Разработка алгоритмов обработки спутниковых снимков для детектирования речных разливов и проведения атмосферной коррекции данных тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Кучма Михаил Олегович

• Кучма Михаил Олегович
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Кучма Михаил Олегович

Введение

1 Состояние вопроса по проблеме обработки спутниковых

данных и конкретизация задач исследования

1.1 Анализ возможностей информационно-измерительного оборудования космических аппаратов

1.2 Анализ особенностей спутниковых данных и их предварительной обработки для решения задачи детектирования речных разливов

1.3 Обзор алгоритмов проведения атмосферной коррекции

1.4 Инструментальные средства разработки алгоритмов

1.5 Конкретизация цели и задач исследования

1.6 Выводы

2 Технология проведения атмосферной коррекции по

данным прибора МСУ-МР

2.1 Моделирование справочных таблиц для проведения атмосферной коррекции

2.2 Реализация алгоритма детектирования ледяного покрова

по данным МСУ-МР

2.3 Реализация алгоритма расчета аэрозольной оптической толщины

над водной поверхностью по данным МСУ-МР

2.4 Реализация алгоритма для проведения атмосферной коррекции

2.5 Выводы

3 Разработка нейросетевого алгоритма для детектирования

водной поверхности по спутниковым данным

3.1 Создание обучающей выборки для нейросетевого алгоритма детектирования речных разливов

3.2 Разработка архитектуры нейронной сети для маскирования водной поверхности

3.3 Обучение нейронной сети для детектирования водной поверхности

и выбор оптимальных параметров эмпирическим методом

3.4 Алгоритм для детектирования водной поверхности по

спутниковым данным

3.5 Выводы

4 Оценка точности нейросетевых алгоритмов, разработка

и внедрение программного обеспечения

4.1 Оценка точности алгоритмов по проведению атмосферной коррекции

4.2 Оценка точности алгоритмов по детектированию водной поверхности

4.3 Программное обеспечение для проведения атмосферной коррекции

4.4 Программное обеспечение для детектирования водной поверхности

4.5 Внедрение программного обеспечения

4.6 Выводы

Заключение

Список сокращений

Список использованных источников

Приложение А. Исходный код функции, описывающей архитектуру

нейронной сети

Приложение Б. Исходный код функции, выполняющей процесс

обучения нейронной сети

Приложение В. Свидетельства о государственной регистрации

программ для ЭВМ

Приложение Г. Акты внедрения

Введение диссертации (часть автореферата) на тему «Разработка алгоритмов обработки спутниковых снимков для детектирования речных разливов и проведения атмосферной коррекции данных»

ВВЕДЕНИЕ

Актуальность диссертационной работы. Наводнение является одним из самых распространенных и разрушительных стихийных бедствий на Земле и, как следствие, приводит к большим экономическим и человеческими потерям. Частота и масштабы этого опасного природного явления, вероятно, увеличатся в ближайшие десятилетия не только из-за наблюдающегося изменения климата, но и активной хозяйственной деятельности человека. В связи с этим остро стоит вопрос разработки эффективных систем оперативного мониторинга состояния рек, направленных, в том числе, на определение зон фактического затопления местности. Развитие возможностей современных российских и иностранных космических аппаратов (КА) гидрометеорологического назначения позволило рассматривать данные приборов дистанционного зондирования Земли в качестве основы для создания подобных информационных систем. Актуальность решения рассматриваемых задач справедлива и для Дальнего Востока России, на территории которого ежегодно происходит множество чрезвычайных ситуаций, связанных, в частности, с разливом реки Амур [1].

Одной из задач, которую необходимо решить для построения эффективных систем мониторинга, является разработка алгоритмического обеспечения для выделения затопленных территорий при разливах рек. В мире существует множество алгоритмов и методик для детектирования речных разливов, основанных на применении пороговых алгоритмов, нейронных сетей и машинного обучения. Тем не менее вопросы автоматизации алгоритмов по обработке спутниковых данных для оперативного детектирования речных разливов еще не имеют конечного решения. Разработка технологии для решения этой задачи актуальна, а ее сложность обусловлена влиянием атмосферы на электромагнитное излучение, зарегистрированное целевой аппаратурой КА в процессе съемки, необходимостью работы с обширными данными в рамках разветвлённой гидросистемы, включающей сотни небольших водных объектов, влиянием различных метеорологических явлений и др. Исследованию указанных проблем в контексте задач оперативного мониторинга паводковой обстановки бассейна реки Амур посвящена настоящая работа, которая

включает в себя разработку алгоритмов для проведения атмосферной коррекции (АК) информации спутниковых приборов, поскольку даже незамутненная атмосфера оказывает на нее значительное влияние [2, 3], и последующего детектирования водной поверхности по этим данным.

Степень разработанности темы. Работы по автоматическому детектированию речных разливов бассейна реки Амур по данным российских КА, по имеющимся у автора сведениям, на сегодняшний день отсутствуют, а имеющиеся интерактивные методы, описанные в работах Вороновой А.Е. [4], Антонова В. Н.[5] и Рылова С. А. [6], не удовлетворяют требованиям оперативности. Проблемы и современные подходы к решению задачи детектирования речных разливов в других регионах по данным иностранных КА отражены в работах иностранных исследователей A.H. Tanim [7], L. Ammirati [8], M. Li [9], C.I. Cimpianu [10], J. Kim [11], D. Li [12], J.M. Muthoka [13], Y. Lian [14, 15], I.M. Cheng [16], G. Konapala [17], K. Karra [18] и других ученых [19, 20]. Каждая работа реализована в рамках определенного региона или участка реки. Это объясняется тем, что состав воды в каждой части Земли уникален. Различная загрязненность воды, содержание взвешенных частиц, загрязнение сточными водами, особенности рельефа речного русла - это далеко не полный список факторов, влияющих на отражательную способность водной поверхности. Российские исследователи в своих работах по детектированию речных разливов по данным иностранных КА [21-26] применяют различные методы, как автоматические: кластеризация, деревья решений, сегментация, так и интерактивные: использование специализированных программ с ручной обработкой. Все разработанные алгоритмы сделаны с учетом особенностей рек и разрабатывались для определенных территорий. Стоит отметить, что в некоторых работах [6, 23] исследователи никак не проводят оценку точности детектирования водных объектов, хотя их алгоритмы внедрены в оперативную практику. В одной из работ [23] проведена классификация разлива участка бассейна реки Амур только на одном спутниковом снимке, а применимость алгоритма к другим срокам съемки не проверена.

По данным иностранных КА, реализованных алгоритмов проведения АК довольно много [27-41], также существуют готовые алгоритмы применительно к информации с российских КА [42-44]. В этих работах рассмотрены подходы к проведению АК эмпирическими методами и с использованием физических моделей с привлечением параметров атмосферы в момент съемки. Однако предложенные в этих публикациях методы и алгоритмы имеют ограничения и не способны работать в полностью автоматическом оперативном режиме с данными российских КА. Поэтому проблема отсутствия таких алгоритмов расчета АК применительно к данным российских КА является на сегодняшний день актуальной.

Цель диссертационной работы - исследование и разработка алгоритмов обработки спутниковых снимков для детектирования речных разливов и проведения АК данных.

Объектом исследования являются данные приборов, установленных на КА гидрометеорологического назначения.

Предметом исследования выступают алгоритмы по детектированию речных разливов и алгоритмы проведения атмосферной коррекции.

Объект исследования, предмет исследования и сформулированная цель диссертационной работы позволяют определить следующие задачи:

- привести обзор возможностей современного информационно-измерительного оборудования КА, сформулировать основные пути решения проблем, связанных с некоторыми техническими и конструктивными особенностями ряда спутниковых приборов;

- провести анализ существующих алгоритмов детектирования речных разливов и проведения АК, привести примеры областей исследований, где такие алгоритмы активно применяются;

- разработать алгоритм расчета АК спутниковых данных, провести оценку точности корректировки излучения поверхности Земли, принятого спутником излучения поверхности Земли по эталонным данным и сравнить с результатами работы аналогичных методик;

- разработать алгоритм детектирования речных разливов по данным полярно-орбитальных КА высокого разрешения (до 100 метров на пиксель), провести оценку точности обнаружения водной поверхности по эталонным данным и сравнить с результатами работы аналогичных методик;

- с использованием разработанных алгоритмов разработать соответствующее программное обеспечение (ПО).

В качестве методологической основы исследования используются статьи и монографии, посвященные вопросам эффективного использования нейросете-вых алгоритмов, которые позволят определиться с архитектурой нейронной сети (НС) и ее основными блоками. Помимо этого, планируется использовать научные статьи и техническую документацию, посвященные вопросам применения моделей переноса излучения Земли в атмосфере, что позволит понять суть процесса переноса излучения в атмосфере и определиться с используемыми параметрами при моделировании.

В процессе исследования были использованы следующие группы научных методов. Для синтеза работоспособной НС использовалась совокупность теоретических и эмпирических методов научного познания, таких как: автоматическая классификация, математическое моделирование, предметный системотехнический анализ, сравнительный анализ, обработка изображений. Для реализации алгоритма по проведению АК использовалась совокупность теоретических и эмпирических методов научного познания, таких как: параллельные вычисления, сравнительный анализ, физическое моделирование.

Теоретическую основу исследования составили работы, посвященные вопросам детектирования различных поверхностей по спутниковым данным, которые позволили выявить, какие именно каналы спутникового прибора преимущественно нужно использовать для детектирования снежного покрова и облачности. Для реализации алгоритма проведения АК использовались работы, посвященные сравнению и использованию различных алгоритмов АК.

Научная новизна исследования. Разработаны оригинальные авторские алгоритмы, а именно: алгоритм проведения атмосферной коррекции по данным

многозонального сканирующего устройства малого разрешения (МСУ-МР) [45], установленного на космических аппаратах серии Метеор-М [46], и алгоритм детектирования речных разливов по данным приборов Multispectral Instrument (MSI) [47] и Operational Land Imager (OLI) [48], установленных на КА Sentinel-2 [49] и КА Landsat-8 [50] соответственно. Эти алгоритмы позволяют повысить качество выходной информации и оперативность ее получения для обеспечения спутникового мониторинга паводковой обстановки.

Достоверность полученных научных результатов обуславливается строгостью применяемого математического аппарата, а также сравнительным анализом результатов, полученных в ходе данной работы, с эталонными данными и иностранными аналогами. Помимо этого, научные результаты используются при решении прикладных задач в Дальневосточном центре (ДЦ) НИЦ «Планета».

Соответствие шифру специальности. Работа соответствует научной специальности 2.3.1. Системный анализ, управление и обработка информации, статистика (технические науки) по пунктам: 4) разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта; 5) разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации; 12) визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации.

Практическая значимость исследования заключается в том, что разработанные алгоритмы проведения АК и последующего детектирования речных разливов обеспечил возможность получать в автоматическом оперативном режиме информацию для мониторинга паводковой обстановки в бассейне реки Амур. Внедрение разработанного на основе этого алгоритма ПО в технологическую цепочку обработки и подготовки спутниковых данных для геоинформационных систем (ГИС) мониторинга и поддержки принятия решений ГИС «МЕТЕО ДВ» [51] и «ГИС Амур» [52] повысило оперативность поступления векторных карт разливов

бассейна реки Амур без потери качества. Помимо этого, алгоритм является универсальным, и при необходимости его можно адаптировать к другим спутниковым приборам. Таким образом, создан задел для применения алгоритма к российским спутниковым приборам на планируемых к запуску КА. Совместно с технологией проведения АК данных МСУ-МР и комплекса многозональной спутниковой съемки (КМСС-2) [53] станет возможным использование КСЯ этих приборов для анализа вегетационных процессов.

Значимость полученных решений подтверждается научными публикациями. Научные положения, выводы и рекомендации, представленные в настоящей диссертации, статьях и тезисах конференции с участием автора, используются в опытной эксплуатации и оперативной практике ДЦ НИЦ «Планета».

Внедрение результатов диссертационного исследования продолжается, акты о внедрении и использовании прилагаются (Приложение Г).

Основные положения, выносимые на защиту:

1. На основе проведения вычислительных экспериментов по обработке информации в виде спутниковых данных предложен алгоритм расчета АК применительно к данным прибора МСУ-МР, использующий справочные таблицы (lookup table - LUT), сгенерированные посредством использования модели переноса излучения Second Simulation of a Satellite Signal in the Solar Spectrum (6S). Каждый параметр в LUT закодирован определенным количеством бит, а сам алгоритм производит поиск значений в LUT с помощью бинарного поиска и интерполирует значения в многопоточном режиме с использованием технологии Open MultiProcessing для существенного ускорения расчетов. Разработанный алгоритм позволил производить АК коротковолновых каналов прибора МСУ-МР с необходимой точностью.

2. На основе системного анализа проблем, возникающих при оптимизации и автоматизации мониторинга паводковой обстановки с использованием спутниковых снимков, а также исследования возможности применения методов искусственного интеллекта при обработке информации, получаемой с КА гидрометеорологического назначения, предложен алгоритм для детектирования водных объектов,

использующий модель сверточной нейронной сети (СНС), архитектура и входные параметры которой определены эмпирическим способом. Разработанный алгоритм позволил автоматизировать процесс картографирования речных разливов по спутниковым данным и использовать результаты его применения для мониторинга паводковой обстановки.

3. На основе предложенных в работе алгоритмов создана автоматизированная технология обработки спутниковых снимков, включающая алгоритм для детектирования водных объектов, алгоритм расчета АК и ряд вспомогательных алгоритмов, таких как расчет маски ледяного покрова, аэрозольной оптической толщины над водной поверхностью и интерполирование данных численного прогноза погоды (ЧПП) ко времени пролета спутника с использованием оптического потока.

Апробация результатов исследования. Основные результаты диссертационной работы докладывались и обсуждались на следующих всероссийских и международных конференциях: Семнадцатая Всероссийская Открытая конференция «Современные проблемы дистанционного зондирования Земли из космоса (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)» (г. Москва, 2019); International scientific-practical conference «Scientific support for the sustainable development of agro-industrial complex» (г. Хабаровск, 2020); Восемнадцатая Всероссийская Открытая конференция «Современные проблемы дистанционного зондирования Земли из космоса (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)» (г. Москва, 2020); Международный симпозиум по Атмосферной Радиации и Динамике (г. Санкт-Петербург, 2021); XXVII Международный Симпозиум «Оптика атмосферы и океана. Физика атмосферы» (г. Томск, 2021); Девятнадцатая международная конференция «Современные проблемы дистанционного зондирования Земли из космоса (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)» (г. Москва, 2021); Международная научно-практическая

конференция «Вопросы сельского хозяйства, экологии, картографии и геоинформатики в контексте техники и информатики» (г. Душанбе, 2022); Двадцатая международная конференция «Современные проблемы дистанционного зондирования Земли из космоса (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)» (г. Москва, 2022); 4-я Международной конференции по системам управления, математическому моделированию, автоматизации и энергоэффективности (г. Липецк, 2022).

Результаты работы использованы при выполнении государственных заданий Росгидромета № 169-00038-17-20 и № 169-03-2020-048.

Публикации по теме исследования. По теме диссертационного исследования опубликовано 12 печатных работ, среди которых 11 статей опубликовано в рецензируемых научных журналах из списка ВАК (из них 6 проиндексированы в международных базах данных Scopus). Также по результатам работы получено 9 свидетельств о государственной регистрации программ для электронных вычислительных машин (ЭВМ).

Личный вклад автора в исследование:

1. В части решения задачи по детектированию речных разливов:

- проведен обзор алгоритмов детектирования речных разливов;

- проведен сравнительный анализ спутниковых данных и конкретизированы задачи для выполнения поставленной цели;

- обработаны и преобразованы данные приборов OLI и MSI для проведения операции обучения НС;

- проведены эксперименты с архитектурой НС, реализовано ПО, позволяющее проводить обработку обучающих данных, обучение и тестирование НС в автоматическом режиме;

- проведены обучение НС и оценка точности результатов работы;

- реализовано ПО для оперативного автоматического расчета маски речных разливов по данным приборов OLI и MSI.

2. В части решения задачи по проведению АК:

- проведен обзор существующих алгоритмов проведения АК;

- определены параметры, являющиеся необходимыми для проведения АК;

- проведен обзор существующих алгоритмов расчета маски льда;

- обработаны и преобразованы данные прибора МСУ-МР для проведения обучения НС для расчета маски льда;

- проведены эксперименты с архитектурой НС для расчета маски льда;

- реализовано автоматизированное ПО, позволяющее проводить обработку обучающих данных, обучение и тестирование НС для расчета маски льда;

- проведены обучение НС для расчета маски льда и оценка точности результатов работы;

- проведен обзор существующих алгоритмов расчета аэрозольной оптической толщины (АОТ);

- сгенерирована справочная таблица, необходимая для реализации алгоритма расчета АОТ над водной поверхностью по данным прибора МСУ-МР;

- разработан алгоритм расчета АОТ над водной поверхностью по данным прибора МСУ-МР;

- проведена оценка точности результатов работы алгоритма расчета АОТ над водной поверхностью по данным прибора МСУ-МР;

- сгенерирована справочная таблица, необходимая для реализации алгоритма расчета АК по данным приборов МСУ-МР и КМСС-2;

- разработан алгоритм расчета АК по данным прибора МСУ-МР;

- проведена оценка точности результатов работы алгоритма расчета АК по данным прибора МСУ-МР;

- реализовано ПО для оперативного автоматического расчета АК по данным прибора МСУ-МР.

Структура и объем работы. Диссертация состоит из введения, основной части (4 главы), заключения, списка литературы и приложений.

В первой главе рассматривается современное состояние систем дистанционного зондирования Земли (ДЗЗ), основы использования этих систем и возможность их применения для решения задачи детектирования речных разливов и проведения

атмосферной коррекции. Корректируется общая постановка задач диссертационной работы. Во второй главе приводится описание процесса разработки алгоритма проведения АК и необходимых для этого дополнительных параметров. В третьей главе описывается процесс разработки алгоритма детектирования речных разливов по данным приборов MSI и OLI с использованием метода сверточных НС. В четвертой главе приведена оценка точности полученных результатов, а также описана реализация ПО для разработанных алгоритмов и их внедрение. В приложениях представлены исходные тексты некоторых программ и функций, используемых в настоящей диссертационной работе, а также документы, подтверждающие внедрение результатов диссертации.

Общий объем работы составляет 170 страниц машинописного текста, в том числе 119 страниц основного текста, список литературы (182 наименования), 66 рисунков, 24 страницы приложений.

Автор выражает благодарность своему научному консультанту и руководителю, доктору технических наук, профессору Тихоокеанского государственного университета Владимиру Викторовичу Воронину за большой вклад в настоящую работу и научную деятельность соискателя. Автор выражает признательность доктору физико-математических наук, заведующему лабораторией «Научно-исследовательский институт прикладных физических проблем им. А.Н. Севченко» Белорусского государственного университета, профессору кафедры физики и аэрокосмических технологий Белорусского государственного университета Леониду Владимировичу Катковскому за советы и ценные замечания при работе над решением задачи проведения АК спутниковых данных. Автор благодарен коллективу Дальневосточного центра ФГБУ «НИЦ космической гидрометеорологии «Планета» за оказанную поддержку, многолетнюю совместную работу и ценные советы, в особенности, директору центра Любови Сергеевне Крамаревой, заместителю директора Алексею Николаевичу Давиденко, начальнику отдела выходной продукции Виктории Валентиновне Сухановой и начальнику отдела разработки и внедрения научно-исследовательских и опытно-конструкторских работ, кандидату физико-математических наук Андрею Александровичу Филею.

1 СОСТОЯНИЕ ВОПРОСА ПО ПРОБЛЕМЕ ОБРАБОТКИ СПУТНИКОВЫХ ДАННЫХ И КОНКРЕТИЗАЦИЯ ЗАДАЧ ИССЛЕДОВАНИЯ

1.1 Анализ возможностей информационно-измерительного оборудования космических аппаратов

Космические аппараты гидрометеорологического назначения предоставляют уникальную возможность глобального непрерывного пространственного охвата и обеспечивают повторяющийся цикл наблюдений. Наземная сеть гидрометеорологических наблюдений в большей степени покрывает населенные территории, в то время как подавляющая часть суши является малонаселенной, а значит, имеет недостаточную плотность наблюдений.

Важное различие между спутниковыми и наземными измерениями заключается в распределении по пространству и времени. Спутниковые измерения позволяют получать данные почти мгновенно для больших территорий с некоторой периодичностью. Наземные измерения обычно привязаны к точке и производятся в определенное время суток.

Спектр электромагнитного излучения, наблюдаемый из космоса, представлен на рис. 1.1 [54]. Представленный здесь диапазон от 0,2 мкм до 3 см (или 10 ГГц) включает все длины волн, которые используются для дистанционного зондирования из космоса. Изменения с длиной волны объясняются влиянием атмосферы с пропускной способностью от 1 (атмосферное окно прозрачности) до 0 (полная непрозрачность вследствие атмосферного поглощения).

0,3 мкм 1 мкм Змкм 10 мкм 30 мкм 100 мкм 0,3 мм 1,0 мм 3,0 мм 1см Зсм

= 1 ООО ГГц »ЗООГГц = 100 ГГц =30ГГц =10 ГГц

Длина волны

Рисунок 1.1 - Спектр (коэффициент пропускания) электромагнитного излучения,

наблюдаемый из космоса.

Использование некоторых диапазонов для наблюдений за Землей в атмосферных окнах требует спектральной дискретизации на нескольких длинах волн (каналах), поскольку на любой длине волны сигнатуру могут иметь сразу несколько тел, а одно тело может иметь сигнатуру на нескольких длинах волн. Поэтому необходимы многоканальные устройства для распознавания и одновременного определения свойств различных тел. Например, облака и снег имеют одинаковую отражательную способность в видимом диапазоне на 0,65 мкм, но разную отражательную способность на 1,6 мкм.

На метеорологических КА в качестве полезной нагрузки установлены специальные приборы, которые регистрируют электромагнитное излучение земной поверхности. Каждый канал прибора, количество которых может быть от одного до нескольких десятков, восприимчив к определенной части электромагнитного спектра. Анализ этой информации помогает ученым во всем мире проводить исследования Земли.

Метеорологические приборы разделяются по регистрируемому диапазону электромагнитного спектра. Так, микроволновые радиометры регистрируют излучение на частоте от 1 ГГц до 190 ГГц, что позволяет анализировать характеристики земной поверхности даже при наличии облачности. Приборы, регистрирующие излучение в видимом и инфракрасном (ИК) диапазоне (до 16 мкм) спектра наиболее распространены и позволяют оценить параметры облачности и подстилающей поверхности, свободной от нее.

В отличие от других источников пространственной информации космические снимки дешифрируются не в масштабе съёмки, а с достаточно большим увеличением. Поэтому понятие масштаба считается весьма условным, гораздо более важно для космической съёмки понятие пространственного разрешения. Пространственное разрешение - размер самой малой детали местности, воспроизводимой на снимке, определяется размером пикселя. То есть у снимка с пространственным разрешением 1 м пиксель имеет размер 1х1 м.

На сегодняшний день не существует унифицированной классификации типов пространственного разрешения, поэтому автор предлагает классификацию в таблице 1.1 принять за образец.

Таблица 1.1 - Типы пространственного разрешения.

Наименование Пространственное разрешение, м

Малое > 1000

Среднее 100 - 1000

Высокое 10 - 100

Сверхвысокое < 10

Поскольку одной из задач исследования поставлена разработка алгоритма по детектированию речного разлива, необходимо учитывать некоторые особенности. Так, русла некоторых частей рек могут составлять всего лишь несколько десятков метров. Потребителям спутниковой продукции иногда необходимо знать с максимальной точностью место прохождения паводка, и ошибка даже на 10 м здесь неприемлема.

В связи с вышесказанным в настоящей диссертации для решения этой задачи будут рассматриваться только те данные спутников, пространственное разрешение которых высокое и которые покрывают одну и ту же территорию хотя бы раз в неделю. Данные сверхвысокого разрешения не распространяются в свободном доступе, и, как правило, спутники, производящие съемку в этом разрешении, совершают повторный пролет над территорией только через месяц, поэтому эти данные не актуальны для решения поставленных в настоящей работе задач.

Иностранных спутниковых систем, параметры которых подходят под определенные выше условия и данные которых можно скачать в свободном доступе, всего две - КА серии Landsat и КА серии Sentinel. На момент написания диссертации российскими спутниками высокого разрешения, данные которых можно использовать для решения поставленных задач, являются КА серии Канопус [55] и КА серии Метеор-М.

Список литературы диссертационного исследования кандидат наук Кучма Михаил Олегович, 2024 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Кучма М. О., Крамарева Л. С., Суханова В. В. и др. Возможности использования данных дистанционного зондирования Земли на примере мониторинга паводковой обстановки на реке Амур в 2019 году // Материалы 17-й Всероссийской открытой конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, 11-15 ноября 2019 года / Институт космических исследований Российской академии наук. - М: Институт космических исследований Российской академии наук. - 2019. - С. 6.

2. Додышева А. А. Расчет значений вегетационного индекса и атмосферная коррекция // Решетневские чтения. - 2010. - Т. 1. - С. 188-189.

3. Зубкова К. И., Пермитина Л. И., Чабан Л. Н. Влияние методов атмосферной коррекции на расчет вегетационных индексов по гиперспектральным изображениям // Геодезия и картография. - 2015. - № Спецвыпуск. - С. 84-87.

4. Воронова А. Е., Рублев И. В., Соловьева И. А. и др. Спутниковый мониторинг экстремального наводнения в Иркутской области 2019 года // Современные проблемы дистанционного зондирования Земли из космоса. - 2020. - Т. 17, №1. -С. 263-266. DOI: 10.21046/2070-7401-2020-17-1-263-266.

5. Антонов В. Н., Новгородцева О. Г. Мониторинг и картографирование паводковой ситуации в Сибирском федеральном округе // Образовательные ресурсы и технологии. - 2014. - Т. 8, № 5. - С. 81-86.

6. Рылов С. А., Новгородцева О. Г., Пестунов И. А. и др. Технология обработки данных с космических аппаратов «Канопус-В», «Ресурс-П» и Метеор-М для мониторинга и картографирования паводковой ситуации // Региональные проблемы дистанционного зондирования Земли: материалы II международной научной конференции // Сиб. федер. ун-т, Ин-т космич. и информ. технологий; науч. ред. Е. А. Ваганов; отв. ред. М. В. Носков. - 2015. - 367 с.

7. Tanim A. H., McRae C. B., Tavakol-Davani H. et al. Flood Detection in Urban Areas Using Satellite Imagery and Machine Learning // Water. MDPI AG. - 2022. -Vol. 14, Iss. 7. - P. 1140. DOI: 10.3390/w14071140.

8. Ammirati L., Chirico R., Di Martire D. et al. Application of Multispectral Remote Sensing for Mapping Flood-Affected Zones in the Brumadinho Mining District (Minas Gerais, Brasil) // Remote Sens. - 2022. - Vol. 14. - P. 1501. DOI: 10.3390/rs14061501.

9. Li M., Zhang T., Tu Y. et al. Monitoring Post-Flood Recovery of Croplands Using the Integrated Sentinel-1/2 Imagery in the Yangtze-Huai River Basin // Remote Sens. - 2022. - Vol. 14. - P. 690. DOI: 10.3390/rs14030690.

10. Cimpianu C. I., Mihu-Pintilie A., Stoleriu C. C. et al. Managing Flood Hazard in a Complex Cross-Border Region Using Sentinel-1 SAR and Sentinel-2 Optical Data: A Case Study from Prut River Basin (NE Romania) // Remote Sens. - 2021. - Vol. 13. -P. 4934. DOI: 10.3390/rs13234934.

11. Kim J., Kim H., Jeon H. et al. Synergistic Use of Geospatial Data for Water Body Extraction from Sentinel-1 Images for Operational Flood Monitoring across Southeast Asia Using Deep Neural Networks // Remote Sens. - 2021. - Vol. 13. - P. 4759. DOI: 10.3390/rs13234759.

12. Li D., Wang G., Qin C. et al. River Extraction under Bankfull Discharge Conditions Based on Sentinel-2 Imagery and DEM Data // Remote Sens. - 2021. - Vol. 13. - P. 2650. DOI: 10.3390/rs13142650

13. Muthoka J.M., Salakpi E.E., Ouko E. et al. Mapping Opuntia stricta in the Arid and Semi-Arid Environment of Kenya Using Sentinel-2 Imagery and Ensemble Machine Learning Classifiers // Remote Sens. - 2021. - Vol. 13. - P. 1494. DOI: 10.3390/rs13081494

14. Lian Y., Demissie M., Choi H. I. et al. Optimal spillway dimensions for flood stage reduction in the lower Illinois River with the UNET model // World Water & Environmental Resources Congress. - 2003. - pp. 1-10.

15. Lian Y., Wang Y., Choi H. I. et al. 50-year flood in the Lower Illinois River: Sensitivity of spillway and levee failure option parameters in the UNET model // Journal of Hydraulic Engineering. - 2011. - Vol. 137, Is. 5. - pp. 585-594.

16. Cheng, I. M. Using The UNET Model to Estimate a 100-Year Flood in the Designated Floodway // Coast to coast-20 years of progress: Proceedings of the Twentieth Annual Conference of the Association of State Floodplain Managers. - 1996. - P. 190.

17. Konapala G., Kumar S. V., Ahmad S. K. Exploring Sentinel-1 and Sentinel-2 diversity for flood inundation mapping using deep learning // ISPRS Journal of Photo-grammetry and Remote Sensing. - 2021. - Vol. 180. - pp. 163-173.

18. Karra K., Kontgis C., Statman-Weil Z. et al. Global land use/land cover with Sentinel 2 and deep learning // 2021 IEEE international geoscience and remote sensing symposium IGARSS. - 2021. - pp. 4704-4707.

19. Chellapa R. S. R., Rajan S. K., Eanoch G. J. et al. // Urban Matanuska Flood Prediction using Deep Learning with Sentinel-2 Images. - 2021.

20. Solovey T. Flooded wetlands mapping from Sentinel-2 imagery with spectral water index: a case study of Kampinos National Park in central Poland // Geological Quarterly. - 2020. - Vol. 64, Iss. 2. - pp. 492-505. DOI: 10.7306/gq.1509.

21. Савченко Е. В., Маклаков С. М. Средства доступа к данным спутников Метеосат для детектирования наводнений // Материалы 19-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». - Москва: ИКИ РАН. - 2021. - C. 57. DOI 10.21046/19DZZconf-2021a.

22. Адамович Т. А., Кантор Г. Я. Оценка площадей затопления территорий в период весеннего паводка по данным дистанционного зондирования Земли // Экология родного края: проблемы и пути их решения материалы XII Всероссийской научно-практической конференции c международным участием / Вятский государственный университет. - 2017. - Т. 1. - C. 16-18.

23. Кит М. Р., Плесовских С. В. Построение информационной системы для прогнозирования последствий паводков на основе результатов дистанционного зондирования Земли // Электронное научное издание «Ученые заметки ТОГУ». -2015. - Т. 6, № 1. - С.186-192.

24. Пестунов И. А., Рылов С. А., Дубровская О. А. и др. Сегментация спутниковых изображений в задачах оперативного анализа последствий чрезвычайных ситуаций (на примере лесных пожаров и паводков) // Региональные проблемы дистанционного зондирования Земли: материалы III международной научной конференции / Сиб. федер. ун-т, Ин-т космич. и информ. технологий; науч. ред. Е. А. Ваганов; отв. ред. М. В. Носков. - 2016. - 295 с.

25. Тарарин А. М. Космический мониторинг и оценка риска затопления урбанизированных территорий в периоды половодий: дис.канд. техн. наук: 25.00.36 / Тарарин Андрей Михайлович. - Нижний Новгород, 2010. - 135 с.

26. Асмус В. В., Бучнев А. А., Кровотынцев В. А. и др. Комплекс программного обеспечения в задачах космического мониторинга опасных гидрометеорологических явлений // Проблемы информатики. - 2018. - Т. 4, № 41. - С. 33-48.

27. Зимовая А. В. Атмосферная коррекция спутниковых изобржаений земной поверхности с учетом поляризации излучения в видимом и ближнем ИК диапазонах: автореф. дис. ... канд. физ.-мат. наук / Зимовая А. В. - Томск, 2020. - 21 с.

28. Энгель М. В. Оптические характеристики атмосферы по данным ДЗЗ и атмосферная коррекция спутниковых изображений земной поверхности: автореф. дис. ... канд. тех. наук / Энгель М. В. - Томск, 2015. - 27 с.

29. Berk A., Conforti P., Kennett R. et al. MODTRAN6: a major upgrade of the MODTRAN radiative transfer code // Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XX, 90880H. - 2014. DOI: 10.1117/12.2050433.

30. Kotchenova S. Y., Vermote E. F. A vector version of the 6S radiative transfer code for atmospheric correction of satellite data: an Overview // 29th Review of Atmospheric Transmission Models Meeting, Lexington, Mass., USA. - 2007.

31. Liang S. L., Fang H. L., Chen M. Z. Atmospheric correction of Landsat ETM+ land surface imagery // I. Methods. IEEE Trans. Geosci. Remote Sens. - 2001. - Vol. 39, Iss. 11. - P. 2490-2498. DOI: 10.1109/36.964986.

32. Bernstein L. S., Jin X., Gregor B. et al. Quick Atmospheric Correction Code: Algorithm Description and Recent Upgrades. // Optical Engineering. - 2012. - Vol. 51, Is. 11. - pp. 1-11. DOI: 10.1117/1.OE.51.11.111719.

33. Беляев М. Ю., Беляев Б. И., Иванов Д. А. и др. Атмосферная коррекция данных, регистрируемых с борта МКС. Часть I. Методика для спектров // Соврем. пробл. дист. зондир. Земли из космоса. - 2018. - Т. 15, № 6. - С. 213-222. DOI: 10.21046/2070-7401 -2018-15-6-213-222.

34. Николаева О. В. Алгоритм коррекции влияния поглощения света в атмосферных газах на гиперспектральные данные дистанционного зондирования // Компьютерная оптика. - 2018. - № 2. - С. 328-337. DOI: 10.18287/2412-6179-201842-2-328-337.

35. Nguyen H. C., Jung J., Lee J. et al. Optimal Atmospheric Correction for Above-Ground Forest Biomass Estimation with the ETM+ Remote Sensor // Sensors. - 2015. -Vol. 15. - P. 18865-18886. DOI: 10.3390/s150818865.

36. Adler-Golden S., Berk A., Bernstein L. S. et al. FLAASH, a MODTRAN4 atmospheric correction package for hyperspectral data retrievals and simulations // Jet Propulsion Laboratory. - 1998. - Vol. 1. - pp. 9-14.

37. Smith M. J. A Comparison of DG AComp, FLAASH and QUAC Atmospheric Compensation Algorithms Using WorldView-2 Imager // Department of Civil Engineering Master's Report. - 2015.

38. Pacifici F., Longbotham N., Emery W. J. The Importance of Physical Quantities for the Analysis of Multitemporal and Multiangular Optical Very High Spatial Resolution Images // IEEE Transactions on Geoscience and Remote Sensing. - 2014. - Vol. 52, Iss. 10. - pp. 6241-6256. DOI: 10.1109/TGRS.2013.2295819.

39. Kotchenova S. Y., Vermote E. F., Levy R. et al. Radiative transfer codes for atmospheric correction and aerosol retrieval: intercomparison study // Applied Optics. -2008. - Vol. 47, Iss. 13. - pp. 2215-2226. DOI: 10.1364/AO.47.002215.

40. Muldashev T. Z., Lyapustin A. I., Sultangazin U. M. Spherical harmonics method in the problem of radiative transfer in the atmosphere-surface system // J. Quant.

Spectrosc. Radiat. Transfer. - 1999. - Vol. 61, Iss. 3. - pp. 393-404. DOI: 10.1016/S0022-4073(98)00025-9.

41. Evans K. F., Stephens G. L. A new polarized atmospheric radiative transfer model // J. Quant. Spectrosc. Radiat. Transfer. - 1991. - Vol. 46, Iss. 5. - pp. 413-423. DOI: 10.1016/0022-4073(91)90043-P.

42. Белов В. В., Гриднев Ю. В., Зимовая А. В. и др. Программный комплекс атмосферной коррекции данных российских спутниковых приборов // Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов (SDM-2019): Сборник трудов всероссийской конференции с международным участием, Бердск, 26-30 августа 2019 года. - Бердск: Институт вычислительных технологий Сибирского отделения РАН. - 2019. - С. 224-228.

43. Тарасенков М. В., Белов В. В., Энгель М. В. и др. Восстановление коэффициентов отражения земной поверхности по данным приборов MODIS, Сангур, ГСА и МСУ-100 // Марчуковские научные чтения - 2019 : Труды Международной конференции, Новосибирск, 01-05 июля 2019 года. - Новосибирск: Институт вычислительной математики и математической геофизики Сибирского отделения РАН. - 2019. - С. 486-492. - DOI 10.24411/9999-016A-2019-10078.

44. Плотников Д. Е., Колбудаев П. А., Матвеев А. М. и др. Автоматическая технология построения ежедневных безоблачных композитных изображений КМСС для количественной оценки состояния земной поверхности // Материалы 19-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса», Москва, 15-19 ноября 2021 года / Институт космических исследований Российской академии наук. - Москва: Институт космических исследований Российской академии наук. - 2021. - С. 451.

45. Акимов Н. П., Бадаев К. В., Гектин Ю. М. и др. Многозональное сканирующее устройство малого разрешения МСУ-МР для космического информационного комплекса Метеор-М. Принцип работы, эволюция, перспективы // Ракетно-Космическое приборостроение и информационные системы. - 2015. - Т. 2, Выпуск 4. - С. 30-39. DOI: 10.17238/issn2409-0239.2015.4.30.

46. Асмус В. В., Загребаев В. А., Макриденко Л. А. и др. Система полярно-орбитальных метеорологических спутников серии "Метеор-М" // Метеорология и гидрология. - 2014. - № 12. - С. 5-16.

47. Cazaubiel V., Chorvalli V., Miesch C. The multispectral instrument of the Sentinel program // International Conference on Space Optics-ICSO 2008. - SPIE, 2017. -Т. 10566. - pp. 110-115.

48. Knight E. J., Kvaran G. Landsat-8 operational land imager design, characterization and performance // Remote sensing. - 2014. - Т. 6, Iss. 11. - pp. 10286-10305.

49. M. Drusch, U. Del Bello, S. Carlier et al. Sentinel-2: ESA's optical high-resolution mission for GMES operational services // Remote sensing of Environment. - 2012. - Т. 120. - pp. 25-36.

50. Loveland T. R., Irons J. R. Landsat 8: The plans, the reality, and the legacy // Remote Sensing of Environment. - 2016. - Т. 185. - pp. 1-6.

51. Пустынский И. С., Зырянов А. В., Куимов А. О., Холодов Е. И.. Свидетельство о государственной регистрации программы для ЭВМ № 2019661104 Российская Федерация. Программный комплекс "Геоинформационный портал МЕТЕО ДВ" : № 2019619824 : заявл. 06.08.2019 : опубл. 19.08.2019 / заявитель Федеральное государственное бюджетное учреждение «Дальневосточное управление по гидрометеорологии и мониторингу окружающей среды».

52. Борщ С. В., Затягалова В. В., Кровотынцев В. А. и др. Свидетельство о государственной регистрации программы для ЭВМ № 2015619668 Российская Федерация. Программа "ГИС Амур" для доведения фактической и прогностической гидрометеорологической продукции в бассейне р. Амур до конечных пользователей с помощью ГИС-ВЕБ технологий : № 2015616429 : заявл. 13.07.2015 : опубл. 09.09.2015 / заявитель Федеральное государственное бюджетное учреждение «Гидрометеорологический научно-исследовательский центр Российской Федерации», Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

53. Полянский И. В., Жуков Б. С., Кондратьева Т. В. и др. Комплекс многозональной спутниковой съёмки среднего разрешения для гидрометеорологических

космических аппаратов // Современные проблемы дистанционного зондирования Земли из космоса. - 2019. - Т. 16, № 6. - С. 83-92. DOI: 10.21046/2070-7401-201916-6-83-92.

54. Руководство по приборам и методам наблюдений. Том IV - Космические наблюдения. Женева: BMO. - 2018. - 265 с.

55. Горбунов А. В., Слободской И. Н. Космический комплекс оперативного мониторинга техногенных и природных чрезвычайных ситуаций "Канопус-В" // Геоматика. - 2010. - №. 1. - С. 30-34.

56. Cracknell A. P. The Advanced Very High Resolution Radiometer // London: Taylor and Francis Ltd. - 1997. - 968 p.

57. Cronin T. W. On the choice of average solar zenith angle // Journal of the Atmospheric Sciences. - 2014. - Т. 71. - №. 8. - pp. 2994-3003.

58. Жукова И. Н., Малых В. С., Шамбин А. И. Элементарный расчёт основных параметров Солнца // Труды ФОРА. - 2018. - №. 23.

59. Miller S., Lee T., Fennimore R. Satellite-Based Imagery Techniques for Daytime Cloud/Snow Delineation from MODIS // Journal of Applied Meteorology. - 2005. - No 44. - pp. 987-997.

60. Hawotte F., Radoux J., Chome G. et al. Assessment of Automated Snow Cover Detection at High Solar Zenith Angles with PROBA-V // Remote Sensing. - 2016. - No 8. - P. 699.

61. Zhu Z., Woodcock C. E. Object-based cloud and cloud shadow detection in Landsat imagery // Remote Sensing of Environment. - 2012. - Iss. 118. - pp. 83-94.

62. Tong X., Luo X., Liu S. et al. An approach for flood monitoring by the combined use of Landsat 8 optical imagery and COSMO-SkyMed radar imagery. ISPRS J. Photogramm // Remote Sens. - 2018. - Vol. 136. - pp. 144-153.

63. Moya L., Mas E., Koshimura S. Learning from the 2018 Western Japan Heavy Rains to Detect Floods during the 2019 Hagibis Typhoon // Remote Sens. - 2020. Vol. 12. - P. 2244.

64. Andreev A. I., Shamilova Y. A., Kholodov E. I. Using Convolutional Neural Networks for Cloud Detection from Meteor-M No. 2 MSU-MR Data // Russian Meteorology and Hydrology. - 2019. - Vol. 44, Iss. 7. - pp. 459-466.

65. Крамарева Л. С., Андреев А. И., Симоненко Е. В. и др. Применение свер-точной нейронной сети для детектирования снега по данным многоканального спутникового устройства космического аппарата "Метеор-М" №2 // INTELS'18: Материалы 13-го Международного симпозиума «Интеллектуальные системы -2018», Procedia Computer Science. - 2018. - pp. 368-375.

66. Kramareva L. S., Andreev A. I., Simonenko E. V. et al. The use of a convolutional neural network for detecting snow according to the data of the multichannel satellite device of meteor-M No.2 spacecraft // Procedia Computer Science : Proceedings of the 13th International Symposium "Intelligent Systems", INTELS 2018, St. Petersburg, 22-24 october 2018. - St. Petersburg: Elsevier B.V. - 2019. - pp. 368-375.

67. Крамарева Л. С., Андреев А. И., Блощинский В. Д. и др. Использование нейронных сетей в задачах гидрометеорологии // Вычислительные технологии. -2019. - Т. 24, № 6. - С. 50-59.

68. Крамарева Л. С., Пустынский И. С., Филей А. А. и др. Современные возможности и подходы Дальневосточного центра НИЦ «Планета» к решению научных и прикладных задач с использованием данных дистанционного зондирования (50 лет в области ДЗЗ) // Материалы 17-й Всероссийской открытой конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, 11-15 ноября 2019 года / Институт космических исследований Российской академии наук. - Москва: Институт космических исследований Российской академии наук. - 2019. - С. 5.

69. Волкова Е. Е., Матвеев А. М., Кобец Д. А. и др. Организация автоматической обработки низкоуровневых данных КА "Канопус-В" в центрах НИЦ "Планета" // атериалы 20-й Международной конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, 14-18 ноября 2022 года / Институт космических исследований Российской академии наук. - Москва: Институт космических исследований Российской академии наук. - 2022. - С. 88.

70. Колбудаев П. А., Плотников Д. Е., Матвеев А. М. Методы и технология автоматической географической допривязки спутниковых данных высокого разрешения по данным низкого разрешения // Материалы 19-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса», Москва, 15-19 ноября 2021 года / Институт космических исследований Российской академии наук. - Москва: Институт космических исследований Российской академии наук. - 2021. - С. 33.

71. Колбудаев П. А., Плотников Д. Е., Матвеев А. М. и др. Технология, результаты массовой обработки и характеристики полученных наборов спутниковых данных КМСС-М (МСУ-100М) для количественной оценки земной поверхности // Материалы 18-й Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса» : Электронный сборник материалов конференции, Москва, 16-20 ноября 2020 года / Институт космических исследований Российской академии наук. - Москва: Институт космических исследований Российской академии наук. - 2020. - С. 26.

72. Плотников Д. Е., Колбудаев П. А., Жуков Б. С. и др. Публикация коллекции мультиспектральных измерений прибором КМСС-М (КА "Метеор-М" № 2) для количественной оценки характеристик земной поверхности // Современные проблемы дистанционного зондирования Земли из космоса. - 2020. - Т. 17, № 7. - С. 276-282. DOI: 10.21046/2070-7401-2020-17-7-276-282.

73. Колбудаев П. А., Плотников Д. Е., Барталев С. А. Метод выявления облачности по данным прибора МСУ-100М (Метеор-М №2) на основе пространственного анализа монохромных изображений и границ объектов земной поверхности // Информационные технологии в дистанционном зондировании Земли -RORSE 2018 : Электронный сборник статей 16-й конференции, Москва, 12-16 ноября 2018 года / Институт космических исследований Российской академии наук.

- Москва: Институт космических исследований Российской академии наук. - 2018.

- С. 139-144. DOI: 10.21046/шгее2018.139.

74. Колбудаев П. А., Плотников Д. Е., Матвеев А. М. и др. Развитие методов географической допривязки и выявления облачности на монохроматических изображениях КМСС на основе использования безоблачного эталона и анализа границ объектов земной поверхности // Материалы 17-й Всероссийской открытой конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, 11-15 ноября 2019 года / Институт космических исследований Российской академии наук. - Москва: Институт космических исследований Российской академии наук. - 2019. - С. 37.

75. Richter R., Louis J., Muller-Wilm U. Sentinel-2 MSI-Level 2A Products Algorithm Theoretical Basis Document; S2PAD-ATBD-0001, Is. 2.0 // Telespazio VEGA Deutschland GmbH, Darmstadt, Germany. - 2012. - P. 79.

76. Raiyani K., Goncalves T., Rato L. et al. Sentinel-2 image scene classification: A comparison between Sen2Cor and a machine learning approach // Remote Sensing. -2021. - Т. 13, Iss. 2. - P. 300.

77. Main-Knorn M., Pflug B., Louis J. et al. Sen2Cor for sentinel-2 // Image and Signal Processing for Remote Sensing XXIII. - SPIE. 2017. - Т. 10427. - pp. 37-48.

78. Martins V. S., Barbosa C. C. F., De Carvalho L. A. S. et al. Assessment of atmospheric correction methods for Sentinel-2 MSI images applied to Amazon floodplain lakes // Remote Sensing. - 2017. - Т. 9, Iss. 4. - P. 322.

79. Wang D., Ronghua M., Xue K. et al. The assessment of Landsat-8 OLI atmospheric correction algorithms for inland waters //Remote Sensing. - 2019. - Т. 11, Iss. 2. - P. 169.

80. De Keukelaere L., Sterckx S., Adriaensen S. et al. Atmospheric correction of Landsat-8/OLI and Sentinel-2/MSI data using iCOR algorithm: validation for coastal and inland waters //European Journal of Remote Sensing. - 2018. - Т. 51, Iss. 1. - pp. 525542.

81. Vanhellemont Q., Bailey S., Franz B. et al. Atmospheric correction of Landsat-8 imagery using SeaDAS // ESA Special Publication. - 2014. - T. 726. - P. 8.

82. Breon F. M. Reflectance of broken cloud fields: simulation and parameterization // J. Atmos. Sci. - 1992. - Vol. 49, Iss. 14. - pp. 1221-1232.

83. Coulson K. L., Dave J. V., Sekera Z. Tables Related to Radiation Emerging from a Planetary Atmosphere with Rayleigh Scattering // Geophysical Journal International. - 1961. - Vol. 5, Iss. 1. - P. 87. DOI: 10.1093/gji/5.1.87.

84. Крамарева Л. С., Андреев А. И., Симоненко Е. В. и др. Детектирование снега и облачности с использованием сверточной нейронной сети по данным прибора МСУ-МР КА "МЕТЕОР-М" №2 // Информационные технологии в дистанционном зондировании Земли - RORSE 2018: Электронный сборник статей 16-й конференции, Москва, 12-16 ноября 2018 года / Институт космических исследований Российской академии наук. - Москва: Институт космических исследований Российской академии наук. - 2018. - С. 60-67. DOI: 10.21046/rorse2018.60.

85. Андреев А. И., Холодов Е. И., Шамилова Ю. А. Применение сверточной нейронной сети для детектирования облачности и снега по данным многоканального спутникового устройства МСУ-МР КА "Метеор-М" №2 // Сборник тезисов докладов шестнадцатой Всероссийской открытой конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, 12-16 ноября 2018 года / Институт космических исследований Российской академии наук. - Москва: Институт космических исследований Российской академии наук. - 2018. - С. 14.

86. Андреев А. И., Шамилова Ю. А., Холодов Е. И. Применение сверточной нейронной сети для детектирования облачности по данным прибора МСУ-МР спутника "Метеор-М" № 2 // Метеорология и гидрология. - 2019. - №2 7. - С. 44-53.

87. Андреев А. И., Давиденко А. Н., Пустатинцев И. Н. Свидетельство о государственной регистрации программы для ЭВМ № 2020615999 Российская Федерация. Программный комплекс "PlanetaCloudmaskTrainer" для обучения классификаторов облачности на основе алгоритмов машинного обучения : № 2020615104 : заявл. 29.05.2020 : опубл. 05.06.2020; заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

88. Андреев А. И., Шамилова Ю. А., Смирнова А. А. Свидетельство о государственной регистрации программы для ЭВМ № 2020615998 Российская Федерация. Программный комплекс "PlanetaQoudmaskPolar" для расчета маски облачности по данным полярно-орбитальных космических аппаратов : № 2020615102 : за-явл. 29.05.2020 : опубл. 05.06.2020 ; заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

89. Андреев А. И., Шамилова Ю. А., Суханова В. В. Свидетельство о государственной регистрации программы для ЭВМ № 2020616242 Российская Федерация. Программа "PlanetaQoudmaskAggregator" для расчета и автоматического объединения масок облачности в дневное и ночное время суток : №2 2020615137 : заявл. 29.05.2020 : опубл. 15.06.2020 ; заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

90. Андреев А. И., Блощинский В. Д., Кузьмина О. В. Свидетельство о государственной регистрации программы для ЭВМ № 2020661497 Российская Федерация. Программный комплекс "PlanetaQoudmaskVaHdatюnSystem" дли автоматической валидации масок облачности, рассчитываемых по спутниковым данным : № 2020660462 : заявл. 14.09.2020 : опубл. 24.09.2020 ; заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

91. Андреев А. И., Шамилова Ю. А., Давиденко А. Н. Свидетельство о государственной регистрации программы для ЭВМ № 2018617871 Российская Федерация. Программа мPlanetaMSUaoudRecognizerм : № 2018615031 : заявл. 18.05.2018 : опубл. 03.07.2018 ; заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

92. Андреев А. И., Кучма М. О., Бородицкая А. В. Свидетельство о государственной регистрации программы для ЭВМ № 2018618039 Российская Федерация. Программа мPlаnetаMSUSnowRecognizerм : № 2018615066 : заявл. 18.05.2018 :

опубл. 09.07.2018 ; заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

93. Фартушнов Н. С. Библиотеки языка Python для машинного обучения, их возможности и преимущества // Теория и практика современной науки. - 2020. - Т. 59, № 5. - С. 397-403.

94. Латкин И. И. Обзор возможностей TensorFlow для решения задач машинного обучения // Молодежный научно-технический вестник. - 2016. - № 9. - С. 44.

95. Щелконогов А. Н. Разработка простейших нейросетей в KERAS // Математическое и программное обеспечение вычислительных систем : Межвузовский сборник научных трудов / Под редакцией А. Н. Пылькина. - Рязань : ИП Коняхин А. В. (BookJet). - 2019. - С. 51-53.

96. Wilson R. T. Py6S: A Python interface to the 6S radiative transfer model // Computers and Geosciences. - 2013. - Vol. 51. - pp. 166-171. DOI: 10.1016/j.cageo.2012.08.002.

97. Chandra R., Menon R., Dagum L. et al. Parallel programming in OpenMP. -Morgan kaufmann. - 2001. - P. 240.

98. Levy R., Hsu C. et al. MODIS Atmosphere L2 Aerosol Product. NASA MODIS Adaptive Processing System, Goddard Space Flight Center, USA. - 2015. DOI: 10.5067/MODIS/MOD04_L2.006.

99. Kaufman Y. J., Tanre D., Remer L. A. et al. Operational remote sensing of tropospheric aerosol over land from EOS moderate resolution imaging spectroradiometer // Journal of Geophysical Research. - 1997. - Vol. 102. - pp. 17051-17068.

100. Симоненко Е. В., Чудин А. О., Давиденко А. Н. Дифференциальный метод вычисления векторов перемещения облачности // Метеорология и гидрология. - 2017. - № 3. - С. 29-39.

101. Кучма М. О., Холодов Е. И., Амельченко Ю. А. Свидетельство о государственной регистрации программы для ЭВМ № 2020661286 Российская Федерация. Программа "PlanetaForecastTimeInterpolate" для автоматического интерполирования по времени данных полей прогноза метеорологических элементов : №

2020660424 : заявл. 14.09.2020 : опубл. 21.09.2020 ; заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

102. Смирнов В. Г. под редакцией. Спутниковые методы определения характеристик ледяного покрова морей. - С.-П.: ААНИИ. - 2011. - 240 с.

103. Jezek K. C., Perovich D., Goldens K. M. et al. A broad spectral, interdisciplinary investigation of the electromagnetic properties of sea ice // IEEE Trans. Geosci. Remote Sens. - 1998. - Vol. 36, Iss. 5. - pp. 1633-1641.

104. Dorsey N.E. (1940). Properties of ordinary water-substance // Amer. Chem. Soc. Monogr. Ser. - 1940. - No 81. - 673 p.

105. Паундер. Э. Физика льда / Пер. с англ. М.: Мир. - 1967. - 190 с.

106. Minnett P. J. GHRSST-PP Sea Ice Working Group (SI-WG) report. 8th GHRSST-PP Science Team Meeting, Melbourne Australia, 14-18th May 2007 // Abstracts & Papers. - 2007. - Vol. 1. - pp. 36-39.

107. Baker N. Joint Polar Satellite System (JPSS) VIIRS Sea Ice Characterization Algorithm Theoretical Basis Document (ATBD) // NASA Goddard Space Flight Center: Greenbelt, MD, USA. - 2011.

108. Meier W. N., Markus T., Comiso J. et al. AMSR2 Sea Ice Algorithm Theoretical Basis Document // NASA Goddard Space Flight Center: Greenbelt, MD, USA. -2017.

109. Key J. R., Mahoney R., Liu Y. et al. Snow and ice products from Suomi NPP VIIRS // J. Geophys. Res. Atmos. - 2013. - 118 p.

110. Jin D., Chung S. R., Lee K. S. et al. Development of Geo-KOMPSAT-2A Algorithm for Sea-Ice Detection Using Himawari-8/AHI Data // Remote Sens. - 2020. -Vol. 12. - 2262 p.

111. Блощинский В. Д., Кучма М. О., Андреев А. И. Применение сверточ-ных нейронных сетей в задачах детектирования облачности и снежного покрова по данным прибора МСУ-ГС КА Электро-Л №2 // Материалы 17-й Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва. ИКИ РАН. - 2019. - C. 18.

112. Bloshchinskiy V. D., Kuchma M. O., Andreev A. I. et al. Snow and cloud detection using a convolutional neural network and low-resolution data from the Electro-L No. 2 Satellite // J. Appl. Remote Sens. - 2020. - Vol. 14, Iss. 3, - P. 034506. DOI: 10.1117/1.JRS.14.034506.

113. Кучма М. О. Применение свёрточной нейронной сети для детектирования облачных образований и снежного покрова по данным прибора МСУ-ГС космического аппарата «Электро-Л» № 2: выпускная квалификационная работа (магистерская диссертация). - Хабаровск: Тихоокеанский Государственный университет. - 2021. - 97 с.

114. Zang L., Zang L., Du. B. Deep learning for remote sensing data: a technical tutorial on the state of the art // IEEE Geosci. Remote Sens. Mag. - 2016. - Vol. 4, Iss. 2. - pp. 22-40.

115. Андреев А. И., Лотарева З. Н., Бородицкая А. В. Свидетельство о государственной регистрации программы для ЭВМ № 2018665185 Российская Федерация. Программа "PlanetaMeteorTexMaker" для формирования выборки текстурных данных, выделенных на спутниковых изображениях : № 2018662617 : заявл. 12.11.2018 : опубл. 03.12.2018 ; заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

116. Rouse J. W., Haas R. H., Schell J. A. and et al. Monitoring Vegetation Systems in the Great Plains with ERTS // 3rd ERTS Symposium, NASA SP-351, Washington DC. - 1973. - pp. 309-317.

117. Jay Kuo C. C. Understanding Convolutional Neural Networks with A Mathematical Model // Published in Journal of Visual Communication and Image Representation. - 2016. - No 41. - pp. 406-413.

118. Boureau Y., Ponce J., LeCun Y. A theoretical analysis of feature pooling in visual recognition // Proceedings of the 27th International Conference on International Conference on Machine Learning, Haifa, Israel, 21-24 June. - 2010. - pp. 111-118.

119. Ioffe S., Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift // ICML'15: Proceedings of the 32nd International

Conference on International Conference on Machine Learning. 2015. - Vol. 37. - pp. 448-456.

120. Srivastava N., Hinton G., Krizhevsky A. et al. Dropout: a simple way to prevent neural networks from overfitting // J. Mach. Learn. Res. - 2014. - Vol. 15. - pp. 1929-1958.

121. Crane R. G., Anderson M. R. Satellite discrimination of snow/cloud surfaces // International Journal of Remote Sensing. - 1984. - Vol. 5. - P. 213-223.

122. Salomonson V. V., Appel I. Estimating fractional snow cover from MODIS using the normalized difference snow index // Remote Sensing of Environment. - 2004. - Vol. 89. - pp. 351-360.

123. Кучма М. О., Слесаренко Л. А., Лотарева З. Н. Свидетельство о государственной регистрации программы для ЭВМ № 2021619259 Российская Федерация. Программа "PlanetaSeaIceMaskMSUMR" для расчета маски льда по данным прибора МСУ-МР КА Метеор-М №2 : № 2021618335 : заявл. 31.05.2021 : опубл. 07.06.2021 / заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

124. Асарин А. Е., Балонишникова Ж. А., Битков Л. М. и др. Второй оценочный доклад Росгидромета об изменениях климата и их последствиях на территории Российской Федерации // Федеральная служба по гидрометеорологии и мониторингу окружающей среды. - М.: ААНИИ. - 2014. - 1009 с.

125. Stocker T. F., Qin D., Plattner G.-K. et al. Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change // Eds. Midgley P.M. Cambridge: Cambridge University Press. - 2013. - P. 1535.

126. Ray G. Joint Polar Satellite System (JPSS) VIIRS Aerosol Optical Thickness (AOT) and Particle Size Parameter Algorithm Theoretical Basis Document (ATBD) // GSFC JPSS CMO. - 2014. - Rev. B. - P. 64.

127. Levy R., Remer L., Tanre D. et al. ALGORITHM FOR REMOTE SENSING OF TROPOSPHERIC AEROSOL OVER DARK TARGETS FROM MODIS: Collections 005 and 051: Product ID: MOD 04 / MYD 04 // NASA. - 2009. - Rev. 2. - P. 87.

128. Zhang H., Kondragunta S., Laszlo I., et al. An enhanced VIIRS aerosol optical thickness (AOT) retrieval algorithm over land using a global surface reflectance ratio database // J. Geophys. Res. Atmos. - 2016. - Vol. 121, Iss. 18. - pp. 10717- 10738. DOI: 10.1002/2016JD024859.

129. Zhao X. NOAA Climate Data Record (CDR) of AVHRR Daily and Monthly Aerosol Optical Thickness (AOT) over Global Oceans, Version 3.0 // NOAA National Centers for Environmental Information. - 2017. - P. 29. DOI: 10.7289/V5BZ642P

130. Buras R., Dowling T., Emde C. New secondary-scattering correction in DISORT with increased efficiency for forward scattering // J. Quant. Spectrosc. Radiat. Transfer. - 2011. - Vol. 112, Iss. 12. - pp. 2028-2034. DOI: 10.1016/j.jqsrt.2011.03.019

131. Emde C., Buras-Schnell R., Kylling A. et al. The libradtran software package for radiative transfer calculations (version 2.0.1) // Geoscientific Model Development. -2016. - Vol. 9, Iss. 5. - pp. 1647-1672. DOI: 10.5194/gmd-9-1647-2016

132. Кучма М. О., Блощинский В. Д., Амельченко Ю. А. Свидетельство о государственной регистрации программы для ЭВМ № 2021619261 Российская Федерация. Программа "PlanetaAOToverSeaLUTCreator" для создания справочных таблиц для расчета АОТ по данным прибора МСУ-МР КА Метеор-М №2 : № 2021618342 : заявл. 31.05.2021 : опубл. 07.06.2021 / заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

133. Koepke P. Effective Reflectance of Oceanic Whitecaps // Applied Optics. -1984. -Vol. 23, Iss. 11. - pp. 1816-1824. DOI: 10.1364/ao.23.001816

134. Born M., Wolf E. Principles of Optics - fifth edition // Oxford: Pergamon Press. - 1975. - P. 852. DOI: 10.1016/0030-3992(75)90061-4

135. Cox C., Munk W. Statistics of the sea surface derived from sun glitter // Journal of Marine Research. - 1954. - Vol. 13. - pp. 198-227.

136. Филей А. А., Рублев А. Н., Зайцев А. А. Радиометрическая интеркалибровка коротковолновых каналов многоканального спутникового устройства КА

Метеор-М № 2 по радиометру AVHRR КА «Metop-A» // Соврем. пробл. дист. зон-дир. Земли из космоса. - 2016. - Т. 13, № 6. - С. 251-263. DOI: 10.21046/2070-74012016-13-6-251-263

137. Кучма М. О., Крамарева Л. С., Суханова В. В. Свидетельство о государственной регистрации программы для ЭВМ № 2021619504 Российская Федерация. Программа "PlanetaAOToverSeaMSUMRCalc" для расчета АОТ по данным прибора МСУ-МР КА Метеор-М №2 : № 2021618527 : заявл. 31.05.2021 : опубл. 10.06.2021 / заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

138. Кучма М. О., Блощинский В. Д. Алгоритм атмосферной коррекции коротковолновых каналов прибора МСУ-МР спутника "Метеор-М" № 2 // Исследование Земли из космоса. - 2019. - № 6. - С. 3-12, DOI: 10.31857/S0205-9614201963-12.

139. Кучма М. О., Воронин В. В. Создание обучающей выборки для свер-точной нейронной сети в задаче тематической обработки спутниковых изображений // Информационные технологии XXI века : Сборник научных трудов. - 2020. -С. 187-191.

140. Kuchma M. O., Bloshchinskiy V. D. Algorithm for the Atmospheric Correction of Shortwave Channels of the MSU-MR Radiometer of the Meteor-M No. 2 Satellite // Izvestiya, Atmospheric and Oceanic Physics. - 2020. - Vol. 56, Iss. 9. - pp. 909-915, DOI: 10.1134/S0001433820090145.

141. Кучма М. О., Лотарева З. Н., Слесаренко Л. А. Определение маски ледяного покрова дальневосточных морей по данным прибора МСУ-МР спутника "Метеор-М" № 2 // Исследование Земли из космоса. - 2021. - № 2. - С. 31-41, DOI: 10.31857/S0205961421020032.

142. Kuchma M. O., Lotareva Z. N., Slesarenko L. A. Sea Ice Cover Detection of the Far Eastern Seas by Data of the MSU-MR Radiometer of the Meteor-M No. 2 Satellite // Izvestiya, Atmospheric and Oceanic Physics. - 2021. - Vol. 57 Iss. 9. - pp. 1179-1187, DOI: 10.1134/S0001433821090528.

143. Кучма М. О., Холодов Е. И., Амельченко Ю. А. Двухканальный алгоритм определения аэрозольной оптической толщины над морской поверхностью по данным прибора МСУ-МР спутника "Метеор-М" № 2 // Исследование Земли из космоса. - 2022. - № 2. - С. 88-94, DOI: 10.31857/S0205961422020051.

144. Kuchma M.O., Voronin V.V. Empirical Method for Determination of the Optimal Parameters of a Convolutional Neural Network in Working with Remote Sensing Data // 4th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA). - 2022, - pp. 347-349, DOI: 10.1109/SUMMA57301.2022.9973950.

145. Кучма М. О., Воронин В. В., Блощинский В. Д. Анализ возможности использования сверточной нейронной сети для тематической обработки спутниковых изображений. Материалы Восьмой Всероссийской научно-практической конференции (Березники, 18 октября 2019) // Пермь: Изд-во Перм. нац. исслед. поли-техн. ун-та. - 2019. - С. 70-72.

146. Кучма М. О., Блощинский В. Д., Холодов Е. И. Алгоритм атмосферной коррекции коротковолновых каналов прибора МСУ-МР космического аппарата Метеор-М № 2 // Материалы 17-й Всероссийской открытой конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, 1115 ноября 2019 года. Институт космических исследований Российской академии наук // Москва: Институт космических исследований Российской академии наук. -2019. - С. 42.

147. Кучма М. О., Лотарева З. Н., Слесаренко Л. А. Определение кромки ледового покрова Дальневосточных морей с использованием сверточных нейронный сетей по данным прибора МСУ-МР спутника Метеор-М № 2 // Материалы 18-й Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса» : Электронный сборник материалов конференции, Москва, 16-20 ноября 2020 года / Институт космических исследований Российской академии наук // Москва: Институт космических исследований Российской академии наук. - 2020. - С. 217.

148. Кучма М. О., Холодов Е. И. Расчет аэрозольной оптической толщины над морской поверхностью по данным прибора МСУ-МР спутника «Метеор-М» №2 с использованием справочной таблицы // Материалы 19-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса», Москва, 15-19 ноября 2021 года / Институт космических исследований Российской академии наук // Москва: Институт космических исследований Российской академии наук. - 2021. - С. 36.

149. Кучма М. О., Шамилова Ю. А. Восстановление аэрозольной оптической толщины над морской поверхностью по данным прибора МСУ-МР российского спутника «Метеор-М» №2 // Тезисы докладов Международного симпозиума «Атмосферная радиация и динамика» (МСАРД-2021) 29 июня - 2 июля 2021 // Санкт-Петербург: Санкт-Петербургский Государственный Университет. - 2021. -С. 32-33.

150. Кучма М. О., Амельченко Ю. А. Использование оптической модели для восстановления аэрозольной оптической толщины над морской поверхностью по данным прибора МСУ-МР российского спутника «Метеор-М» №2 //Оптика атмосферы и океана. Физика атмосферы: Тезисы докладов XXVII Международного симпозиума. Томск: Изд-во ИОА СО РАН, 05 июля - 09 июля. 2021. - С. 181-184.

151. Топоров А. И., Мясоедов А. Г., Гусев В. В. Использование нейросете-вых подходов для мультиспектрального анализа спутниковых данных при проектировании объектов капитального строительства // Материалы 17-й Всероссийской открытой конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, 11-15 ноября 2019 года / Институт космических исследований Российской академии наук. - Москва: Институт космических исследований Российской академии наук. - 2019. - С. 67.

152. Кучма М. О., Амельченко Ю. А., Андреев А. И. Свидетельство о государственной регистрации программы для ЭВМ № 2019619601 Российская Федерация. Программа "PlanetaSentinelToTiff' для автоматического преобразования данных КА Sentinel в формат GeoTiff : № 2019618369 : заявл. 10.07.2019 : опубл.

19.07.2019 / заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

153. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // Proc. Int. Conf. Med. Image Comput. Comput.-Assist. Intervent. - 2015. - pp. 234-241

154. Гасников А. В. Современные численные методы оптимизации. Метод универсального градиентного спуска: учебное пособие. М.: МФТИ, 2018. - 291 с.

155. Mueller A., Guido S. An introduction to Machine Learning with Python. Publisher/ - O'Reilly Media, Inc. - 2017. - P. 392.

156. Diederik P. K., Jimmy L. B. Adam: a method for stochastic optimization // Proceeding of the 3rd International Conference for Learning Representations, San Diego.

- 2015. - P. 15.

157. Gao B.C. NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space // Remote Sensing of Environment. - 1996. - Vol. 58. - pp. 257-266.

158. Qi J., Chehbouni A., Huete A. R. et al. A Modified Soil Adjusted Vegetation Index // Remote Sensing of Environment. - 1994. - Vol. 48. - pp. 119-126.

159. Jin C., Xiao X., Dong J. et al. Mapping paddy rice distribution using multitemporal Landsat imagery in the Sanjiang Plain, Northeast China // Frontiers of Earth Science. - 2015. - Vol. 10. - Iss. 1. - pp. 49-62.

160. Xu H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery // Int. J. Remote Sens. - 2006. -Vol. 27. - pp. 3025-3033.

161. Rokni K., Ahmad A., Selamat A. et al. Water Feature Extraction and Change Detection Using Multitemporal Landsat Imagery // Remote Sens. - 2014. - Vol. 6. - P. 4173-4189.

162. Li W., Du Z., Ling F. et al. A Comparison of Land Surface Water Mapping Using the Normalized Difference Water Index from TM, ETM+ and ALI // Remote Sens.

- 2013. - Vol. 5. - P. 5530-5549. DOI: 10.3390/rs6054173.

163. Xu H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Remote Sens. - 2006. -Vol. 27. - pp. 3025-3033. DOI: 10.1080/01431160600589179.

164. Кучма М. О., Воронин В. В. Создание обучающей выборки для сверточ-ной нейронной сети в задаче тематической обработки спутниковых изображений // Информационные технологии XXI века: Сборник научных трудов. - 2020. - С. 187191.

165. Kuchma M. O., Bloshchinsky V. D., Andreev A. I. et al. Processing data from Russian meteorological satellites to solve agricultural problems // IOP Conference Series: Earth and Environmental Science. - 2020. - P. 012016, DOI: 10.1088/17551315/547/1/012016.

166. Кучма М. О., Воронин В. В., Блощинский В. Д. Настройка, обучение и тестирование сверточной нейронной сети в задаче тематической обработки спутниковых изображений // Информатика и системы управления. - 2021. - T. 67, № 1. - С. 90-100, DOI: 10.22250/isu.2021.67.90-100.

167. Кучма М. О., Воронин В. В., Шамилова Ю. А. и др. Разработка нейро-сетевого алгоритма оперативного детектирования разливов бассейна реки Амур на основе данных космического аппарата Sentinel-2 // Системы анализа и обработки данных. - 2022. - Т. 87, № 3. - C. 7-20, DOI: 10.17212/2782-2001-2022-3-7-20.

168. Kuchma M. O., Shamilova Y. A., Amelchenko Y. A. et al. Near-real-time flood mapping of the Amur River basin from sentinel-2 MSI data using deep learning // International Conference on Remote Sensing of the Earth: Geoinformatics, Cartography, Ecology, and Agriculture (RSE 2022). - 2022. - Vol. 12296. - P. 1229602, DOI: 10.1117/12.2642787.

169. Кучма М. О., Крамарева Л.С., Суханова В.В. и др. Возможности использования данных дистанционного зондирования Земли на примере мониторинга паводковой обстановки на реке Амур в 2019 году // Материалы 17-й Всероссийской открытой конференции "Современные проблемы дистанционного зонди-

рования Земли из космоса", Москва, 11-15 ноября 2019 года / Институт космических исследований Российской академии наук. - Москва: Институт космических исследований Российской академии наук. - 2019. - С. 6.

170. Кучма М. О., Воронин В. В., Шамилова Ю. А. и др. Детектирование разливов бассейна реки Амур на основе данных космического аппарата Landsat-8 с использованием нейронных сетей // Материалы 20-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Электронный сборник материалов конференции. Институт космических исследований Российской академии наук. Москва. - 2022. DOI: 10.21046/20DZZconf-2022a.

171. Кучма М. О., Блощинский В. Д. Свидетельство о государственной регистрации программы для ЭВМ № 2020616243 Российская Федерация. Программа "PlanetaAtmCorrLUTCreator" для расчета справочных таблиц для атмосферной коррекции коротковолновых каналов МСУ-МР КА Метеор-М №2 : № 2020615142 : заявл. 29.05.2020 : опубл. 15.06.2020 / заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

172. Hall D. K., Riggs G. A., Salomonson V. V. Algorithm Theoretical Basis Document (ATBD) for the MODIS Snow and Sea Ice-Mapping Algorithms // NASA Goddard Space Flight Center: Greenbelt, MD, USA. - 2001. - Vol. 45.

173. EUMETSAT. Surface Albedo Validation Sites // European Organisation for the Exploitation of Meteorological Satellites. - 2015. DOI: 10.15770/EUM_SEC_CLM_1001.

174. Бахрушин В. E. Методы оценивания характеристик нелинейных статистических связей // Системные технологии. - 2011. - № 2. - С. 9-14.

175. Кучма М. О., Крамарева Л. С., Амельченко Ю. А. Свидетельство о государственной регистрации программы для ЭВМ № 2022660818 Российская Федерация. Программный комплекс "PlanetaSentinel2FloodMask" для построения векторов разливов реки Амур и ее притоков по данным MSI KA Senitnel-2 : №

2022619311 : заявл. 23.05.2022 : опубл. 09.06.2022 / заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

176. МЮ. Кучма, Суханова В. В., Амельченко Ю. А. Свидетельство о государственной регистрации программы для ЭВМ № 2022667606 Российская Федерация. Программный комплекс "PlanetaLandsatFloodMask" для построения векторов разливов реки Амур и ее притоков по данным OLI KA Landsat-8 : № 2022666824 : заявл. 14.09.2022 : опубл. 22.09.2022; заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

177. Кучма М. О., Блощинский В. Д. Свидетельство о государственной регистрации программы для ЭВМ № 2020616244 Российская Федерация. Программа "PlanetaAtmCorrMSUMRCalc" для проведения атмосферной коррекции коротковолновых каналов МСУ-МР КА Метеор-М №2 : № 2020615088 : заявл. 29.05.2020 : опубл. 15.06.2020 / заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

178. Филей А.А. Свидетельство о государственной регистрации программы для ЭВМ № 2017662923 Российская Федерация. Программа "PLANETA CALIBRATION MSU-MR" : № 2017619778 : заявл. 29.09.2017 : опубл. 21.11.2017 ; заявитель Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».

179. Филей А. А., Андреев А. И., Кучма М. О. Применение искусственных нейронных сетей для определения общего содержания водяного пара в атмосфере по данным микроволнового радиометра МТВЗА-ГЯ со спутника "Метеор-М" № 22 // Метеорология и гидрология. - 2022. - № 4. - С. 34-45. DOI: 10.52002/0130-29062022-4-34-45.

180. Поляков А. В., Виролайнен Я. А., Тимофеев Ю. М. и др. Измерения содержания озона на основе спектров ИКФС-2 в 2015-2020 гг. // Материалы 19-й

Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН. - 2021. - С. 141. DOI 10.21046/^ггсоп£2021а.

181. Крамарева Л. С., Давиденко А. Н. Использование спутниковых данных в ГИС "МЕТЕО ДВ" // Современные проблемы дистанционного зондирования Земли из космоса. - 2019. - Т. 16, № 3. - С. 213-219. DOI 10.21046/2070-7401-201916-3-213-219.

182. Фролов А. В., Асмус В. В., Борщ С. В. и др. "ГИС Амур": система мониторинга, прогнозирования и раннего оповещения о наводнениях / // Метеорология и гидрология. - 2016. - № 3. - С. 5-21.

Исходный код функции, описывающей архитектуру нейронной сети

# импортирование библиотек import numpy as np

import tensorflow as tf

from tensorflow.python.keras import activations

from tensorflow.keras.models import Model, Sequential

from tensorflow.keras import layers

from tensorflow.keras import initializers

from tensorflow.keras.utils import to_categorical

from tensorflow.keras import regularizers

from tensorflow.keras import optimizers

# функция, осуществляющая инициализацию модели U-Net def unet():

loss = "binary_crossentropy" # используемая функция потерь metrics = ['accuracy'] # используемые дополнительные метрики lr_rate = 0.0001 # коэффициент скорости обучения optimizer = Adam(learning_rate=lr_rate) # оптимизатор patch_size = 256 # размер текстуры (ширина и высота) features_nb = 4 # количество входных каналов out_channels_nb = 1 # количество выходных каналов

inputs = tf.keras.layers.Input(shape=[patch_size, patch_size, features_nb], name='in-put') # входной слой

conv1 = layers.Conv2D(16, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(inputs) # слой свертки conv1 = layers.Conv2D(16, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv 1)

pool1_ = layers.MaxPooling2D(pool_size=(2, 2))(conv1) # слой пулинга

pool1 = layers.BatchNormalization()(pool1_) # слой нормализации батчей conv2 = layers.Conv2D(32, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(pool 1)

conv2 = layers.Conv2D(32, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv2)

pool2_ = layers.MaxPooling2D(pool_size=(2, 2))(conv2) pool2 = layers.BatchNormalization()(pool2_)

conv3 = layers.Conv2D(64, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(pool2)

conv3 = layers.Conv2D(64, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv3)

pool3_ = layers.MaxPooling2D(pool_size=(2, 2))(conv3) pool3 = layers.BatchNormalization()(pool3_)

conv4 = layers.Conv2D(128, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(pool3)

conv4 = layers.Conv2D(128, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv4) pool4 = layers.MaxPooling2D(pool_size=(2, 2))(conv4) pool4_ = layers.BatchNormalization()(pool4)

# добавление дополнительного слоя, который понижает дискритизацию conv5 = layers.Conv2D(256, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(pool4_)

conv5 = layers.Conv2D(256, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv5) drop5 = layers.Dropout(0.5)(conv5) # слой Dropout - убираем 50% весовых коэффициентов

pool5 = layers.MaxPooling2D(pool_size=(2, 2))(drop5) pool5_ = layers.BatchNormalization()(pool5)

# дополнительный слой добавлен успешно

conv6 = layers.Conv2D(512, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(pool5_)

conv6 = layers.Conv2D(512, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv6) drop6 = layers.Dropout(0.5)(conv6) drop6_ = layers.BatchNormalization()(drop6)

up7 = layers.Conv2D(256, 2, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(layers.UpSampling2D(size = (2,2))(drop6_)) # слой свертки (на вход Conv2D подается увеличенный слой) merge7 = layers.concatenate([drop5, up7], axis = 3) # объединение слоев conv7 = layers.Conv2D(256, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(merge7)

conv7 = layers.Conv2D(256, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv7) conv7_ = layers.BatchNormalization()(conv7)

# разворачиваем дополнительный слой

up8 = layers.Conv2D(128, 2, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(layers.UpSampling2D(size = (2,2))(conv7_)) merge8 = layers.concatenate([conv4, up8], axis = 3)

conv8 = layers.Conv2D(128, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(merge8)

conv8 = layers.Conv2D(128, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv8) conv8_ = layers.BatchNormalization()(conv8)

up9 = layers.Conv2D(64, 2, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(layers.UpSampling2D(size = (2,2))(conv8_)) merge9 = layers.concatenate([conv3, up9], axis = 3)

conv9 = layers.Conv2D(64, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(merge9)

conv9 = layers.Conv2D(64, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv9) conv9_ = layers.BatchNormalization()(conv9)

up10 = layers.Conv2D(32, 2, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(layers.UpSampling2D(size = (2,2))(conv9_)) merge10 = layers.concatenate([conv2,up10], axis = 3)

conv10 = layers.Conv2D(32, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(merge10)

conv10 = layers.Conv2D(32, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv10) conv10_ = layers.BatchNormalization()(conv10)

up11 = layers.Conv2D(16, 2, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(layers.UpSampling2D(size = (2,2))(conv10_)) merge11 = layers.concatenate([conv1,up11], axis = 3)

conv11 = layers.Conv2D(16, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(merge11)

conv11 = layers.Conv2D(16, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv11) conv11 = layers.Conv2D(2, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv11) conv11_ = layers.BatchNormalization()(conv11)

outputs = layers.Conv2D(out_channels_nb, 1, activation = 'softmax')(conv11_) # инициализация и компиляция модели model = Model(inputs=inputs, outputs=outputs, name="unet") model.compile(loss=loss, optimizer=optimizer, metrics=metrics) return model

Исходный код функции, выполняющей процесс обучения нейронной сети def train(model, train_data, test_data):

m

model - скомпилированная модель tensorflow train_data - массив numpy для обучения test_data - массив numpy для тестирования

m

epochs = 10000 # количество эпох обучения train_loss, test_loss = [], [] # листы для функций потерь

best_loss = 1e10 # значение функции потерь, при котором если вновь полученное значение меньше, то осществляется сохранение промежуточных весовых коэффициентов

patience_reduce = 7 # количество последних значений фукнции потерь, которые подлежат анализу

factor_reduce = 0.5 # множитель, который уменьшает коэффициент скорости обучения (КСО)

min_delta_reduce = 5.0e-05 # минимальная дельта значений функции потерь для уменьшения КСО

min_delta_stop = 1.0e-05 # минимальная дельта значений функции потерь для остановки обучения

patience_stop = 17 # количество эпох, на которых анализируется delta

min_delta_reduce_local = min_delta_reduce # локальное значение дельты

lr_rate_local = lr_rate # локальное значение КСО

list_losses = []

K.set_value(model.optimizer.learning_rate, lr_rate) # установка КСО for e in range(epochs - init_epoch): # проходимся в цикле по эпохам # для каждой эпохи выполняет метод fit - непосредственно обучение

history = model. fit( train_data,

epochs=init_epoch + e + 1, verbose=1,

validation_data=test_data, initial_epoch=init_epoch + e, shuffle=True)

# получаем значения функции потерь train_loss = history.history['loss'] test_loss = history.history['val_loss'] list_losses.append(test_loss[-1])

# если прошло достаточное количество эпох для уменьшения КСО, то if len(list_losses) > patience_reduce:

# берем последние patience_reduce эпохи last_losses = list_losses[-patience_reduce:]

# берем последнюю эпоху last_loss = list_losses[-1]

# счтьаем модуль разницы функции потерь (последняя эпоха относительно остальных)

difference = np.fabs(np.asarray(last_losses) - float(last_loss))

# если максимальное значение фукнции потерь на последних patience_reduce эпохах меньше, чем дельта, то

if np.nanmax(difference) <= min_delta_reduce_local:

# уменьшаем КСО

lr_rate_local = lr_rate_local * factor_reduce

# устанавливаем в модель новый КСО

K. set_value(model. optimizer. learning_rate, lr_rate_local)

# уменьшаем дельту

min_delta_reduce_local = min_delta_reduce_local * (factor_reduce/3.) print("Set new learning rate", lr_rate_local) list_losses = []

# если значение функции потерь на тесте меньше, чем best_loss, то if test_loss[-1] < best_loss:

# устанавливаем новый best_loss best_loss = test_loss[-1]

# инициализируем имя для файла с весовыми коэффициентами weights_name = "{}_e{}_l{:.5f}.h5".format('model_test', e + 1, best_loss)

# сохраняем веса model.save(weights_name)

# если прошло достаточное количество эпох для остановки обучения, то if len(list_losses) > patience_stop:

# берем последние patience_stop эпохи last_losses = list_losses[-patience_stop:]

# берем последнюю эпоху last_loss = list_losses[-1]

# счтьаем модуль разницы функции потерь (последняя эпоха относительно остальных)

difference = np.fabs(np.asarray(last_losses) - float(last_loss))

# если максимальное значение фукнции потерь на последних patience_stop эпохах меньше, чем дельта, то

if np.nanmax(difference) <= min_delta_stop:

# выходим из цикла обучения print("Early stop")

break

Свидетельства о государственной регистрации программ для ЭВМ

5Е 5! £ 8 £ 8 & Я а 32 Рисунок В. 7 - Свидетельство о государственной регистрации программы для ЭВМ

«PlanetaSentinelToTiff».

йлам 8 Я Я $ А Я к авмвя я & яя & шт а Ш $ »

Рисунок В. 8 - Свидетельство о государственной регистрации программы для !

«PlanetaSentinel2FloodMask».

Акты внедрения

АКТ

УТВЕРЖДАЮ ФГБУ «НИЦ «Планета» I Л.С. Крамарева

№ 12 от 27.10.2020 г.

Настоящий акт составлен в том, что в Дальневосточном центре ФГБУ «НИЦ «Планета» разработана и внедрена в оперативную работу программа для ЭВМ «Программа «PlanetaForecastTimelnterpolate» для автоматического интерполирования по времени данных полей прогноза метеорологических элементов».

Программа «PlanetaForecastTimelnterpolate» предназначена для интерполирования данных полей прогноза метеорологических элементов в пределах установленной заблаговременности модели для совмещения с данными спутниковой съёмки.

Программа представляет собой модуль, написанный на языке Python, который выполняют следующие функции:

проверка поступления спутниковых данных и определение ближайшего к ним срока рассчитанных данных полей прогноза метеорологических элементов для выбранной модели; автоматическое скачивание двух смежных (до и после) к ранее определенному ближайшему сроку полей прогноза; конвертация скачанных данных в формат «ОеоТ1РР» для дальнейших преобразований;

вычисление с использованием оптического потока интерполированных по времени файлов полей метеорологических элементов с заданным шагом; сохранение преобразованных данных в формат «Сео'ПРР»; формирование файлов формата «НОР», содержащих поля метеорологических элементов, сгруппированных по изобарическим уровням.

Зав. отделом ВП Вед. метеоролог отдела ВП Зав. отделом 11ИОКР МНС отдела НИОКР

/ Суханова В.В./ /Шамилова Ю.А./

/Филей А.А./ /Кучма М.О./

УТВЕРЖДАЮ ЩЦ Ф1БУ «НИЦ «IШиста»

Л.С. Крамарева

АКТ ИЛ 1,1 ИКЛИИ

№ 2 от 05.07.2021 г.

Настоящий акт составлен к том, что в Дальневосточном центре ФГБУ «IIИ ] [, «11:-1аксла» разработана н внедрена в оперативную работу программа для ЭВМ «Программа «Р1апе1аАОТоуег8еаИЛ'Сгеа(1»» для создания справочных таблиц для расчета ЛОТ по данным провора МСУ-МР КЛ Мегеор-М №2» (помер ре! исгридни (свидетель*: I ни): 2021619261, даш ре1 иираш-ш: 07.06.2021

Программа <<Р1але1аАОТо¥егЗеа[.итСгеа(ог» предназначена для автоматического создания справочных таблиц, предназначенных для расчет аэрозольной оптической толщины но данным коротковолновых каналов многозонального сканирующего устройства мал и™ разрешения (МСУ-МР) К А «Метеор-М» №2,

Программа предегаиляет собой модуль, написанный на нчыкс РуШоп, который выполняет следующие функции:

- инициалнзацня массивов со значениями изменяемых с заданным шагом параметров;

- многопоточное выполнение моделирования переноса излучения в атмосфере для каждой комбинации параметров с заданной функцией спектральной чувствительности;

- контро-и. ш р:ь|[ичспин на одионрСмСппОС ныпо.шспис функции потоками с использованием технологии семафора;

- считывание в потоке результата выполнения функции:

-сохранение набора входных параметров и результата моделирования ь справочную таблицу после каждого выполнения Е000 итераций моделирования.

Зав. отделом В! I Вед. метеоролог отдел а ВП Зав. отделом НИОКР МНС отдела НИ ОКР

/ Суханова В.В./

. , V.

УТВЕРЖДАЮ Ф£БУ «НЩ «Планета» Крамарева

АКТ ВНЕДРЕНИЯ

№ 6 от 01.09.2020 г.

Настоящий акт составлен в том, что в Дальневосточном центре ФГБУ «НИЦ «Планета» разработана и внедрена в оперативную работу программа для ЭВМ «Программа «PianetaAtmCorrLUTCreator» для расчета справочных таблиц для атмосферной коррекции коротковолновых каналов МСУ-МР КА Метеор-М №2».

Программа «PianetaAtmCorrLUTCreator» предназначена для автоматического расчета справочных таблиц, предназначенных для проведения атмосферной коррекции коротковолновых каналов многозонального сканирующего устройства малого разрешения (МСУ-МР) К А «Метеор-М» №2.

Программа представляет собой модуль, написанный на языке Python, который выполняет следующие функции:

- инициализация массивов со значениями изменяемых с заранее определённым шагом параметров;

- многопоточное выполнение для каждой комбинации параметров с заданной функцией спектральной чувствительности моделирования переноса излучения в атмосфере;

- контроль ограничения на одновременное выполнение функции потоками с использованием технологии семафора;

- считывание в потоке результата выполнения функции;

- сохранение набора входных параметров и результата моделирования в справочную таблицу после каждого выполнения 1000 итераций моделирования.

Зав. отделом ВП

Ио зав. отделом НИОКР

Зав. отделом РПО

Программист I кат. отдела НИОКР

/ Суханова В.В./ /Кучма М.О./ /Пустатинцев И. Н./ /Блощинский В.Д./

УТВЕРЖДАЮ Л)У «НИЦ «11ланета»

Л.С. Кримарева

АКТ ВНЕДРЕНИЯ

№ 3 от 05.07.2021 l

Настоящий акт составлен в том, что в Дальневосточном центре Ф1 ЬУ «НИЦ «Планета» разработана и внедрена в оперативную работу программа для ЭВМ «Программа «PlanetaAOToverSeaMSUMRCalc» для расчета ЛОТ но данным прибора МСУ-МР КЛ Mejeop-M №2» (номер регистрации (свидетельства): 2021619504, дата pemtграци и: 10.Q6.2jG2 ]).

Программа «PlanetaAOToverSeaMS UMRCaJc» предназначена для аетомагического расчета аэрозольной оптической толщины (АОТ) но данным коротковолновых каналов многозонального сканирующего устройства малого разрешения (МСУ-МР) КЛ «Мегеор-М» JV<>2.

Программа представляет собой модуль, написанный на языках Python и С++, которым выполняют следующие функции:

- предварительная обработка входных данных спутниковой съемки (вычисление даты съёмки и широты; извлечение зенитных углов Солнца и наблюдения, относительного азимутального угла);

- вычисление коэффициента зеркального отражения солнечного еиета от поверхности океана для последующих вычислений,

- преобразование значений коэффициента спектральной яркости (КСЯ), измеренного спутником на верхней границе атмосферы (ВГЛ). с использованием ранеерассчитанного коэффициента зеркального отражения;

-поиск ближайших значений требуемых параметров m таблицы l ookup Table (LUT), полученной с использованием upoj рамм w «Р lanetaA( DToverSeaLUTCreator»;

- подбор и считывание смоделированных значений КСЯ ВГА и ЛОТ;

-поиск ближайшего значения ЛОТ, соответствующего комбинации КСЯ

ВГА, полученной поданным прибора МСУ-МР;

- сохранение выходного массива и формате «HDF5»,

Зав. отделом ill 1

iíсл. метеоролог отдела BII

Зав. отделом НИОКР

MIIC отдела НИОКР

/ Суханова В .В./

УТВЕРЖДАЮ «I [И11 «11ланета» Крамарева

АКТ ВНЕДРЕНИЯ

№ 7 от (II .09.2020 г.

Настоящий акт состамея а шм. что в Дальневосточном центре Ф1 "Б У «НИЦ «Планета» разработана и внедрена в оперативную работу программа для ЭВМ «Программа «PlanetaAtmCorrMSUMRCaSc» для проведения атмосферной коррекции коротковолновых каналов МСУ-МР К А Mtn^op-M №2»,

автоматического проведения атмосферной коррекции коротковолновых каналов многозонального сканирующего устройства малою разрешения (МСУ-МР).

Программа представляет собой модуль, написанный ita языке Python, который выполняют следующие функции:

-предварительная обработка входных данных спутниковой съемки (вычисление даты съёмки и широта; извлечение зенитных у г л ли Солнца и наблюдения, относительною азимутального угла);

- вычисление атмосферного профиля с учетом миски земля/вода н широты:

- преобразование значений коэффициента спектральной яркое™ (КСЯ), измеренного спутником на верхней границе атмосферы (BL А), и спекгральыую энергетическую яркость (СПЭЯ):

- формирование набора масок, которые представляют собой массивы параметров, аналогичных использованным при генерировании Lookup I üble (LUT) » нрофамме «PlanetaAtmCorrl .UTCreator»;

- поиск ближайших значений всех парамсгров из LUT, подбор и считывание на их ochorc смоделированных СПЭЯ RFA и парс с КСЯ подстилающей поверхности;

- интерполяция считанных смоделированных СПЭЯ ВГА по реальным СПЭЯ ВГА и каждому из параметров;

- получение результирующею массива с КСЯ подстилающей поверхности и сохранение ею в формате «GeoTlFF».

Профаима «PlanetaAtmCorrMSUMRCalc» предназначена для

Vlo зав. отделом НИ ОКР Зав. отделом РПО

Зав. отделом ВП

/ Суханова B.BV /Кучма М.О./ АПусгатинцев И. Ii,/ /Блоадинский В.Д7

У1ВЕРЖДАЮ d?Ujy «IГИЦ «I 1лапста» _Л.С, Крамарова

№ 4 от 05.07.2021 г

Настоящий акт составлен ы том, что в Дальневосточном центре Ф1ЪУ «НИЦ «Планета» разработана и ииелрснл н оперативную работу программа мл ЭВМ <fl 1рограмма «PlanclaSealceMaskMSUMR» для расчета маски льда но данным прибора МСУ-МР КЛ Метеор-М (номер регистрации (свидетельства): 2021619259, дата регистрации: 07.06.202 I).

Программа «PlanetaSealceMaskMSUMR» предназначена для автоматического расчета маски льда акваторий Дальневосточных морей по данным мно] озоналыюто сканирующего устройства малого разрешения (МСУ-МР) КЛ «Метеор-М» №2.

Программа представляет собой модуль, написанный на языке Python, который выполняют следующие функции:

- предварительная обработка входных данных спутниковой съемки {ими пили мне латы съёмки; извлечение зенитных углов Спл iTiia и наблюдения, относительного азимутального угла);

- загрузка маски облачносга, полученной по результатам работы Программного Комплекса «FlaiietaMSUCloudRjecogiuzet»;

- загрузка маски снега, полученной но результатам работы программного

комплекса «PlattetaMSl JSnowRecognizer»;

- расчет маски льда для акваторий Дальневосточных морей is дленное время к автоматическом режиме;

- запись результирующих файлов в форматах «hdfl» и «Geo'llFF».

Зав, отделом Bl 1 Вед метеоролог отдела ВИ Зав. отделом НИОКР МНС отдела НИОКР

Директор ДЦ

I Щ&т

I

■ ■ ■. ..-■ .■. 1 V...4"

УТВЕРЖДАЮ «НИИ, «Планета» JLC. Крамарова

АКТ ВНЕДРЕНИЯ

№ 5 от 30.08.2019 г.

Настоящий акт составлен в том, что в Дальневосточном центре ФГБУ «НИЦ «Планета» разработана и внедрена в оперативную работу программа «PlanetaSentinelToTiff>> для автоматического преобразования данных КЛ Scnlinel в формат Geo Tiff.

Программа «PIanetaSentinelToTifb> используется для автоматического преобразования данных К A Sentinel в формат GcoTiff с возможностью построения мозаики из нескольких сцен.

Программа представляет собой модуль, написанный ¡ia языке Python, который выполняют следующие функции:

- мониторинг появления данных во входящей папке;

- распаковка архивов данных;

- преобразование данных в формат GeoTiff инструментами библиотеки snappy;

- построение мозаики из нескольких сцен при необходимости.

Зан. отделом Bl I Зан. отделом НИОКР Вед. метеоролог ОВП МНС отдела НИОКР