Исследование и разработка методов обработки спутниковых данных для изучения сезонов таяния и динамики ледового покрова Арктики тема диссертации и автореферата по ВАК РФ 25.00.30, кандидат физико-математических наук Еремеев, Владимир Алексеевич

  • Еремеев, Владимир Алексеевич
  • кандидат физико-математических науккандидат физико-математических наук
  • 2004, Москва
  • Специальность ВАК РФ25.00.30
  • Количество страниц 126
Еремеев, Владимир Алексеевич. Исследование и разработка методов обработки спутниковых данных для изучения сезонов таяния и динамики ледового покрова Арктики: дис. кандидат физико-математических наук: 25.00.30 - Метеорология, климатология, агрометеорология. Москва. 2004. 126 с.

Оглавление диссертации кандидат физико-математических наук Еремеев, Владимир Алексеевич

ВВЕДЕНИЕ.

ГЛАВА 1. СРАВНИТЕЛЬНЫЙ АНАЛИЗ СОВРЕМЕННЫХ СИСТЕМ СПУТНИКОВОГО МОНИТОРИНГА И БАЗ ДАННЫХ ДЛЯ ИЗУЧЕНИЯ ЛЕДОВОГО ПОКРОВА АРКТИКИ

1.1 Сравнительный анализ систем мониторинга ледового покрова Арктики на базе спутниковых активных и пассивных сенсоров.

1.2 Анализ современных методов обработки спутниковых данных для определения геофизических параметров ледового покрова.

1.3. Анализ геофизических баз данных Арктики, созданных на основе спутниковых измерений, сети буев, данных подводных лодок и метеорологических станций.

1.4, Определение основных направлений исследований, связанных с информационным обеспечением проблем изучения климата.

Рекомендованный список диссертаций по специальности «Метеорология, климатология, агрометеорология», 25.00.30 шифр ВАК

Введение диссертации (часть автореферата) на тему «Исследование и разработка методов обработки спутниковых данных для изучения сезонов таяния и динамики ледового покрова Арктики»

Изучение Арктики имеет большое значение для решения различных научных и практических задач.

Одной из актуальных современных научных проблем является проблема глобального изменения климата, выявление тенденций, поиск индикаторов такого изменения и прогнозирование климата в будущем. Последствия изменения климата могут привести к ряду негативных процессов, в частности, к ухудшению экологической ситуации в ряде регионов, изменению основных параметров среды обитания животных и т.д. [3, 13, 15, 35, 51, 60, 86, 91, 115].

Арктический морской лед представляет собой важную компоненту климатической системы, поскольку он модулирует климат вследствие изменения коротковолнового альбедо земной поверхности, температуры воздуха, влажности и обмена кинетической энергией между атмосферой и океаном [3, 6, 14, 16, 22, 38, 57, 67, 74,91,93,96, 125, 126, 144, 149].

Данные о дрейфе льда, его пространственном распределении, возрасте, типах, концентрации, наличии айсбергов и торосов весьма важны для навигации, рыбного промысла, добычи нефти и газа в полярных районах и др. [14, 22, 31, 50, 52 - 56, 61, 91, 118, 127].

Из-за сложных климатических условий в полярных регионах, высокой стоимости и опасности наземных и воздушных наблюдений в последние десятилетия широкое использование приобрело дистанционное зондирование с использованием спутниковых систем и с многоканальными активными и пассивными сенсорами [1-19, 23, 27-33, 36, 37, 75-80, 83, 147-149].

Современные спутниковые системы наблюдения работают в оптическом, инфракрасном и микроволновом диапазонах электромагнитного излучения. Однако, применение инфракрасных и оптических сенсоров в Арктике ограничено из-за продолжительной полярной ночи и облачности, поэтому наиболее эффективными являются микроволновые активные и пассивные сенсоры, так как их функционирование практически не зависит от освещенности поверхности и состояния атмосферы [1-19, 28-37, 51-69, 127].

Дистанционное зондирование Арктики началось в 1970-х годах на базе метеорологических спутников серий Landsat и Nimbus, оснащенных пассивными сенсорами, измеряющими интенсивность собственного излучения Земли и атмосферы

45, 56, 66, 67, 69, 71, 93-97, 137]. Среди спутниковых систем мониторинга Арктики, функционирующих настоящее время в операционном режиме, следует выделить серии спутников (ЖЕЛН-01 (Россия), DMSP (США), Radarsat (Канада), ERS (Европейское Космическое агентство) и JERS (Япония) [3, 4, 6-29, 30, 52, 54-56, 60, 62-69, 75, 127].

На российских спутниках серии ÛKEAH-01 установлены оптические сенсоры типа МСУ, радары с реальной апертурой и пассивные микроволновые радиометры типа РМ-08 [17, 29, 30, 36]. Это позволяет получать синхронные активные и пассивные микроволновые измерения при любых погодных условиях и освещенности, а достаточно большая полоса обзора (450 км), среднее разрешение (1.2 км) и высокая частота повторного наблюдения заданной территории (3 дня) обеспечивает систематический мониторинг Арктики [3, 6]. Спутники серии ОКЕАН-О оснащены восьмиканальным радиометром Дельта-2Д [36].

Многоканальные микроволновые радиометры SSM/I спутников серий 5D-2 и DMSP (F8, F11 и F13) (США) обеспечивают получение микроволновых данных об основных типах морского льда, их концентрации и возрасте [11, 45, 53, 62-69, 71-73, 75, 78, 83, 84, 88, 92-97, 103-105, 114, 120, 122, 134-138]. Однако эти данные имеют низкое разрешение (25 км), что ограничивает их использование для детального анализа ледового покрова.

Радары с синтезированной апертурой (на спутниках ERS, JERS, RADARSAT) имеют высокое пространственное разрешение (от 7 до 150 м), но обладают маленькой полосой обзора [11, 53, 56, 58, 60, 86, 87, 111-113, 118, 122, 127, 130]. Поэтому они эффективны для более детального анализа ледового покрова. Учитывая ограниченный период функционирования соответствующих спутников, их данные не могут быть применены для многолетних глобальных исследований климата.

В настоящее время вопросам обработки и классификации микроволновых спутниковых данных уделяется большое внимание. Для проверки и валидации данных одних сенсоров используются имеющееся ограниченное количество результатов наземных наблюдений и данные других сенсоров [1-19, 27, 47, 87-103, 104, 110, 112, 129, 130, 136, 137].

В работах российских ученых [1, 4, 6, 7, 8, 11, 13, 14, 15, 16, 18, 19, 33, 51, 53, 54, 55, 56, 58, 62] исследованы различные вопросы обработки активных и пассивных микроволновых данных спутников серии ОКЕАН-О 1 и КОСМОС-1500 с использованием алгоритмов линейной смеси. Сравнительный анализ различных методов оценки параметров арктического морского льда с использованием пассивных и активных микроволновых спутниковых данных (ОКЕАН-01, RADARSAT, SSM/I) представлен в [4, 6, 11, 51, 53, 57, 58, 60, 62, 87].

Два операционных алгоритма (NASA Team и Bootstrap) оценивания типов и концентрации морского льда на базе моделей линейной смеси по данным микроволнового радиометра SSM/I рассмотрены и проанализированы в работах [6, 11, 53, 63, 72, 88]. Эти алгоритмы используются в операционном режиме в Ледовом центре университета Колорадо. По данным SSM/I и его предшественника SMMR создаются среднесуточные карты типов и концентраций морского льда (с 1978 года по настоящее время). Этот набор данных в настоящее время является основным источником информации для глобальных моделей и исследований полярных регионов [11, 45, 47, 49, 51, 53, 57, 60, 62, 64, 66-104, 105, 114, 115, 120, 134-138]. Однако алгоритм NASA Team дает заниженную оценку суммарной концентрации морского льда по сравнению с алгоритмами обработки радарных данных, таких как ERS SAR и RADARSAT SAR [53, 76, 87, 111, 112]. В алгоритме NASA Team используются набор из 9 глобальных опорных значений и предполагается, что вода, многолетний и однолетний лед имеют стабильные отражательные характеристики [63, 72, 88]. Этот алгоритм чувствителен к содержанию водяного пара в атмосфере, поэтому дает заниженную концентрацию многолетнего льда летом.

В статье [139] предложен метод классификации данных RADARSAT (ScanSAR) на лед и воду, проведена оценка скорости таяния льда и скорости перемещения границы льда в районе побережья острова Ньюфаундленд. Метод классификации льда и воды, представленный в этой работе, достаточно прост и эффективен, позволяет исключать грубые выбросы в значениях данных, что исключает ошибочную классификацию. Однако этот метод применялся для уточнения границ и формы отдельных льдин, а для их определения на изображениях использовался визуальный анализ, что делает невозможным применение этого метода для обработки в операционном режиме больших массивов данных. Валидация данных RADARSAT по результатам визуальных наблюдений проведена в [130]. В этой работе проанализированы особенности восприятия радаром различных форм льда (ледяное сало, нилас, однолетний лед, айсберги). В работе отмечено соответствие между данными RADARSAT и измерениями других сенсоров (SSM/I, AVHRR). Основная проблема классификации льда по радарным данным заключается в разделении открытой воды и молодых форм льда. Показано, что нилас обладает такими же отражательными характеристиками, как и открытая вода, но окружен другими типами льда, поэтому нилас можно выделить на данных RADARSAT. В работе [76] представлен метод оценки типов и концентраций морского льда с одновременным использованием данных ERS и RADARSAT. Оценки концентрации льда по результатам визуальных наблюдений с борта научно исследовательского судна были на 1% меньше оценок, полученных по радарным данным, а результаты вычислений по алгоритму NASA Team оказались ниже на 15-25%. В работе [87] проведена оценка результатов работы операционного алгоритма классификации льда по данным ERS, используемого в центре приема и обработки данных при Геофизическом университете шт. Аляска, США. Отличия от результатов классификации с обучением составили 6% для многолетнего льда.

Вопросы изучения динамики ледового покрова Арктики по данным спутниковых систем наблюдения представлены в работах [3, 10, 11, 45, 53, 55, 69, 93, 95,97, 120].

В работе [120] были выявлены отрицательные тренды площади морского льда за 18.2-летний период (1978-1996) по всему северному полушарию и по отдельным его регионам. Значения площади и протяженности вычислялись по среднесуточным концентрациям морского льда, полученным по данным микроволновых радиометров SMMR и SSN1/I. В этой работе не исследована вариабельность различных типов льда, т.к. данные сенсора SMMR позволяют вычислять только суммарную концентрацию морского льда. В [55] были получены 28-летние тренды протяженности ледового покрова в Баренцевом-Карском морях по результатам комплексной обработки активных и пассивных данных со спутников серии КОСМОС, ОКЕАН, Алмаз (19841993) и опубликованным в литературе результатам наблюдений за ледовым покровом за период 1966-1988 гг. В работах [45, 97] также изучены тренды площади и протяженности ледового покрова в северном полушарии и отдельных регионах, проведен анализ их пространственного распределения, выявлены отрицательные тренды площади морского льда. Наибольшие по величине отрицательные тренды выявлены в Чукотском, Японском, Охотском и Лаптевых морях.

Точное оценивание параметров морского льда требует решения ряда проблем, общих для всех микроволновых сенсоров, так как отражательные и излучательные характеристики льда нелинейно зависят от множества факторов (диэлектрические свойства, плотность, однородность, шероховатость поверхности, частота и поляризация, на которые настроен сенсор, его угол наблюдения и т.п.) [90]. Более того, в условиях таяния мокрый снег и талая вода на поверхности льда скрывают более стабильные объекты [71, 109, 110], и определение тонкого молодого льда проблематично [63, 73]. Следовательно, для максимально полного использования различных способностей различных сенсоров необходима разработка новых методов классификации, использующих данные с разных спутников.

Использование искусственных нейронных сетей (ИНС) для обработки спутниковых данных весьма перспективно, так как ИНС обладают способностью аппроксимировать различные функции после соответствующего обучения без априорного знания законов их распределения [12, 31, 82, 131].

В работе [4] представлен сравнительный анализ алгоритмов классификации морского льда по двухканальным микроволновым данным спутников серии ОКЕАН-01: с использованием многослойного перцептрона с различными алгоритмами обучения и на базе моделей линейной смеси и эталонных таблиц радиофизических параметров основных типов морского льда. Рассматривались динамические алгоритмы обучения нейронных сетей на основе Калмановской фильтрации и двуступенчатой оптимизации и комбинированный алгоритм обучения обратным распространением ошибки и эмуляцией отжига. Результаты классификации изображений с помощью искусственной нейронной сети и моделей линейной смеси совпадали на 90-93%, существенное расхождение имелось на границе однолетнего и многолетнего льда. При обучении нейронных сетей классификации данных ОКЕАН-01 динамический алгоритм требовал меньшего времени обучения. В этой работе показано, что нейронные сети с динамическим обучением были более эффективны по сравнению с M СП с обучением методом обратного распространения ошибки и эмуляции отжига при аппроксимации полиномов с идеальными обучающими данными. Оценка концентрации многолетнего льда но радиояркостным температурам SSM/I и соответствующим наборам обучающих данных 0кеан-01 показала, что динамические алгоритмы приводят к переобучению по сравнению с методом обратного распространения ошибки и эмуляции отжига.

Температура воздуха вблизи поверхности льда является важным климатическим параметром. Однако создание глобальной базы данных температуры воздуха полярных регионов сопряжено с рядом трудностей. В [125] представлена база данных значений температуры воздуха, осредненных за 12-часовые периоды за 1979-1997 гг. Температура дана в виде сетки с расстоянием между узлами 100км. Значения в узлах были получены при помощи интерполяции данных наблюдений из следующих источников: дрейфующие буи международной программы International Arctic Buoy Programme (IABP), российские дрейфующие станции и метеорологические данные с материковых станций. Созданный набор данных называется International Arctic Buoy Program/Polar Exchange at the Sea Surface (IABP/POLES).

По этой базе данных проведены оценки средней даты начала и окончания сезона таяния и средней длительности сезона таяния. За период 1978-2000 гг. выявлен положительный тренд длительности сезона таяния величиной 0.5 дней за 10 лет.

Процессы таяния ледового покрова тесно связаны с изменениями коротковолнового альбедо поверхности. Для определения момента начала таяния и замерзания в настоящее время используются как активные, так и пассивные спутниковые данные: RADARSAT [111, 127], ERS [147], Океан [16, 57, 60], SSM/I [57, 122] и др.

В [16, 60] предложен алгоритм определения концентрации талых озер и отражающей способности поверхности по данным синхронных микроволновых измерений SSM/I и «0кеан-01», проведена валидация алгоритма по данным оптического сенсора AVHRR. Оценки концентрации талых озер по данным AVHRR превышали оценки по микроволновым данным на 2-5%, оценки альбедо по данным канала 1 AVHRR превышали оценки альбедо по микроволновым данным не более чем на 0.04.

В работах [49, 77-79] предложен алгоритм определения даты начала таяния по среднесуточным радиояркостным температурам с пассивных микроволновых сенсоров SMMR/SSM/I. В работе [57] для улучшения точности определения дат начала таяния и замерзания совместно с этим алгоритмом были использованы температуры IABP/POLES. В этих работах были выявлены положительные тренды средней даты начала сезона таяния и средней длительности сезона таяния.

Целью данной диссертационной работы являлось исследование и разработка более эффективных методов, алгоритмов и программного обеспечения для оценки геофизических параметров ледового покрова Арктики, создания многолетней консистентной базы спутниковых данных, исследование многолетней динамики и вариабельности параметров ледового покрова и сезонов таяния Арктики.

В главе 1 представлен сравнительный анализ современных систем спутникового мониторинга ледового покрова Арктики на базе активных и пассивных сенсоров. Рассматриваются спутники серий 0кеан-01, ERS, JERS, RADARSAT, система мониторинга на базе метеорологических спутников Nimbus-7, DMSP. Показано, что микроволновые сенсоры имеют ряд преимуществ перед оптическими в задачах дистанционного зондирования Арктики (данные практически не зависят от облачности и освещенности поверхности). Проведен сравнительный анализ различных алгоритмов оценивания типов морского льда по микроволновым измерениям сенсоров типа БММЛ и и данным радаров с синтезированной апертурой типа ЕЯ5-1 и 11А0АНЗАТ.

Проанализированы также алгоритмы обработки многоканальных и гиперспектральных данных. Рассмотрены современные геофизические базы данных Арктики, созданные на основе измерений спутниковых сенсоров, сети буев, подводных лодок и метеорологических станций.

В главе 2 проведен анализ алгоритмов оценивания типов морского льда по активным и пассивным микроволновым данным спутников серии 0кеан-01 на основе модели линейной смеси. Проведена разработка аппроксиматоров на основе искусственных нейронных сетей (ИНС) для оценок геофизических параметров морского льда по многоканальным пассивным микроволновым спутниковым данным. Для оценки концентрации многолетнего льда использовались многослойные перцептроны. Проведен также анализ и разработка алгоритмов оценивания начала, окончания и длительности периода таяния ледового покрова Арктики. В данной главе проведено исследование и разработаны алгоритмы построения консистентных баз данных для изучения сезонной и многолетней динамики ледового покрова и процессов таяния. Наряду с разработкой алгоритмов в главе исследованы вопросы создания вычислительной системы обработки, хранения и интерпретации спутниковых данных.

В главе 3 проведено исследование многолетней динамики ледового покрова Арктики и связей с арктическими осцилляциями (АО). Выявлены отрицательные тренды площади многолетнего морского льда в Северном Ледовитом океане, выявлены положительные тренды длительности сезона таяния в северном полярном регионе и отдельных его частях. Наблюдалась существенная корреляция между средней площадью многолетнего льда и среднезимним индексом АО и между средней длительностью сезона и среднезимним индексом АО.

В заключении перечислены основные результаты работы по исследованию и разработке методов обработки многоканальных спутниковых данных для изучения сезонной и многолетней динамики ледового покрова Арктики. Кроме того, отмечается, что максимальная эффективность мониторинга Арктики может быть достигнута при совместной обработке данных разных сенсоров с использованием современных перспективных нейросетевых алгоритмов, и дальнейшее повышение эффективности мониторинга Арктики связано с применением современных гиперспектральных сенсоров, разработкой новых методов обработки данных и разработкой методов ускорения работы существующих алгоритмов.

Автор выражает особую благодарность научному руководителю, Бельчанскому Геннадию Ильичу, за большую помощь в период подготовки и написания данной диссертации, а также своим коллегам И.Н. Мордвинцеву, Н.Г.Платонову, И.В. Алпацкому.

Основные материалы диссертации представлены в [5, 11, 17, 28, 60, 62].

Похожие диссертационные работы по специальности «Метеорология, климатология, агрометеорология», 25.00.30 шифр ВАК

Заключение диссертации по теме «Метеорология, климатология, агрометеорология», Еремеев, Владимир Алексеевич

Основные результаты работы следующие:

• Проведен сравнительный анализ современных систем спутникового мониторинга и методов сбора и обработки данных для создания баз данных геофизических параметров Арктики на базе активных и пассивных систем наблюдения, сети буев и данных подводных лодок;

• Проанализированы современные алгоритмы обработки спутниковых данных для оценивания геофизических параметров ледового покрова Арктики;

• Проведен сравнительный анализ современных геофизических баз данных Арктики, созданных на основе спутниковых измерений, сети буев, данных подводных лодок и метеорологических станций;

• Проведено исследование и разработка алгоритмов определения концентрации многолетнего морского льда по микроволновым измерениям спутников серий Nimbus-7, DMSP, 0кеан-01, ERS, RADARSAT на основе искусственных нейронных сетей;

• С использованием искусственных нейронных сетей вычислены среднесуточные оценки концентрации многолетнего морского льда на каждый день за период с 1979 по 2002 гг;

• Создана вычислительная система обработки, хранения и интерпретации спутниковых данных, для оценивания сезонной, региональной и многолетней динамики геофизических параметров ледового Арктики

• Разработана консистентная база данных изображений и геофизических параметров ледового покрова Арктики за период с 1979 по 2002 гг;

• Проведено исследование региональной и многолетней динамики площади многолетнего морского льда в зимний период, выявлены тренды значений, подтверждающие гипотезу о потеплении климата, выявлена корреляция между динамикой многолетнего морского льда и средним за зимний период значением индекса арктических осцилляций;

• Проведено исследование многолетней и региональной динамики процессов таяния в Арктике, выявлены положительные тренды длительности сезона таяния, выявлена корреляция между средней длительностью сезона таяния и средними значениями индекса арктических осцилляций, выявлены тренды значений, подтверждающие гипотезу о потеплении климата.

Исследованные и разработанные в диссертации алгоритмы реализованы на IBM PC-совместимых компьютерах с операционной системой Windows NT Workstation 4.0. Использовалось программное обеспечение комплексов «ОКЕАН», ГИС IDRISI for Windows 2.0 и ERDAS Imagine 8.6 [81, 85]. Для получения и обработки результатов использовались программные продукты и собственные разработки диссертанта. Так как в задачи программного обеспечения входили оценка геофизических параметров ледового покрова, работа с базами данных, моделирование нейронных сетей, статистическая обработка данных, выполнение различных операций в пакетном режиме, связь между различными программными модулями, то были использованы языки программирования высокого уровня С, Perl, SQL, R, awk, bash shell script [24, 34, 46, 101, 123, 128, ].

В целом проведенные исследования показали, что использование данных спутникового мониторинга Арктики имеет высокую эффективность для экологических исследований и выявления и прогнозирования глобальных изменений климата. Полученные результаты показывают необходимость совершенствования алгоритмов и привлечения дополнительных данных. Максимальная эффективность мониторинга Арктики может быть достигнута при совместной обработке данных разных сенсоров с использованием современных перспективных нейросетевых алгоритмов, и дальнейшее повышение эффективности мониторинга Арктики связано с применением современных гиперспектральных сенсоров, разработкой новых методов обработки данных и разработкой методов ускорения работы существующих алгоритмов.

Результаты диссертации использовались при создании специализированных баз данных многоспектрального спутникового мониторинга Арктики, биотелеметрического мониторинга местообитаний крупных млекопитающих Российской Арктики (1995-1999 гг) в регионах Баренцева, Карского, Лаптевых и Чукотского морей. Полученные результаты могут быть рекомендованы для специалистов проектных и научных организаций и студентов высших учебных заведений, работающих в области изучения климата, природных ресурсов, экологии.

Диссератционная работа выполнялась в рамках различных федеральных и международных программ, в частности: ГНТП «Изучение Мирового океана, Арктики и Антарктики»; Российского Фонда Фундаментальных Исследований (РФФИ); ГНТП «Астрономия. Фундаментальные космические исследования»; Российско-Американского межправительственного соглашения по охране окружающей среды.

ЗАКЛЮЧЕНИЕ

Диссертационная работа посвящена исследованию и разработке алгоритмов и программного обеспечения для оценки геофизических параметров ледового покрова Арктики, созданию многолетней консистентной базы геофизических данных, оценке многолетней динамики и вариабельности параметров ледового покрова и сезонов таяния Арктики, связи динамики ледового покрова с арктическими осцилляциями.

Список литературы диссертационного исследования кандидат физико-математических наук Еремеев, Владимир Алексеевич, 2004 год

1. Асмус В.В., Никитин П.А., Попов А.Е. и др. Цифровая обработка радиолокационных изображений, полученных со спутника "Космос-1500" // Исслед. Земли из космоса. 1985. № 3. С. 107-114.

2. Афанасьев Ю.А., Нелепо Б.А., Селиванов A.C. и др. Программа экспериментов ИСЗ "Космос-1500" // Исслед. Земли из космоса. 1985. № 3. С. 3-8.

3. Бельчанский Г.И. К вопросу индикации глобальных изменений по трендам протяженности ледяного покрова с использованием спутниковых данных // Доклады РАН. 1995. Т. 343. № 1. С. 130-135.

4. Бельчанский Г.И., Алпацкий И.В. Сравнительный анализ алгоритмов оценки параметров морского льда по спутниковым данным «0кеан-01» на основе линейных моделей и искусственных нейронных сетей // Исслед. Земли из космоса. 2000. № 4. С. 40-54.

5. Бельчанский Г.И., Дуглас Д., Козленко H.H. Оценка типов и концентраций морского льда по двухканальным микроволновым данным активных и пассивных систем наблюдения // Исслед. Земли из космоса. 1996. №6. С. 2839

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

7. Бельчанский Г.И., Еремеев В.А. Рецензия на книгу «Алгоритмы параллельной обработки в ГИС» под ред. Р. Хили, С. Дауэрса, Б. Гиттингса, М. Майнетера // Исследование Земли из космоса, РАН, №4, 1998., с. 121 122.

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

9. Бельчанский Г.И., Мордвинцев И.Н., Овчинников Г.К., Петросян В.Г., Дуглас Д. Обработка данных КА "Океан" для классификации растительности бореальных лесов // Исслед. Земли из космоса. 1993. № 2. С. 25-34.

10. Бельчанский Г.И., Овчинников Г.К., Дуглас Д. Обработка данных космического мониторинга для документирования параметров среды обитания млекопитающих Арктики // Исслед. Земли из космоса. 1993. № 4. С. 44-53.

11. Бельчанский Г.И, Петросян В.Г., Гарнер Г., Дуглас Д. Изучение экологии белого медведя в Российской Арктике по данным спутниковой биотелеметрии // Успехи современной биологии. 1997. Том 117. С. 336-345.

12. Бельчанский Г.И., Платонов Н.Г. Оценивание и документирование талых озер и альбедо морского льда по данным спутниковых микроволновых измерений // Исслед. Земли из космоса. 2002. № 1. с 1-16.

13. Бельчанский Г.И., Платонов Н.Г., Еремеев В.А. Алгоритм калибровки микроволнового радиометра орбитального комплекса «0кеан-01» по данным SSM/I // Исслед. Земли из космоса. 1999. №1. С. 58-69.

14. Бурцев А.И., Кровотынцев В.А., Назиров М., Никитин П.А., Спиридонов Ю.Г. Радиолокационные карты Арктики и Антарктики по данным ИСЗ "Космос-1500" и предварительные результаты их анализа // Исслед. Земли из космоса. 1985. № 3. С. 54-63.

15. Бушуев A.B., Грищенко В.Д., Масанов А.Д. Дешифрирование морских льдов на радиолокационных спутниковых снимках // Исслед. Земли из космоса. 1985. №3. С. 9-15.

16. Вентцель Е.С. Теория вероятностей. 1961. М. Государственное издательство физико-математической литературы. 564 стр.

17. Вайновский П.А., Методы обработки и анализа океанологической информации: Многомерный анализ. 1992. СПб.: РГГМИ. 96с.

18. Волков A.M., Грищенко В.Д., Куравлева Т.Г. и др. Принципы построения космической системы нового поколения для ледовых и гидрометеорологических наблюдений // Исслед. Земли из космоса. 1995. № 1. С. 63-72.

19. Гонин Г.Б. Космические съемки Земли. JL: Недра, 1989. 252 с.

20. Грабер М. Введение в SQL (пер. с англ.). М.: ЛОРИ. 1996. 375 с.

21. Добровольский А.Д., Залогин Б.С. Моря СССР. М.: Мысль, 1982. 184 с.

22. Дьяконов В.П., Абраменкова И.В., Круглов В.В., Matlab 5 с пакетами расширений. М.: «Нолидж». 2001. 878 с.

23. Еремеев В.А. К вопросу создания консистентных баз данных радиояркостных температур с различных спутниковых систем для изучения вариабельности геофизических параметров ледового покрова Арктики // Исследование Земли из космоса, РАН, №3, 2003. с. 59-72.

24. Еремеев В.А., Мордвинцев И.Н., Платонов Н.Г., Современные гиперспектральные сенсоры и методы обработки гиперспектральных данных. Обзор // Исследование Земли из космоса, РАН. №6. 2003. с. 1-11.

25. Изделие OKEAH-Ol № 7. Исходные данные для обработки и интерпретации информации потребителями. М.: НПО «Планета», 1993. 94 с.

26. Изделие OKEAH-Ol № 8 (Сич №1). Исходные данные для обработки и интерпретации информации потребителями. Дн.: ГНПП «Орбита», НТЦ «УНИТИ-АРИАДНА». 1995. 88 с.

27. Забавин А.Б., Использование искусственных нейронных сетей в задачах изучения земли из космоса. // Исследование земли из космоса, РАН. № 6. 2000. с. 79-93.

28. Зайцев В.В., Зайцев Вл.В., Трошкин Д.В. Экспериментальное исследование алгоритмов фильтрации спекл-шума на радиолокационных изображениях // Исслед. Земли из космоса. 1994. №6. С. 30-42.

29. Калмыков А.И., Пичугин А.П., Синицын Ю.А. и др. Особенности обработки радиолокационной информации о земной поверхности с аэрокосмических носителей // Исслед. Земли из космоса. 1983. № 6. С. 91-96.

30. Керниган Б., Ритчи Д., Язык программирования Си. М.: Финансы и статистика, 1992. 272 с.

31. Кондратьев К .Я. Глобальный климат. С.-Пб.: Наука, 1992. 359 с.

32. Космический аппарат «Океан-О» №1. Исходные данные для обработки и интерпретации информации потребителями. ГКБ «Южное», ГП «Днепрокосмос». 1998. 96 с.

33. Кровотынцев В.А., Милехин O.E. Характеристики радиолокационного обратного рассеяния морских льдов Арктики по данным ИСЗ «Океан» // Исслед. Земли из космоса. 1998. № 2. С. 68-80.

34. Матвеев JI.T. Физика атмосферы. 2000. СПб.: Гидрометеоиздат. 778 с.

35. Павловский 3. Введение в математическую статистику. 1967. М. "Статистика", 287 стр.

36. Смирнов Н. П., Вайновский П. А., Титов Ю. Э. Статистический диагноз и прогноз океанологических процессов. 1992. СПб.: Гидрометеоиздат, 197 с.

37. Смирнов Н. П., Воробьев В. Н., Качанов С. Ю. Северо-атлантическое колебание и климат. 1998. СПб.: РГГМУ. 121 с.

38. Смирнова Н.П., Скляренко B.J1., Методы многомерного статистического анализа в гидрологических исследованиях. 1986. Л.: ЛГУ, 192с.

39. Уилкс. С. Математическая статистика. 1967. М. "Наука", 637 стр.

40. Хромов С.П., Мамонтова Л.И. Метеорологический словарь. 1974. СПб.: Гидрометеоиздат. 568 с.

41. Шалина Е.В., Йоханнессен О.М., Изменение ледового покрытия Баренцева, Карского, Восточно-Сибирского морей и моря Лаптевых по данным приборов SMMR и SSM/I за период с 1978 по 1999 год. // Исслед. Земли из космоса. 1999. №4. С. 44-53.

42. Шварц Р.Л., Феникс Т. Изучаем Perl. Спб.: Питер; К. Издательская группа BHV. 2002. 288 с.

43. Abdalati, W., К. Steffen, С. Otto and К. Jezek. Comparison of Tbs from SSM/I instruments on the DMSP F8 and F11 satellites for Antarctica and the Greenland ice sheet. International Journal of Remote Sensing. 1995. 16:1223-1229.

44. Amary S., Murata N., Muller K.-R, Funke M., Yang H. Asymptotic Statistical theory of Overtraining and Cross-validation. // IEEE Transactions on Neural Networks. 1997. Vol. 8, No. 5, pp. 985-996.

45. Anderson M.R., Determination of a melt-onset date for Arctic sea-ice regions using passive microwave data. // Annals of Glaciology, 1997, vol. 25, p. 382-387,

46. Arthur, S. M., Manly, B. F. J., McDonald, L. L. and Garner, W. G., 1996. Assessing habitat selection when availability changes. Ecology, Vol. 77(1), pp. 215-227.

47. Belchansky G.I., Douglas D.C. Classification methods for monitoring Arctic sea-ice using OKEAN passive / active two-channel microwave data // J. Remote Sens. Environ. 2000. V. 73. № 3. P. 307-322.

48. Belchansky G.I., Douglas D.C. Seasonal comparisons of sea ice concentration estimates derived from SSM/I, OKEAN, and RADARS AT Data // J. Remote Sens. Environ. 2002. 81(1). P. 67-81.

49. Belchansky G.I., Douglas D.C., Mordvintsev I.N., Ovchinnikov G.K. Assessing trends in Arctic sea ice distribution using Kosmos-Okean satellite series // Polar Record. 1995. V. 31. № 177. P. 129-134.

50. Belchansky G.I., Douglas D.C., OvchinniKov G.K. Comparative evaluation of Almaz, ERS-1, JERS-1 and Landsat-TM for discriminating wet tundra habitats // Polar Record. 1995. V. 31. № 177. P. 161-168.

51. Belchansky G. I., Douglas D. C., Platonov N. G., Duration of the Arctic sea ice melt season: Regional and interannual variability, 1979-2001 // J. Climate. 2004. 17. P. 67-80.

52. Belchansky G.I. Eremeev V.A., Mordvintsev I.N., Evaluation of optical and radar satellite imaging for discriminating sea-ice characteristics // Proceeding of ADRO Final Symposium, 1998.

53. Belchansky G.I., Mordvintsev I.N., Douglas D.C. Assessing variability and trends in Arctic sea-ice distribution using satellite data / Proc. IGARSS'96 / 1996. P. 642644.

54. Belchansky G.I., Pichugin A.P. Radar sensing of polar regions. / Proc. Int. Conf. on the role of polar regions in global change / Ed. G. Weller, C.L. Wilson and B.B. Severin. Geophysical Institute, University of Alaska, Fairbanks. 1991. № I, P. 4757.

55. Cavalieri D.J. A microwave technique for mapping thin sea ice // J. Geophys. Res.1994. V. 99. № C6. P. 12561-12572.

56. Cavalieri, D.J., Burns, B.A., and Onstott, R.G. Investigation of the effects of summer melt on the calculation of sea ice concentration using active and passive microwave data. // J. Geophys. Res. 1990. V. 95. № C4. P. 5339-5369.

57. Cavalieri D.J., Germain K.M. Arctic sea ice research with satellite passive microwave radiometers // IEEE. Geosci. Remote Sens. Soc., IEEE NEWSLET.1995. December. P. 6-12.

58. Cavalieri D.J., Gloersen P., Campbell W.J. Determination of sea ice parameters with Nimbus-7 SMMR // J. Geophys. Res. 1984. V. 89. P. 5355-5369.

59. Cavalieri D.J., Martin S., Gloersen P. Nimbus-7 SMMR observation of Bering Sea ' Ice cover during March 1979 // J. Geophys. Res. 1983. V. 88. P. 2743-2754.

60. Cavalieri D.J, Parkinson C.L. Large-scale variations in observed Antarctic sea ice extent and associated atmospheric circulation // Monthly Weather Review. 1981. V. 109. P. 2323-2336.

61. Cavalieri D.J., Parkinson C.L., Gloersen P., et al. Deriving long-term time series of sea ice cover from satellite passive-microwave multisensor data sets. // J. Geophys. Res. 1999. V. 104.№C7. P. 15803-15814.

62. Chen K.S., Huang W.P., Tsay D.H., et. al. Classification of Multifrequency Polarimetric SAR Imagery Using a Dynamic Learning Neural Network // IEEE Trans. Geosci. Remote Sens. 1996. V.34, № 3. P. 814-820.

63. Comiso J.C. Arctic multiyear ice classification and summer ice cover using passive microwave satellite data. //J. Geophys. Res. 1990. V. 95. № C8. P. 13411-13422.

64. Comiso J.C. Correlation and trend studies of the sea-ice cover and surface temperature in the Arctic // Ann. Glaciol. 2002. V. 34. P. 420-428

65. Comiso J.C., Cavalieri D.J., Parkinson C.L., Gloersen P. Passive microwave algorithms for sea ice concentration: comparison of two techniques // J. Remote Sens. Environ. 1997. V. 60. P. 357-384.

66. Curry, J. A, J. L. Schramn, and E. E. Ebert On the ice albedo climate feedback mechanism. // J. Climate, 1995. 8, 240-247.

67. DMSP SSM/I brightness temperature and ice concentrations grids for the Polar regions. User's Guide. NSIDC Distributed Active Center, University of Colorado, Boulder. 1995.

68. Dokken S.T., Hakansson B., Askne J. Arctic sea ice concentration from RADARSATand ERS. Proceedings of ADRO Final Symposium. 1998.

69. Drobot S., M. Anderson. 2001. Snow Melt Onset Over Arctic Sea Ice from SMMR and SSM/I Tbs. Boulder, CO, USA: National Snow and Ice Data Center. Digital Media.

70. Drobot, S. D., and M. R. Anderson. Comparison of interannual snowmelt-onset dates with atmospheric conditions. // Ann. Glaciol., 2001. 33, 79-84.

71. Drinkwater M.R., Liu X. Seasonal to Interannual Variability in Antarctic Sea-Ice Surface Melt// IEEE Trans. Geosci. Rem. Sens. 2000. V. 38. N 4. P 1827-1842

72. Eastman J.R. IDRISI for Windows, ver. 2.0, User's Guide. Clark University. Worcester, MA. 1997. 350 p.

73. Egmont-Petersen M., Ridder de D., Handels H., Image processing with neural networks a review// Pattern recognition. 2002. N 35. 2279-2301.

74. Emery W.J., Fowler C., Maslanik J.K. Arctic sea ice concentrations from special sensor microwave imager and advanced very high resolution radiometer satellite data//J. Geophys. Res. 1994. V. 99. № C9. P. 18.329-18.342.

75. Eppler D.T., Farmer L.D., Lohanick A.W. et al. Passive microwave signatures of sea ice. / Microwave Remote Sensing of Sea Ice / Ed. F. D. Carsey. AGU. Washington D.C. 1992. Monogr. Ser. № 68. P. 47-68.

76. ERDAS, Inc. ERDAS Field Guide. Sixth Edition. 2003.

77. European Space Agency. Proceedings of the First ERS-1 Symposium, Space at the Service of our Environment. 1993. ESA SP-359.

78. Fetterer F. M., Gineris D., Kwok R. Sea ice type maps from Alaska Synthetic Aperture Radar Facility Imagery: An assessment // J. Geophys. Res. 1994. V. 99. № CI 1. P. 22443-22458.

79. Fink T.F. Comparison of passive microwave radiometer algorithms for estimating sea ice parameters. 1995. URL:http://mserver.emi.dtu.dk/research/DCRS/projects/aIgorithm-report/articIe.htmI

80. Fahlman, S.E., Faster-Learning Variations on Back-Propagation: An Empirical Study // Proceedings of the 1988 Connectionist Models Summer School, 1989. Morgan Kaufmann, Touretzky, D., Hinton, G, and Sejnowski, T., eds 38-51.

81. Fung A. K. Microwave Scattering and Emission Models and their applications. Boston: Artech House, 1994, 573 p.

82. Garner, G. W., Belikov, S. E., Stishov, M. S. and Arthur, S. M., 1995. Research on polar bears in western Alaska and Eastern Russia 1988-1992. Proc. 11-th Working meeting of the IUCN/SSC Polar Bear Specialists Group. Gland. Cambridge, pp. 155-164.

83. Global Hydrology Resource Center. An introduction to MSFC SSM/I Brightness Temperature Data Sets. 1998. lip.

84. Gloersen P., Campbell W.J. Variations in the Arctic, Antarctic and global sea-ice covers during 1978-1987 as observed with Nimbus-7 SMMR // J. Geophys. Res. 1988. V. 22. № C9. P. 10666-10674.

85. Gloersen P., Campbell W.J., Cavalieri D.J. et al. Satellite passive microwave observations and analysis of Arctic and Antarctic sea-ice, 1978-1987 // Ann. Glaciol. 1993. №17. P. 149-154.

86. Gloersen P., Cavalieri D.J. Reduction of weather effects in the calculation of sea ice concentration from microwave radiances//J. Geophys. Res. 1986. V. 91 № C3. P. 3913-3919.

87. Gloersen P., Parkinson C.L., Cavalieri D.J. et al. Spatial distribution of trends and seasonality in the hemispheric sea ice covers: 1978-1996 // J. Geophys. Res. 1999. V. 104. № C9. P. 20827-20835.

88. Gurney K. Neural nets. 1996. // URL: http://www.shef.ac.uk/psycliology/gurney/notes/ 150 pp.

89. Hurrell J.W., The North Atlantic Oscillation // Proc. of 12th Annual Symposium "Frontiers of Science" by National Academy of Sciences. 2000.

90. HDF Help Desk. Introduction to HDF5.2001. URL: http://hdf.ncsa.uiuc.edu/HDF5/

91. Hornik K. The R FAQ. 2004. ISBN 3-900051-01-1. URL: http://cran.r-project.org/doc/FA Q/R-FAQ.html

92. Jefferies M.O., Schwartz, K., Li S. Arctic summer sea ice SAR signatures melt season characteristics and melt pond fractions // Polar Rec. 1997. № 33. P. 101112.

93. Johannessen O.M., Miles M.W., and Bjorgo E. Global sea-ice monitoring from microwave satellites / Proc. IGARSS'96/ 1996. P. 932-934.

94. Johannessen O.M., Shalina E.S., Miles M.W. Satellite evidence for an Arctic sea ice cover in transformation // Science. 1999. № 286. P. 1937-1939.

95. Jordan, M.I. Why the logistic function? A tutorial discussion on probabilities and neural networks. // MIT Computational Cognitive Science Report 9503. 1995.

96. Kirkpatrick S., Gelatt C.D., Jr., Vecchi M.P., Optimization by simulated annealing // Science. 1983. V. 220, N 4598, P. 671 680.

97. Krose B., van der Smagt P., An introduction to Neural Networks. 1996. The University of Amsterdam. 135 pp.

98. Kwok R., Comiso J.C., Cunningham G.F. Seasonal characteristics of the perennial ice cover of the Beaufort Sea // J. Geophys. Res. 1996. V. 101. № C12. P. 2841728439.

99. Kwok R., Cunningham G.F. Backscatter characteristics of the winter ice cover in the Beaufort Sea// J. Geophys. Res. 1994. V. 99 № C4. P. 7787-7802.

100. Kwok R., Cunningham G.F., RADARSAT Geophysical processor system. Data user's handbook. 2000. Jet Propulsion Laboratory, Pasadena, California.

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

102. Lillesand T.M. and Kiefer R.W. Remote Sensing and Image Interpretation. John Wiley and Sons, Inc. 1979. NY. 612 p.

103. Maslanik, J. and J. Stroeve. 1990 2001. DMSP SSM/I daily polar gridded brightness temperatures. Boulder, CO: National Snow and Ice Data Center. CD-ROM.

104. Maslanik J.A., Serreze M. C., and Barry R. G., Recent decreases in Arctic summer ice cover and linkages to atmospheric circulation anomalies. // Geophys. Res. Lett., 1996.23, 1677-1680.

105. Mendenhall, J. and A.C. Parker. Spectral calibration of the EO-1 Advanced Land Imager. 1999. http://eol.usgs.gov/documents/ALI/SPIE 07-99e9.pdf

106. Moody, J.E. The Effective Number of Parameters: An Analysis of Generalization and Regularization in Nonlinear Learning Systems // 1992. Advances in Neural Information Processing Systems, 4, 847-854.

107. Olmsted C. Alaska SAR Facility Scientific SAR User's Guide. Geophysical Institute. University of Alaska Fairbanks. 1993. 53 p.

108. Onstott R.G., Grenfell T.C., Matzler C. et al. Evolution of microwave sea ice signatures during early summer and midsummer in the marginal ice zone // J. Geophys. Res. 1987. V. 92. № C7. P. 6825-6835.

109. Parkinson C.L., Cavalieri D.J., Gloersen P. et al. Arctic sea ice extents, areas, and trends, 1978-1996//J. Geophys. Res. 1999. V. 104. № C9. P. 20837-20.256.

110. Pearlman, J., C. Segal, L. Liao, et al. 2000. Development and Operations of the EO-1 Hyperion Imaging Spectrometer. http://eo 1 .usus.^ov/documents/hypALl/OS.pdf

111. Pettersson M.I., Askne J. and Cavalieri D.J. SAR observation of Arctic freeze-up compared to SSM/1 during ARCTIC'91 // Int. J. Remote Sens. 1996. V. 17. № 13. P. 2603-2624.

112. Ramey C. Bash Reference Manual. 2000. Digital media. URL: http://www.gnu.org

113. Riedmiller M. and Braun H., "A Direct Adaptive Method for Faster Backpropagation Learning: The RPROP Algorithm", // Proceedings of the IEEE International Conference on Neural Networks 1993, San Francisco: IEEE.

114. Rigor I.G., Colony R.L. Martin S. Variations in Surface Air Temperature Observations in the Arctic, 1979-97 // Journal of Climate. 2000. Volume 13, pp. 896-914

115. Rigor I.G., J. M. Wallace, R. L. Colony. Response of sea ice to the Arctic Oscillation. // J. Climate, 2002. 15, 2648-2663.

116. RADARSAT International. RADARSAT Illuminated: User Guide to Products. 1997.

117. Robbins A.D. GAWK: Effective AWK Programming. A User's Guide for GNU Awk. 2001. Digital media. URL: http://www.gnu.org

118. Rothrock D.A., Yu Y., Maykut G.A. Thinning of the Arctic sea-ice cover // Geophys. Res. Lett. 1999. V. 26 № 23. P. 3469-3472.

119. Sandven S., Johanneessen O.M., Lundhaug M., Dalen O., Solhaug J., Kloster K., Alexandrov V., Melentyev V., Bogdanov A. Sea ice Studies using RADARSAT SAR in the Eurasian Arctic. Proceedings of ADRO Final Symposium. 1998.

120. Sarle, W.S., Neural Network FAQ. // Periodic posting to the Usenet newsgroup comp.ai.neural-nets, URL: ftp://ftp.sas.com/pub/neural/FAQ.html. 1997.

121. Sarle W.S., Stopped Training and Other Remedies for Overfitting // Proc. of the 27th symposium on the interface. 1995.

122. Serreze, M. C., Maslanik J. A., Key J. R., Kokaly R. F., and Robinson D. A. Diagnosis of the record minimum in Arctic sea ice area during 1990 and associated snow cover extremes.//Geophys. Res. Lett., 1995.22,2183-2186.

123. Smith D.M. Recent increas^in the length of the melt season of perennial Arctic sea ice. // Geophysical Res. Ltrs?/Vol. 25, No 5, p. 655.

124. Stroeve, J., L. Xiaoming, and J. Maslanik. An Intercomparison of DMSP F11- and F13-derived sea ice products. J. Remote Sens. Environ. 1998. 64:132-152.

125. Swift C.T., Fedor L.S. and Ramseier R.O. An algorithm to measure sea. ice concentration with microwave radiometers // J. Geophys. Res. 1985. V. 90 № CI. P. 1087-1099.

126. Tang C.L., Wang C.K., DeTracey B.D. Characteristics of the ice edge off the Labrador/Newfoundland coast. Proceedings of ADRO Final Symposium. 1998.

127. Thompson D.J.W., Wallace J.M. The Arctic Oscillation signature in wintertime geopotential height and temperature fields. // Geophys. Res. Lett. 1998. 25, 12971300.

128. Thompson D. W. J., Wallace J. M. Annular Modes in the Extratropical Circulation. Part I: Month-to-Month Variability. //Journal of Climate. 2000 13: 1000-1016

129. Tu, T., Chen C., Wu J., Chang C. A Fast Two-Stage Classification Method for .c. High-Dimensional Remote Sensing Data. IEEE Trans. Geoscience Remote Sensing, vol.36, no. 1, pp. 1998. 182-191.

130. Tzeng, Y. C., Chen, K. S., Kao, W. L., and Fung, A. K. A Dynamic Learning Neural Network for Remote Sensing Applications // IEEE Trans. Geosci. Remote Sensing, 1994, vol.32, no 5, pp. 1096-1102.

131. Vinje T. Sea ice variability in the Nordic Seas / Proc. Int. Conf. on the Role of the Polar Regions in Global Change, / Ed G. Weller, C.L. Wilson and B.A. Severin.

132. Geophysical Institute, Center for Global Change and Arctic System Research, University of Alaska, Fairbanks. 1991. № 1. P. 23-27.

133. Vinje T., Nordlund N., Kvambekk A. Monitoring ice thickness in Fram Strait. // J. Geophys. Res. 1998. V. 103. № C5. P. 10437-10449.

134. Wallace J.M. On the Arctic and Antarctic Oscillations. 2000. URL: http://www.iisao.washington.edu/wallace/ncar notes, 32 pages.

135. Winebrenner D.P., Nelson E.D., Colony R., West R.D., Observation of melt onset on multiyear Arctic sea ice using the ERS-1 synthetic aperture radar // J. Geophys. Res. 1994. V. 99, № CI 1, P. 22425-22441

136. Wismann V. Monitoring of Seasonal Snowmelt on Greenland with ERS Scatterometer Data // IEEE Trans. Geosci. Rem. Sens. 2000. V. 38, N 4, P. 1821 -1826.

137. Zhang, J., D. Rothrock, and M. Steele, 2000: Recent changes in the Arctic sea ice: The interplay between ice dynamics and thermodynamics. // J. Climate, 2000. 13, 3099-3114.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.