Ранее в работе (Андреев и др., 2015) было показано, что на основе анализа двумерных гистограмм по нормализованным индексам с помощью машинного обучения может быть автоматизирована процедура определения ледового покрытия. Машинное обучение в данной работе проводилось по алгоритму Random Forest. Далее в работе (Дегай и др., 2021) с использованием сезонного анализа выполнено существенное улучшение алгоритма определения ледового покрытия. Наряду с исправлением ряда ошибок доработанный алгоритм позволяет значительно расширить площадь снимка, которую можно автоматически классифицировать. И отнести проверяемый фрагмент к поверхности покрытой льдом или свободной ото льда.
По результатам вышеуказанной работы (Дегай и др., 2021) в данном докладе представлено рассмотрение возможности автоматического определения ледового покрытия по спутниковым данным оптического и ближнего инфракрасного диапазона за несколько дней.
Анализ проводился на гранулах H26V03 и H27V03 MODIS. В первую очередь рассматривались информация гранулы H26V03 MODIS. Данная гранула охватывает части Берингова моря, Камчатки, Охотского моря, Сахалина, Татарского пролива, Приморья. В вышеуказанных районах добывается большая часть вылова Российской федерации, поэтому информация о ледовом покрытии в этой области наиболее важна. Основной целью данного доклада являлось оценка количества дней, за который композитными снимками будет обеспечено определение ледового покрытия на важной для навигации площади гранулы. Представлены качественные показатели этого периода в зависимости от месяца наблюдения за 2015 год.
Работы проводились с использованием технологий и данных центра коллективного пользования ЦКП "ИКИ-Мониторинг" (Лупян и др., 2019).
Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации (тема "Мониторинг", госрегистрация № 01.20.0.2.00164).