Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)

Тринадцатая Всероссийская открытая конференция "Современные проблемы дистанционного зондирования Земли из космоса"

XIII.A.225

Развитие методики автоматизированного разделения лед – вода на основе данных РСА

Захваткина Н.Ю.(1,2), Коросов А.А.(3), Весман А.В.(1,2), Волков В.А.(1), Мушта А.В.(1,4)
(1) НФ “Международный центр по окружающей среде и дистанционному зондированию им. Нансена”
(2) Арктический и антарктический научно-исследовательский институт
(3) Центр по окружающей среде и дистанционному зондированию им. Нансена, Берген, Норвегия
(4) Санкт-Петербургский Государственный институт
Международный центр по окружающей среде и дистанционному зондированию им. Нансена долгое время работает над разработкой методов автоматизированной классификации спутниковых снимков. Система автоматической классификации морского льда была разработана применительно к РСА-изображениям спутника ENVISAT на основе метода нейронных сетей с использованием в качестве входных данных текстурных характеристик. Спутник ENVISAT имел возвожность получать РСА-изображения с широкой полосой обзора только в одной поляризации, поэтому для получения более качественных результатов автоматической классификации лед-вода требовалась дополнительная информация. В разработанной методике дополнительно использовались данные AMSR и позднее SSMI. В результате был разработан алгоритм, который позволял автоматически получать карты с разделением лед – вода с точностью до 98%.
После запуска нового спутника RADARSAT2 появилась необходимость адаптации алгоритма к новым данным. Существенным отличием новых данных являлась кросс-поляризация (Горизонтальная-горизонтальная, Горизонтальная - Вертикальная), благодаря которой более не требовалось привлечение дополнительной информации. В данном случае метод нейронных сетей не давал стабильных удовлетворительных результатов, поэтому был протестирован и в дальнейшем использован новый метод распознавания границы лёд-вода – метод опорных векторов. Метод опорных векторов, так же как и нейронных сетей, является одним из методов машинного обучения для последующей автоматической классификации данных. Для того чтобы получить более качественные результаты классификации, также как для снимков ENVISAT, был введен этап предварительной подготовки изображений: коррекции зависимости сигнала от угла падения на ГГ-поляризации; для снимков RADARSAT2 ГВ-поляризации - снижение уровня шума. Обучающий массив данных (схем с заданными классами) также формировался из набора текстурных характеристик на основе экспертного анализа РСА-изображений. Валидация алгоритма проводилась с помощью ледовых карт Норежского Метеорологического Института и данных MODIS. Классифицированные изображения имеют разрешение 50 м при размере 500 км2.
С 2014 года на орбиту вышел новый спутник SENTINEL-1. Для создания автоматизированной классификации на основе данных РСА-изображений, был разработан новый алгоритм (Anton Korosov ’High resolution automatic classification of Sentinel-1A SAR data’ Nansen Environmental and Remote Sensing Center). Для изображений ГГ-поляризации в алгоритме проводится угловая коррекция, для ГВ – устранение термического шума. В данном алгоритме появился дополнительный этап – анализ текстурных характеристик методом главных компонент и последующая кластеризация полученных результатов. Анализ и обучение алгоритма экспертом уже производится на основе автоматически полученной карты-схемы с кластерами. Одним из важнейших этапов создания качественной автоматической классификации является обучение алгоритма. Для надежных результатов необходимо вручную обработать большое количество снимков. Было произведено тестовое обучение на основе снимков с различными видами подстилающей поверхности и шумов. На данный момент разработана и протестирована версия алгоритма, которая дает удовлетворительные результаты автоматического разделения лед-вода, также на автоматически получаемых картах выделяются крупные неоднородности такие как разводья и трещины. Разработка и отладка нового алгоритма классификации выполняется в рамках инициативного двухстороннего проекта, проводимого совместно РФФИ и Исследовательским советом Норвегии: «Разработка системы мониторинга и прогнозирования морского льда для поддержки безопасной работы и навигации в арктических морях», проект 15-55-20002.
(«Development a sea ice monitoring and forecasting system to support safe operations and navigation in Arctic Seas” (Researcher project – NORRUSS, Application Number: ES534020 ))

Методы и алгоритмы обработки спутниковых данных

28