Содержание к диссертации
Введение
1. Система глобальных экологических изменений охотского моря; роль и место фитопланктона 10
1.1. Роль фитопланктона в экологических исследованиях . 10
1.2. Проблема глобального потепления на Земле 14
1.3. Явление парникового эффекта. 15
1.4. Трансграничные переносы. 18
1.5. Роль морской биоты в процессе самоочищения окружающей среды 20
1.6. Глобальные факторы, воздействующие на интенсивность трансформации углерода фитопланктоном (явление Эль-Ниньо ). 22
1.7. Роль фитопланктона как индикатора антропогенных загрязнений. 23
1.8. Характер изменчивости и факторы роста фитопланктона в Охотском море 25
1.9. Исследование динамики концентрации хлорофилла-а и ее связи с температурой воды в ключевых точках Охотского моря и прилегающих акваториях. 26
1.10. Методы прогнозирования распространения тепла в поверхностном слое океана по спутниковой информации 40
2. Биооптические алгоритмы оценки концентрации хлорофилла-а по спутниковой информации : 44
2.1. Набор данных SeaBAM. 45
2.2. Алгоритмы оценивания хлорофилла 48
2.2.1. Полуаналитические модели. 48
2.2.2. Эмпирические алгоритмы. 49
2.3. Новые формулировки эмпирических алгоритмов после проверки на данных SeaB AM. 53
2.3.1. Алгоритмы ОС2, модифицированные кубические полиномы 53
3.2. Алгоритм максимального отношения каналов (ОС4). 54
2.4. Разработка оптимальной структуры регионального биооптического алгоритма; 56
2.4.1. Оценки ошибок биооптических алгоритмов. 57
2.4.2. Классификация биооптических данных и расчет регрессионных параметров. 61
3. Космические исследования цветности морской воды... 70
3.1. Разновидности фитопланктона: 70
3.2. Дистанционные исследования фитопланктона. 71
3.3. Цвет моря 72
3.4. Спектральные характеристики морской воды 74
3.5. Желтая субстанция и суспензии частиц. 76
3.6. Исследование цвета моря со спутников. 77
3.7. Классификация биооптических свойств - морской воды 79
,р 3.8. Метод размытой многопараметрической классификации и его применение
для биооптической классификации вод Охотского моря 81
4. Программные и технические средства визуализации и обработки данных modis. 92
4.1. Прием информации по проекту MODIS 92
4.2. Цветные изображения в визуальном анализе спутниковых данных 97
4.2. Г. Шаги по созданию цветных изображений. 98
4.2.2. Мнимые цветные композиции. 101
4.2.3. Визуализация в исследованиях первичной продуктивности фитопланктона :...103
4.2.4. Детализированные полноцветные образы. 104
4.2.5. Методы автоматизированного построения детализированных полноцветных образов 106
4.2.6. Математическая формализация метода автоматизации построения цветных изображений. 107
4.3. Средства визуализации и анализа данных MODIS Ill
4.3.1. Среда программирования IDL 112
4.4. Формат данных HDF 112
4.4. Атрибуты графического пользовательского интерфейса системы IDL..113
Заключение 123
Литература 126
Приложение 1. Примеры цветных изображений со спутника modis 136
Приложение 2. Пример расчета калибровочных коэффициентов с критерием оптимальности по Парето 138
- Роль фитопланктона в экологических исследованиях
- Исследование динамики концентрации хлорофилла-а и ее связи с температурой воды в ключевых точках Охотского моря и прилегающих акваториях.
- Эмпирические алгоритмы.
- Классификация биооптических свойств - морской воды
Введение к работе
Актуальность темы. Геоэкологические исследования основаны на
применении; знаний? о геосферных оболочках Земли. Объектом исследований геоэкологии является обнаружение механизмов влияния природных и техногенных факторов на изменения геосферных оболочек[1,4].
Особенностью геоэкологического метода исследования следует считать экологическую составляющую, связанную с вовлечением в процесс исследования объектов живой природы на поверхности суши или в океане. В связи: с активизацией освоения природных ресурсов и возрастанием; антропогенных воздействий на природную среду оценка геоэкологических обстановок акваторий становится все более актуальной. Направленность геоэкологических исследований на Дальнем Востоке обусловливается, в первую очередь, наличием разведанных рентабельных месторождений нефти и газа на шельфе Сахалина (охотоморское побережье) и перспективой их дальнейшей разработки. Следует учитывать интересы важнейшей для; экономики Дальнего Востока рыбнойt отрасли. В; этом свете оценка состояния водных объектов в районах добычи и транспортировки углеводородного сырья и воздействий на жизнедеятельность организмов вблизи этих объектов должны быть в центре внимания геоэкологии.
Проводить оценку геоэкологических обстановок в океане контактными методами* непродуктивно по* причине трудоемкости и высокой затратности проведения экспедиций. Кроме: того, судовыми измерениями невозможно выполнять оперативные оценкш геоэкологических обстановок на большой акватории. Перспективным методом являются дистанционные измерения с помощью сканирующих устройств, установленных на искусственных спутниках Земли; В: океане оценки геоэкологических обстановок могут проводиться; на основе анализа цветности поверхностных вод. Основным: вкладчиком в цветность поверхности воды является фитопланктон, в связи ? с чем пространственно-временные распределения фитопланктона являются
индикатором изменений окружающей среды и могут применяться для оценки геоэкологических обстановок с применением данных дистанционного зондирования
Цель и задачи исследования. Работа носит методический характер и
посвящена исследованию весьма актуальной проблемы разработки региональных алгоритмов дешифрирования космических изображений, получаемых с многоканальных цветных сканеров, и их применению для анализа; характера геоэкологической обстановки, поскольку использование спутниковых данных в геоэкологических исследованиях пока еще весьма затруднено из-за отсутствия апробированных методик обработки и интерпретации спутниковых данных. Цель работы - разработка методики анализа геоэкологической обстановки в водах Охотского моря по спутниковым данным MODIS на основе информации о состоянии фитопланктона. Для достижения цели решались следующие задачи:
1. Разработки классификации для анализа характера геоэкологической
обстановки по состоянию хлорофилла в поверхностном слое воды;
2. Технологической реализации посредством разработки региональных
алгоритмов восстановления океанографических параметров;
Выявления классов геоэкологических обстановок, на морской поверхности в разных диапазонах спектра;
Разработки информационной технологии приема и дешифрирования данных дистанционного зондирования;
Основные положения, выносимые на защиту
Воды Охотского моря делятся на классы, отражающие различную геоэкологическую обстановку, на основании определения состояния планктона по данным спутниковой информации.
- Расчет концентрации хлорофилла-а для Охотского моря выполняется по региональному алгоритму, основой для разработки которого послужил проведенный сравнительный анализ спутниковых и судовых данных.
- Методика определения цветности вод по спутниковым данным позволяет
производить оценки качественных и количественных параметров состояния»
геоэкологических обстановок.
- Алгоритмически-программные средства выборки данных и расчета
информационных продуктов позволяют реализовывать технологии
автоматического преобразования многоканальных спутниковых данных.
Фактические данные. Для^ района? Охотского моря в настоящее время^
доступны ежедневные 36-канальные спутниковые: данные американского
сканера MODIS. Приемная, антенна установлена в г. Южно-Сахалинске. В>
районе полудня принимаются два спутниковых снимка с разницей во времени
~1.5 часа: Геофизические; параметры,. рассчитываемые по данным MODIS,
включают яркости восходящего излучения для каналов видимого спектра (405-
420, 438-448, 483-493- 526-536, 546-556, 662-672, 673-683 и 743-753 nm
километрового разрешения; каналов 459-479 и 545-565 шп 0.5 км; канала 620-
670 nm 0.25 км і разрешения), каналов инфракрасной области спектра 0.25 км,
0.5 км и 1 км разрешения, микроволновых каналов, нормализованные яркости
восходящего излучения Lwn( h ) по каждому спутниковому каналу,
концентрации хлорофилла-а и пигментов фитопланктона. Указанные
параметры рассчитываются посредством алгоритмов атмосферной коррекции и
глобальных биооптических алгоритмов, которые могут иметь значительные:
погрешности, в: том числе, вследствие региональной специфики. Для»
верификации спутниковых данных проводились специальные подспутниковые
эксперименты, в которых осуществляется прямое сопоставление судовых и
спутниковых данных. Для Охотского моря одним из наиболее достоверных
источников информации о концентрации хлорофилла-а в настоящее время
являются подспутниковые данные, сбор которых выполнен Тихоокеанским
океанологическим институтом ДВО РАН с НИС «Надежда», на борту которого
имеется аппаратура лазерной флюорометрии. В 2001-2002 году измерения в
Охотском* море были выполнены в августе-сентябре и проводились в
нескольких районах, включая Курильские острова, в шельфовой зоне северо-
8 западной части о. Сахалина, в зоне апвеллинга (банка Кашеварова), в центральной части Охотского моря, в районе юго-западного и юго-восточного побережья Камчатки. Практическое значение и реализация результатов исследования.
Практическая1 значимость заключается в возможности получать и анализировать информацию космических снимков, преобразованную региональными* алгоритмами* расчета параметров * океана, в частности, пространственно-временные распределения хлорофилла-а по спутниковым данным MGDIS в важнейших, с точки зрения геоэкологии, рыболовства и нефтедобывающей отрасли, районах Охотского моря с учетом региональных особенностей вод Охотского моря, а также данных подспутниковых измерений. Диссертация выполнена автором в соответствии! с планом научных исследований, проводимых СахНИРОи Сахалинским филиалом; ДВГИ? ДВО РАН при поддержке грантов РФФИ N 02-02-17795, ФЦП «Интеграция» N С0148 «Дальневосточный плавучий университет»,. ДВО РАН «Трансграничные переносы» N 03-108-1010. Теоретическая и методологическая основа исследований.
Разработкой биооптических алгоритмов t для расчета концентрации
хлорофилла-а по спутниковым данным»занимаются; уже в .течении > нескольких
десятилетий такие исследователи, как Давид Сигел (Калифорнийский
университет, Санта-Барбара), Стефан Мариторена, Чарлз Маклэйн
(Университет космических исследований НАС А, Мэриленд), Мати Кару
(Политехнический университет, Калифорния), Сара Гарвер( Университет
Южной Флориды, Санкт-Петербург), Джон Рейли (Исландский центр
обеспечения океанического рыболовства, Наррагансетт) и др. Ими разработаны >
статистические и графические критерии для оценивания 2 полуаналитических и
15 эмпирических биооптических алгоритмов расчета концентрации пигментов
фитопланктона, в том числе хлорофилла-а, по спутниковым данным в«
SEAWIFS , охватывающих данные более 900і станций измерения
концентрации > хлорофилла-а SeaBAMI В качестве: подспутниковых измерений
9 брались данные из набора данных в Северном море, в арктических морях вблизи Канады, в Саргассовом море, в Калифорнийском заливе, северной Атлантике и др. Более 80 процентов измерений SeaBAM* проведены для открытого типа; вод Мирового океана; и лишь 20 процентов для прибрежного типа вод. В этих алгоритмах концентрация хлорофилла-а связывается со значениями яркости восходящего излучения для спутниковых каналов SEAWIFS. Такими же образом была произведена разработка алгоритмов для данных MODIS. Оперативный биооптический алгоритм для расчета концентрации» хлорофилла-а включен в математическое обеспечение станций; приема данных.
В процессе исследования учитывался опыт указанных авторов по анализу функциональных форм биооптических алгоритмов;, а также по применению алгоритмов для различных диапазонов концентрации хлорофилла-а. Применялись методы линейного и нелинейного регрессионного анализа, линейного программирования, размытых множеств, факторного анализа, имитационного и ситуационного моделирования на основе: обработки данных MODIS.
Апробация работы. Основные положения диссертации, а также применяемые методы исследования; обсуждались на следующих конференциях и семинарах: «International conference in computer logic», г. Таллинн, 1988 г.; «4th IFAOIFORS Symposium LARGE SCALE SYSTEMS :THEORY AND APPLICATIONS», г. Цюрих, 1986 г.; «Проблемы и методы принятия решений в организационных системах управления»,Москва-Звенигород, 1988 г.; «9th IF АС Congress»,г. Будапешт, 1984 г., «5th IFAC/IFHVIFORS conference», Вена, 1986 г.; «Программные системы для' семиотического моделирования и ситуационного управления», г. Калининград, 1983 г.; «Визуализация; в исследованиях биоресурсов Мирового океана», г. Владивосток, 2001 г.; « Programming system IDL», г. Москва, 2002 г.; 3 SPIE Remote Sensing Symposium, 2002.
Роль фитопланктона в экологических исследованиях
Имеется, по крайней мере, несколько причин, по которым необходимо учитывать фитопланктон в экологических исследованиях. Во-первых, фитопланктон - это начальное звено пищевых цепочек в море. Подобно траве на полях и листьям на деревьях от фитопланктона в конечном итоге зависит жизнь на земле, поскольку от них зависит питание животных. В океане микроскопические животные, названные зоопланктоном, используют поля фитопланктона как пастбища. Эти маленькие животные поедаются в итоге более крупным зоопланктоном, рыбами и самыми крупными из живущих на земле существ, синими китами. Во-вторых, также как и растения на земле, фитопланктону требуется свет, вода, углекислый газ и пища для роста. В океане никогда не бывает отсутствия воды, также вполне достаточно света вблизи поверхности воды. Океан изобилует двуокисью углерода, и если его концентрация снижается, то он через поверхность воды поступает из атмосферы. Основным фактором, ограничивающим распространение и рост фитопланктона, является наличие пиши. Пища (нитраты, фосфаты, силикаты и др.) в больших количествах находятся на глубине, в холодных водах океана. Всякий раз, когда эта вода поднимается к поверхности, поля фитопланктона удобряются и начинается его рост. Когда мы наблюдаем крупномасштабные распределения полей фитопланктона в океане, то одновременно можно видеть как близко они связаны с теми областями океана, где происходит подъем глубинных вод к поверхности.
В-третьих, картины распределения фитопланктона ( рис. 1.1.1.) , которые мы наблюдаем, связаны как с физическими, так и биологическими явлениями. Обобщая сказанное в предыдущем пункте, всякий раз, когда смешиваются холодные и теплые воды, за счет ли течений, либо подъема к поверхности холодной воды из глубины, поверхность воды наполняется питательными веществами, что стимулирует рост;
В-четвертых, фитопланктон играет ключевую роль в экологии морских систем [17, 18, 27, 28], и изменения в картине распределения концентрации планктона могут иметь значительное влияние для экосистемы вцелом. Так как животные в любом случае включены в пищевые цепочки, начинающиеся от фитопланктона, то при его отсутствии цепочки нарушаются [2, 14, 23]. Жизнь в океане - это достаточно хрупкий баланс между физическими границами жизни и способностью живых существ обитать в этих границах.
В-пятых, фитопланктон играет основную роль в глобальном кругообороте углекислого газа [55] (рис. 1.1.2. ). Даже в идеальных условиях фитопланктон живет всего около 1-2 суток. После чего погибает и падает на дно. Хотя фитопланктон занимает примерно 50% от общего процесса фотосинтеза, однако более 99.9% всего углекислого газа поглощенного живыми существами находятся в морских донных отложениях в виде остатков погибшего планктона, что показывает значение планктона в регулировании углекислого газа в атмосфере. Бывает, что фитопланктон развивается; стимулируемый избыточным поступлением нитратов, которые поступают из сточных вод, либо смываемых в больших количествах с полей минеральных удобрений. Последствия могут быть весьма серьезными. Поля фитопланктона блокируют поступление солнечного света к донным растениям в мелких заливах и; эстуариях, устьях рек, что Ї может вызывать массовую гибель этих растений, которые, в свою очередь, служат кормовой базой для многих видов рыб и беспозвоночных, и их потеря может иметь ужасные экологические последствия. Кроме того, когда плотные поля планктона погибают, и он опускается на дно, то разложение бактериями таких органических отложений существенно снижает содержание кислорода в воде, которым дышат придонные рыбы, моллюски, крабы. И в течение многих лет были наблюдения массовой гибели этих существ при разложении полей фитопланктона. Есть также виды фитопланктона, которые представляют опасность для других видов фитопланктона. Наиболее изученным видом является "dinoflagellates"[60]; который? наблюдается при цветении т.н. «красных полей» ( рис. 1.1.3.) Таким образом, рост фитопланктона, зависит от определенных условий, поэтому он является хорошим индикатором изменений в окружающей среде. По этой причине, а также из-за того, что он оказывает глобальное влияние на климат, фитопланктон стоит на первом месте среди объектов1 исследования не. только океанографов, но также ученых, занимающихся исследованием Земли.
Для количественной оценки первичной продукции на земной поверхности и в океане применяются спутниковые данные [22, 23, 49; 59]. Как правило, авторы экологических исследований используют индекс NDVI. [Заметим: NDVI был первоначально предназначен для спутников NOAA (National Oceanic and Atmospheric Admnistration ). Этот инструмент в течении почти 20 лет используется для дистанционного зондирования земной; поверхности. С помощью цветных сканеров (MODIS, SeaWiFS) индекс NDVI, на основе которого вычисляется первичная продукция [62], может рассчитываться как для земной, так и для. водной поверхности, и, таким? образом, можно получать глобальные значения первичной продукции? [86]. Концентрация пигмента фитопланктона) хлорофилла-а может использоваться для? оценивания интенсивности процесса фотосинтеза, т.е., образования новых соединений углерода. В этом смысле, в і отличие: от индекса NDVI (запас) , концентрация хлорофилла-а является динамической характеристикой — - генерации? новой океаническойібиомассы, включающей: соединения: углерода из атмосферного углекислого газа І [79]; Две: указанные характеристики! имеют важнейшее: значение для оценки І состояния переноса и трансформации углерода І океаном; Поэтому данные дистанционного зондирования позволяют получать хорошие оценки количества углерода, который трансформируетсяірастениямтземлии океана:, Это позволяет лучше понять происходящие на Земле климатические процессы, в частности, процессы глобального потепления: Спутниковые данные- позволяют различать природные изменения циклов? углерода от изменений, вызванных деятельностью людей [80].
Исследование динамики концентрации хлорофилла-а и ее связи с температурой воды в ключевых точках Охотского моря и прилегающих акваториях.
Has двух рисунках, приведенных ниже ( рис. 1.9.1.) , показаны распределения концентрации хлорофилла-а и температуры поверхности воды в Охотском море за одну дату ( 05-07-02). Уже простое сопоставление снимков; дает важную І информацию о связи роста фитопланктона с температурным режимом, при котором возникает развитие фитопланктона. На основе суточных данных были рассчитаны среднемесячные данные по температуре морской поверхности и распределению концентрации хлорофилла-а ( рис. Г.9.2.) . Белым цветом обозначен берег, облачность и ледовое покрытие. И, наконец, по среднемесячным данным рассчитывались сезонные распределения (рис. 1.9.3.). 0.1
Временные ряды распределений концентрации хлорофилла-а и температуры поверхности воды для 9 исследуемых районов Охотского моря и близлежащих акваторий (продолжение). Рис. 1.9.5. Временные ряды распределений концентрации хлорофилла-а и температуры поверхности воды для 9 исследуемых районов Охотского моря и близлежащих акваторий (продолжение). Рис. 1.9.5. Временные ряды распределений концентрации хлорофилла-а и температуры поверхности воды для 9 исследуемых районов Охотского моря и близлежащих акваторий (продолжение). Таблица 1.9.1. Исследуемые районы Охотского моря и прилегающих акваторий
НОМЕР РАЙОН 1 Пенжинский залив 2 район банки Кашеварова 3 центральный район 4 зал. Терпения 5 район вблизи о.Хоккайдо 6 Курильский район 7 район о. Итуруп 8 районе Уруп 9 зал. Анива По, данным получаемым для каждого пролета спутника, производился расчет временных рядов концентрации хлорофилла-а для 9 исследуемых районов ( рис. 1.9.4 ; таблица 1.9.1.) для изучения динамики концентрации хлорофилла-а и ее связи с ТЛО в ключевых точках Охотского моря. На рис. 1.9.5. приведены временные ряды распределения температуры морской поверхности и концентрации хлорофилла-а для ключевых точек ( 15 км х 15км ). Сезонная изменчивость хлорофилла-а определялась по 7 районам Охотского моря и 2 районам южнее Курильских островов. В Охотском море №1 и №2 были выбраны в северных районах, №3 выбран в центральном районе, №4-6, 9 были выбраны в южных районах. № 1, №4, №6, №9 принадлежат к прибрежным зонам. №7 и №8 были выбраны в южных районах вблизи Курильских островов для сравнения с сезонными циклами в Охотском море. РЕЗУЛЬТАТЫ Северная часть Охотского моря В районе Пенжинского залива (Район №1) с мая по июнь концентрация хлорофилла-а была относительно высокой. Пик цветения пришелся на 150 день. Температура поверхности воды при этом составляла - 1С. Bt районе б. Кашеварова, (Район №2) пик цветения пришелся также на: 150 день, но температура составила 2.5С. Повышенная концентрация, в сравнении с другими районами, была в течение всего- исследуемого периода, за исключением августа, когда наблюдался спад концентрации хлорофилла-а, что было, по-видимому, вызвано повышенной облачностью в этот период. Повышенная продуктивность фитопланктона; в районе б. Кашеварова вызвана явлением апвеллинга; обеспечивающим поступление в фотическую зону на; поверхности воды необходимые минеральные вещества, необходимые для жизнедеятельности фитопланктона. Центральная часть Охотского моря Рост концентрации хлорофилла-а отмечен в апреле - июне. В августе нет достоверных данных в связи с повышенной облачностью. В сентябре концентрация низкая І ( 0.5 мг/m 3). Пик цветения приходится на 13 0 день при температуре воды 1.2С. Район №3 низкопродуктивный, в сравнении с другими исследуемыми районами Охотского моря. Южная часть Охотского моря Рост концентрации хлорофилла-а в заливе Терпения (Район №4) отмеченв апреле - мае. Пик цветения приходится на 120 день при температуре воды 1.2С. Также наблюдается второй пик в районе 260 дня при температуре воды 14С. Примерно аналогичная картина наблюдается для №5 И; №6, но при несколько отличных значениях температуры. В заливе Анива, кроме того, наблюдается пик , приходящийся на январь (25 день) при температуре воды -0.5е. В августе достоверных данных нет в связи с повышенной облачностью. В сентябре концентрация низкая ( 0.5 мг/т 3). Пик цветения приходится на 130 день при температуре воды- 1.2С. Прилегающие акватории Районы №7 и №8 примерно похожие, поскольку пики приходятся примерно на одни сроки: дни [130,150] с температурой воды - 2.5С- 3.0С и в дни -260 с температурой воды И С- 14С. Относительно низкая продуктивность фитопланктона вызваны в значительной степени особенностями циркуляции воды в Курильском районе, вызванном возникновением циклонических вихрей вследствие прохождения вблизи островов теплого течения Соя, воды которого имеют низкую концентрацию питательных веществ. 1.10. Методы прогнозирования распространения тепла в поверхностном слое океана по спутниковой информации Прогнозирование процессов распространения тепла в океане как в глобальном масштабе (явление Эль-Ниньо), так и в региональных масштабах ( вихри; течения) с использованием информации со спутников имеет первостепенное значение в экологических исследованиях. Данные инфракрасных каналов могут использоваться для обнаружения вихрей и струй течений; термических фронтов, скоростей и направлений их движения [21]. ИК-изображения морской поверхности несут богатую информацию о происходящих в океане динамических процессах. Конкретные структуры на ИК-изображениях - это в основном результат приспособления поля? температуры к поверхностным течениям: Вид термической структуры объясняется сдвиговым характером течений - изменчивостью величины скорости, поперек потока. А поскольку океан можно рассматривать как плотную упаковку вихрей, то сдвиговый характер скорости должен присутствовать повсеместно. Такая структура течений приводит к вытягиванию изотерм вдоль потока. Согласованность полей температуры и скорости отмечали многие авторы, и предпринимались неоднократные попытки оценить величину скорости по І пространственной изменчивости поля? температуры. Механизмы, отвечающие за формирование согласованности полей также хорошо известны [13]. Указанная особенность лежит и в основе нефанализа - визуального дешифрирования спутниковых ИК-изображений с целью выделения вихрей и фронтов океана [8]. Поэтому направления изотерм можно рассматривать как некоторую оценку направлений скоростей; поверхностных течений. Соответственно правомерно поставить вопрос о точности и условиях применимости такой оценки на практике. Следует сразу отметить слабые стороны использования изолиний температуры в этих целях [5]: неопределенность ориентации изотермы в областях со слабыми температурными контрастами. Направление изотерм в таких ситуацииях определяется в основном ошибками измерения температуры и особенностями метода построения изолиний; зависимость ориентации от масштабов динамических процессов в окрестности заданной точки. Наличие различных; масштабов; движения в окрестности заданной точки изгибает изотерму причудливым образом, в то время, как требуется- оценить, ее доминирующий масштаб и соответствующую ориентацию; 1) изотермы не всегда соответствуют направлениям течений. Вытягивание изотерм вдоль направлений течений - это результат приспособления; и при изменении поля скорости требуется некоторое время для приспособления ПОЛЯ температуры к изменившемуся полю скорости;; 2) вследствие температурного градиента анализ; термических, контрастов пригоден при обработке данных локальных термических структурных особенностей поверхности воды. Исследовать» направления? и скорости распространения струй течений; по всей акватории Охотского моря по этой причине не представляется возможным.
Эмпирические алгоритмы.
Наибольшее количество оценок CZGS было сделано с помощью алгоритма; GPs[63], который использует (Lwn443/Lwn550) при концентрациях фитопланктона ниже 1,5 mg на литр воды и переключается на (Lwn520/Lwn550) при концентрациях свыше 1,5 mg. Трехканальный алгоритм Юіарка использует те же самые каналы, но обходится без переключения за счет суммирования данных по каналам 443 и 520 nm, компенсируя- тем самым ненадежность канала 443 nm при высокой концентрации пигмента. Гиперболический; алгоритм Айкина [54] оценивает С и [G+P]; комбинируя гиперболическую функцию при концентрациях до 2 mg со степенной функцией при І более высоких концентрациях. Модель OKTG-G - это степенная форма; которая; использует сумму Lwn520+Lwn5 65 деленную на Lwn490 для s оценивания С. Модель OKTG-P использует для оценки [G+P] двухканальное отношение г Lwn443 /Lwn520 и Lwn490/Lwn520! в функции множественной! регрессии.
Алгоритм; Полдера: считается эмпирическим,, поскольку основывается наг простом іуравнении, связывающем концентрацию хлорофилла а с отношением;. каналов, хотя? уравнение было г первоначально? получено с использованием модифицированной версии шолуаналитической модели Морела; [72], в которой; коэффициенты поглощения использовались вместо коэффициента; диффузионного затухания.
Алгоритмы; Калкофи; получены; по» набору данных. КАЛКОФИ; [70]. Двухканальный алгоритм; Калкофи ; связывает концентрацию G с отношением Rrs490/Rrs555, используя степенное уравнение. В двухканальном і кубическом і алгоритме Калкофи строится полиномиальное уравнение 3-го порядка, которое имеет ряд схожих черт с алгоритмом OCTG-P, и использует отношение каналов Rrs490/Rrs555; Rrs510/Rrs555. Функциональная форма 4-канального алгоритма; Калкофи аналогична 3-канальной, за исключением того, что используются, отношения Rrs443/Rrs555; Rrs412/Rrs510i
Уравнение Морела-1 связывает Rrs443/Rrs555 степенным І уравнением; уравнение Морел-2 аналогично Морел-1, но использует Rrs490/Rrs555: [72]1 Морел-Зи :.-4 - это другие примеры кубического полинома с Rrs443/Rrs555 и Rrs490/Rrs555; соответственно; и; были? получены; по данным? хлорофилла с использованием более; усовершенствованной; версии; полуаналитической модели Морела. Алгоритм; Уравнение Таблица 2.2.1. Эмпирические алгоритмы оценивания концентрации хлорофилла-а Тиш Отношение частот, коэффициенты (a) Ссылки: 1,Evans and Gordon[1994]; 2,Muller-Karger et al.[1990]; 3,Aiken, et al [1995]; 4, Science on the GLI Mission, p.16; Ocean Optics XIII, Halifax, October 1996; 5, Ocean Optics XIII, Halifax, October 1996; personal communication to C.McClain, NASA; 6, A.Bricaud; personal communication to S.Maritorena; 7, Mitchell and Kahru [1998]; 8, Ocean Optics XIII, Halifax, October 1996; 9, A.Morel, personal communication to S.Maritorena; Новые формулировки эмпирических алгоритмов после проверки на данных SeaBAM Алгоритмы ОС2, модифицированные кубические полиномы Большинством из представленных выше алгоритмов были; признаны исследователями хорошими, некоторые могут давать удовлетворительные результаты для определенных регионов или при выходе за диапазон концентрации, для которых были параметризованы [66]. Те алгоритмы, которые дают хорошие результаты по всему диапазону концентраций С, связаны с кубической - полиномиальной формой. Однако не все из них хороши при! низкой концентрации. При попытке применить кубические полиномиальные формы к данным SeaBAM оказалось, что отношение Rrs490/Rrs555 при низких концентрациях малоприменимо. Потребовалось ввести в уравнение дополнительный параметр для коррекции функциональной формы без изменения этой формы при более высоких концентрациях. Такой модифицированный кубический, полином (МСР), названный ОС2, дает хорошие статистические результаты при? применении к данным SeaBAM/ ( таблица 2.3.1.) [63]. Настройка алгоритма включает определение коэффициентов МСР с использованием итеративного метода: минимизации пакета IDL для получения оптимальных статистических оценок между модельными и наблюдаемыми данными по хлорофиллу-а. 2.3.2. Алгоритм максимального отношения каналов (ОС4) При оценке различных алгоритмов наивысший процент корреляции между наблюдаемыми данными и моделью был у алгоритма GPs (97%). В алгоритме GPs это достигается за счет переключения между отношениями каналов Rrs443/Rrs550 и Rrs520/Rrs550, избегая таким образом более малого и более зашумленного отношения каналов Rrs443/Rrs550 при С превышающих 1,5 мг\л. GPs следует известному сдвигу максимума волнового; спектра- к большей длине волны при росте концентрации хлорофилла. На основании этого была принята стратегия максимизации точности модели по всему возможному диапазону концентрации хлорофилла. Функциональная форма для такого алгоритма, названного OG4, - это модифицированный кубический полином, связывающий отношения каналов. Существенное отличие ОС4 состоит в том, что выбирается максимальное отношение из возможных: Rrs443/Rrs555, Rrs490/Rrs555, Rrs5100/Rrs555; Таким образом, ОС4; алгоритм максимального отношения каналов, использует три отношения каналов и только один набор коэффициентов в единственном модифицированном кубическом полиноме. Похожие модели для трех отношений каналов приведены в таблице 2.3.1. Из приведенных отношений каналов Rrs443/Rrs555 максимально при концентрациях хлорофилла ниже 0,3 мг\л; Rrs490/Rrs555 максимально в интервале [0,3; 1,5] мг\л; Rrs5100/Rrs555 доминировало при концентрации, превышающей 1,5 мг\л [47].
Классификация биооптических свойств - морской воды
Чтобы продвинуться по пути решения сложной проблемы классификации спектральных свойств вод морей, был принят фундаментальный г шаг делением всех вод морей на две категории. К морям Г типа; отнесли те воды, где доминируют оптические свойства, связанные с фитопланктоном; и его сопутствующими продуктами жизнедеятельности. В водах морей: 2 типа? доминируют желтые субстанции, либо примеси, не связанные с хлорофиллом.
Комбинация поглощения ш отражения- в полях фитопланктона ведет к тенденции уменьшения; свойства отражения ниже: спектра чистой І воды с: длинами волн меньше 540 nm,. и;немного повышается;при больших длинах волн. Увеличение концентрации хлорофилла: усиливает этот эффект, с: минимумом в районе 440 nm, вызванном поглощением света хлорофиллом.
Другой; минимум возникает в: районе 660 ran, хотя в красном спектре он маскируется явлениями, связанными с. флюоресценцией. Хотя- абсолютные значения могут значительно/ отличаться по причинам различной природы хлорофилла, но. спектральная форма кривых остается: похожей; при разных концентрациях С. Это дает основание разрабатывать классы алгоритмов, основанных на спектральных отношениях каналов,, а не на реальных амплитудах излучения по каналам. Надо также отметить, что і отражение мало зависит от концентрации хлорофилла в диапазоне частот 550-600 nm спектра.. На рис 3.7.1. показан типичный спектр отражения вод морей 2 типа, в которых преобладают взвеси.
Рассеяние1 по всем длинам волн значительно г выше, хотя: повышение не: такое сильное при меньших длинах волн вследствие небольших значений поглощения света хлорофиллом. Поскольку форма; кривой при- росте концентрации взвесей сильно не меняется, то мало меняется! и цвет воды,, в связи с чем алгоритмы по взвесям, основанные на спектральных отношениях каналов;, не такие надежные, и более приемлемыми будут алгоритмы,, основанные на абсолютных значениях отражения по каналам. На рис 3.7.2. показан типичный спектр отражения вод морей 2 типа, в которых преобладает желтая субстанция. Единственное исключение в такой ситуации - это когда взвеси сильно окрашены. В этом случае спектр отражения будет отличен от того, который показан на рис. 3.7.2. , с пиком, соответствующим цвету материала взвеси. ТОО oo Рис. 3.7.1. Типичный спектр отражения органических взвесей. Вектором показано направление кривых при росте концентрации взвешенных частиц. Штриховая линия это спектр чистой воды. R X» oo Рис. 3.7.2. Типичный спектр отражения для вод морей 2 типа с желтой суспензией. Вектором показано направление кривых при росте концентрации частиц. Штриховая линия — это спектр чистой воды. Как и в случае со спектром хлорофилла, поглощение увеличено, а отражение уменьшено в синей части спектра. Следовательно, калибровочные алгоритмы, основанные на спектральных отношениях каналов должны быть более- приемлемы,, хотя хороше определенных контрольных точек ДЛЯ! нормализации спектра здесь меньше. 3.8. Методі размытой многопараметрической классификации и его применение для биооптической классификации вод Охотского моря Однойї из проблем;, возникающих при: решении задач статистического анализа; классификации і ю распознавания образов, прогнозирования ид т.п., является выбор наиболее подходящей; модели?обработки, ш описания;данных: [22,. 38]. При:этом соответствующая;информация;, как правило; представляет собойї многомерные ряды. В этом5 объеме данных: исследователя; интересует лишь те; которые относятся к изучаемому явлению; Идентификация явления по совокупности: измерений представляет собой; задачу распознаваниям образов, эффективность решения? которойз существенным! образом І связана с качеством-рабочего словаря признаков, - набора наиболее информативных признаков для: данного явления. В предлагаемом подходе построение рабочего словаря признаков [12; 87-88] осуществляется І переходом от многомерных случайных величин к одномерным і величинам;, которые аккумулируют отличительные свойства изучаемого явления:. В основу подхода; положено5 предположение о том, что объекты разных классов? являются І реализациями различных случайных величин;, и, следовательно, для/ каждого, класса? существуют свош характерные преобразования;, отражающие внутреннюю структуру поведения объекта: идентификации. Пусть имеется статистический! материал и «пусть матрица -Х(= { Ху- }, j = 1,N; і=1 ,ш объектов является? последовательностью N наблюдений?засвекторными: случайными величинами J Z,K ,. к = 1 ,М; М« N,. описывающими к-е: области: и t составляющие класс к= { к1 } ,к= 1,М ; i=l,n. Известно; чтоХ является репрезентативной обучающей: выборкой причем: каждая из строк { Xj.}, j = l,N матрицы соотнесена с одной из областей класса.. Введем набор функциональных преобразований Yj к = q i( к) = (pj( кі, к2, кп) к = 1;М, i=l,m величин класса. За лучшую интегральную характеристику (статистику) для к-ой области принимается та из {Y, к }, которая удовлетворяет критерию компактности. Критерий компактности основан на том, что для хорошего распознавания желательно, чтобы расстояния между точками внутри области были малыми, а расстояния до точек других областей по возможности большими. Компактность і-статистики в к-ой области определяется как средняя длина ребер соединяющего их полного графа: Nk DiK= (I/C NOEKU),- К = 1,М; i=l,n где r(t,l) = Yj Kt- Yj к ,, l,t=l,Nk, где Nk -І=І м fc}? число наблюдений, принадлежащих k-ой области, N = Nk. к=1 Разнесенность і-статистики в пространстве признаков оценивается через среднее расстояние между парами точек из двух разных областей, например, для областей q и s: NqNs Ziqs= (1/N4NS) SZr(t,l), к = 1,M; i=l,n, где rr(t,l) = I Yj qt-Yi s i, l=l,Nq, t=l,Ns. q=l, s=l Информативность і-статистики тем выше, чем больше значение критерия компактности Jiqs = (D, q + Dj s)/ Zjqs. Для оценки информативности нескольких характеристик может применяться агрегированный критерий Vqs = (2Diq+1 )/. і і і Набор критериев Vqs имеет смысл меры попарного сходства или близости областей q и s. Действительно, если сумма в знаменателе дроби растет, то есть увеличивается расстояние между классами q и s , то сходство между ними уменьшается. Если сумма в числителе возрастает, то область, размывается, становится шире, ближе к другим областям, следовательно, сходство областей возрастает.. Если ввести величины VO = MIN(Vqs)?, VI = MAX(Vqs), то значения R = Rqs = ( Vqs - V0)/(V1 - V0) имеют смысл нечеткого отношения-(НО) сходства на интервале;[0,1]; [175; 237] Важное значение в приложениях теории НО- играют транзитивные г отношения, которые определяют некоторую правильную структуру нечеткого множества. Например, для НО сходства; транзитивность отношения-обеспечивает возможность разбиения исходного множества; на непересекающиеся- классы сходства. Транзитивным замыканием НО R называется отношение R= R!u R!u... uR J.., где Rk определяются рекурсивно: R1= R;.., R1 R 1 k=2,3i..., - операция композиции отношений:
