Автоматизированная классификация спутниковых РСА-изображений для целей мониторинга ледового покрова арктических морей тема диссертации и автореферата по ВАК РФ 11.00.11, кандидат географических наук Богданов, Андрей Владимирович

• Богданов, Андрей Владимирович
• кандидат географических наук
• 2000

Оглавление диссертации кандидат географических наук Богданов, Андрей Владимирович

ВВЕДЕНИЕ.

ГЛАВА 1. МОНИТОРИНГ ЛЕДЯНОГО ПОКРОВА ПРИ ПОМОЩИ СПУТНИКОВЫХ

РАДИОЛОКАТОРОВ С СИНТЕЗИРОВАННОЙ АПЕРТУРОЙ (PCА).

1.1. Основные принципы и проблемы дистанционного зондирования морских льдов.

1.2. Основные виды морских льдов и их радиолокационные сигнатуры.

1.3. Применение РСА для мониторинга ледяного покрова.

1.3.1. Основные принципы работы РСА.

1.3.2. Радиометрическая, калибровка спутниковых радиолокационных изображений. Определение УЗПР по РЛ-изображениям.

1.3.3. Применение спутниковых радиолокаторов для мониторинга ледяного покрова.

1.4. Основные проблемы и подходы к автоматической классификации морского льда.

1.5. Выводы по главе 1.

ГЛАВА 2. ИССЛЕДОВАНИЕ АВТОМАТИЧЕСКОГО АЛГОРИТМА КЛАССИФИКАЦИИ МОРСКИХ ЛЬДОВ, ОСНОВАННОГО НА ЛИНЕЙНОМ ДИСКРИМИНАНТНОМ АНАЛИЗЕ С ИСПОЛЬЗОВАНИЕМ ТЕКСТУРНЫХ ПРИЗНАКОВ И СТАТИСТИЧЕСКИХ МОМЕНТОВ ЯРКОСТИ РСА ИЗОБРАЖЕНИЯ.

2.1. Описание автоматического алгоритма классификации морских льдов, основанного на линехнюм дискриминантном анализе.

2.2. Текстурные признаки и статистические моменты яркости РСА изображения.

2.3. Спутниковые данные и наземные наблюдения.

2.3.1. Спутниковые РСА изображения и наземные наблюдения, полученные в ходе проведения эксперимента SIZEX 92.

2.3.2. Наземные наблюдения и спутниковые РЛ-изображения, полученные в ходе выполнения проекта ''Ice Routes".

2.4. Оценка вклада текстурных признаков и статистических моментов яркости РСА изображения в разделение классов морского льда.

2.4.1. Применение пошагового дискриминантного анализа для выбора наиболее информативных признаков при разделении классов морского льда.

2.4.2. Результаты классификации выборок с различными наборами признаков РСА изображений.Н

2.4.3. Применение канонического корреляционного анализа для оценки вклада признаков в разОеление классов морского льОа.

2.5. Тестирование работы алгоритма и обсуждение результатов классификации.

2.6. Выводы по главе 2.

ГЛАВА 3. АВТОМАТИЗИРОВАННЫЙ АЛГОРИТМ КЛАССИФИКАЦИИ МОРСКИХ ЛЬДОВ, ОСНОВАННЫЙ НА МОДЕЛИ МНОГОСЛОЙНОЙ НЕЙРОННОЙ СЕТИ (МНС) С ИСПОЛЬЗОВАНИЕМ ТЕКСТУРНЫХ ПРИЗНАКОВ И СТАТИСТИЧЕСКИХ

МОМЕНТОВ ЯРКОСТИ РСА ИЗОБРАЖЕНИЯ.

3.1. Требования, предъявляемые к автоматическому алгоритму классификации морского льда, и обоснование выбора к лассификатора.

3.2. Описание автоматического алгоритма классификации морского льда.

3.3. Модель многослойной нейронной сети.

3.4. Выбор параметров многослойной нейронной сети.

3.5. Тестирование работы нейросетевого алгоритма и обсуждение результатов классификации.

3.6. Выводы по главе 3.

ГЛАВА 4. СРАВНЕНИЕ РЕЗУЛЬТАТОВ КЛАССИФИКАЦИИ МОРСКИХ ЛЬДОВ ПРИ

ПОМОЩИ МНС И ЛДА АЛГОРИТМОВ.

4.1. Сравнение результатов классификации сданными наземных наблюдений.

4.2. Сравнение результатов классификации РСА изображений ERS и RADARSAT.

4.3. Сравнение результатов автоматической классификации с результатами экспертной классификации.

4.4. Выводы по главе 4.

Введение диссертации (часть автореферата) на тему «Автоматизированная классификация спутниковых РСА-изображений для целей мониторинга ледового покрова арктических морей»

Применение спутниковых радиолокаторов для мониторинга земной поверхности началось в конце 70-х начале 80-х годов с запуском американского искусственного спутника Земли (ИСЗ) "Беаза!:" и советского ИСЗ "Океан". Радиолокационные станции (РЛС), установленные на борту этих спутников, позволили получать изображения подстилающей поверхности независимо от условий освещенности и наличия облачности. Высокое пространственное разрешение радиолокатора с синтезированной апертурой (РСА), установленного на борту ИСЗ "БеазаГ, и широкая полоса обзора РЛС бокового обзора (БО) ИСЗ "Океан" позволяли использовать спутниковые РЛС для решения широкого круга задач дистанционного зондирования (ДЗ) поверхности Земли. Практическая и научная ценность получаемых спутниковых данных определили дальнейшую эксплуатацию ИСЗ серии "Океан" и разработку новых РЛС как в России, так и за рубежом.

Одним из практических применений спутниковых РЛС является мониторинг ледяного покрова морей Арктики и Антарктики. Оперативная информация высокого разрешения о состоянии, дрейфе ледяного покрова, получаемая на основе данных спутниковых РЛС, используется для обеспечения навигации в ледовых условиях, проведения работ по разведке и добыче нефти и газа на шельфе замерзающих морей, прокладки подводных трубопроводов и при решении других практических задач. В научных целях данные спутниковых РЛС могут быть использованы при исследованиях физических закономерностей образования, динамики и метаморфизма морских льдов; а также при наблюдении за сезонными и межгодовыми изменениями общей площади ледяного покрова. Наличие льда на поверхности океана существенно изменяет теплообмен между атмосферой и океаном, поэтому данные о распределении морского льда, полученные с помощью спутниковых РЛС, могут использоваться при моделировании взаимодействий атмосферы и океана.

В процессе дешифрирования радиолокационных (PJI) изображений может быть определён целый ряд важных параметров, характеризующих состояние ледяного покрова. К числу таких характеристик относится возраст морского льда, сплоченность, вектора дрейфа, торосистость. По результатам дешифрирования составляется ледовая карта, на которой детали ледовой обстановки отображаются принятыми условными обозначениями. В настоящее время интерпретация РЛ-изображений обычно выполняется опытным специалистом в интерактивном режиме. При визуальном дешифрировании PJl-изображений морских льдов, кроме средних значений яркости участков РЛ-изображений, принимается во внимание целый ряд дополнительных факторов: тональная структура изображений, форма и размеры ледовых образований, их относительное расположение и другие признаки [9]. Учёт особенностей ледового режима конкретного географического района, метеорологические данные, наземные наблюдения и спутниковые данные, полученные в других диапазонах длин волн и на различных поляризациях, помогают повысить достоверность интерпретации спутниковых РЛ-изображений морского льда.

Экспертное дешифрирование РЛ-изображений является довольно трудоемким процессом, требующим больших затрат времени, особенно, если необходима высокая степень детализации составляемых ледовых карт. На сегодняшний день РЛС, установленные на борту космических аппаратов (КА): "Океан", ERS, RADARSAT, обеспечивают большие объемы передаваемой информации, которые ещё более возрастут с запуском европейского КА ENVISAT и российского КА "Ресурс-Арктика". Для своевременной обработки потоков получаемой информации и представления ее в виде необходимом потребителям (ледовые карты) требуется разработка специальных автоматических алгоритмов классификации морского льда. При автоматической обработке РЛ-изображений возможно более полное использование информации, содержащейся в РЛ-изображениях, полученных на различных длинах волн и при различных поляризациях зондирующего излучения. Последнее преимущество автоматических методов классификации становится особенно актуальным в связи с планируемым запуском КА ENVISAT и "Ресурс-Арктика". PC А, установленные на борту этих спутников позволят получать многополяризационные PJI-изображения подстилающей поверхности. Весьма перспективным является синергетическое использование данных спутниковых РЛС, микроволновых радиометров и оптических сканирующих устройств в автоматической процедуре классификации.

Применение автоматических алгоритмов классификации PJI-изображений также вызвано необходимостью снижения размеров файлов передаваемых потребителям при условии сохранения необходимой степени детализации передаваемой информации. Для передачи информации о состоянии ледяного покрова на суда, находящиеся на трассе Северного Морского Пути (СМП), обычно используются спутниковые каналы связи (например, спутниковая система INMARSAT). Относительно высокие тарифы на передачу информации и нестабильность работы системы INMARSAT в высоких широтах накладывает ограничения на размер передаваемых файлов. В ходе исследовательских экспедиций [27] на судах Мурманского Морского Пароходства (ММП) размер передаваемых файлов не превышал 100-200 Кбайт, между тем размер файла РСА изображения высокого разрешения КА ERS составляет около 100 Мбайт. Классификация PJI-изображений и представление информации о состоянии ледяного покрова в векторном формате данных позволяет существенно уменьшить размеры предаваемых файлов.

Появление мощных компьютеров и современных математических методов ускорило процесс разработки и тестирования автоматических алгоритмов классификации ледяного покрова. В последние годы было предложено несколько автоматических алгоритмов, например [51, 98]. Однако большинство из предложенных алгоритмов находятся на стадии тестирования и не используются для классификации морских льдов в оперативном режиме, и только некоторые из них внедрены в практику [35].

При эксплуатации автоматические алгоритмы классификации морского льда могут являться частью автоматизированной комплексной системы получения, хранения и обработки спутниковой информации. Примером может служить система, разработанная в Центре по обработке РСА информации в г. Фэрбанкс, США (Alaska SAR Facility), применяемая в оперативном режиме [67, 68]. Комплекс программ данной системы включает автоматический алгоритм классификации морских льдов, основанный на табличных значениях удельной эффективной площади рассеяния (УЭПР). Использование в процедуре классификации только одного признака PJI-изображения - величины УЭПР морского льда ограничивает число различаемых типов льдов до 4х: многолетний лед, торосистый однолетний лед, ровный однолетний лед и класс, объединяющий воду и начальные виды льда в зимний период. Качество распознавания указанных классов не всегда удовлетворительно [47]. Наибольшая точность классификации обеспечивается при разделении ровного однолетнего и многолетнего льда. Разработанный метод применим в основном ко льдам, находящимся в центральной части ледовых массивов, и не пригоден для классификации морских льдов прикромочных зон, где наблюдается большое разнообразие льдов различных форм, возрастных градаций и степени торосистости. Используемые таблицы значений УЭПР применимы для льдов Канадского и Аляскинского районов Арктического бассейна. Для классификации морских льдов других районов Арктики требуется коррекция табличных значений УЭПР.

Целью дальнейшего совершенствования автоматических алгоритмов классификации морского льда является увеличение точности классификации, расширение географических границ применимости алгоритмов, увеличение числа различаемых классов морского льда. Решение этих задач осуществляется с привлечением современных математических методов, таких как модели нейронных сетей, экспертные системы, теория нечетких множеств. Происходит также совершенствование алгоритмов сегментации изображений, вовлечение дополнительной информации в процедуру автоматической классификации, использование дополнительных признаков РСА изображений в автоматической процедуре классификации. К их числу относятся текстурные признаки и статистические моменты функции плотности распределения яркости на участке РЛ-изображения.

Текстура изображения определяется статистическими взаимосвязями значений соседних пикселей РЛ-изображения, что выражается в виде характерного "рисунка" или "узора", воспринимаемого глазом при визуальном анализе изображения. Характер текстуры, соответствующей различным типам льда, может быть весьма разнообразен. Это может быть матовая, зернистая, пятнистая, дендритовая текстура. Физические механизмы, определяющие тот или иной вид текстуры, ещё до конца не изучены. По всей видимости, текстура РЛ-изображения определяется особенностями формирования ледяного покрова, его развития, состоянием поверхности и другими факторами. Текстура РЛ-изображения также зависит от поляризации, длины волны и угла падения приходящего к поверхности океана зондирующего излучения [89]. Для численных оценок текстуры применяются текстурные признаки [50], вычисляемые на анализируемом участке РЛ-изображения. Среди различных групп таких признаков выделяются признаки, вычисляемые на основе матрицы совместной вероятности (МСВ). Главным достоинством текстурных признаков является высокая вероятность правильного распознавания классифицируемых РЛ-сигнатур и быстрота их вычислений [4].

В ряде работ [55, 92, 31, 88, 75, 98] было проведено исследование текстурных признаков и статистических моментов яркости РСА изображения второго и более высоких попядков для увеличения вероятности правильного распознавания морских льдов. Однако в 8 настоящее время нет единого мнения об информативности данных признаков в разделении классов морского льда. Некоторые авторы утверждают, что разделение морских льдов в процедуре автоматической классификации может быть улучшено путем применения текстурных признаков, по сравнению со случаем применения только значений УЭПР [31, 88]. Наряду с этим, высказывается мнение, что основной вклад вносят статистические признаки [75, 98].

Набор данных признаков (вектор признаков) вычисляется для участка РЛ-изображения и подаётся на вход классификатора, который определяет принадлежность данного вектора (участка изображения) к классу морского льда. В процедуре классификации традиционно используются статистические методы, такие как метод максимума функции правдоподобия, метод минимума расстояния и др. Препятствием для использования текстурных признаков и статистических моментов второго и более высоких порядков на оперативной основе недостаточная изученность данных признаков [68].

В последние годы технологии искусственного интеллекта находят широкое применение при обработке данных дистанционного зондирования (ДЗ) подстилающей поверхности. Такими алгоритмами, в частности, являются модели нейронных сетей (НС), (см. обзорные статьи [30, 7]). НС обладают рядом преимуществ перед традиционно используемыми статистическими классификаторами. В частности, НС обладают более обобщенными формами функционала при построении аппроксимации неизвестных функций, что позволяет эффективно их использовать для автоматической классификации РЛ-изображений, которые не использовались для обучения алгоритма классификации. Нейросетевые алгоритмы показывают лучшие результаты при наличии шумов и, в частности, при наличии спекл-шума в данных РСА, ухудшающего результаты их интерпретации. При неполноте обучающей выборки (что часто имеет место на практике) НС также обладает преимуществом, по 9 сравнению с традиционно используемыми статистическими классификаторами. Обученные НС имеют более высокое быстродействие (особенно если используются специальные процессоры), что позволяет использовать их для обработки больших массивов информации.

НС уже получили применение и для классификации морских льдов, в том числе и с помощью спутниковых РСА. Однако число таких работ весьма ограничено. Нейронная сеть (pulse-coupled Neural Network) была предложена для обнаружения границы льдов, сегментации и классификации изображений льдов в Балтийском море, однако количественных оценок точности классификации не было приведено [64]. Самоорганизующаяся нейронная сеть ("нейронный газ") была использована в проекте "Ice Routes" для автоматизированной классификации РСА изображений RADARSAT, но результаты её применения оказались хуже, чем результаты применения стандартного статистического алгоритма классификации [43]. В настоящее время вопрос о применимости нейронных сетей для классификации морских льдов по спутниковым РСА изображениям остаётся открытым и данной работой автор намеревается восполнить этот пробел.

В данной работе предложен новый алгоритм классификации морских льдов по спутниковым PJI-изображениям. Алгоритм основывается на модели нейронной сети с обратным распространением ошибок и использует текстурные признаки, а также статистические моменты яркости на участке РЛ-изображения в качестве входных параметров алгоритма. Нейронная сеть была обучена специально для классификации морских льдов Карского и Баренцева моря. Тренировка и тестирование алгоритма проводилась с использованием спутниковых данных и наземных наблюдений, полученных в ходе экспедиции на атомном ледоколе ММП в Баренцево и Карское моря в апреле-мае 1998 года. Результаты применения данного метода сравнивались с результатами автоматической классификации при помощи алгоритма, основанного на стандартном линейном дискриминантном анализе (ЛДА).

Цели и задачи исследования

Основной целью настоящей работы является разработка алгоритма автоматической классификации морских льдов по их спутниковым РСА изображениям. В ходе выполнения работы решены следующие задачи: . Исследована эффективность совместного использования статистических моментов яркости на участке РЛ-изображения второго и более высоких порядков и текстурных признаков в дополнение к средним значениям яркости для улучшения точности автоматической классификации морских льдов; Осуществлён выбор наиболее информативных признаков РЛ-изображений для разделения классов морских льдов с применением многомерного статистического анализа; . Определена топология и выбраны параметры НС. Осуществлено обучение многослойной НС с использованием набора наиболее информативных входных признаков и на этой основе разработан автоматический алгоритм классификации морских льдов по спутниковым РСА изображениям; . Проведено сравнение результатов классификации, выполненной с помощью разработанного автоматического алгоритма, с результатами применения алгоритма классификации, основанного на линейном дискриминантном анализе; . Осуществлено тестирование и сравнение полученных результатов автоматической классификации с экспертными оценками и натурными наблюдениями; Выполнено картирование морских льдов Баренцева и Карского морей с использованием разработанного алгоритма автоматической классификации морских льдов.

Акту альн ост ъ работ ы

Актуальность проведённого исследования обусловливается необходимостью оперативной интерпретации возрастающих объёмов данных РЛ-зондирования ледяного покрова в интересах охраны окружающей среды, океанографии и навигации. Автоматическая классификация РЛ-изображений направлена на получение в оперативном режиме готового информационного продукта - ледовой карты, которая может быть непосредственно использована для решения конкретных задач мониторинга морских льдов. Использование процедур автоматической классификации увеличивает эффективность системы мониторинга окружающей среды, повышает производительность труда операторов, проводящих обработку спутниковой информации, уменьшает время, затрачиваемое на обработку РСА изображений. Последнее преимущество является особенно важным при решении оперативных задач, связанных с предотвращением и устранением последствий аварий, разливов нефти, а также при выборе курса судна в ледовых условиях.

В настоящее время, когда прекратилась авиационная ледовая разведка, спутниковые РСА изображения и информация, получаемая на их основе, позволяют заменить традиционные источники информации о состоянии ледяного покрова. Использование РСА данных оказывается экономически более выгодным, чем использование авиационных методов ДЗ. Шагом вперёд можно считать попытки использования РЛ-изображений высокого разрешения для оперативного выбора курса судна в тяжелых ледовых условиях. В настоящее время для таких целей используется вертолётная ледовая разведка с борта ледокола, которая сопряжена с большим риском для жизни пилотов и гидрологов, её эффективность часто ограничивается погодными условиями.

Методы исследования и используемое программное обеспечение

В настоящем диссертационном исследовании использовались методы многомерного статистического анализа: линейный дискриминантный анализ, пошаговый дискриминантный анализ и канонический корреляционный анализ в виде модулей пакета программ "Statistica". В процессе предварительной обработки РСА изображений использовались как традиционные методы улучшения качества изображений (фильтрация, улучшение контраста изображений), так и специфичные для спутниковых РСА изображений процедуры обработки (нормировка на дальность и диаграмму антенны). При этом использовалось программное обеспечение, разработанное в Центре по окружающей среде и дистанционному зондированию им. Нансена (г. Берген, Норвегия). Географическая привязка РСА изображений, их трансформация в географическую проекцию, наложение на изображение контура береговой черты, координатной сетки, линий отмечающих маршрут экспедиции, границ полигонов и другие операции выполнялись с использованием специализированного пакета обработки данных дистанционного зондирования ER Mapper (версия 5.0).

Разработанный алгоритм классификации ледяного покрова использует технологии искусственного интеллекта, в частности, модель многослойной НС. Обучение и реализация НС выполнялись на основе пакета программ SNNS (версия 4.2), разработанного в Штутгартском и Тюбингенском университетах. Результаты применения нейросетевого алгоритма сравнивались с результатами работы алгоритма автоматизированной классификации, основанного на линейном дискриминантном анализе (ЛДА), разработанного К. Ваккерманом и Д. Миллером в Мичиганском институте исследования окружающей среды (США). При написании диссертации автор придерживался принятой стандартизированной ледовой терминологии и условных обозначений в соответствии с действующей номенклатурой Всемирной метеорологической организации (ВМО).

Личный вклад автора

Настоящая работа продолжает цикл ледовых исследований, проводимых в "Нансен-Центрах" в Бергене (Норвегия) и Санкт-Петербурге. В ходе выполнения работы автором проведён анализ существующих алгоритмов автоматической классификации морского льда и на основе этого анализа предложен новый автоматический алгоритм классификации морского льда, использующий многослойную НС, текстурные признаки и статистические моменты яркости на участке PJI-изображения.

Основные этапы исследования, выполненные автором, включали: многомерный статистический анализ выборок данных, обучение автоматических ЛДА и НС алгоритмов классификации, автоматическую классификацию серий РСА изображений спутников RADARSAT и ERS, включая синхронно полученные РСА изображения одного и того же района, визуальное дешифрирование спутниковых РСА изображений, сравнительный анализ результатов классификации.

Для валидации результатов автоматической классификации и сбора подспутниковых данных автор принял участие в научной экспедиции на борту атомного ледокола "Советский Союз" в Баренцевом и Карском морях в апреле-мае 1998 г.

Дост оверност ъ резулът атов

Достоверность полученных результатов подтверждается проведёнными подспутниковыми наблюдениями и соответствием результатов автоматической классификации результатам независимой экспертной классификации, выполненной в Арктическом и Антарктическом научно-исследовательском институте.

Новизна работы

Новизна работы заключается в разработке автоматизированного алгоритма классификации морских льдов, основанного на модели многослойной нейронной сети и использовании сочетания ряда текстурных признаков и статистических моментов яркости на участке РЛ-изображения в качестве входных признаков алгоритма.

Впервые применительно к задачам классификации морских льдов по спутниковым РСА изображениям проведено сравнение и анализ эффективности работы нейросетевого алгоритма классификации и алгоритма, основанного на линейном дискриминантном анализе.

Впервые выполнена автоматическая классификация РСА изображений спутников 11АЕ)АЕ.8АТ, покрывающих западную часть трассы Северного Морского Пути (СМП).

Практическая значимость результатов работы

Разработанный алгоритм применяется в настоящее время в "Нансен-Центре" для классификации морских льдов по РСА изображениям и использован при выполнении ряда научно-исследовательских проектов. Алгоритм может быть также применён в Арктическом и Антарктическом научно-исследовательском институте (ААНИИ), в региональных центрах по приёму и обработке спутниковой информации для классификации морских льдов в оперативном режиме.

Основные положения, выносимые на защиту

1. Разработанный нейросетевой алгоритм классификации морских льдов по спутниковым РЛ-изображениям обеспечивает более высокую вероятность правильного распознавания морских льдов, чем ЛДА алгоритм (прежде всего в случае использования РСА изображений RAD ARS AT).

2. Установлено, что статистические моменты яркости изображения второго и более высоких порядков более информативны, чем текстурные признаки, а их сочетание улучшает эффективность работы автоматического алгоритма.

3. Выявлен оптимальный набор признаков, позволяющий обеспечить наибольшую вероятность адекватного распознавания морских льдов по РСА изображениям.

Апробация работы и публикации

Основные результаты диссертационной работы докладывались на международном симпозиуме IGARSS, использовались при подготовке отчетов по научным проектам "Нансен-Центра" и докладывались на семинарах "Нансен-Центров" в г. Берген и г. Санкт-Петербург. Результаты работы были также представлены в виде постерных докладов на международном симпозиуме стран СНГ "Атмосферная радиация" (12-15 июля 1999 г, Санкт-Петербург), 12 и 13 Всероссийских симпозиумах "Радиолокация природных сред" (20-22 апреля 1999 г. и апреле 2000 г., Санкт-Петербург) и Международном коллоквиуме "Космическая информация для безопасности окружающей среды" (7-8 декабря 1999 г, Москва).

По теме диссертации опубликованы следующие работы:

Bogdanov А.V., Sandven S, Johannessen O.M., Alexandrov V. Yii. Automatic Classification of RADARSAT SAR Images of the Northern Sea Route, Proc. of IGARSS'99, Hamburg, Germany, 28June-2July 1999, vol. 2, pp. 1570-1572

Sandven S., Lundhaug M., Dalen 0., Solhaug J., Kloster K., Alexandrov V. Yu., Melentyev V.V., Bogdanov A.V. Sea ice investigations in the Laptev sea using RADARSAT ScanSAR data, Proc. of IGARSS'98. Seattle, USA, 1998. Sandven S., Johannessen O.M., Lundhaug M., Dalen 0., Solhaug J., Kloster K., Alexandrov V. Yu., Melentyev V.V., Bogdanov A.V. Sea Ice Studies using RADARSAT SAR in the Eurasian Arctic, Proc. of the ADRO Symposium, 13-15 October 1998, Montreal.

Александров В.Ю., Бобылёв JI.П., Богданов А.В., Зайцев Л.В., Сандвен С., Йоханнессен О.М., Петтерссон Л. Использование спутниковых РСА для исследования ледяного покрова в Арктике, Сборник тезисов Международного симпозиума стран СНГ "Атмосферная радиация", 12-15 июля 1999 г., Санкт-Петербург, С. 111-112.

Alexandrov V.Yu., Sandven S., Lundhaug M., Dalen 0., Bogdanov A.V., Kloster K. Analysis of winter sea ice in the Kara Sea region using SAR data and field observations, Proc. of the 15th International Conference on Port and Ocean Engineering under Arctic Conditions Simposium, 23-27 August 1999, Helsinki, Finland, vol. l,pp. 181-190.

Sandven S., Kloster K., Lundhaug M., Dalen 0., Alexandrov V. Yu.,Melentyev V.V., Bogdanov A.V. SAR ice charting validation and assessment Ice Routes, Project Report, Contract WA-96-AM-1136, no. IR-NERSC-350-RP-001, vl.O, June 1998.

Cmруктура дыссерт aim и

Диссертационная работа состоит из введения, четырех глав, заключения, библиографии, включающей 99 наименования, из них 73 на иностранных языках. Общий объем работы - 176 машинописных страниц, включая 38 рисунков и 15 таблиц.

Заключение диссертации по теме «Охрана окружающей среды и рациональное использование природных ресурсов», Богданов, Андрей Владимирович

4.4. Выводы по главе 4

Сравнение результатов работы разработанного нейросетевого алгоритма показывает, что МНС алгоритм позволят улучшить результаты классификации молодого льда и ниласовых льдов. Достигнутого улучшения в результатах классификации, однако, пока ещё недостаточно для применения МНС алгоритма для решения тактических задач навигации. Наибольшую трудность вызывает распознавание участков, соответствующих начальным видам льда, ниласовым льдам и поверхности воды среди полей однолетнего льда.

Проведённые сравнения результатов работы МНС и ЛДА алгоритмов на РСА изображениях RADARSAT и ERS показали, что наибольшее улучшение точности классификации может быть получено при применении

МНС алгоритма к РСА изображениям RADARSAT.

Проведённые сравнения результатов работы автоматических алгоритмов классификации с данными экспертной классификации, выполненной специалистами "Нансен-Центров", также указали на то, что применение МНС алгоритма к РСА изображениям RADARSAT позволяет достичь более высокого уровня адекватности идентификации типов морского льда.

Заключение

В диссертации разработан новый нейросетевой автоматический алгоритм классификации морских льдов по их спутниковым РСА изображениям. Проведённый многомерный статистический анализ признаков РСА изображений позволил выделить наиболее информативные признаки и включить их в процедуру автоматической классификации. Выполненное тестирование алгоритма и сравнение результатов автоматической классификации с экспертными оценками и натурными наблюдениями показало, что нейросетевой алгоритм показывает лучшие результаты, чем алгоритм, основанный на линейном дискриминантом анализе (прежде всего в случае использования РСА изображений спутника КАБАР^АТ).

С помощью разработанного алгоритма проведено картирование морских льдов Баренцева и Карского морей в апреле-мае 1998 г. при проведении экспедиции на борту а/л "Советский Союз".

Разработанный алгоритм может быть применён при оперативном мониторинге морских льдов Арктики. Одной из важных областей применения разработанного алгоритма является классификация морских льдов по РСА изображениям для обеспечения навигации в ледовых условиях и проведения работ на шельфе Арктических морей. Результаты автоматизированной классификации характеризуют возрастной состав льдов и могут быть использованы для определения других важных параметров ледяного покрова на больших площадях таких как, общая и частная сплоченность льдов, положение и характеристики разводий, положение кромки льдов, знание которых необходимо при поведении мониторинга состояния окружающей среды и океанографических исследований морей Арктического бассейна.

На основе полученных результатов можно сделать следующие выводы:

1. Сравнение результатов работы автоматизированных алгоритмов с данными подспутниковых наблюдений и результатами экспертного анализа показало, что нейросетевой алгоритм позволяет улучшить точность классификации начальных и молодых льдов (прежде всего в случае использования РСА изображений RADARSAT).

2. Однородные участки РСА изображений в большинстве случаев классифицируются разработанным алгоритмом правильно. Однако наличие других типов льда между полями доминирующего в исследуемом районе однолетнего льда приводит к ухудшению точности классификации.

3. Хотя наибольший вклад в разделение видов морского льда при их автоматизированной классификации вносит среднее значение яркости исследуемых участков PJI-изображения, использование текстурных признаков и статистических моментов яркости изображения второго и более высоких порядков позволяет преодолеть трудности классификации морских льдов: молодого и деформированного однолетнего льда, многолетнего и деформированного однолетнего льда.

4. Многомерный статистический анализ выборок векторов признаков РСА изображений спутников ERS и RADARSAT показал, что статистические моменты яркости участка изображения более информативны, чем текстурные признаки, но их сочетание позволяет достичь более высокого уровня адекватности идентификации типов морского льда.

Список литературы диссертационного исследования кандидат географических наук Богданов, Андрей Владимирович, 2000 год

1. Александров В.Ю., Бушуев A.B. Использование статистических характеристик радиолокационных изображений льдов для их распознавания //Труды ААНИИ. 1977. Т. 343. С. 151-154.

2. Александров В.Ю. Оценка влияния гидрометеоров на характеристики радиолокационных изображений морских льдов // Исслед. Земли из Космоса, 1987, № 2, С. 37-43.

3. Александров В.Ю., Лощилов В. С., Проворкин A.B. Исследование айсбергов и морских льдов в Антарктике по данным РСА спутника "Алмаз-1" // Айсберги мирового океана, под ред. Попова И.К. и Воеводина В.А., С.Петербург: Гидрометеоиздат, 1996. 157 с.

4. Андреев Г.А., Потапов A.A., Галкина Т.В., Колесников А.К, Орлова Т.И., Хлявич Я.Л. О классификации изображений по их текстурным признакам //Исслед. Земли из Космоса, 1990, № 2, С. 91-96.i

5. Афифи A.A., Эйзен С.Р. Статистический анализ // Подход с использованием ЭВМ. М.: Мир, 1982. 488 с.

6. Белъчанский Г.И., Дуглас Д.С., Мордвинцев КН. Идентификация типов морского льда по радарным данным спутников "0кеан-01" и эталонным таблицам // Исслед. Земли из Космоса, 1998, № 6, С. 52-65.

7. Белъчанский Г.И., Коробков Н.В., Использование искусственных нейронных сетей для анализа спутниковых данных дистанционного зондирования // Исслед. Земли из Космоса, 1998, № 4, С. 111-120.

8. Бородачев В.Е., Таврило В.П., Казанский М.М. Словарь морских ледовых терминов. С.Петербург: Гидрометеоиздат, 1994. 126 с.

9. Бушуев A.B., Быченков Ю.Д., Лощилов B.C., Масанов А.Д. Исследование ледяного покрова с помощью радиолокационных станций бокового обзора (PJIC БО) // Методическое пособие. Л.: Гидрометеоиздат, 1983. 120 с.

10. Тарбук C.B., Гершензон В.Е. Космические системы дистанционного зондирования Земли. М: Издательство А и Б, 1997. 296 с.

11. Григорьева О.H., Клепиков С.А., Сажин С.М., Хоменок М.И. Программный комплекс интерактивной обработки и анализа изображений "Эврика"// Труды ГосНИЦИПР, 1988, вып. 31, С. 62-68.

12. Долгополое Б.Я., Захаров М.Ю., Лупян Е.А. Комплекс программ сегментации и классификации многоканальных спутниковых изображений // Исслед. Земли из Космоса, 1993, № 6, С. 49-56.

13. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: "Мир", 1976, 511 с.

14. Исследование морской поверхности, ледяного и ледникового покровов с помощью спутниковой радиолокационной станции бокового обзора. Л.: Гидрометеоиздат, 1990, 40 с.

15. Кровотынцев В.А., Милехин O.E. Характеристики радиолокационного обратного рассеяния по морских льдов Арктики по данным ИСЗ "Океан" //Исслед. Земли из Космоса, 1998, № 2, С. 69-80.

16. Международная символика для морских ледовых карт и номенклатура для морских льдов // Под ред. Б.А. Крутских Л.: Гидрометеоиздат, 1984, 56 с.

17. Пермитина JI.И., Григорьева О.Н., Хоменок Н.И., Краснопевцева Е.Б. Предварительная цифровая обработка спутниковых снимков, полученных радиолокатором с синтезир'ованной апертурой // Труды НПО "Планета", 1991, вып. 40, С. 102-112.

18. Радиолокация поверхности Земли из комоса // Под ред. JI.M. Митника и С.В. Викторова. JL: Гидрометеоиздат, 1990, 200 с.2Ъ.Скурихин А.Н. Нейронные сети: определения, концепции, применение // Обзор. М.: ЦНИИатоминформ, 1991, 53 с.

19. Спиридонов Ю.Т., Пичугин А.П. Влияние метеоусловий на характеристики радиолокационных изображений земной поверхности из космоса//Исслед. Земли из Космоса, 1984, № 6, С. 21-27.

20. Факторный, дискриминантный и кластерный анализ. М.: Финансы и статистика, 1982, 215 с.

21. Черепанов Н.В., Федотов В.И. Пространственная неоднородность строения ледяного покрова полярных морей // Труды ААНИИ. 1986. Т. 396. С. 46-52.

22. Alexandrov V.Yu. et ah SAR ice charting validation and assessment (Ice Routes tech. rep.) // NIERSC tech. rep. 12, contract № WA-96-AM-1136, 1998. 77 p.i

23. Analysis of SAR data of the polar oceans // ed. Tsatsoulis C., Kwok R. chapter 2: Identifying ice floes and computing ice floe distributions in SAR images, Springer-Verlag, 1998, 290 p.

24. Atkinson P.M., Tatnall A.R.L., Neural networks in remote sensing // Int. J. of Remote Sensing. 1997. Y. 18. № 4. P. 699-709.31 .Barber D.G., Shokr M.E., Fernandes R.A., Soulis E.D., Flett D.G., LeDrew

25. E.F. A comparison of second-order classifiers for SAR sea ice discrimination //Photogram. Eng. and Remote Sensing. 1993. V. 59. № 9. P. 1397-1408.

26. Beaven S.G., Gogineni S.P., Shanablen M. Radar backscatter signatures of thin sea ice in the central Arctic // Int. J. of Remote Sensing. 1994. V. 15. № 5. P. 1149-1154.

27. Benediktsson J.A., Sveinsson J.R. Neural networks in remote sensing // Int. J. of Remote Sensing. 1997. V. 18. № 4. P.

28. Benedihtsson J.A., Sveinsson J.R. Feature extraction for multisource dataclassification with artificial neural networks // Int. J. of Remote Sensing. 1997. V. 18. № 4. P. 727-740.

29. Bertoia C., Gineris D., Partington K., Soh L., Tsatsoulis C. Transition from research to operations: ARKTOS-a knowledge-based sea ice classification sistem//Proc. of IGARSS Symposium. Hamburg. Germany. 1999.

30. Bishop CM. Neural networks for pattern recognition. Oxford: Clarendon Press, 1995,481 p.

31. Bogdanov A.V., Sandven S, Johannessen O.M., Alexandrov V. Yu. Automatic

32. Classification of RADARS AT S AR Images of the Northern Sea Route, Proc.of IGARSS'99, Hamburg, Germany, 28June-2July 1999, vol. 2, pp. 15701572.

33. Chou J, Weger R. C., Ligtenberg J. M., Kuo K. S., Welch R. M., Breeden P. Segmentation of polar scenes using multi-spectral texture measures and morphological filtering // Int. J. of Remote Sensing. 1994. V. 15. № 5. P. 1019-1036.

34. 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. of Remote Sensing. 1997. V. 18. № 3. P.' 535-571.

35. Daida J., Samadani R., Vesecky J. F. Object-oriented feature-tracking algorithms for SAR images of Marginal ice zone I I IEEE Trans, on Geosc. and Remote Sensing. 1990. V. 28. № 4. P. 573-589.

36. Delves L. M., Wilkinson R., Oliver C. J., White R. G. Comparing the performance of SAR segmentation algorithms // Int. J. of Remote Sensing. 1992. V. 13. P. 2121-2149.

37. Al.Dubuc B., Zucker S.W, Tricot C., Quiniou J.F., Wehbi D. E. Evaluating the fractal dimension of surfaces // Proc. R. Soc. Lond. 1989. № A 425. P. 113127.

38. Eckes C., Fritzke B. Report on neural networks (Ice Routes rep. D6) // Institutfuer Neuroinformatik, Ruhr-Universitaet. Bochum, Germany. 1998. 57 p.

39. ENVISAT-1 Mission&system summary//ESA. 1998. 84 P.

40. Falco T., Francis F., Lovejoy S., Schertzer D., Kerman B., Drinkwater M. Universal multifractal scaling of synthetic aperture radar images of sea-ice // IEEE Trans, on Geosc. and Remote Sensing. 1996. V. 34. № 4. P. 906-914.

41. Fang A.K. Microwave scattering and emission models and their applications. Artech house, Inc. 1994. 573 p.

42. Fetterer F.M., Gineris D., Kwok R., Sea ice maps from Alaska SAR Facility1imagery: An assessment // J. Geophys. Res. 1994, V. 99, № Cll. P. 22,44322,458.

43. Fukuda S., Hirosawa H. Suppression of speckle in synthetic aperture radar images using wavelet // Int. J. of Remote Sensing. 1998. V. 19. № 19 P. 507519.

44. Ghinelli B.M. G., Bennett J.C. The application of artificial neural networks and standard statistical methods to SAR image classification // Proc. of IGARSS Symposium. 1997. P. 1211-1213.

45. Haverkamp D., Tsatsoulis C. Information fusion for estimation of summer MIZ ice concentration from SAR imagery // IEEE Trans, on Geosc. and

46. Remote Sensing. 1999. V. 37. № 3. P. 1278-1291.

47. He D.C., Wang L. Textural filters based on the texture spectrum // Pattern Recognition. 1991. V. 24. № 12. P. 1187-1195.

48. Hepner G.F. Artificial neural network classification using a minimal training set: comparison to conventional supervised classification // Photogrammetric Engineering and Remote Sensing. 1990. V. 56. № 4. P. 469-473.

49. Holmes Q.A., Ntiesch D.R., Shuchman RA. Textural analysis and real-time classification of sea ice types using digital SAR data // IEEE Trans, on Geosc.and Remote Sensing. 1984. V. GE 22. № 2. P. 113-120.

50. Johannessen O.M. et al. ERS-1 SAR routing of L'Astrolabe through the Northeast Passage. // Proc. of the Central Symposium of the "International

51. Space Year", Munich, Germany, ESA SP-341, pp. 997-1002.

52. Johannessen O.M. et al. ICEWATCH-real-time sea ice monitoring of the northern sea route using satellite radar technology // Proc. of IGARSS Symposium. 1997. V. 4. P. 1681-1685.

53. Barents Sea by ERS-1 SAR during SIZEX 92 // First ERS-1 symposium.1992. P. 73-74.62 .Johnson R.A., Wichern D.W. Applied multivariate statistical analysis. Prentice-Hall International Inc, 1992, 642 p.

54. Kaminsky E.J., Barad H., Brown W. Textural neural network and version space classifiers for remote sensing // Int. J. of Remote Sensing. 1997. V. 18. №4. P. 741-762.

55. Key J., Maslanik J .A., Schweiger A.J. Classification of merged AVHRR and SMMR Arctic data with neural networks // Photogrammetric Engineering and Remote Sensing. 1989. V. 55. № 9. P. 1331-1 338.

56. Kohonen T. Self-Organizing and Associative Memory, Berlin, Springer Verlag, 1989.

57. Kwok R., Baltzer T. The geophysical processor system at the Alaska SAR Facility //Photogrammetric Engineering and Remote Sensing. 1995. V. 61. № 12. P. 1445-1453.

58. Kwok R., Rignot E., Holt B., Onstott R. Identification of sea ice types in spaceborne synthetic aperture radar data // J. Geophys. Res. 1992. V. 97. № C2. P. 2391-2402.

59. Lachenbruch P.A. Discriminant Analysis. Hafher Press, 1975. 128 c.

60. Laur H., Bally P., Meadows P., Sanchez J., Schaettler B., Lopinto E. ERS SAR calibration. Derivation of the backscattering coefficient a in ESA ERS SAR PRI products. // Tech. Rep. ES-TN-RS-PM-HL09. issue 2. ESA/ESRIN, 1996. 41 p.

61. Lee J.S. Digital image enhancement arid noise filtering by use of local statistics. // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1980. № 2. P. 636-643.

62. Lee C., Landgrebe D.A. Decision boundary feature extraction for non-parametric classifiers // IEEE Trans, on Sistems, Man and Cybernetics. 1993. № 23. P. 433-444.

63. Lyden J.D., Burns B.A., Majfett A.L. Characterization of sea ice types using synthetic aperture radar // IEEE Trans, on Geosc. and Remote Sensing. 1984. V. GE-22. № 5. P. 431-439.

64. Microwave remote sensing of sea ice // ed. Carsey F.D., Geophysicalmonograph 68, American Geophysical Union, Washington, 1992, 462 p.i

65. Nystuen J.N., Garcia F.W. Sea ice classification using SAR backscatter statistics // IEEE Trans, on Geosc. and Remote Sensing. 1992. V. 30. № 3. P. 502-509.

66. Onstott R.G., Moore R.K., Weeks W.F. Surface-based scatterometer results of Arctic sea ice // IEEE Trans, on Geosc. and Electronics. 1979. V. GE-17. P. 78-85.

67. Preston M. I., Quegan S. Validation of segmentation techniques for SAR images // Proc. of IGARSS Symposium

68. RADARSAT data products specifications // Tech. Rep. RSI-GS-026. RADARSAT International 1997. 160 P.

69. Rees W.G., Satchell M.J.F. The effect of median filtering on synthetic apertureradar images//Int. J. of Remote Sensing. 1997. V. 18. № 13. P. 2887-2893.81 .Sandven S., Johannessen O.M., Lundhaug M., Dalen 0., Solhaug J., Kloster

70. K., Alexandrov V. Yu., Melentev V.V., Bogdanov A. Sea Ice Studies using

71. RADARSAT SAR in the Eurasian Arctic // Proc. of the ADRO Symposium, Montreal, 1998.

72. Sandven S., Dalen 0., Kloster K., Yu., Melentyev V.V., Alexandrov V. SAR sea ice interppetation guide I I Revised draft, ver 2.1, Norway, 2000 84 p.

73. Sandven S., et al. Integrated use of new microwave satellite data for improved sea ice observation (IMSI) // User requirements for improved sea ice products, NERSC tech. rep. № 128, contract № ENV4-CT96-0361, 1997. 63 p.

74. Sandven S., et al. Integrated use of new microwave satellite data for improved sea ice observation (IMSI) // Development of new satellite ice data products, NERSC tech. rep. № 145, 1998. 76 p.

75. Shokr M. E. Evaluation of second-order texture parameters for sea iceclassification from radar images // J. Geophys. Res. 1991. V. 96. № C6. P. 10,625-10,640.

76. Shokr M. E., Wilson L. J., Surdu-Miller D. L. Effect of radar parameters on sea ice tonal and textural signatures using multi-frequency polarimetric SAR data // Photogrammetric Engineering and Remote Sensing. 1995. V. 61. № 12. P. 1463-1473.

77. Soh L.-K., Tsatsoulis C. Multisource data and knowledge fusion for intelligent SAR sea ice classification // Proc. of IGARSS Symposium. Hamburg. Germany. 1999.

78. Soh L.-K., Tsatsoulis C. Segmentation of satellite imagery of natural scenes using data mining // IEEE Trans, on Geosc. and Remote Sensing. 1999. V. 37. № 2. P. 1086-1099.

79. Soh L.-K., Tsatsoulis C. Texture analysis of SAR sea ice imagery using gray level co-occurrence matrices // IEEE Trans, on Geosc. and Remote Sensing. 1999. V. 37. № 2. P. 780-795.

80. Soh L.-K., Tsatsoulis C., Holt B. Identifying ice floes and computing ice floe distributions // in Analysis of SAR data of the polar oceans, ed. C. Tsatsoulis and R. Kwok.

81. Stejfen, Heinrichs J. Feasibility of sea ice typing with synthetic aperture radar (SAR): Merging of Landsat thematic mapper and ERS 1 SAR satellite imagery //J. Geophys. Res. 1994. № 99. P. 22,413-22,424.