Применение методов машинного обучения для анализа сплоченности ледяного покрова в Карском море по данным спутника SMOS

Морской лед является важной составляющей криосферы Земли. Он оказывает огромное влияние как на климат, так и на глобальную циркуляцию водных масс (Meier et al., 2014). Толщина морского льда регулирует тепловой поток между океаном и атмосферой, а выделение соляного раствора во время роста морского льда изменяет соленость поверхностных вод и влияет на глубинную конвекцию в океане. За последние десятилетия площадь и толщина морского льда в Северном Ледовитом океане (СЛО) существенно сократилась (Иванов и др., 2013). Поэтому анализ и оценка изменений параметров морского ледяного покрова важна для улучшения понимания и прогнозирования криосферных и океанических процессов (Семенов и др., 2017).
Постоянный мониторинг состояния морского льда на всей акватории СЛО может проводиться только с использованием средств космического дистанционного зондирования Земли. В отличие от приборов, работающих в оптическом диапазоне, а также радиолокаторов с синтезированной апертурой (РСА), микроволновые радиометры обеспечивают полное информационное покрытие полярных регионов Земли в любое время суток, при любых метеорологических условиях. Спутниковые пассивные измерения поверхности Земли в микроволновом диапазоне продолжаются уже более пятидесяти лет благодаря радиометрическим системам, запущенным в космос в разное время (Тихонов и др., 2016).
Используемые в настоящее время методы и алгоритмы восстановления характеристик ледяного покрова по данным пассивного микроволнового зондирования имеют существенные погрешности, которые обусловлены сезонными, климатическими, географическими и другими факторами (Тихонов и др., 2016; Alekseeva et. al, 2019; Wernecke et al., 2024).
В ноябре 2009 г. был запущен спутник Европейского космического агентства (англ. European Space Agency) SMOS (англ. Soil Moisture and Ocean Salinity). На спутнике установлен радиометр MIRAS (англ. Microwave Imaging Radiometer using Aperture Synthesis). Этот радиометр измеряет собственное микроволновое излучение поверхности Земли на частоте 1,4 ГГц на вертикальной и горизонтальной поляризации. MIRAS работает на основе принципа синтеза апертуры, что позволяет получать изображения Земли с относительно высоким пространственным разрешением (McMullan et al., 2008). Яркостная температура (Тя) поверхности Земли на обеих поляризациях принимается микроволновым радиометром MIRAS в диапазоне углов визирования от 0 до 60° (Kerr et al., 2010). Максимальный пространственный охват достигается при угле 42,5°. В этом случае пространственное разрешение составляет 35×65 км (Gutierrez et al., 2017). В настоящем исследовании были использованы данные продукта первого уровня SMOS L1C. Эти данные привязаны к дискретной геодезической сетке DGG ISEA 4H9. Линейный размер ячейки сетки составляет величину порядка 16 км, а площадь — около 195 кв. км. (Sahr et al., 2003).
Ранее авторами были представлены первые результаты, показывающие, что Тя, принимаемая радиометром MIRAS очень чувствительна к изменениям состояния ледяного покрова Карского моря (сплочённость, таяние, замерзание) (Тихонов и др., 2023). Обнаруженная зависимость позволила приступить к разработке методики анализа характеристик морского льда по данным радиометра MIRAS. В настоящем докладе представлены первые результаты проведённых исследований по оценке сплочённости ледяного покрова Карского моря с применением методов машинного обучения (МО) по данным радиометра MIRAS.
Для восьми ячеек геодезической сетки DGG ISEA 4H9 в Карском море была получена динамика Тя радиометра MIRAS на горизонтальной и вертикальной поляризации за 2022–2023 гг.
Сплоченность морского льда в выбранных ячейках была проанализирована в результате комплексного дефишрирования спутниковых изображений видимого и инфракрасного (ИК) диапазона, а также снимков, полученных с помощью РСА. Данные видимого диапазона в прибрежных районах арктических морей недоступны с ноября по февраль из-за полярной ночи. В темный период года их можно заменить ИК данными. Данные РСА позволяют получать информацию о ледяном покрове вне зависимости от погодных условий и условий естественной освещённости (Спутниковые…, 2011). В данной работе, для определения ледовых характеристик был задействован архив оптической и радиолокационной съёмки за 2022–2023 гг. Анализ ледовых условий выполнялся визуально с использованием изображений спектрорадиометра MODIS (англ. Moderate Resolution Imaging Spectroradiometer) спутников Terra и Aqua (https://worldview.earthdata.nasa.gov/), радиометра VIIRS (англ. Visible Infrared Imaging Radiometer Suite, данные получены с помощью выносного пункта приёма и передачи спутниковой информации ВППИ ААНИИ в п. Баренцбург, Шпицберген) спутника Suomi-NPP (англ. Suomi National Polar-orbiting Partnership), а также РСА Sentinel-1A (http://seaice.dk/). Для выбранных девяти ячеек были получены временные ряды общей сплоченности льда за 2022–2023 гг. Дискретность измерений определялась наличием безоблачных снимков в оптическом диапазоне, а также частотой радиолокационной съёмки анализируемых ячеек.
В исследовании было применено несколько моделей МО. Атрибутами модели, которые использовались для прогнозирования, стали четыре переменные, получаемые по данным радиометра MIRAS: Тя, на горизонтальной (TH) и вертикальной (TV) поляризации, их соотношение (TH/TV) и поляризационное соотношением (Pr), которое определяется, как (TV – TH)/(TV + TH). Такие комбинации яркостной температуры на разных поляризациях часто используются при разработке алгоритмов определения сплоченности морского льда по данным спутниковой микроволновой радиометрии (Тихонов и др., 2016). Эти параметры позволяют учесть различные характеристики сигнала, принимаемого радиометром, что способствует более точным прогнозам сплоченности льда. Целевой переменной была общая сплоченность ледяного покрова. В рамках исследования использовалось восемь моделей регрессии: Linear Regression, Ridge, Lasso, ElasticNet, DecisionTreeRegressor, RandomForestRegressor, XGBoost, KNeighborsRegressor (Desai, Patel, 2021; Elango et al., 2022; Lipper, 2020; Metilda et al., 2024). Эффективность моделей оценивалась с помощью нескольких метрик качества: коэффициент детерминации (R2), показатель Root Mean Squared Error (RMSE) и метрика Mean Absolute Percentage Error (MAPE) (Chai, Draxler, 2014). МО выполнялось для 2022 г. После анализа метрик эффективности было выявлено, что модель XGBoost, продемонстрировала лучший результат по сравнению с остальными.
Модель XGBoost использовалась для оценки сплоченности льда в Карском море по выбранным девяти ячейкам за 2023 г. Эти результаты были сравнены со сплоченностью, полученной по данным оптической и радиолокационной съёмки. Результаты сравнения показали, что сплоченность, определённая с помощью МО, хорошо соответствует сплоченности льда, полученной по данным оптической и радиолокационной съёмки.
Полученные результаты открывают возможность использования данных радиометра MIRAS спутника SMOS для оценки состояния морского ледяного покрова Арктики. Совместное использование данных продукта SMOS L1C и данных радиометров AMSR2, SSMIS или МТВЗА-ГЯ может способствовать значительному прогрессу в разработке дистанционных всепогодных методов контроля и диагностики морского ледяного покрова морей российской Арктики.
Работа выполнена при поддержке темы «Мониторинг» (гос. регистрация № 122042500031-8) (Катамадзе Д.Р., Тихонов В.В., Алексеева Т.А., Афанасьева Е.В., Соколова Ю.В.), а также темы «Природные и природно-хозяйственные системы Сибири в условиях современных вызовов: диагностика состояний, адаптивные возможности, потенциал экосистемных услуг» (госзадание № FUFZ-2021-0007) (Хвостов И.В., Романов А.Н., Тихонов В.В.).