Идентификация морских льдов Северного Ледовитого океана по данным радиолокатора с синтезированной апертурой тема диссертации и автореферата по ВАК РФ 25.00.28, кандидат физико-математических наук Захваткина, Наталья Юрьевна

• Захваткина, Наталья Юрьевна
• кандидат физико-математических наук
• 2009

Оглавление диссертации кандидат физико-математических наук Захваткина, Наталья Юрьевна

Введение

Глава 1 Мониторинг ' ледяного покрова с помощью спутниковых радиолокаторов с синтезированной апертурой

1.1 Методы и средства дистанционного зондирования морского

1.1.1 Дистанционное зондировапне, как система взаимодействия природно-технических компонентов

1.1.2' Процессы образования, динамики и таяния морских льдов и порождаемые ими явления

1.1.3 Дистанционное зондирование морского льда в микроволновом диапазоне

1.2 Информационные возможности спутниковых радиолокационных изображений морского льда

1.3 Применение радиолокационных изображений для мониторинга ледяного покрова

1.3.1 Принципы работы радиолокаторов с синтезированной апертурой

1.3.2 Радиометрическая калибровка изображений, полученных с помощью радиолокатора с синтезированной апертурой 1.4 Основные подходы к автоматизированной классификации изображений морского льда

1.5 Выводы по главе

Глава 2 Интерпретация изображений, полученных с помощью радиолокатора с синтезированной апертурой спутника ENVISAT

2.1 Визуальный анализ и интерпретация изображений, полученных с помощью РСА ENVISAT

2.1.1 Возрастные характеристики морского льда

2.1.3 Формы и сплоченность морского льда

2.1.4 Разрывы и полыньи

2.2 Сигнатуры изображений морских льдов и оценка их удельной эффективной площади рассеяния по изображениям ASAR с широкой полосой обзора

2.3 Приведение изображений, полученных с помощью радиолокатора с синтезированной апертурой, к одному углу зондирования

2.4 Особенности PCА-изображений, полученных в режиме 75 альтернативной поляризации

2.5 Выводы по главе

Глава 3 Автоматизированный алгоритм классификации РСА-изображений f морского льда, основанный на модели нейронной сети

3.1 Обоснование использования метода нейронных сетей для классификации изображений морского льда

3.1.1 Основные преимущества метода нейронных сетей

3.2 Модель многослойной нейронной сети

3.2.1 Обучение нейронной сети

3.3 Выявление дополнительных признаков для классификации изображений морских льдов методом нейронной сети

3.311 Текстурные характеристики и статистические моменты яркости РСА-изображения

3.3.2 Информативность текстурных характеристик и статистических моментов яркости РСА-изображения для разделения морских льдов

3.4 Выбор параметров нейронной сети

3.4.1 Подготовка нейронной сети

3.4.2 Применение нейронной сети

3.5 Выводы по главе

Глава 4 Применение метода нейронной сети для классификации РСАизображений морских льдов

4.1 Выводы по главе

Введение диссертации (часть автореферата) на тему «Идентификация морских льдов Северного Ледовитого океана по данным радиолокатора с синтезированной апертурой»

Одним из важнейших направлений развития дистанционного зондирования является изучение физических свойств земной поверхности с целью использования их в практической деятельности. При освещении обстановки в удаленных и малонаселенных районах Земли возникает необходимость в получении оперативной информации, обеспечивающей надежное решение задач управления для обеспечения хозяйственной деятельности, а также решения проблем экологической безопасности.

К таким районам относится акватория Северного Ледовитого океана, а в зимнее время и замерзающие моря умеренных шпрот, где условия мореплавания и практической деятельности (рыболовство, геологическая разведка, операции на шельфе, такие как добыча нефти и газа, прокладка трубопроводов) в значительной мере определяются состоянием ледяного покрова.

Первые попытки использования дистанционных методов наблюдений ледяного покрова были предприняты еще в середине 40-х годов XX века, когда для изучения характеристик ледяного покрова наряду с авиационными визуальными ледовыми наблюдениями, стала применяться аэрофотосъемка [12, 10].

В 50-ые и 60-ые годы стали появляться новые дистанционные средства, и с 1953 г. самолеты ледовой разведки стали оборудоваться панорамными радиолокационными станциями (PJIC). Учитывая их всепогодиость, эти PJIC стали использовать в качестве средства наблюдения за льдами. Однако из-за низкой разрешающей способности PJIC, неравноконтрастности изображения и больших радио теней при полетах на малых высотах они не вошли в практику ледовых наблюдений [22].

С 1968 г. для регулярного мониторинга и картографирования морских льдов широко использовались отечественные самолетные радиолокационные станции бокового обзора (РЛСБО) "Торос" и "Нить". Большое значение для развития методики радиолокационного мониторинга морских льдов имел запуск в 1983 г. первого спутника российской системы "Океан", на борту которого впервые в отечественной практике была установлена РЛСБО.

Дальнейшее совершенствование космической техники привело к созданию спутниковых радиолокаторов с синтезированной апертурой (РСА), которые позволили получить значительно более высокое пространственное разрешение по сравнению с РЛСБО. Эффективность их использования для изучения и мониторинга морских льдов была продемонстрирована американским спутником SEAS AT (1978 г.), и российскими искусственными спутниками Земли (ИСЗ) "Космос-1870" (1989 г.) и "Алмаз-1" (1991 г.). Однако для решения оперативных задач получаемая информация использовалась (по разным причинам) в ограниченном объеме [2].

Начиная с 1991 г. радиолокационные системы с синтезированной апертурой, установленные на европейских спутниках ERS-1,2, стали использоваться при решении различных задач дистанционного зондирования Земли, в том числе при изучении ледяного покрова [76, 78]. С запуском в 1995 г. канадского спутника RADARSAT и в 2002 г. европейского спутника ENVISAT, позволяющих производить съемку земной поверхности в широкой полосе обзора с высоким разрешением и возможностью комбинировать поляризации, возможности мониторинга морских льдов и обеспечения навигации значительно расширились [36].

В настоящее время наиболее оптимальным, как по временным параметрам применения (сезонным, суточным), так и по пространственному обзору (покрытию и перекрытию зон обзора), является использование радиолокационных станций, т.е. датчиков ' дистанционного зондирования, работающих в радиодиапазоне микроволновых частот. Классификация радиолокационных изображений для решения задач производится по признакам пространственного обзора с учетом движения космического аппарата вдоль траектории полета: трассовые и панорамные РЛС;

-РЛС бокового обзора (РЛСБО);

- РЛС с синтезированной апертурой (РСА).

Переход от пространственных характеристик РЛ-изображений морских льдов к навигационным осуществляется в процессе интерпретации и включает этапы обнаружения, опознавания и идентификации. Идентификацией считается определение основных характеристик морских льдов в соответствии с принятой классификацией. В работе использована классификация, разработанная в Арктическом и антарктическом научно-исследовательском институте. Классификация содержит термины и определения, согласованные с номенклатурой морского льда Всемирной Метеорологической Организации (ВМО) [28].

Визуальное дешифрирование спутниковых изображений выполняется опытным ледовым экспертом в интерактивном режиме. При визуальном анализе PJI-изображений морских льдов, кроме яркости участков изображения, принимаются во внимание следующие факторы: тональная структура изображения, форма и размеры ледовых образований, их расположение, а также учитываются особенности ледового режима конкретного географического района, метеорологические данные, наземные наблюдения, данные спутников, полученные в других спектральных диапазонах и на различных поляризациях.

Продуктом визуальной интерпретации является составляемая ледовым экспертом ледовая карта, на которой детали ледовой обстановки отображаются принятыми в официальном издании Всемирной Метеорологической Организации условными обозначениями («Номенклатура ВМО по морскому льду» ВМО, № 259, Тр. 145, 1970, Женева). Экспертное дешифрирование требует значительных временных затрат и является довольно трудоемким процессом, особенно, если требуется высокая степень детализации составляемых ледовых карт.

Работа в тяжелых условиях полярного региона и оперативное обеспечение хозяйственной деятельности в арктических морях ледовыми данными требуют повышенной скорости усвоения информации, ввиду сокращения времени принятия решения в сложной обстановке, что невозможно выполнить без применения средств и методов дистанционного зондирования и вычислительной техники, реализующей сложные алгоритмы количественной обработки. Требования к точности и объективности результатов автоматизированной обработки данных дистанционного зондирования постоянно растут, и рост одной только производительности средств вычислительной техники уже не может удовлетворить всех возрастающих требований потребителей гидрометеорологической информации.

Существует несколько путей развития методов получения параметров окружающей среды с использованием космических средств дистанционного зондирования, а именно:

- путем сокращения объема используемых для обработки данных с устранением избыточной информации, которая определяется не только особенностями объектов природной среды, но и особенностями отображения объекта - его изображениями; использованием репрезентативной информации;

- разработкой более производительных алгоритмов тематической обработки данных дистанционного зондирования, которая достигается как с помощью оптимизации известных алгоритмов, так и разработкой принципиально новых средств и методов.

Для своевременной обработки радиолокационной информации и предоставления ее в виде цифровых ледовых карт требуется разработка автоматических алгоритмов классификации и идентификации морского льда.

Классификацией считается тематическая обработка, позволяющая производить автоматизированное разбиение PJI-изображений на однородные по какому-либо критерию области (классы морского льда). В последние годы было предложено несколько автоматических алгоритмов классификации РСА-изображений морских льдов [82, 84, 129], но большинство из них находится на стадии тестирования и не используются в оперативном режиме, и только некоторые внедрены (например. ARCTOS) [123, 124, 51]. На практике автоматические алгоритмы классификации морского льда могут являться частью автоматизированной комплексной системы обработки спутниковой информации.

Процедура классификации основывается чаще всего на статистическом анализе различных характеристик изображения: пространственных, временных или спектральных. К простейшим полезным пространственным характеристикам относятся: текстура, контекст, форма и структурные соотношения.

Текстура изображения определяется статистическими взаимосвязями значений соседних пикселей РСА-изображения и выражается в виде некоторого абстрактного «узора», воспринимаемого глазом при визуальном анализе изображения (само латинское слово «textura» означает ткань, строение). Характер текстуры, соответствующей разным типам льда, может быть весьма разнообразен. Текстура зависит от пространственного разрешения радиолокатора, пространственного масштаба неоднородностей на поверхности морских льдов и в его объеме. Для её численного выражения применяются текстурные признаки [83], вычисляемые на анализируемом участке РЛ-изображения.

Под временными характеристиками следует понимать сезонные изменения морского льда, которые могут служить их индикаторами. Однако принято считать, что основную информацию о состоянии ледяного покрова содержат их спектральные характеристики, поэтому в большинстве известных алгоритмов классификации используются спектральные образы (сигнатуры) или получаемые по ним значения удельной эффективной площади рассеяния (УЭПР) видов морского льда.

Распознавание совокупности этих признаков является довольно простой задачей для человеческого зрения, которое решает проблему соответствия тона или текстур РСА-изображения тому или иному виду морского льда совершенно легко на подсознательном уровне, но весьма трудной для машинного. Для решения подобных проблем широкое распространение получили исследования способов обработки информации человеческим мозгом, которые в корне отличаются от обычных математических методов. Стала развиваться новая прикладная область математики, специализирующаяся на попытках имитации работы нейронов головного мозга, и получившая названне Искусственных Нейронных Сетей (НС).

В данной работе предложен алгоритм классификации PJI-изображений морского льда, который основывается на модели НС с обратным распространением ошибок. Разделение морских льдов в процедуре автоматической классификации может быть улучшено путем совместного использования дополнительных признаков РСА-изображений, которые получены в ходе исследований основной визуальной характеристики процесса дешифрирования - текстуры, и значений УЭПР в качестве входных параметров алгоритма.

Актуальность темы исследования

Актуальность темы исследования обусловлена тем, что изучение физических свойств земной поверхности с целью использования их в практической деятельности является одним из важнейших направлений развития дистанционного зондирования. При освещении обстановки в удаленных и малонаселенных районах Земли возникает необходимость в получении оперативной информации, обеспечивающей надежное решение задач управления для обеспечения хозяйственной деятельности, а также для решения проблем экологической безопасности.

К таким районам относятся акватории Северного Ледовитого океана и морей умеренных широт, замерзающих в зимнее время, где условия мореплавания и практической деятельности (рыболовство, геологическая разведка, операции на шельфе, такие как добыча нефти и газа, прокладка трубопроводов) в значительной мере определяются состоянием ледяного покрова.

Работа в указанных условиях требует повышенной скорости усвоения информации, ввиду сокращения времени принятия решения в сложной обстановке, что невозможно выполнить без применения средств и методов дистанционного зондирования и вычислительной техники.

Реализовать развитие методов получения параметров окружающей среды с использованием космических средств дистанционного зондирования позволяет оптимизация известных алгоритмов обработки для конкретного вида бортовых средств наблюдения и изучения свойств определенных типов подстилающей поверхности (суши, водной поверхности, ледовой поверхности замерзающих морей). Поэтому актуальной и востребованной научной и прикладной задачей в настоящее время является разработка адекватных методов обработки для реализации третьего вышеуказанного пути, а именно разработки более производительных алгоритмов тематической обработки данных дистанционного зондирования, которая достигается как с помощью оптимизации известных алгоритмов, так и разработкой принципиально новых средств и методов.

Цель и задачи исследования

Целью диссертационной работы является разработка методики автоматизированной идентификации морских льдов Арктики по данным радиолокатора с синтезированной апертурой на основе нейронных сетей. Совершенствование технологии и практического использования методики автоматизированной классификации изображений морских льдов в Арктике осуществляется по материалам космической радиолокационной съемки на примере обработки информации РСА, установленного на борту спутника ENVISAT.

Реализация поставленной цели потребовала решения следующих задач: изучить характер зависимости удельной эффективной площади рассеяния (УЭПР) морских льдов от их возраста по данным РСА; проанализировать зависимость УЭПР морских льдов от угла зондирования и разработать методику угловой коррекции РСА-изображений; оценить возможность распознавания различных видов морского льда на РСАизображениях, полученных с использованием различных поляризаций;

- определить информативность текстурных признаков радиолокационных изображений и оптимальную комбинацию этих признаков для автоматизированной классификации изображении морских льдов;

- обосновать выбор параметров настройки и выполнить настройку нейронной сети для идентификации морских льдов по данным съемки с помощью РСА с использованием значений УЭПР и текстурных признаков;

- протестировать разработанную методику.

Объект исследования - ледяной покров Северного Ледовитого океана и происходящие в нем процессы.

Предмет исследования - технология классификации изображений морского льда с помощью метода нейронных сетей с учетом особенностей функционирования РСА.

Методы исследования и используемое программное обеспечение

Основные результаты исследования получены с помощью экспериментальных методов и теоретических расчетов с применением теории радиолокации и методов прикладных исследований, отражающих свойства морских льдов. Применялись качественные методы дешифрирования спутниковых радиолокационных изображений морских льдов (визуальный анализ РСА изображений с привлечением сопутствующих изображений, полученных в видимом диапазоне длин волн) с привлечением ледовых карт, составленных специалистами-экспертами.

При анализе особенностей радиолокационных изображений и классификации морских льдов предварительно выполнялась калибровка, на стадии которой проводилась коррекция зависимости получаемых значений УЭПР морских льдов от угла падения РЛ-изображений, осуществлялась статистическая обработка полученных результатов. При этом использовалось программное обеспечение, разработанное в Международном центре по окружающей среде и дистанционному зондированию им. Нансена (г. Берген, Норвегия и г. Санкт-Петербург, Россия), и пакет прикладных компьютерных программ Matrix Laboratory (Matlab) компании The Math Works (США). При разработке алгоритмов автоматизированной классификации морских .льдов использовались методы нейронных сетей, реализованные в программном пакете SNNS (Stuttgart Neural Network Simulator версия 4.2), разработанном в университете Штутгарта.

При написании диссертации автор придерживался ледовой терминологии п условных обозначений в соответствии с действующей Международной символикой для морских ледовых карт и номенклатурой морских льдов, принятой Всемирной Метеорологической Организацией.

На защиту выносятся:

1) Методика угловой коррекции РСА-изображений морских льдов. Предлагаемая методика угловой коррекции РСА-изображений морских льдов позволяет выделять различные виды льда по всей ширине полосы обзора.

2) Методика автоматизированной идентификации видов морского льда на основе анализа РСА-изображений с помощью нейронных сетей. Разработанная методика автоматизированной классификации РСА-изображений с помощью нейронных сетей обеспечивает достоверную идентификацию видов морского льда.

3) Обоснование выбора поляризаций и углов падения для выделения характеристик морского льда. Обоснованный выбор различных поляризаций и углов падения позволяет эффективно выделять некоторые виды морского льда.

Научная новизна

В процессе выполнения исследований были получены оригинальные результаты по адаптации теоретических положений в области распознавания образов с применением нейронных сетей для получения параметров конкретных объектов природной среды (морского ледяного покрова) на примере РСА-изображений, получаемых со спутника ENVISAT.

К оригинальным научным результатам исследований можно отнести:

1) выявленные диапазоны изменения УЭПР разных видов льда в С-диапазоне на горизонтальной (ГГ) поляризации;

2) методику угловой коррекции РСА-изображений;

3) параметры расчета текстурных характеристик РСА-изображений морских льдов;

4) информативные признаки различных видов морского льда для различных поляризаций;

5) методику обработки информации с помощью нейронных сетей, адаптированную для идентификации морских льдов по РСА-изображениям;

6) алгоритм настройки нейронных сетей по экспериментальным данным.

Практическая значимость

Разработанная методика угловой коррекции значений УЭПР различных видов морских льдов позволяет получить характеристики подстилающей поверхности по всей полосе обзора, что существенно увеличивает объем данных РСА-изображений и, следовательно, их информативность. Эти результаты могут быть использованы в оперативной работе ледовых экспертов в процессе визуального дешифрирования РСА-пзображеиий, так как получаемое равноконтрастное изображение значительно облегчает процесс интерпретации.

Возможности идентификации различных параметров морских льдов на РСА-изображениях в режиме альтернативной поляризации, получаемых с ENVISAT, при определённых в работе поляризациях и углах падения можно использовать в дальнейшем и для РСА таких спутников как RADARSAT-2 и Sentinel-1.

Совокупность разработанных методик и способов, примененных в технологии автоматизированного дешифрирования изображений с целью создания цифровых ледовых карт, позволит существенно повысить эффективность дешифрирования и, следовательно, эффективность создания ледовых карт в целом.

Разработанная методика автоматизированной классификации РСА-изображений была успешно апробирована при исследовании возможности выбора места размещения дрейфующей станции «Северный Полюс -35» (СП-35). Также результаты, полученные в диссертации, были использованы при разработке методики определения опасных ледяных образований с использованием средств дистанционного зондирования в рамках проекта ГУ ААНИИ.

Апробация работы и публикации

Результаты исследования были представлены на итоговой сессии Ученого совета ААНИИ по результатам работ 2008 г. (Санкт-Петербург, 2009 г.); на Шестой всероссийской конференции «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2008 г.); на международной конференции SeaSAR 2008 (ESA ESRIN) (Фраскат - Рим, Италия, 2008 г.); на ежегодных аспирантских сессиях Международного центра по окружающей среде и дистанционному зондированию им. Нансена (Санкт-Петербург, 2004, 2005, 2006, 2007, 2008 гг.); на научном семинаре «Норвежско-Российское сотрудничество на Свальбарде» в Норвежском Полярном Институте (Тромсо, Норвегия, 2006 г.).

По теме диссертации опубликованы работы, в том числе одна публикация, в изданиях, включенных в перечень ВАК.

1) Пиотровская Н. Ю. (Захваткина Н.Ю.) Оценка УЭПР морских льдов разного возраста по радиолокационным изображениям спутника ENVISAT /

B. Ю. Александров, Н. Ю. Пиотровская // Исследования Земли из космоса. -2008. - № 4. - С. 3-11 (1.2 п. л./0.6 п. л.).

2) Пиотровская IT. Ю. (Захваткина Н.Ю.) Цифровая обработка РСА-изображений морских льдов спутника ENVISAT / В. Ю. Александров, Н. Ю. Пиотровская // Проблемы Арктики и Антарктики. - 2008. - №1 (78).

C. 90-94 (0.5 п. Л./0.25 п. л.).

3) Захваткина Н. Ю. Мониторинг ледяного покрова с помощью спутниковых радиолокаторов с синтезированной апертурой // Метеорологический вестник: электронное издание. 2009. Т. 2, вып. 1 (2) [март]. С. 1-38. URL: http:/Av\vw.elibrary.ru/download/66079385.pdf (дата обращения 12.05.2009).

Результаты диссертационных исследований также изложены в отчетах ААНИИ по научно-исследовательским работам.

Объем и структура работы

Диссертация состоит из введения, четырех глав, заключения, списка используемых сокращений, списка использованной литературы общим объемом 132 наименования (из них 88 на английском языке) и содержит 168 страниц машинописного текста, 10 таблиц, 39 рисунков.

Заключение диссертации по теме «Океанология», Захваткина, Наталья Юрьевна

Основные выводы и результаты исследования состоят в следующем:

1) Создана база данных значений УЭПР различных видов морских льдов Северного Ледовитого океана по РСА-изображениям, получаемым с ИСЗ ENVISAT.

2) На основе анализа зависимости УЭПР различных типов ледовой поверхности от угла визирования, получен набор коэффициентов для трёх основных видов льдов и взволнованной воды, и на этой основе разработана и реализована методика угловой коррекции РСА-изображения.

3) Сформирована база данных УЭПР морских льдов, полученных по РСА-изображениям на различных поляризациях, с рекомендациями к наилучшему выделению различных видов льдов при различных режимах съемки.

4) Разработан алгоритм автоматизированной классификации изображений морских льдов по РСА-изображениям, получаемым с ИСЗ ENVISAT, использующий в качестве признаков УЭПР и текстурные характеристики. На основе сравнения результатов экспертной классификации (ледовых карт ААНИИ), визуального анализа и алгоритма нейронных сетей показано, что разработанный алгоритм позволяет с достаточной долей вероятности детализировать информацию о состоянии ледяного покрова.

5) Показано, что метод нейронных сетей с применением текстурных характеристик даёт возможность автоматического разделения на РСА-изображениях таких, обычно сложно различаемых классов, как ровный однолетний лёд и спокойная вода/нилас.

СПИСОК ИСПОЛЬЗОВАННЫХ СОКРАЩЕНИЙ

АП - альтернативная поляризация;

В - вертикальная поляризация;

ВМО - Всемирная Метеорологическая Организация;

Г - горизонтальная поляризация;

ДЗ - дистанционное зондирование;

ДДЗ - датчики дистанционного зондирования;

ИСЗ - искусственный спутник Земли;

ЛДА - линейный дискриминантный анализ;

МНС - многослойная нейронная сеть;

МСВ - матрица совместной встречаемости;

НС - нейронная сеть;

РЛС - радиолокационная станция;

РЛСБО - радиолокационная станция бокового обзора;

РСА - радиолокатор с синтезированной апертурой;

СП-35 - дрейфующая станция «Северный Полюс -35»;

УЭПР - удельная эффективная площадь рассеяния;

ARCTOS - Advanced Reasoning using Knowledge for Typing Of Sea-ice; ASAR - Advanced Synthetic Aperture Radar; SNNS - Stuttgart Neural Network Simulator;

ЗАКЛЮЧЕНИЕ

В соответствии с поставленной целью в диссертации выполнено исследование на актуальную тему, посвященную научному анализу, обобщению и совершенствованию технологии автоматизированной обработки радиолокационных изображений морского льда на базе современной компьютерной техники, программных пакетов и материалов космических съемок.

В процессе работы над диссертацией выполнен анализ возможностей определения различных характеристик морского льда с помощью дистанционного зондирования. В диссертационной работе показано, что необходимым и достаточным условием для успешного получения практически любых параметров ледяного покрова в соответствии с [28] (кроме параметров дрейфа, которые не были целью данной работы), использование РЛ-изображений на этапе автоматической классификации.

Главный итог диссертации - разработан и протестирован алгоритм классификации РСА-изображений ледяного покрова для автоматизированной идентификации трех видов морского льда в районах центральной Арктики в холодный период года. Проведенный статистический анализ позволил выделить наиболее информативные признаки РСА-изображения, разработать технологию определения оптимальных параметров расчета текстурных характеристик и статистических моментов яркости и включить их в процедуру автоматизированной классификации.

Разработанная методика угловой коррекции изображений ASAR с широкой полосой обзора позволяет уверенно идентифицировать на изображениях разные виды морского льда по всей ширине полосы обзора, что значительно улучшает как возможности визуальной интерпретации, так и результаты автоматической классификации.

Установлено, что изображения в режиме альтернативной поляризации позволяют лучше различать некоторые виды морских льдов, выделять отдельные поля однолетнего льда и зоны молодого льда, а также границы лед/вода. Выполненный в работе анализ показал, что использование кросс-поляризационных данных позволяет выделить разрывы в многолетнем и однолетнем льдах. Это позволяет предположить, что использование данных в режиме АП в процедуре классификации в дальнейшем приведет к увеличению количества распознаваемых классов, увеличению надежности и точности классификации.

Показана возможность автоматизированной идентификации различных видов морских льдов с помощью метода нейронных сетей и выбора оптимальных параметров для настройки НС по PC А-изображениям с ENVISAT, которые можно использовать и в дальнейшем для РСА таких спутников как RADARSAT-2 и Sentinel-1. Для мониторинга морских льдов по PJI-изображениям этих ИСЗ могут быть использованы определённые в работе поляризации и углы падения, полученные на примере РСА-изображений ENVISAT.

Список литературы диссертационного исследования кандидат физико-математических наук Захваткина, Наталья Юрьевна, 2009 год

1. Автоматизированная обработка изображений природных комплексов Сибири / отв. ред. А. Л. Яншин, В. А. Соловьев. Новосибирск: Наука, Сиб. отд-ние, 1988.-С. 11-43.

2. Александров В. Ю. Исследование айсбергов и морских льдов в Антарктике по данным РСА спутника «Алмаз-1» / В.Ю.Александров, В. С. Лощил ов,

3. A. В. Проворкин // Айсберги мирового океана / под ред. И. К. Попова,

4. B. А. Воеводина. СПб. : Гидрометеоиздат, 1996. - С. 30-36.

5. Александров В. Ю. Оценка УЭПР морских льдов разного возраста по радиолокационным изображениям спутника ENVISAT / В. Ю. Александров, Н. Ю. Пиотровская // Исследования Земли из космоса. 2008. - № 4. - С. 3-11.

6. Александров В.Ю. Цифровая обработка РСА-изображений морских льдов спутника ENVISAT / В. Ю. Александров, Н. Ю. Пиотровская // Проблемы Арктики и Антарктики. 2008. - №1 (78): доклады науч. конф. «Моря высоких широт и морская криосфера». - С. 90-94.

7. Бельчанский Г. И. Идентификация типов морского льда по радарным данным спутников «0кеан-01» и эталонным таблицам / Г. И. Бельчанский, Д. С. Дуглас, И. Н. Мордвинцев // Исследования Земли из космоса. 1998. - № 6. - С. 52-65.

8. Бородачев В. Е. Льды Карского моря / В. Е. Бородачев. СПб.: Гидрометеоиздат, 1998.- 182 с.

9. Бушуев А. В. Алгоритм и программа географической привязки и трансформирования спутниковых изображений / А. В. Бушуев, С. Н. Буланов, Ю. А. Щербаков // Труды ААНИИ. 2002. - Т. 445. - С. 17-26.

10. Бушуев А. В. Атлас ледовых образований / А. В. Бушуев, Н. А. Волков, B.C. Ло-щилов. Л.: Гидрометеоиздат, 1974. - 138 с.

11. Ю.Бушуев А. В. Наблюдения за морскими льдами и их исследования, создание Автоматизированной ледово-информационной системы / А. В. Бушу ев, Н. А. Волков, В. Д. Грищенко // Проблемы Арктики и Антарктики. 1995. -Вып. 70.-С. 104-119.

12. Бушуев А. В. Номенклатура морских льдов, условные обозначения для ледовых карт / А. В. Бушуев, Н. А. Волков. JL: Гидрометеоиздат, 1974. - 87 с. 5

13. Волков Н.А. Руководство по производству ледовой авиационной разведки / Н. А. Волков. JL: Гидрометеоиздат, 1981. - 240 с.

14. Гарбук С. В. Космические системы дистанционного зондирования Земли / С. В. Гарбук, В. Е. Гершензон. М.: Изд-во А и Б., 1997. - 296 е.: ил.

15. Гудкович 3. М. Основные итоги изучения дрейфа льдов в Арктическом бассейне / 3. М. Гудкович, Н. А. Волков // Тр. Аркт. и антаркт. НИИ. 1967. -Вып. 27. - С. 55-64.

16. ДейвисМ. Дистанционное зондированием: количественный подход / М.Дейвис, Д. А. Ландгребе, Т. Л. Филлипс и др.; под ред. Ф. Свейна, Ш. Дейвис; пер. с англ.-М.: Недра, 1983. -415 с.

17. Доронин Ю. П. Морской лед / Ю.П.Доронин, Д. Е. Хейсин. Л.: Гидрометеоиздат, 1975. - 318 с.

18. Доронин Ю. П. Рост и таяние морского льда / Ю. П. Доронин, Н. В. Кубышкин. СПб.: Гидрометеоиздат, 2001. - 44 с.

19. Доронин Ю. П. Тепловое взаимодействие атмосферы и гидросферы в Арктике / Ю. П. Доронин. Л.: Гидрометеоиздат, 1969. - 300 с.

20. Доронин Ю. П. Физика океана / Ю.П.Доронин. СПб.: Гидрометеоиздат, 2000.-306 с.

21. Исследование ледяного покрова с помощью радиолокационных станций бокового обзора (РЛС БО): метод, пособие / А. В. Бушуев, Ю. Д. Быченков, В. С. Лощилов, А. Д. Масанов. Л.: Гидрометеоиздат, 1983. - 120 с.

22. Калинина В. Н. Математическая статистика: учеб. для студентов сред. спец. учеб. заведений / В. Н. Калинина, В. Ф. Панкин. 3-е изд., испр. - М.: Высш. шк., 2001.-336 е.: ил.

23. Короткий С. Нейронные сети: основные положения Электронный ресурс. // BYTE / Россия. 2000. - №5. - С. 18-21. - Режим доступа: hltp://www.gotai.net/docuinents/doc-nn-002.aspx).

24. Лощилов В. С. Интерпретация, классификация и картографирование морских льдов по спутниковым изображениям различных спектральных диапазонов / В. С. Лощилов, Е. А. Гришин // Труды ААНИИ. 2002. - Т. 445. - С. 27-39.

25. Мак-Каллок У. С. Логическое исчисление идей, относящихся к нервной активности/У. С. Мак-Каллок, В. Питтс; пер. с англ. // Автоматы / под ред. К. Э. Шеннона, Дж. Маккарти. -М.: Изд-во иностр. лит., 1956. С. 363-384.

26. Международная символика для морских ледовых карт и номенклатура морских льдов / под общ. ред. Б. А. Крутских. Л.: Гидрометеоиздат, 1984. - 56 с.

27. Минина Л. С. Практика нефанализа / Л.С.Минина. Л.: Гидрометеоиздат, 1970.-336 с.

28. Миронов Е. У. Современное состояние и основные направления развития технологий получения, усвоения и анализа оперативной ледовой и гидрометеорологической информации в Арктике / Е. У. Миронов, В. Г. Смирнов // Труды ААНИИ. 2002. - Т. 445. - С. 5-16.

29. Осовский С. Нейронные сети для обработки информации / С. Осовский ; пер. с пол. И. Д. Рудинского. -М.: Финансы и статистика, 2004. 344 е.: ил.

30. ПрэттУ. Цифровая обработка изображений. / У. Прэтт; пер. с англ. М.: Мир, 1982.-Кн. 2.-480 е.: ил.

31. Рис У. Основы дистанционного зондирования / У. Рис; пер. с англ. 2-е изд. -М.: Техносфера, 2006. - 336 е.: ил.

32. Скурихин А. Н. Нейронные сети: определения, концепция, применение: обзор / А. Н. Скурихин. М.: ЦНИИатоминформ, 1991. - 53 с.

33. Сонечкин Д. М. Классификация типов телевизионных изображений облачности земной поверхности, получаемых со спутников экспериментальной системы «Метеор» / Д. М. Сонечкин // Метеорология и гидрология. 1968. - № 9.

34. Состояние и ближайшие перспективы развития космических средств дистанционного зондирования Земли за рубежом // Дистанционное зондирование земли. Обзорная информация. СПб.: Гидрометеоиздат, 2000. - Вып. 1.

35. Степанов В. В. Дистанционное зондирование. Теоретические вопросы практического применения // Современные проблемы дистанционного зондирования Земли из космоса: сб. науч. ст. М.: Азбука-2000, 2008. - Вып. 5, т. 2.-С. 571-576.

36. Степанов В. В. Модель системы дистанционного зондирования // Тез. пятой юбилейной открытой Всерос. конф. «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 12-16 ноября 2007 г. -М.: б. и., 2007.-С. 141.

37. Степанов В. В. Научные открытия, изобретения и технологии в гидрометеорологии и смежных областях : метод, рекомендации по правовой охране и использованию результатов интеллектуальной деятельности / В. В. Степанов. — СПб.: Наука, 2006. 320 е.: ил.

38. Степанов В. В. Система дистанционного зондирования: патент Российской Федерации на полезную модель № 58735 // Изобретения. Полезные модели. -2006.-№33.

39. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика Электронный ресурс. / Ф. Уоссермен; пер. с англ. Ю. А. Зуева, В. А. Точенова. [Б. м. ], 1992. - Режим доступа: http://www.gotai.net/documents/doc-nn-001 .aspx

40. Хайкин С. Нейронные сети: полный курс / С. Хайкин; пер. с англ. 2-е изд. -М. : Вильяме, 2006. - 1104 с. : ил. - Парал. тит. англ.

41. Шанда Э. Физические основы дистанционного зондирования / Шанда Э.; пер. с англ. И. А. Столярова. М. : Недра, 1990. - 208 с.

42. A Comparison of Second-Order Classifiers for SAR Sea Ice Discrimination / D. G. Barber, M. E. Shokr, R. A. Femandes, E. D. Soulis, D. G. Flett, E. F. Le Drew // Photogrammetric Eng. and Remote Sensing. 1993. - Vol.59, Nr9, Sept. -P. 1397-1408.

43. A Laboratory Study of the Effect of Frost Flowers on C-Band Radar Backscatter from Sea Ice / S. V. Nghiem, S. Martin, D. K. Perovich, R. M. Kwok, R. Drucker, A. J. Gow // J. of Geophys. Research. 1997. - Vol. 102, Nr C2. - P. 3357-3370.

44. Application of Neural Networks for Sea Ice Classification in Polarimetric SAR Images // Y. Hara, R. G. Atkins, R. T. Shin, J. A. Kong, S. H. Yueh, R. Kwok // IEEE Trans, on Geoscience and Remote Sensing. 1995. - Vol. 33, Nr 3, May. -P.740-748.

45. Application of Neural Networks to Radar Image Classification / Y. Hara, R. G. Atkins, R. T. Shin, J. A. Kong, S. H. Yueh, R. Kwok // IEEE Trans, on Geoscience and Remote Sensing. 1994. - Vol. 32, Nr 1, Jan. - P. 100-109.

46. Arctic Sea Ice Extents, Areas, and Trends, 1978-1996 / C.L.Parkinson, D. J. Cavalieri, P. Gloersen, H. J. Zwally, J. C. Comiso // J. of Geophys. Research. -1999. Vol. 104, Nr C9, Sept. - P. 20,837-20,856.

47. ARCTOS: An Intelligent System for SAR Sea Ice Image Classification / L. K. Soh, C. Tsatsoulis, D. Gineris, C. Bertoia // IEEE Trans, on Geoscience and Remote Sensing. 2004. - Vol. 42, Nr 1, Jan. - P. 229-248.

48. ASAR User guide Electronic resource. // European Space Agency. Mode of access: http://envisat.esa.int/dataproducts/asar/toc.htm).

49. Atkinson P. M. Neural Networks in Remote Sensing / P.M.Atkinson, A. R. L. Tatnall // Intern. J. of Remote Sensing. 1997. - Vol. 18, № 4. - P. 699709.

50. BaraldiA. An Investigation of the Textural Characteristics Associated with Gray Level Cooccurrens Matrix Statistical Parameters / Andrea Baraldi, Flavio Parmiggiani // IEEE Trans, on Geoscience and Remote Sensing. 1995. - Vol. 33, №2, Mar.-P. 293-304.

51. Barber D. G. Role of SAR in Surface Energy Flux Measurements Over Sea Ice / D. G. Barber, A. Thomas, T. N. Papakyriakou // Analysis of SAR Data of the Polar Oceans / Ed. C. Tsatsoulis, R. Kwok. New York: Springer-Verlag, 1998. - P. 3568.

52. Barber D. G. SAR Sea Ice Discrimination Using Texture Statistics: a Multivariate Approach / D. G. Barber, E. F. Le Drew // Photogrammetric Eng. and Remote Sensing. 1991. - Vol. 57, Nr 4. - P. 385-395.

53. Beaven S. G. Radar Backscatter Signatures of Thin Ice in the Central Arctic / S. G. Beaven, S. P. Gogineni, M. Shanablen // Intern. J. of Remote Sensing. 1994. -Vol. 15.-P. 1149-1154.

54. BertoiaC. Polar SAR Data for Operational Sea Ice Mapping / C. Bertoia, J. Falkingham, F. Fetterer // Analysis of SAR Data of the Polar Oceans. Recent Advances / Ed. C. Tsatsoulis, R. Kwok. Berlin: Springer-Verlag, 1998. - P. 202234.

55. Carsey F. D. Review and Status of Remote Sensing of Sea Ice // IEEE J. of Oceanic Eng.- 1989.-Vol. 14, №2, Apr. -P. 127-138.

56. Clausi D. A. A Fast Method to Determine Co-Occurrence Texture Features / D. A. Clausi, M. E. Jernigam // IEEE Trans, on Geoscience and Remote Sensing. -1998.-Vol. 36, Nr 1, Jan.-P. 298-300.

57. Clausi D. A. An Analysis of Co-Occurrence Texture Statistics as a Function of Grey Level Quantization // Canad. J. of Remote Sensing. 2002. - Vol. 28, Nr 1. - P. 4562.

58. Clausi D. A. Comparing Co-Occurrence Probabilities and Markov Random Fields for Texture Analysis of SAR Sea Ice Imagery / Clausi David A., Bing Yue // IEEE Trans, on Geoscience and Remote Sensing. 2004. - Vol. 42, Nr 1, Jan. - P. 215228.

59. Collins M. J. Discrimination of Sea Ice in the Labrador Marginal Ice Zone from Synthetic Aperture Radar Image Texture / M. J. Collins, С. E. Livingstone, R. K. Raney // Intern. J. of Remote Sensing. 1997. - Vol. 18, Nr 3. - P. 535-571.

60. Cornford D. Improved Neural Network Scatterometer Forward Models / Dan Cornford, Ian T. Nabney, Guillaume Ramage // J. of Geophys. Researce. 2001. -Vol. 106, Nr C10, Oct. - P. 22331-22338.

61. Del Frate. Use of Neural Networks for Automatic Classification From ITigh-Resolution Images / Del Frate, G. Schiavon, C. Solimini // IEEE Trans, on Geoscience and Remote Sensing. 2007. - Vol. 45, Nr 4, Apr. - P. 800-809.

62. Deng H. Unsupervised Segmentation of Synthetic Aperture Radar Sea Ice Imagery Using the Novel Markov Random Field Models / H. Deng, D. A. Clausi // IEEEj161

63. Trans, on Geoscience and Remote Sensing. 2005. - Vol. 43, Nr 3, Mar. - P. 528538.

64. Determination of the Geophysical Model Function of the ERS-1 Scatterometer by the Use of Neural Networks / C. Mejia, S. Thiria, N. Tran, M. Crepon, F. Badran // J. of Geophys. Research. 1998. - Vol. 103, Nr C6, June. - P. 12853-12868.

65. Dierking W. SAR Polarimetry for Sea Ice Classification / W. Dierking, H. Skriver, P. Gudmandsen // Proc. of the POLinSAR Workshop (ESA, 14-16 Jan. 2003, Frascati, Italy): Special Publication. ESA SP- 529. Frascati (Italy) : s. п., 2003. -P. 109-118.

66. Dierking W. Sea Ice Monitoring by L-Band SAR: an Assessment Based on Literature and Comparisons of JERS-1 and ERS-1 Imagery / W. Dierking, T. Busche // IEEE Trans, on Geoscience and Remote Sensing. 2006. - Vol. 44, Nr 2, Apr. - P. 957970.

67. ERS-1 SAR Backscatter Modeling and Interpretation of Sea Ice Signatures / J. Askne, A. Carlstrom, W. Dierking, L. Ulander // Proc. of IGARSS'94. Pasadena (California), 1994. - Pasadena (California): s. п.. - P. 162-164.

68. Fetterer F.M. Multi-Year Ice Concentration from Radarsat / F.M. Fetterer, J. Ye // Proc. of IGARSS'97, Singapore, Aug. 3-8. Singapore : s. п., 1997. - Vol. 1. -P.402-404.

69. Fetterer F. M. Sea Ice Type Maps from Alaska Synthetic Aperture Radar Facility Imagery: an Assessment / F. M. Fetterer, D. Gineris, R. Kwok // J. of Geophys. Research. 1994. - Vol. 99, Nr CI 1. - P. 22,443-22,458.

70. Frost Flowers on Sea Ice as a Source of Sea Salt and Their Influence on Tropospheric Halogen Chemistry / L. Kalechke, A. Richter, J. Burrows, O. Afe, G. ITeygster, J. Notholt // Geophys. Research Letters. 2004. - Vol. 31.

71. Furevik B. R. SAR-Retrieved Wind in Polar Regions Comparison with In Situ Data and Atmospheric Model Output / B. R. Furevik, О. M. Johannessen, A. D. Sandvik // IEEE Trans, on Geoscience and Remote Sensing. - 2002. - Vol.40, №8. -P. 1,720-1,732.

72. Haarpaintner J. Automatic Ice-Ocean Discrimination in SAR Imagery: NORUT IT-Raport 06/2007 / J. Haarpaintner, S. Solbo ; NORUT IT. S. 1. : s. п., 2007. - 28 p.

73. HaralickR. M. Textural Features for Image Classification / R. M. Haralick, K. Shanmugan, I. Dinstein // IEEE Trans, on Systems, Man and Cybernetics. 1973. - Vol. SMC-3, Nr 6, Nov. - P. 610-621.

74. Haverkamp D. A Comprehensive, Automated Approach to Determining Sea Ice Thickness from SAR Data / D. Haverkamp, L. K. Soh, C. Tsatsoulis // IEEE Trans, on Geoscience and Remote Sensing. 1995. - Vol. 33, Nr 1, Jan. - P. 46-57.

75. HeermanP. D. Classification of Multispectral Remote Sensing Data Using a Back-Propagation Neural Network / P. D. Heerman, N. Khazenie // IEEE Trans, on Geoscience and Remote Sensing. 1992. - Vol. 30, Nr 1., - P. 81-88.

76. Holmes Q. A. Textural Analysis and Real-Time Classification of Sea Ice Types Using Digital SAR Data / Q. A. Holmes, D. R. Nuesch, R. A. Shuchman // IEEE Trans, on Geoscience and Remote Sensing. 1984. - Vol. 22, Nr 2, Mar. - P. 113— 120.

77. Identification of Sea Ice Types in Spaceborne Synthetic Aperture Radar Data / R. Kwok, E.Rignot, B.Holt, R. Onstott // J. of Geophys. Research. 1992. -Vol. 97, Nr C2, Febr. - P. 2391-2402.

78. Incidence Angle Dependence of the Statistical Properties of C-Band HH-Polarization Backscattering Signatures of the Baltic Sea Ice / M. Makynen, A. Manninen, M. Simila,

79. J. Katvonen, M. Hallikainen // IEEE Trans, on Geoscience and Remote Sensing. -2002. Vol. 40, Nr 12, Dec. - P. 2593-2605.

80. Kalechke L. ERS-2 SAR Image Analysis for Sea Ice Classification in the Marginal Ice Zone / L. Kalechke, S. Kern // Proc. of IGARSS'02, Canada, Toronto, June, 22-24, 2002. Toronto : s. п., 2002. - Vol. 5. - P. 3038-3040.

81. Karvonen J. A. Baltic Sea Ice SAR Segmentation and Classification Using Modified Pulse-Coupled Neural Networks // IEEE Trans, on Geoscience and Remote Sensing. 2004. - Vol. 42, Nr 7, Jul. - P. 1566-1574.

82. KermanB. Information States in Radar Imagery of Sea Ice // IEEE Trans, on Geoscience and Remote Sensing. 1999. - Vol. 37, Nr 37, May. - P. 1435-1446.

83. KwokR. Backscatter Characteristics of the Winter Ice Cover in the Beaufort Sea / R. Kwok, G. F. Cunningham // J. of Geophys. Research. 1994. - Vol. 99, Nr C4. -P. 7787-7802.

84. Kwok R. Seasonal Ice Area and Volume Production of the Arctic: November 1996 through April 1997 / R. Kwok, G. F. Cunningham // J. of Geophys. Research. 2002. -Vol. 107, Nr C10.

85. Lee Jong-Sen. Segmentation of SAR Images / Lee Jong-Sen, I. Jurkevich // IEEE Trans, on Geoscience and Remote Sensing. 1989. - Vol. 27, Nr 6, Nov. - P. 674680.

86. Levrini G. ENVISAT Calibration and Validation Approach / G. Levrini, E. Attema Electronic resource. // European Space Agency. Mode of access: http://envisat.esa.int/m-s/envisat mission 2001/CalVal/l Intro.html).

87. Lundhaug M. ERS SAR Studies of Sea Ice Signatures in the Pechora Sea and Kara Sea Region / M. Lundhaug, О. M. Johannessen, К. H. Esbensen // Canad. J. of Remote Sensing. 2002. - Vol. 28, Nr 2. - P. 1-14.

88. Maillard P. Comparing Texture Analysis Methods through Classification // Photo-grammetric Eng. and Remote Sensing. 2003. - Vol. 69, Nr 4. - P. 357-367.

89. Maillard P. Operational Map-Guided Classification of SAR Sea Ice Imagery / P. Maillard, D. A. Clausi, H. Deng // IEEE Trans, on Geoscience and Remote Sensing. 2005. - Vol. 43, Nr 12, Dec. - P. 2940-2951.

90. MalnesE. Sea Ice Classification: Correction for Incidence Angle Variation in Radarsat Wide Swath Scenes: NORUT IT-Raport / E. Malnes, T. Guneriussen; NORUT IT. S. 1.: s. п., 2002. - 14 p.

91. MellingH. Detection of Features in First-Year Pack Ice by Synthetic Aperture Radar (SAR) // Intern. J. Remote Sensing. 1998. - Vol. 19, Nr 6. - P. 1223-1249.

92. Microwave Remote Sensing of Sea Ice / ed. F. D. Carsey. Washington (DC): American Geophys. Union, 1992. - 462 p. - (Geophys. Monograph; Nr 68).

93. MollerD. Field Observations of Radar Backscatter from the Ocean Surface under Low Wind Speed Conditions / D. Moller, P. D. Mourad, S. J. Frasier // J. of Geophys. Research. 2000. - Vol. 105, Nr C10, Oct. - P. 24,059-24,069.

94. Monitoring Polynya Processes and Sea Ice Production in the Laptev Sea: Abstr. Nr 137 / C.Haas, W. Dierking, T. Busche, J. Hoelemann, C.Wegener // Proc. of ENVISAT Symp., Salzburg, Sept., 6-10, 2004. Salzburg: s. п., 2004.

95. Multisensor Approach to Automated Classification of Sea Ice / Andrey V. Bog-danov, Stein Sandven, Ola M. Johannessen, Vitaly Yu. Alexandrov, Leonid P. Bobylev // IEEE Trans, on Geoscience and Remote Sensing. 2005. - Vol. 43, №7, July.-P. 1648-1664.

96. Nghiem S. On the Use of ENVISAT ASAR for Remote Sensing of Sea Ice: Abstr. Nr 672 // Abstr. of ENVISAT Symp., Salzburg, 6-10 Sept., 2004. Salzburg: s. п., 2004.

97. Nystuen J. A. Sea Ice Classification Using SAR Backscatter Statistics / J. A. Nystuen, Frank W. Garcia (jr.) // IEEE Trans, on Geoscience and Remote Sensing. 1992. - Vol. 30, Nr 3, May. - P. 502-509.

98. Potential of RADARSAT-2 Data for Operational Sea Ice Monitoring / B. Scheuchl, D. Flett, R. Caves, I. Cumming // Canad. J. of Remote Sensing. 2004. - Vol. 30, № 3. - P. 448-461.

99. Principles and Applications of Imaging Radar: Manual of Remote Sensing / Ed. Floyd M. Henderson, Anthony J. Lewis. 3rd ed. - New York: Camridge Univ. Press, 1998. - Vol. 2. - 880p.

100. Radar Remote Sensing of Sea Ice: Workshop, Gothenburg, 10-11 Oct. 2007 / Karin Borenas, Leif Eriksson, Wolfgang Dierking et. al.; SMHI. [S. 1.: s. п.], 2007.-25 p.

101. Robinson I. S. Measuring the Oceans from Space. The Principles and Methods of Satellite Oceanography /1. S. Robinson. Berlin: Springer-Verlag, 2004. - 669 p.

102. SAR Sea Ice Interpretation Guide : NERSC Technical : Report №227 / О. M. Johannessen, S. Sandven, 0. Dalen, K. Kloster, M. Lundhaug, T. Hamre,

103. V. Melentyev, V. Alexandrov, A. Bogdanov, N. G. Babich. Bergen: s. п., 2003. -105 p.

104. Shokr M. E. Evaluation of Second-Order Texture Parameters for Sea Ice Classification from Radar Images // J. of Geophys. Research. 1991. - Vol. 96, Nr C6, June. - P. 10625-10640.

105. Smith D. M. Sea Ice Type Classification from ERS-1 SAR Data, Based on Grey Level and Texture Information / D. M. Smith, E. C. Barret, J. C. Scott // Polar Rec. -1995.-31 (177).-P. 135-146.

106. SohL. K. ARCTOS: a Knowledge Engineering Software Package for Satellite Sea Ice Classification / L. K. Soh, C. Tsatsoulis // Proc. of IGARSS'00, Honolulu, HI. -Honolulu : s. п., 2000. P. 696-698.

107. SohL. K. ARCTOS: a Knowledge Engineering Software Tool for Images / L. K. Soh, C. Tsatsoulis // Intern. J. of Human-Computer Studies. 2002. - Vol. 57, Nr 6, Dec.-P. 469—496.

108. SohL. K. Texture Analysis of SAR Sea Ice Imagery Using Gray Level CoOccurrence Matrices / L. K. Soh, C. Tsatsoulis // IEEE Trans, on Geoscience and Remote Sensing. 1999. - Vol. 37, Nr 2, Mar. - P. 780-795.

109. SohL. K. Unsupervised Segmentation of ERS and Radarsat Sea Ice Images Using Multiresolution Peak Detection and Aggregated Population Equalization / L. K. Soh, C. Tsatsoulis // Intern. J. of Remote Sensing. 1999. - Vol. 20, Nr 15. - P. 30873109.

110. Synthetic Aperture Radar Marine User's Manual / Ed. C. R. Jackson, J. R. Apel. -Washington (DC) : US Department of Commerce, 2004. 465 p.

111. Ulaby F. Т. Microwave Remote Sensing: Active and Passive / F. T. Ulaby, R. K. Moore, A. K. Fung. Washington (DC).: Addison-Wesley Publishing Company, 1981.-456 p.

112. Wackerman С. C. An Automated Algorithm for Sea Ice Classification in the Marginal Ice Zone Using ERS-1 Synthetic Aperture Radar Imagery: Technical Report / Christopher C. Wackerman, Darren L. Miller. Ann Arbor: ERIM, 1996.

113. Wackerman С. C. Digital SAR Image Formation // Microwave Remote Sensing of Sea Ice / ed. F. D. Carsey. Washington (DC): American Geophys. Union, 1992. -P. 105-110. - (Geophys. Monograph; Nr 68).

114. Weeks W. F. Growth Structure and Properties of Sea Ice / W. F. Weeks, S. F. Ackley // The Geophysics of Sea Ice / ed. N. Untersteiner. New York : Plenum Press, 1986. - Vol. 146, chap. 1. - P. 9-153. - (NATO ASI Series. Series B: Physics).

115. Winebrenner D. P. Observation of Autumn Freeze-up in the Beaufort and Chukchi Seas Using the ERS-1 Synthetic Aperture Radar / D. P. Winebrenner, B.Holt, E. D.Nelson // J. of Geophys. Research. 1996. - Vol. 101, Nr C7. - P. 1640116419.43 p.