Автоматизация процессов получения и обработки продуктов на основе спутниковых данных по температуре поверхности океана (SST) для задач мониторинга ледовой обстановки в морях Северного Ледовитого океана
|
Введение 4
Глава I. Понятие о температуре поверхности океана (SST) и способах ее получения 7
1.1 Историческая справка 7
1.2 Современное понятие о SST 9
1.3 Получение данных SST спутниковыми методами 11
1.3.1 Физические основы съемки 11
1.3.2 Виды спутников и доступные платформы 14
1.4 Валидация данных 15
1.5 Уровни данных 19
Глава II. Современные платформы и алгоритмы получения SST 21
2.1 Особенности получения и применения SST в Арктической зоне 21
2.2 Требования к платформам 24
2.3 Современные платформы и алгоритмы получения SST 26
2.3.1 Методы линейной регрессии (linear regression) и разделенного окна
(split window method) в задаче получения SST 26
2.3.2 Алгоритм CASSTA (The composite Arctic SST algorithm) 28
2.3.3 AVHRR 31
2.3.4 ATSR и SLSTR 33
2.3.5 MODIS 34
2.3.6 VIIRS 35
2.3.7 Сравнение данных SST различных сенсоров 38
Глава III. Использование данных SST для задач мониторинга ледовой обстановки в
морях Северного Ледовитого океана 41
2.1 Алгоритм ААНИИ для мониторинга ледовой обстановки в морях
Северного Ледовитого океана 41
2.1.1 Описание алгоритма 41
2.1.2 Применение данных SST в рамках алгоритма 43
2.2 Источники данных SST и BT 44
2.2.1 Получение данных SST 44
2.2.2 Получение данных BT 45
2.3 Форматы данных 46
2.4 Программное обеспечение 48
2.5 Валидация данных 53
2.6 Обработка данных SST и BT 55
2.6.1 Поиск подходящих временных диапазонов 55
2.6.2 Работа с данными SST 57
2.6.3 Работа с данными BT 58
2.7 Результаты и выводы 62
Заключение 64
Литература 66
Глава I. Понятие о температуре поверхности океана (SST) и способах ее получения 7
1.1 Историческая справка 7
1.2 Современное понятие о SST 9
1.3 Получение данных SST спутниковыми методами 11
1.3.1 Физические основы съемки 11
1.3.2 Виды спутников и доступные платформы 14
1.4 Валидация данных 15
1.5 Уровни данных 19
Глава II. Современные платформы и алгоритмы получения SST 21
2.1 Особенности получения и применения SST в Арктической зоне 21
2.2 Требования к платформам 24
2.3 Современные платформы и алгоритмы получения SST 26
2.3.1 Методы линейной регрессии (linear regression) и разделенного окна
(split window method) в задаче получения SST 26
2.3.2 Алгоритм CASSTA (The composite Arctic SST algorithm) 28
2.3.3 AVHRR 31
2.3.4 ATSR и SLSTR 33
2.3.5 MODIS 34
2.3.6 VIIRS 35
2.3.7 Сравнение данных SST различных сенсоров 38
Глава III. Использование данных SST для задач мониторинга ледовой обстановки в
морях Северного Ледовитого океана 41
2.1 Алгоритм ААНИИ для мониторинга ледовой обстановки в морях
Северного Ледовитого океана 41
2.1.1 Описание алгоритма 41
2.1.2 Применение данных SST в рамках алгоритма 43
2.2 Источники данных SST и BT 44
2.2.1 Получение данных SST 44
2.2.2 Получение данных BT 45
2.3 Форматы данных 46
2.4 Программное обеспечение 48
2.5 Валидация данных 53
2.6 Обработка данных SST и BT 55
2.6.1 Поиск подходящих временных диапазонов 55
2.6.2 Работа с данными SST 57
2.6.3 Работа с данными BT 58
2.7 Результаты и выводы 62
Заключение 64
Литература 66
В последние годы одним из направлений, определенных Стратегией развития Арктической зоны РФ, являлось создание и развитие системы комплексной безопасности арктического судоходства, управления транспортными потоками в районах интенсивного движения судов, включая навигационно-гидрографическое, гидрометеорологическое, ледокольное и иные виды обеспечения (Стратегия развития..., 2008). Неотъемлемой частью обеспечения безопасного судоходства в высоких широтах является ледовый мониторинг. В настоящее время основным источником информации, применяемой при решении задачи оперативного ледового мониторинга на трассе Северного морского пути и в морях Северного Ледовитого океана, остаются спутниковые наблюдения. Ввиду отсутствия в течения ряда лет и закрытости данных российских исследовательских спутников, используют данные, получаемые с зарубежных спутников (Бушуев, 2009).
При создании оперативных ледовых карт по спутниковым изображениям используется интерактивный режим. При этом неизбежно присутствуют ошибки субъективной оценки параметров, характеризующих положение, сплоченность и толщину ледяного покрова, а также искажения, возникающие за счет непрерывного образования, таяния или движения льда. Таким образом, остается актуальной задача разработки автоматизированных процедур, позволяющих проводить обработку быстрее, с меньшими трудозатратами и меньшей зависимостью от знаний проводящих её экспертов. Особую исследовательскую ценность в связи с опреснением Северного Ледовитого океана имеет разработка автоматизированных процедур определения ледовой обстановки в зонах, покрывающихся льдом только в холодное время года (Костяной, 2017).
В качестве вспомогательного средства поиска морского льда и точки отсчета его температуры может применяться температура поверхности моря (SST, Sea Surface Temperature), в частности - температура замерзания воды, равная приблизительно -1.80С (Сергеев, 2018). Данные по SST могут быть получены in situ, то есть при помощи натурных наблюдений (буёв, кораблей). Однако, наиболее полные данные для оперативного мониторинга рассчитываются по данным спутниковых наблюдений в инфракрасном и микроволновом диапазонах длин волн. Как правило, в формулах расчета SST фигурируют постоянные, найденные при помощи сравнения спутниковых данных с данными in situ, а также данные по яркостной температуре с одного или нескольких каналов установленного на спутнике сенсора.
BT (Brightness Temperature, яркостная температура) - температура, которую имело бы абсолютно черное тело, испускающее волны с такой же интенсивностью, как и реальная поверхность. Расчет BT с помощью функции Планка используется для перевода «сырых» данных по принятому излучению в данные по температуре поверхности Земли.
Целью данной работы являлось изучение методов автоматизированного получения и обработки SST данных, а также определение значений SST и BT при замерзании воды.
Для реализации цели работы было необходимо решить следующие задачи:
1. Проанализировать и изучить развитие методов получения данных SST, достоинства и недостатки этих данных, и предоставляющие их платформы;
2. Изучить алгоритм, разрабатываемый ААНИИ для задач мониторинга ледовой обстановки в морях Северного Ледовитого океана;
3. Выбрать тестовые данные;
4. Оценить возможности получения и обработки данных SST и BT в различном программном обеспечении и определить SST и BT замерзания воды;
5. Рассмотреть и проанализировать результаты сравнения тестовых данных.
Таким образом, объектом исследования работы являются спутниковые данные по температуре поверхности океана (SST), а предметом исследования - автоматизация процессов получения и обработки продуктов на основе таких данных для задач мониторинга ледовой обстановки в морях Северного Ледовитого океана.
Ожидается, что температура замерзания воды окажется близкой к 271.35 К (-1.80С). В зонах с температурой замерзания, равной найденному значению, будет также определена яркостная температура. Предполагается, что значения BT на дневных и ночных снимках за одни сутки будут отличаться значительнее, чем BT на разновременных ночных снимках между собой. Если данная гипотеза подтвердится, для разрабатываемого алгоритма мониторинга ледовой обстановки будет обосновано использование исключительно ночных данных.
При создании оперативных ледовых карт по спутниковым изображениям используется интерактивный режим. При этом неизбежно присутствуют ошибки субъективной оценки параметров, характеризующих положение, сплоченность и толщину ледяного покрова, а также искажения, возникающие за счет непрерывного образования, таяния или движения льда. Таким образом, остается актуальной задача разработки автоматизированных процедур, позволяющих проводить обработку быстрее, с меньшими трудозатратами и меньшей зависимостью от знаний проводящих её экспертов. Особую исследовательскую ценность в связи с опреснением Северного Ледовитого океана имеет разработка автоматизированных процедур определения ледовой обстановки в зонах, покрывающихся льдом только в холодное время года (Костяной, 2017).
В качестве вспомогательного средства поиска морского льда и точки отсчета его температуры может применяться температура поверхности моря (SST, Sea Surface Temperature), в частности - температура замерзания воды, равная приблизительно -1.80С (Сергеев, 2018). Данные по SST могут быть получены in situ, то есть при помощи натурных наблюдений (буёв, кораблей). Однако, наиболее полные данные для оперативного мониторинга рассчитываются по данным спутниковых наблюдений в инфракрасном и микроволновом диапазонах длин волн. Как правило, в формулах расчета SST фигурируют постоянные, найденные при помощи сравнения спутниковых данных с данными in situ, а также данные по яркостной температуре с одного или нескольких каналов установленного на спутнике сенсора.
BT (Brightness Temperature, яркостная температура) - температура, которую имело бы абсолютно черное тело, испускающее волны с такой же интенсивностью, как и реальная поверхность. Расчет BT с помощью функции Планка используется для перевода «сырых» данных по принятому излучению в данные по температуре поверхности Земли.
Целью данной работы являлось изучение методов автоматизированного получения и обработки SST данных, а также определение значений SST и BT при замерзании воды.
Для реализации цели работы было необходимо решить следующие задачи:
1. Проанализировать и изучить развитие методов получения данных SST, достоинства и недостатки этих данных, и предоставляющие их платформы;
2. Изучить алгоритм, разрабатываемый ААНИИ для задач мониторинга ледовой обстановки в морях Северного Ледовитого океана;
3. Выбрать тестовые данные;
4. Оценить возможности получения и обработки данных SST и BT в различном программном обеспечении и определить SST и BT замерзания воды;
5. Рассмотреть и проанализировать результаты сравнения тестовых данных.
Таким образом, объектом исследования работы являются спутниковые данные по температуре поверхности океана (SST), а предметом исследования - автоматизация процессов получения и обработки продуктов на основе таких данных для задач мониторинга ледовой обстановки в морях Северного Ледовитого океана.
Ожидается, что температура замерзания воды окажется близкой к 271.35 К (-1.80С). В зонах с температурой замерзания, равной найденному значению, будет также определена яркостная температура. Предполагается, что значения BT на дневных и ночных снимках за одни сутки будут отличаться значительнее, чем BT на разновременных ночных снимках между собой. Если данная гипотеза подтвердится, для разрабатываемого алгоритма мониторинга ледовой обстановки будет обосновано использование исключительно ночных данных.
В ходе исследования был изучен принцип получения данных SST, рассмотрен ряд платформ, предоставляющих такие данные, и модификации алгоритмов, рассчитывающих SST с использованием яркостных температур каналов 3.7, 11 и 12 цш. На основании сравнения данных с различных платформ, находящихся в открытом доступе, их пространственного и временного разрешения, а также точности для дальнейшей работы были выбраны данные, полученные сенсором VIIRS.
В процессе выполнения практической части работы из порядка 1000 проанализированных снимков были выбраны 2 тестовые пары с безоблачными участками - 23.04 27.02.20 и 00:41 28.02.20, а также 00:15 и 08:40 12.04.20. Были рассмотрены способы получения и обработки данных SST с помощью программных продуктов ArcGIS и SeaDAS, а также с помощью командной оболочки Jupyter Notebook. Далее в этих программных продуктах была проведена валидация SST и определены спутниковые SST и BT при температуре замерзания воды.
Полученное значение температуры замерзания морской воды по спутниковым данным составило 271.5 ± 0.3 К, что согласуется с гипотезой о близости этого значения к 271.35 К (-1.8 С).
Сравнение данных за темное и светлое время суток подтвердило, что значения дневных и ночных BT отличаются сильнее, чем значения ночных данных между собой. Разница между дневными и ночными данными за одни сутки составила 2 К с максимумом до 8 К на участках с морским льдом. Напротив, различие между ночными данными, полученными в соседние даты - 0.1 К на отдельных безоблачных участках и порядка 0.5 - 1 К в среднем. На современном этапе разработки алгоритма ААНИИ точные допуски, при соблюдении которых данные могут быть использованы совместно без дополнительной коррекции, неизвестны. Однако, с учетом средних отклонений спутниковой SST от данных in situ 0.3 - 1 К, вероятно, что различие между ночными данными будет признано приемлемым, а разница между дневными и ночными значениями - чрезмерной.
Результаты исследования и полученные в ходе решения практической задачи значения могут быть в дальнейшем учтены в разработке алгоритма ААНИИ, связанного с мониторингом ледовой обстановки в полярных широтах, и в иных смежных разработках. Ввиду того, что в настоящее время основная часть исследований и технической документации по SST представлена на английском языке, работа также может служить подспорьем для дальнейших работ русскоязычных исследователей.
В процессе выполнения практической части работы из порядка 1000 проанализированных снимков были выбраны 2 тестовые пары с безоблачными участками - 23.04 27.02.20 и 00:41 28.02.20, а также 00:15 и 08:40 12.04.20. Были рассмотрены способы получения и обработки данных SST с помощью программных продуктов ArcGIS и SeaDAS, а также с помощью командной оболочки Jupyter Notebook. Далее в этих программных продуктах была проведена валидация SST и определены спутниковые SST и BT при температуре замерзания воды.
Полученное значение температуры замерзания морской воды по спутниковым данным составило 271.5 ± 0.3 К, что согласуется с гипотезой о близости этого значения к 271.35 К (-1.8 С).
Сравнение данных за темное и светлое время суток подтвердило, что значения дневных и ночных BT отличаются сильнее, чем значения ночных данных между собой. Разница между дневными и ночными данными за одни сутки составила 2 К с максимумом до 8 К на участках с морским льдом. Напротив, различие между ночными данными, полученными в соседние даты - 0.1 К на отдельных безоблачных участках и порядка 0.5 - 1 К в среднем. На современном этапе разработки алгоритма ААНИИ точные допуски, при соблюдении которых данные могут быть использованы совместно без дополнительной коррекции, неизвестны. Однако, с учетом средних отклонений спутниковой SST от данных in situ 0.3 - 1 К, вероятно, что различие между ночными данными будет признано приемлемым, а разница между дневными и ночными значениями - чрезмерной.
Результаты исследования и полученные в ходе решения практической задачи значения могут быть в дальнейшем учтены в разработке алгоритма ААНИИ, связанного с мониторингом ледовой обстановки в полярных широтах, и в иных смежных разработках. Ввиду того, что в настоящее время основная часть исследований и технической документации по SST представлена на английском языке, работа также может служить подспорьем для дальнейших работ русскоязычных исследователей.