
методом нейронной сети составила 15% для однолетнего ровного, 17% для однолетнего
деформированного и 20% для многолетнего льдов. Разработанный алгоритм был протестирован
на серии изображений морских льдов центральной Арктики.
Ключевые слова: спутник Envisat, радиолокационные изображения высокого разрешения, классификация морского льда, Арктический район, нейронные сети, текстурные признаки
Полный текст

Список литературы:

  1. Йоханнессен О.М., Александров В.Ю., Фролов И.Е., Сандвен С., Петтерссон Л.Х., Бобылев Л.П., Клостер К., Смирнов В.Г., Миронов Е.У., Бабич Н.Г. Научные исследования в Арктике. Том 3. Дистанционное зондирование морских льдов на Северном морском пути: изучение и применение. СПб.: Наука, 2007. - 512 с., ил.
  2. Международная символика для морских ледовых карт и номенклатура морских льдов / Под общей редакцией Б.А. Крутских. Л.: Гидрометеоиздат, 1984. 56 с.
  3. Microwave Remote Sensing of Sea Ice / Ed. F.D. Carsey. Geophysical Monograph 68, American Geophysical Union, Washington, 1992, 462 p.
  4. Александров В.Ю., Пиотровская Н.Ю. Оценка УЭПР морских льдов разного возраста по радиолокационным изображениям спутника Envisat // Исслед. Земли из Космоса, 2008. № 4. С. 3-11.
  5. Hara Y., Atkins R.G., Shin R.T., Kong J.A., Yueh S.H., Kwok R. Application of neural networks to radar image classification // IEEE Tran. on Geos. and Remote Sens. Vol. 32. No. 1. Jan. 1994. Pp. 100-109.
  6. Bogdanov A.V., Sandven S., Johannessen O.M., Alexandrov V.Yu., Bobylev L.P. Multisensor Approach to Automated Classification of Sea Ice // IEEE Tran. on Geos. and Remote Sens. Vol. 43. No. 7. July 2005. Pp. 1648-1664.
  7. Haralick R. M., Shanmugan K., Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man and Cybernetics. Vol. SMC-3. No. 6. Pp. 610-621. Nov. 1973.
  8. Clausi D.A., Jernigam M. Ed. A Fast Method to Determine Co-occurrence Texture Features // IEEE Tran. on Geos. and Remote Sens. Vol. 36. No. 1. Pp. 298-300. January 1998.
  9. Soh L. K., Tsatsoulis C. Texture analysis of SAR sea ice imagery using gray level cooccurrence matrices // IEEE Tran. on Geos. and Remote Sens. Vol. 37. No. 2. Pp. 780-795. Mar. 1999.
  10. Clausi D.A. An analysis of co-occurrence texture statistics as a function of grey level quantization // Canadian Journal of Remote Sensing. Vol. 28. No. 1. 2002. Pp. 45-62.
  11. Прэтт У. Цифровая обработка изображений: Пер. с англ. М: Мир, 1982 - Кн. 2 - 480 с., ил.
  12. Baraldi A., Parmiggiani F. An Investigation of the Textural Characteristics Associated with Gray Level Cooccurrens Matrix Statistical Parameters // IEEE Tran. on Geos. and Remote Sens. Vol. 33. No. 2. Mar. 1995. Pp. 293-304.
  13. Wackerman C.C., Miller D. L. An automated algorithm for sea ice classification in the marginal ice zone using ERS-1 synthetic aperture radar imagery // ERIM, Ann Arbor., MI, Tech. Rep., 1996.
  14. Nystuen J. A., Garcia Jr. F.W. Sea ice classification using SAR backscatter statistics // IEEE Tran. on Geos. and Remote Sens. Vol. 30. No. 3. Pp. 502-509. May 1992.
  15. Holmes Q. A., Nuesch D. R., Shuchman R. A. Textural analysis and real-time classification of sea ice types using digital SAR data // IEEE Tran. on Geos. and Remote Sens. Vol. 22. No. 2. Pp. 113- 120. Mar. 1984.
  16. Shokr M.E. Evaluation of second-order texture parameters for sea ice classification from radar images // J. Geophys. Res. Vol. 96. No. C6. Pp. 10625-10640. Jun. 1991.
  17. Collins M.J., Livingstone C.E., Raney R.K. Discrimination of sea ice in the Labrador marginal ice zone from synthetic aperture radar image texture // Int. J. Remote Sensing. Vol. 18. No. 3. 1997. Pp. 535-571.
  18. Barber D.G., Shokr M.E., Fernandes R. A., Soulis E D., Flett D. G., Le Drew E.F. A comparision of second-order classifiers for SAR sea ice discrimination // Photogram. Eng. Remote Sens. Vol. 59. No. 9. Sep. 1993. Pp. 1397-1408.
  19. Хайкин С. Нейронные сети: полный курс. Второе издание: Пер. с англ. - М.: Издательский дом «Вильямс», 2006. - 1104 с.: ил. - Парал. тит. англ.