Девятая всероссийская открытая ежегодная конференция
«Современные проблемы дистанционного зондирования Земли из космоса»
Москва, ИКИ РАН, 14-18 ноября 2011 г.
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)
IX.B.62
Применение лимнологических процессоров для расчета концентраций хлорофилла в Новосибирском водохранилище
Ковалевская Н.М., Кириллов В.В., Кириллова Т.В., Ловцкая О.В.
Институт водных и экологических проблем СО РАН
Задача наших исследований заключалась в изучении возможностей лимнологических процессоров, разработанных в GKSS Research Centre (Германия), для построения карт распределения концентраций хлорофилла в Новосибирском водохранилище на основе использования 15-канальных снимков спектрометра MERIS/ENVISAT с пространственным разрешением 300 м. Для получения результатов пространственного распределения хлорофилла «а» в 2008-2010гг. использовались три лимнологические модели, в основе которых лежат различные диапазоны изменения биооптических характеристик [1]:
1.Case-2 модель,
2.Эвтрофная модель,
3.Бореальная модель.
Для каждой модели выполнена процессорная обработка спутниковых данных на основе применения двух нейронных сетей, которые включают корректировку смеси сигналов соседних элементов растра, появившуюся в результате атмосферного рассеяния, и соотносят яркостные сигналы, поступающие от поверхности воды, с искомой характеристикой (в частности, концентрацией хлорофилла «а»):
1.Нейронная сеть для эмуляции обратной модели (invNN).
2.Нейронная сеть для эмуляции прямой модели (forwNN).
Нейронная сеть invNN для эмуляции обратной модели позволяет получить оценки концентраций хлорофилла «а», которые задаются в качестве начальных значений для процедуры оптимизации, итеративно использующей прямую модель forwNN для минимизации различий между заданными и вычисленными яркостными сигналами.
Новосибирское водохранилище характеризуется пространственной неоднородностью, проточностью и невысоким содержанием биогенов на большей части акватории. Для водохранилища характерна значительная доля мелководий – площадь участков с глубинами до 3 м составляет одну треть водохранилища (около 350 кв.км). Трофический статус соответствует уровню эвтрофных водоемов на основе современных шкал трофности [2].
Сравнение результатов процессорной обработки спутниковых данных с результатами натурных исследований выявило согласие результатов эвтрофного моделирования для:
1)отдельных участков водохранилища – Крутихинского мелководья, залива р. Мильтюш (диапазон концентраций (10-35 мг/м3) [3, 4],
2)основной части акватории (диапазон концентраций (1-10 мг/м3).
Бореальная модель продемонстрировала наименьшую согласованность с натурными данными для всех участков Новосибирского водохранилища.
Для основной части акватории эвтрофная модель и Case-2-модель продемонстрировали сходные по согласованности результаты (близкие угловые коэффициенты и смещения линейной регрессии). Но коэффициент детерминации оказался более высоким для эвтрофной модели, чем для Case-2-модели.
Дальнейшее исследование будет посвящено моделированию полей концентраций хлорофилла для лимнологических объектов на основе многоспектральных данных высокого разрешения.
[1] Doerffer R., Schiller H., 2008, MERIS Lake Water Algorithm for BEAM, ATBD Version 1.0. GKSS.
[2] Минеева Н.М. Растительные пигменты в воде волжских водохранилищ.– М.: Наука, 2004. – 156 С.
[3] Ковалевская Н.М., Кириллов В.В., Кириллова Т.В., Ловцкая О.В. Компьютерное моделирование полей концентраций хлорофилла для лимнологических объектов на основе спутниковых MERIS-данных (на примере Новосибирского водохранилища). Отдельный выпуск Горного информационно-аналитического бюллетеня.-2009.-№ ОВ17.-М.: издательство «Горная книга», с.175-179.
[4] Kovalevskaya, N., Kirillov V., Kirillova T., Lovtskaya O. Meris/Envisat-Images for modeling of Chlorophyll Concentration Fields for Novosibirk Reservoir (South West Siberia) // Proceedings of the ESA Living Planet Symposium, 28, Jun-2,Jul 2010. – Bergen, Norway, ESA Special Publication SP-686.
Технологии и методы использования спутниковых данных в системах мониторинга
99