Содержание к диссертации
Введение
Глава 1 Мониторинг ледяного покрова с помощью спутниковых радиолокаторов с синтезированной апертурой 18
1.1 Методы и средства дистанционного зондирования морского льда 18
1.1.1 Дистанционное зондирование, как система взаимодействия природно-технических компонентов 18
1.1.2 Процессы образования, динамики и таяния морских льдов и порождаемые ими явления 25
1.1.3 Дистанционное зондирование морского льда в микроволновом диапазоне 33
1.2 Информационные возможности спутниковых радиолокационных изображений морского льда 39
1.3 Применение радиолокационных изображений для мониторинга ледяного покрова 43
1.3.1 Принципы работы радиолокаторов с синтезированной апертурой 43
1.3.2 Радиометрическая калибровка изображений, полученных с помощью радиолокатора с синтезированной апертурой 48
1.4 Основные подходы к автоматизированной классификации изображений морского льда 51
1.5 Выводы по главе 1 55
Глава 2 Интерпретация изображений, полученных с помощью радиолокатора с синтезированной апертурой спутника ENVISAT 57
2.1 Визуальный анализ и интерпретация изображений, полученных с помощью РСА ENVISAT 57
2.1.1 Возрастные характеристики морского льда 58
2.1.3 Формы и сплоченность морского льда 60
2.1.4 Разрывы и полыньи 62
2.2 Сигнатуры изображений морских льдов и оценка их удельной эффективной площади рассеяния по изображениям ASAR с широкой полосой обзора 63
2.3 Приведение изображений, полученных с помощью радиолокатора с синтезированной апертурой, к одному углу зондирования 69
2.4 Особенности РСА-изображений, полученных в режиме альтернативной поляризации 75
2.5 Выводы по главе 2 84
Глава 3 Автоматизированный алгоритм классификации РСА-изображений морского льда, основанный на модели нейронной сети 86
3.1 Обоснование использования метода нейронных сетей для классификации изображений морского льда 86
3.1.1 Основные преимущества метода нейронных сетей 89
3.2 Модель многослойной нейронной сети 91
3.2.1 Обучение нейронной сети 95
3.3 Выявление дополнительных признаков для классификации изображений морских льдов методом нейронной сети 101
3.311 Текстурные характеристики и статистические моменты яркости РСА-изображения 103
3.3.2 Информативность текстурных характеристик и статистических моментов яркости РСА-изображения для разделения морских льдов 108
3.4 Выбор параметров нейронной сети 124
3.4.1 Подготовка нейронной сети 124
3.4.2 Применение нейронной сети 128
3.5 Выводы по главе 3 129
Глава 4 Применение метода нейронной сети для классификации РСА изображений морских льдов 130
4.1 Выводы по главе 4 151
Заключение 153
Список используемых сокращений 154
Список использованной литературы 155
- Процессы образования, динамики и таяния морских льдов и порождаемые ими явления
- Сигнатуры изображений морских льдов и оценка их удельной эффективной площади рассеяния по изображениям ASAR с широкой полосой обзора
- Обучение нейронной сети
- Применение метода нейронной сети для классификации РСА изображений морских льдов
Введение к работе
Актуальность темы исследования обусловлена тем, что изучение физических свойств земной поверхности с целью использования их в практической деятельности является одним из важнейших направлений развития дистанционного зондирования. При освещении обстановки в удаленных и малонаселенных районах Земли возникает необходимость в получении оперативной информации, обеспечивающей надежное решение задач управления для обеспечения хозяйственной деятельности, а также для решения проблем экологической безопасности.
К таким районам относятся акватории Северного Ледовитого океана и морей умеренных широт, замерзающих в зимнее время, где условия мореплавания и практической деятельности (рыболовство, геологическая разведка, операции на шельфе, такие как добыча нефти и газа, прокладка трубопроводов) в значительной мере определяются состоянием ледяного покрова.
Работа в этих условиях требует повышенной скорости усвоения информации ввиду сокращения времени принятия решения в сложной обстановке, что невозможно выполнить без применения средств и методов дистанционного зондирования и вычислительной техники, реализующей алгоритмы количественной обработки на основе использования моделей процессов и/или объектов наблюдения. Требования к точности и объективности результатов автоматизированной обработки данных дистанционного зондирования постоянно растут, и увеличение только одной производительности средств вычислительной техники уже не может обеспечить все возрастающие требования потребителей гидрометеорологической информации.
Наиболее оптимальным как по времени получения (время суток, сезон), так и по пространственному обзору (покрытие и перекрытие зон обзора) является использование радиолокационных станций, установленных на борту искусственных спутников Земли (ИСЗ).
Для обработки радиолокационной информации в приемлемые сроки и предоставления ее в виде цифровых ледовых карт требуется применение алгоритмов автоматизированной классификации радиолокационных (РЛ) изображений и идентификации морского льда. Существует ряд причин, сдерживающих повышение эффективности построения цифровых ледовых карт в оперативном режиме, основными из которых являются: а) необходимость осуществления интерактивных процессов, связанных с оконтуриванием однородных структур и предполагающих использование априорной информации о гидрометеорологических условиях предшествующего периода; б) длительность процесса подготовки специалистов «ледовых экспертов» для выполнения работ оперативного дешифрирования радиолокационных изображений.
Одной из перспективных возможностей автоматизированного дешифрирования радиолокационных изображений морского льда является разработка и внедрение технических и программно-технологических средств, основанных на использовании методов нейронных сетей (НС). Преимущества указанных методов заключаются в реализации ассоциативного поиска информации, в возможности реализации процесса самообучения нейронной сети в процессе ее функционирования, в отсутствии необходимости получения априорной информации о статистическом распределении данных, отсутствии необходимости внешнего программирования сети и в возможности усвоения разнородных данных, в том числе использования различных поляризаций.
Указанные выше обстоятельства позволили сделать вывод об актуальности разработки методов и алгоритмов автоматизации процессов дешифрирования РЛ-изображений и идентификации видов морского льда с использованием метода нейронных сетей.
Цель исследования - разработка методики автоматизированной идентификации морских льдов (на примере льдов центральной части Северного Ледовитого океана) с использованием данных радиолокатора с синтезированной апертурой (РСА) на основе нейронных сетей.
Работа выполнена с использованием данных РСА, установленного на борту спутника ENVISAT.
Для достижения этой цели были поставлены следующие задачи:
изучить характер зависимости удельной эффективной площади рассеяния (УЭПР) морских льдов от их возраста по данным РСА;
проанализировать зависимость УЭПР морских льдов от угла зондирования и разработать методику угловой коррекции РСА-изображений;
оценить возможность распознавания различных видов морского льда на РСА-изображениях, полученных с использованием различных поляризаций;
определить информативность текстурных признаков радиолокационных изображений и оптимальную комбинацию этих признаков для автоматизированной классификации изображений морских льдов;
обосновать выбор параметров настройки и выполнить настройку нейронной сети для идентификации морских льдов по данным съемки с помощью РСА с использованием значений УЭПР и текстурных признаков;
протестировать разработанную методику.
Методы исследования. Основные результаты исследования получены с помощью экспериментальных методов и теоретических расчетов с применением теории радиолокации и методов прикладных исследований, отражающих свойства морских льдов. Применялись качественные методы дешифрирования спутниковых радиолокационных изображений морских льдов (визуальный анализ РСА изображений с привлечением сопутствующих изображений, полученных в видимом диапазоне длин волн) с привле-
чением ледовых карт, составленных специалистами-экспертами.
Учет зависимости УЭПР от угла падения РСА и особенностей радиолокационных изображений при классификации морских льдов осуществлялся посредством калибровки изображений. На этом этапе проводилась коррекция зависимости получаемых значений УЭПР морских льдов от угла падения методом статистической обработки.
Для обработки использовалось специализированное программное обеспечение, разработанное в Центре по окружающей среде и дистанционному зондированию им. Нансена (г. Берген, Норвегия) и Международном центре по окружающей среде и дистанционному зондированию им. Нансена (г. Санкт-Петербург), а также пакет прикладных программ Matlab (Matrix Laboratory). При разработке алгоритмов автоматизированной классификации морских льдов применялись методы нейронных сетей, реализованные в программном пакете SNNS (Stuttgart Neural Network Simulator, версия 4.2) университета Штуптарта.
При написании диссертации автор придерживался ледовой терминологии и условных обозначений в соответствии с действующей Международной символикой для морских ледовых карт и номенклатурой морских льдов, принятой Всемирной метеорологической организацией.
Положения, выносимые на защиту:
Методика угловой коррекции РСА-изображений морских льдов.
Методика автоматизированной идентификации видов морского льда на основе анализа РСА-изображений с помощью нейронных сетей.
Обоснование выбора поляризаций и углов падения для выделения характеристик морского льда.
Научная новизна результатов диссертационного исследования
Получены оригинальные результаты по адаптации теоретических положений в области распознавания образов с применением нейронных сетей для получения параметров конкретных объектов природной среды (морского ледяного покрова) на примере РСА-изображений, получаемых со спутника ENVISAT.
К оригинальным научным результатам можно отнести:
выявленные диапазоны изменения УЭПР разных видов льда в С-диапазоне на горизонтальной (ГГ) поляризации;
методику угловой коррекции РСА-изображений;
параметры расчета текстурных характеристик РСА-изображений морских льдов;
информативные признаки различных видов морского льда для различных поляризаций;
методику обработки информации с помощью нейронных сетей, адаптированную для идентификации морских льдов по РСА-изображениям;
алгоритм настройки нейронных сетей по экспериментальным данным.
Практическая значимость результатов исследования состоит в том, что разработанная методика угловой коррекции значений УЭПР различных видов морского льда позволяет получить характеристики подстилающей поверхности по всей полосе обзора, что существенно увеличивает информативность РСА-изображений. Результаты анализа возможностей идентификации различных видов морского льда на РСА-изображениях в режиме альтернативной поляризации могут быть адаптированы для РСА-изображений, получаемых с различных ИСЗ. Совокупность разработанных методик автоматизированного дешифрирования снимков с целью создания цифровых ледовых карт позволяет повысить эффективность дешифрирования и, следовательно, скорость обработки материала и качество создаваемых ледовых карт. Разработанная методика автоматизированной классификации РСА-изображений была успешно апробирована при исследовании возможности выбора места размещения дрейфующей станции «Северный Полюс-35». Кроме того, полученные результаты были использованы при разработке методики определения опасных ледяных образований с использованием средств дистанционного зондирования в рамках проекта ААНИИ.
Апробация результатов диссертационного исследования. Результаты исследования были представлены на итоговой сессии Ученого совета ААНИИ по результатам работ 2008 г. (Санкт-Петербург, 2009 г.); на Шестой всероссийской конференции «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2008 г.); на международной конференции SeaSAR 2008 (ESA ESRIN) (Фраскат - Рим, Италия, 2008 г.); на ежегодных аспирантских сессиях Международного центра по окружающей среде и дистанционному зондированию им. Нансена (Санкт-Петербург, 2004, 2005, 2006, 2007, 2008 гг.); на научном семинаре «Норвежско-Российское сотрудничество на Свальбарде» в Норвежском Полярном Институте (Тромсо, Норвегия, 2006 г.).
Публикации. По теме диссертации опубликованы 3 работы общим объемом 5.7 п. л., в том числе одна - в издании, включенном в перечень ВАК. Результаты диссертационного исследования использованы при выполнении ряда научно-исследовательских работ и представлены в отчетах ААНИИ.
Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка используемых сокращений, списка использованной литературы общим объемом 132 наименования (из них 88 на английском языке) и содержит 169 страниц машинописного текста, 10 таблиц, 39 рисунков.
Процессы образования, динамики и таяния морских льдов и порождаемые ими явления
Гидрометеорологические процессы, вызывающие изменения количества льда в море, по характеру воздействия на процессы ледообразования подразделяются на термические и динамические.
Действие термических процессов приводит к увеличению или уменьшению массы льда путем агрегатного преобразования вода-лед (нарастание или таяние льда), а также к изменению его теплосодержания и солености, которые приводят к изменению теплосодержания и распределения солености окружающих вод.
Изменение агрегатного состояния вещества может происходить только в том случае, когда параметры его состояния становятся отличными от равновесных значений - когда температура, соленость и давление воды становятся такими, что на диаграмме фазовых состояний точка пересечения этих характеристик находится не на линии раздела фаз. Степень отклонения от положения равновесия определяет движущую силу кристаллизации, равную разности свободных энергий термодинамической системы, наиболее существенно зависящей от переохлаждения. Под последним понимается разность между температурой равновесия и фактической.
В естественных условиях флуктуации температуры, солености и давления приводят к колебаниям и вращению молекул, создавая условия для объединения молекул воды и их комплексов в структурную форму льда, что исключает большое переохлаждение воды.
Флуктуации локальных термодинамических параметров состояния воды и благоприятные условия для ее кристаллизации, формируют центры кристаллизации. При замерзании морской воды происходит раздельное образование структурных решеток льда и каждой соли, которые не могут объединяться и включаются в кристалл только на участках его дефектов. Из-за оттеснения солей к периферии кристаллов последние оказываются окруженными более соленой водой, чем та, из которой возникли кристаллы льда. Перемешивание вызывает возникновение неоднородности в распределении солености.
С понижением температуры содержание жидкой фазы в объеме льда плавно убывает до момента, когда начинается кристаллизация хлористого натрия (его эвтектическая температура составляет -21,1 С) [21]. Соотношения между содержанием солей и жидкой фазы меняются за счет миграции рассола из морского льда, поэтому соленость молодых и однолетних льдов заметно выше, чем многолетних. При высокой температуре во льду увеличивается масса жидкой фазы, разрушаются сморози между кристаллами и открываются поры, по которым стекает рассол. В холодный период года скорость миграции существенно замедляется [21].
В естественных условиях в море всегда содержится огромное число ядер кристаллизации, распределенных, как правило, более или менее равномерно, поэтому оно всегда подготовлено к замерзанию. Вследствие таких условий возникающая в отдельных очагах кристаллизация быстро распространяется по большой акватории, и начинают образовываться ледяные иглы - мелкие продолговатые кристаллы, имеющие форму пластинок, взвешенных в воде. Образование этих кристаллов происходит не только на самой поверхности, но и распространяется на некоторую глубину. За несколько часов водная поверхность покрывается ледяным салом -скоплением слабо соединенных ледяных игл или пластинок льда в виде пятен, полос или сплошного слоя серовато-свинцового цвета, придающим поверхности моря маслянистый блеск [21] и отражающим мало света.
Ледяное сало состоит из первичных кристалликов льда. Ветер и волны перемешивают кристаллы, их ориентировка становится хаотичной вплоть до глубины, на которую они заносятся турбулентным перемешиванием. Особенно большое влияние на интенсивность образования первичных форм льда оказывает выпадающий на его поверхность снег, быстро пропитывающийся водой и превращающийся в рыхлый соленый лед. Эта вязкая масса снежной каши называется снеэкурой [9]. При ветре и волнении из сала, снежуры и внутриводпого льда может образоваться шуга - скопление рыхлых, пористых, белесовато цвета комков льда размером несколько сантиметров.
Начальные виды льда (ледяное сало, снежура, шуга) содержат значительное количество жидкой фазы - воды. Ледяное сало, смерзаясь, утолщаясь за счет нарастания с нижней поверхности, постепенно превращается в темный нипас толщиной до 5 см, а затем в светлый нилас с толщиной 5-10 см. Светлый нилас может образовываться, минуя стадию темного ниласа, непосредственно из снежуры и шуги при достаточной их толщине. Нилас, представляющий собой тонкую эластичную корку льда и содержащий большое количество солей, легко изгибается при волнении. При сжатии ниласа образуется зубчатонаслоенный лед - льдины находят одна на другую попеременно то сверху, то снизу.
При дальнейшем намерзании ниласовые льды переходят в категорию молодых — сначала серых с толщиной 10—15 см, а затем серо-белых льдов с толщиной 15 — 30 см. В молодых льдах количество рассола велико. Наблюдения показывают, что соленость молодого льда очень сильно зависит от температуры воздуха и скорости ветра в период формирования ледяного покрова. Это объясняется тем, что при низкой температуре воздуха скорость роста кристаллов больше, чем при высокой, поэтому меньше рассола стекает из межкристаллических прослоек. На поверхности серого льда, обычно влажной от рассола, при отрицательных температурах появляются «солевые цветы», представляющие собой кристаллы инея высотой 3-4 см, пропитанные выкристаллизовавшимися с поверхности льда солями. Их появление может сопровождаться образованием слоя снеговой соленой каши [9, 79, 46].
Дальнейшее увеличение толщины льда приводит к замедлению скорости его нарастания. В это же время термодинамичесіше процессы формируют так называемую «равновесную толщину» льда, под которой понимается та толщина ледяного покрова, при которой зимнее нарастание льда становится равным летнему стаиванию. Эта толщина льда PI время ее достижения зависят от величины потока тепла из воды.
Процесс таяния льда происходит в результате поглощения льдом потоков тепла, воздействие которых может быть выражено уравнением теплового баланса [15]: где: R - суммарный тепловой поток, вызванный радиационными процессами; Ф -суммарный тепловой поток, вызванный турбулентными процессами; D - суммарный тепловой поток, вызванный процессами адвекции; Wmc — часть суммарного теплового потока, идущая на изменение температуры льда.
В период с мая по сентябрь приходная часть теплового баланса превышает расходную. Процессы таяния ледяного покрова создают различные виды поверхности - снежный покров, «сухие» участки льда и водная поверхность снежниц и проталин.
Действие динамических процессов может приводить к перераспределению массы льда на какой-либо акватории в результате сплочения, разрежения, сжатия и торошения ледяного покрова, а также к изменению этой массы за счет ледообмена с соседними акваториями. Таким образом, оба вида процессов вызывают изменения ледового баланса, как на единице площади, так и в море в целом [15, 20, 18].
Эффективное излучение, турбулентный теплообмен и испарение являются основными процессами, приводящими к понижению температуры арктических морей в осенний период. Устойчивые процессы образования льда на поверхности моря, свободной от ледяного покрова, начинаются при выполнении следующих условий:
- понижения температуры поверхностного однородного слоя воды до точки замерзания воды (с учетом солености этого слоя);
- достижения отрицательного значения теплового баланса на поверхности воды.
После образования льда существенно меняются процессы теплообмена моря с атмосферой. Влияющим фактором становится снежно-ледяной покров, который обладает высокими теплоизолирующими свойствами. Значительная неоднородность по толщине, неравномерное распределение высоты снежного покрова, а также наличие трещин, полыней, каналов и разводий создают неравномерность в распределении потоков тепла от ледовых полей в атмосферу. Влияние на тепловой баланс указанных нарушений- сплошности ледяного покрова (несмотря на их относительно небольшую площадь) связано с соизмеримостью теплообмена с атмосферой через эти образования с теплоотдачей сплошного снежно-ледяного покрова.
Механизм нарастания остаточных и многолетних льдов отличен от механизма ледообразования на открытой водной поверхности. К началу процесса замерзания на поверхности таких льдов остаются снежницы, образовавшиеся в летний период таяния на их поверхности и остается значительное содержание жидкой фазы в нижних слоях.
Наличие снежниц и жидкой фазы в толще льда приводит к значительной задержке начала намерзания льда на его нижней поверхности. Эта задержка может достичь 2-3 месяцев [19].
Сигнатуры изображений морских льдов и оценка их удельной эффективной площади рассеяния по изображениям ASAR с широкой полосой обзора
Для оценки и анализа УЭПР различных видов морских льдов использовалась серия из 15 изображений ENVTSAT ASAR WS полного разрешения (150 м при ширине полосы обзора 420 км) на ГГ-поляризации, полученных в различных районах Арктики зимой 2005 и 2006 годов. Количество полученных профилей каждого вида льда приведено в таблице 2.1. При дешифрировании изображений использовались данные синхронных подспутниковых корабельных визуальных ледовых наблюдений и измерений in situ. УЭПР различных видов льдов определялись при угле зондирования 23. Для уменьшения спекл-шума измерения в каждой точке усреднялись по квадратам 5x5 или 15x15 пикселей.
Результаты анализа и сравнения показали, что открытая вода и морские льды имеют широкий диапазон величин обратного рассеяния. Такой результат обусловлен тем, что в их обратном рассеянии значительно изменяются как скорости ветра, так и свойств льда. Малое значение рассеянного обратно излучения, характерное для спокойной водной поверхности, значительно увеличивается при возникновении незначительного ветрового волнения [75]. Так при скорости ветра более 2 м/с обратное рассеяние сравнимо с рассеянием от морского льда. При скорости ветра больше 4-5 м/с, рассеяние водной поверхности становится больше, чем от морских льдов [94]. При скорости ветра 8 м/с, о-0 морской поверхности на ВВ-поляризации составляет -4.5 дБ [59]. Летом морской лед имеет низкое обратное рассеяние (менее чем -12 дБ), и при скорости ветра больше 5 м/с, различие в обратном рассеянии между морским льдом и открытой водой превышает 4 дБ [126]. По данным работы [59], во многих случаях водная поверхность на изображениях РСА ERS имела более высокое обратное рассеяние, чем все исследованные виды льда - от -4.5 дБ до -3.0 дБ (см. таблицу 2.2). Сильная зависимость обратного рассеяния открытой воды от скорости и направления ветра используется для определения характеристик ветра по калиброванным радиолокационным данным [80]. Результаты выполненных анализа и сравнения показали также, что для ограниченного диапазона изменения скорости ветра УЭПР взволнованной водной поверхности (для угла падения 23), изменялась от -7.7 дБ до -4.0 дБ.
Как было отмечено ранее, появление начальных видов льда (ледяных игл, ледяного сало, снежуры и шуги), приводит к изменению обратного рассеяния водной поверхности. Ледяное сало сглаживает капиллярные волны и его УЭПР меньше, чем у окружающей взволнованной водной поверхности [116]. Результаты анализа показали, что значения УЭПР ледяного сала, полученные для шести участков на изображениях ENVISAT ASAR (ГГ-поляризация, угол падения 23) изменялись в диапазоне от -17.5 дБ до -12.0 дБ. Еще в двух случаях значения УЭПР ледяного сала в начальной стадии его формирования составили -7.43 дБ и -6.15 дБ, в то время как УЭПР окружающей взволнованной водной поверхности - около -4.0 дБ. Полученные в ходе эксперимента значения УЭПР значительно превышают приведенные в работе [60], где средние значения у ледяного сала и ледяных игл имели величину -28 дБ на ВВ-поляризащш и -27 дБ на ГГ-поляризации при угле зондирования 35. По данным работы [22], снежура и шуга имеют высокую отражательную способность в X-диапазоне. В работе [97] также отмечаются высокие значения УЭПР начальных льдов в С-диапазоне на ВВ-поляризации (см. таблицу 2.2). Поэтому, можно сделать вывод, что снежура и шуга будут иметь высокое значение УЭПР и на изображениях ENVISAT ASAR. В нашем эксперименте УЭПР этих видов льда не определялись из-за отсутствия надежных подспутниковых данных.
Нилас имеет низкую УЭПР в Х- и С- диапазонах из-за почти зеркального отражения сигнала от поверхности [76, 94]. По данным работы [60], УЭПР начальных видов льда и ниласа различаются незначительно. Оценки, полученные в ходе нашего эксперимента для 12 участков на изображениях ENVISAT ASAR, показали, что изменение УЭПР ниласа при угле падения 23 лежит в диапазоне от -18.7 до -17.2 дБ. Эти значения несколько превышают приведенные в работе [60] данные, полученные на ГГ-поляризации при угле падения 35, когда были получены УЭПР темного и светлого ниласа в -24 дБ и от -19 до -20 дБ, соответственно. По данным РСА ERS-1 УЭПР ровного ниласа составила -22 дБ [76], По другим данным обратное рассеяние начальных льдов может изменяться в большом диапазоне - от -23 до -5 дБ [132]. Более высокие значения УЭПР полученное в нашем эксперименте, можно объяснить различием в углах падения, а также возможным наличием наслоенного ниласа, обратное рассеяние которого несколько выше, чем у ровного ниласа [54].
Основным рассеивающим элементом блинчатого льда являются приподнятые края льдин и обратное рассеяние от такого льда может значительно изменяться из-за различий размеров льдин и высоты их краев. При попадании большого числа отдельных льдин в элемент разрешения РСА рассеянный сигнал может быть очень велик и УЭПР достигает значений -4.5 дБ [59].
В С-диапазоне на ВВ-поляризации отраженный от блинчатого льда радиолокационный сигнал имеет большую величину, чем отраженный от бесснежного и заснеженного льдов при всех углах падения, и сопоставим с сигналом от взволнованной водной поверхности [75]. По скаттерометрическим измерениям значения сг блинчатого льда составляют значения -16 дБ и -17 дБ для ВВ- и ГГ-поляризаций, соответственно [60].
Как было отмечено выше, в молодых льдах содержится повышенное количество рассола, что создает значительное поглощение падающего радиолокационного сигнала. Увеличение УЭПР на стадии молодого льда связано с образованием на его поверхности солевых цветов. По данным исследований [46] т молодого льда на всех поляризациях увеличивается на 3-5 дБ при полном покрытии поверхности льда солевыми цветами, а по данным работы [54] - на 10-15 дБ. По данным РСА-изображений спутника ERS-1 УЭПР молодого льда изменяется в диапазоне от -13 до -9 дБ [97, 76, 73].
На поверхности серого льда при отрицательных температурах также образуются солевые цветы, что приводит к увеличению обратного рассеяния. Возможными механизмами данного явления служит рассеяние от шероховатой поверхности солевых цветов, а также увеличение диэлектрической проницаемости солевых цветов по сравнению с ледяным слоем и эффект объемного рассеяния кристаллами льда в солевых цветах. В то же время ряд экспериментальных данных показывает, что основной причиной наблюдаемых изменений обратного рассеяния является соленый слой снега на поверхности льда [103, 46, 94]. В наших исследованиях среднее значение УЭПР молодого льда, оцененное по 23 участкам на изображениях ENVISAT ASAR и составило величину -7.4±0.8 дБ. Эти значения несколько превышают приведенные в литературе данные, полученные при обработке РСА-изображений спутника ERS-1, когда УЭПР молодого льда изменялась в диапазоне от -13 до -9 дБ (см. таблицу 2.2).
С течением времени между солевыми цветами накапливается снег, что уменьшает обратное рассеяние от морского льда, который в указанное время переходит в стадию однолетнего льда [103, 101].
В нашем эксперименте оценки УЭПР были получены по ENVISAT ASAR изображениям однолетнего льда при угле падения 23 для 52 участков ровного однолетнего дрейфующего льда и 22 участков ровного однолетнего припая. При этом УЭПР дрейфующего ровного однолетнего льда изменялась в диапазоне от -16.4 до -11.6 дБ, а УЭПР припая - в диапазоне от -17.5 до -15.0 дБ [3, 4]. Полученные значения согласуются с известными значениями для ВВ-поляризации УЭПР ровного однолетнего льда -17 и -18 дБ [92]. По данным [97] значение а однолетнего льда составляет -13.54±0.95 дБ, а по данным [132] находится в диапазоне между -14 дБ и -18 дБ. По данным работы [104] отмечается, что в С-диапазоне при угле падения 40 однолетнего льда на ГГ-поляризации по крайней мере меньше на 5 дБ, а тонкого льда на 2 - 3 дБ, чем на ВВ-поляризации. При увеличении толщины однолетний лед постепенно опресняется, граница раздела «снег-лед» становится более гладкой. Поэтому при увеличении толщины льда от 1.3 до 1.8 м, его х изменяется на2-ЗдБ[110].
Появление торосов на поверхности однолетнего льда, вызванное деформацией льда создает возрастание обратного рассеяние. Расчеты полученные по данным ENVISAT ASAR, показали что УЭПР сильно деформированного однолетнего льда меняется в диапазоне от -11.2 до -8.4 дБ, что значительно превышает УЭПР ровного однолетнего льда. Эти значения также несколько превышают имеющиеся в литературе данные для УЭПР деформированного однолетнего льда на ВВ-поляризации. Эти значения находятся в диапазоне от -15.3 до -10.0 дБ (см. таблицу 2.2), а УЭПР деформированного льда не зависят от угла падения и поляризации [54].
Обучение нейронной сети
Наиболее эффективным способом обучения МСП является метод обратного распространения ошибки, поэтому наиболее часто в задачах ДЗ используется многослойная НС с обратным распространением ошибки.
Алгоритм обучения означает процедуру, осуществляющую последовательность действий выполнения правил обучения для настройки весов. При настройке НС с обратным распространением ошибок для вычисления весовых коэффициентов используется правило коррекции по ошибке. Указанное правило предусматривает, что на входной слой нейронной сети подаются тренировочные вектора д: и одновременно с этим на выходной слой подаются «эталонные» или оптимальные значения вектора d, соответствующие х. Реальный выход сети у может не совпадать с оптимальным. В этом случае коррекция по ошибке состоит в использовании сигнала ошибки (d - у) для модификации весов, обеспечивающей постепенное уменьшение ошибки. Процесс обучения происходит только в том случае, когда перцептрон ошибается.
Основная идея способа обратного распространения состоит в получении оценки ошибки для нейронов скрытых слоев. Чем больше значение синаптической связи между нейроном скрытого слоя и выходным нейроном, тем сильнее ошибка первого влияет на ошибку второго. Таким образом, оценка ошибки элементов скрытых слоев определяется как взвешенная сумма ошибок последующих слоев. При обучении информация усваивается в направлении «от низших слоев к высшим», а оценки ошибок сети - в обратном направлении. Выходы нейронов последнего слоя описывают результат классификации.
Учитывая вышеизложенное, можно констатировать, что обучение сети обратного распространения требует выполнения ряда направленных преобразований. На 1 и 2 этапах сигнал распространяется по сети от входа к выходу. На 3 и 4 этапах вычисляемый сигнал ошибки распространяется обратно по сети и используется для подстройки весов. [42, 43].
Полный алгоритм обучения НС с помощью процедуры обратного распространения выполняется пошагово.
Первый шаг - вычисление выхода сети.
На данном шаге производится выборка очередной обучающей пары из обучающего множества. На входы сети подается один из возможных образов в режиме обычного функционирования НС. При этом сигналы распространяются по нейронам от входов к выходам и осуществляется расчет значения последних. При этом текущее состояние нейрона отображает взвешенные суммы его входов -сигналов, поступающих к нему от нейронов предыдущего слоя и описывается следующим выражением [41, 43, 25]: где: М — число нейронов в слое п-1 с учетом нейрона i=0 с постоянным выходным состоянием +1, задающего смещение; у[п г) = Хуп) — выходной сигнал нейрона /, расположенного в предыдущем слое п-1, который является входом нейрона у слоя п; Wy— синаптический вес связиу -ого нейрона слоя п с нейроном / предыдущего слоя п-1. Вычисления в многослойных нейронных сетях выполняются послойно, начиная с ближайшего к входу слоя. Величина s каждого нейрона у первого слоя вычисляется как взвешенная сумма входов нейрона (см. уравнение 3.3). Затем активационная функция/"сжимает" s и преобразует выходной сигналу для каждого нейрона в этом слое. После расчета множества выходов слоя п выходной вектор одного слоя является входным вектором для следующего. Процесс применяется последовательно ко всем слоям до тех пор, пока не будет получено заключительное множество нейронов слоя N. Данное множество образует выходной вектор сети. Для этого вычисление выходов последнего слоя требует применения уравнения (3.4) к каждому слою п от входа сети к ее выходу по следующему отношению
Второй шаг - вычисление разности значений между выходом сети и эталонным или желаемым вектором обучающей пары.
Для выполнения вычислений на данном шаге необходимо рассчитать ошибку восстановления &N) для выходного слоя и изменения весов Aw слоя N. Для вычисления используется метод обратного распространения ошибки.
Согласно методу наименьших квадратов, минимизируемой целевой функцией ошибки НС является величина:
Третий и четвертый шаги — вычисление скорректированных весов в НС. Коррекция производится для минимизации ошибки, для чего ошибка восстановления пропускается по нейронам в обратном направлении. На третьем шаге необходимо рассчитать 5fn) и Aw(n) для всех остальных слоев.
При проходе вперед нейрон скрытого слоя передает свой выходной сигнал нейронам в выходном слое через соединяющие их веса. Во время обучения эти веса скрытого слоя функционируют в обратном порядке, пропуская величину 8 от выходного слоя назад к скрытому слою. Каждый из этих весов умножается на величину нейрона, к которому он присоединен в выходном слое. Величина Ь(п), необходимая для нейрона скрытого слоя, получается суммированием всех этих произведений и умножением на производную сжимающей функции
Пятый шаг. Если ошибка сети существенна, перейти на шаг 1.
Шаги 1-4 повторяются для каждого вектора обучающего множества до тех пор, пока ошибка на всем множестве не достигнет приемлемого уровня [25, 31, 41]. После нескольких повторений разность между действительными и желаемыми выходами (ошибка восстановления) должна уменьшиться и вместе с ней должна снизится скорость обучения (до некоторой заранее установленной величины). Это будет означать, что сеть обучилась или натренировалась. Далее распознавание будет идти с постоянными весами.
Наиболее трудным в использовании НС является определение времени остановки обучения. Не существует теоретического доказательства сходимости алгоритма обратного распространения, как и не существует однозначного определения критерия для остановки процесса [31].
Вследствие естественной природной изменчивости морского льда практически невозможно получить обучающую выборку всех состояний исследуемого объекта. Натренированная сеть должна обладать способностью к генерализации, т.е. восстановлению не только классов морского льда, заданных в обучающем массиве, но и новых данных о морском льде, получаемых с РСА-изображений при других условиях. Однако если сеть обучать малое время, то она не выучит выборку обучающих примеров. Если сеть обучать излишне долго, то точная аппроксимация решающей функции приведет к адаптации обучающих «примеров» НС (весовых коэффициентов) для классификации изображений морских льдов, находящихся в строго определенных условиях (при определенной температуре воздуха, толщине снежного покрова и т.д.). При изменении этих условий «перетренированная» сеть не будет способна классифицировать новые поступающие РСА-изображения. Такая сеть выучит примеры с шумами со сколь угодно высокой точностью, но окажется неспособной обобщать примеры, т.е. будет действовать схожим образом на данных, не принадлежащих обучаемому множеству. Для преодоления такого противоречия используется процедура калибровки, чем достигается оптимизация сети.
Калибровка позволяет найти оптимальную сложность НС на тестовом множестве, означая способность сети к обобщению, т.е. получение хороших результатов на предъявляемых для распознавания неизвестных данных. Такой результат достигается использованием описанной ранее процедуры расчета среднеквадратичной ошибки между реальными и предсказанными выходами. Само тестовое множество в процессе обучении не используется. В начале работы ошибки сети на обучающем и тестовом множествах будут одинаковыми. По мере того, как сеть обучается, ошибки обоих множеств убывают. Обучение прекращается в тот момент, когда сложность сети достигнет оптимального значения. Этот момент определяется из анализа поведения во времени ошибки тестового массива — она перестала убывать или наоборот стала расти. Таким образом, критерием обучения НС является минимизация среднеквадратичной ошибки, а критерием сходимости алгоритма обратного распространения является достаточно малая абсолютная интенсивность изменений среднеквадратической ошибки в течение цикла работы. Процесс обучения иллюстрируется графиком зависимости оценки обучения и ошибки тестового множества от номера цикла обучения, показанным на рисунке 3.4.
Применение метода нейронной сети для классификации РСА изображений морских льдов
Для верификации предложенной в настоящей работе методики были использованы РСА-изображения высокого разрешения ИСЗ ENVISAT. предоставленные Центром по окружающей среде и дистанционному зондированию им. Нансена (Норвегия). По этой информации была осуществлена тренировка ряда нейронных сетей.
Методом перебора количества нейронов во всех слоях и количества скрытых слоев нейронной сети, в ходе экспериментов было натренировано несколько нейронных сетей.
Первая НС была предназначена для классификации нескорректированных РСА-изображений ENVISAT и содержала 18 нейронов во входном слое, 12 во втором (первом скрытом слое) и 6 нейронов в третьем слое (втором скрытом слое). Выходные параметры ограничены тремя классами: сеть настроена на классификацию многолетнего льда, однолетнего ровного льда и однолетнего деформированного льда. Обучение сети проводилось по 3000 «примерам» в области тренировочного массива размером 15 х 15 пикселей и такого же количества для тестовой (или валидационной) выборки. В качестве входных параметров использовались рассчитанные для каждого участка текстурные характеристики для разных расстояний (всего 16 характеристик для межпиксельных расстояний равных 2 и 3), средние значения УЭПР, а также угол падения. Натренированная сеть была использована для классификации изображения ледяного покрова Чукотского моря, полученного с РСА ИСЗ ENVISAT 23 апреля 2007 г.
Ввиду отсутствия количественных оценок, классификация оценивалась путем сравнения с ледовой картой, подготовленной специалистами ГУ ААНИИ (рис 4.1).
Анализ исходного изображения (рис. 4.2 а) и дополнительной информации датчика Modis со спутников Terra и Aqua показал, что на верхнем правом крае изображения и его правой нижней части присутствуют поля многолетнего льда, между которыми наблюдается сморозь ровного однолетнего льда. В центральной части изображения видна полоса однолетнего деформированного льда с однолетним ровным льдом. В левой части изображения в основном присутствует сморозь однолетнего ровного и однолетнего деформированного льдов.
В верхней правой части изображения присутствует старый лёд сплоченностью 10 баллов, в котором присутствуют большие поля (500 - 2000 м) старого льда, а также крупнобитый толстый лед (20 - 100 м) и средней толщины однолетний лёд с частной сплоченностью 2 балла. Область, выделенная на рисунке голубым цветом, показывает наличие однолетнего льда с общей сплоченностью 10 баллов. Согласно экспертной оценке в этой области присутствуют большие поля многолетнего льда с частной сплоченностью 1-2 балла, большие поля толстого однолетнего льда и обломки ледяных полей (100 - 500 м) однолетнего льда средней толщины с частной сплоченностью от Ідо 5 баллов. В левой части присутствует однолетний толстый лёд, 80% которого составляют большие поля тонкого однолетнего льда.
Анализ результата автоматизированной классификации (см. рис. 4.2 б) и его сравнение с визуальной оценкой автора и ледовой картой ААНИИ, показал, что сеть натренировалась не идеально. В результате экспертного дешифрирования выделены зоны однолетнего льда различной толщины - тонкий, средний и толстый. Поэтому различия визуальной интерпретации РСА-изображения и полученного результата классификации методом НС, выполненных автором, и ледовой карты вызваны тем, что эксперты ААНИИ не выделяли градации однолетнего льда, различающиеся степенью деформации. В процессе подготовки данных для тренировки сети использовался класс «многолетнего льда» без разделения на остаточные и двухлетние. Это затрудняет проведение анализа и сравнение различных градаций старого и однолетнего льдов.
Информация, представленная на ледовой карте позволяет разделить ледяной покров по формам льда. Результаты применения НС, приведенные на рис. 4.2 б) показывают различие многолетних льдов и ровного однолетнего льда между этими полями в верхней правой части изображения и ниже по правому краю. Эти результаты совпадают с результатами визуальной интерпретации и экспертной оценки.
Согласно визуальной оценке автора, полоса однолетнего деформированного льда (центральная часть) классифицирована в значительной степени правильно, так же как и в районе нахождения многолетнего льда.
Структура изображения на левой части изображения классифицирована как однолетний ровный лед. Данный результат совпадает с ледовой картой, составленной специалистами ААНИИ. Тем не менее это не совсем правильный вывод. Данная ошибка классификации вызвана уменьшением УЭПР морских льдов с увеличением угла падения, что приводит к значительному уменьшению яркости РСА-изображения в дальней части полосы обзора (нижняя часть изображения) относительно ближней (рис. 4.2 а). Таким образом, несмотря на то, что во входном векторе данных угол падения вводился при тренировке НС, попытка учесть этот эффект на стадии обучения без дополнительной предобработки изображения дала отрицательный результат. В связи с этим появилась необходимость коррекции распределения яркости используемых РСА-изображений с широкой полосой обзора. Для получения равноконтрастного изображения по всей полосе обзора была разработана методология приведения УЭПР морских льдов к одному углу падения (см. Гл. 2).
На основе скорректированных данных серии РСА-изображений был получен набор текстурных характеристик и центральные статистические моменты яркости третьего и четвертого порядков. С помощью этих данных была настроена новая НС, для обучения которой использовался стандартный алгоритм обратного распространения ошибки. Сеть настроена на разделение трех видов льдов по РСА-изображениям ледяного покрова центрального района Арктики в зимний период года.
Оптимальная конфигурация нейронной сети для классификации скорректированного изображения морского льда, полученного с ENVISAT ASAR, состоит из 9 нейронов во входном слое, соответствующих количеству текстурных характеристик, статистических моментов яркости 3-го и 4-го порядка и УЭПР, одного скрытого слоя с 6 нейронами и 3 нейронами в выходном. Выходные параметры ограничены тремя классами: многолетнего льда, однолетнего ровного льда и однолетнего деформированного льда.
На этапе обучения нейронной сети было классифицировано несколько РСА-изображений на основе их визуальной интерпретации. Эти изображения использовались далее для оценки достоверности результатов работы сети. После тренировки нейронная сеть была применена для классификации этих изображений, а затем производилось сравнение значений этого эталонного изображения со значениями, полученными на выходе сети. Согласно предварительным оценкам и сравнению их с результатами визуальной интерпретации тестовых данных ошибка классификации изображений методом НС составила 15% для однолетнего ровного льда, 20% для многолетнего и 17% для однолетнего деформированного льдов.
Выбор района испытаний (верификации) алгоритмов и методик не имеет принципиального значения для оценки качества идентификации морского льда. Верификация осуществлялась по району, имеющему наземные наблюдений. Верификация алгоритма выполнялась с использованием примера мониторинга ледяного покрова в районе дрейфующей станции «Северный Полюс - 35» (СП-35). Для классификации ледового покрова были использованы изображения ENVISAT ASAR от 18 января и 04 февраля 2008 г.
На ледовой карте, составленной специалистами ААНИИ (рис 4.4), желтым четырехугольником отмечено местоположение используемого для классификации изображения ледяного покрова района центральной Арктики, полученного с ENVISAT ASAR 04 февраля 2008 г.
Коррекция угловой зависимости значений УЭПР позволила получить изображение с примерно одинаковым тоном по всей полосе обзора, что значительно упрощает процедуру визуального дешифрирования изображений морского льда и позволяет исключить из процедуры настройки НС и дальнейшей обработки изображения угол падения (рис. 4.5 а) и б).
Результаты классификации методом НС сравнивались с фрагментом ледовой карты и оценивались визуально. Ледовая карта выполнена специалистами ААНИИ на период 04 - 06 февраля 2008 г. для картирования ледяного покрова Карского моря. Её фрагмент приведен на рисунке (рис. 4.6). Положение исследуемого РСА-изображения обозначено желтым четырехугольником.
