Океанография и морской лед. Коллектив авторов. Читать онлайн. Newlib. NEWLIB.NET

Автор: Коллектив авторов
Издательство:
Серия: Вклад России в Международный полярный год 2007/08
Жанр произведения: Прочая образовательная литература
Год издания: 2011
isbn: 978-5-98797-065-2
Скачать книгу
поле, на котором был построен лагерь дрейфующей станции, состояло из смерзшихся обломков полей старого льда различных размеров, толщины и конфигурации. Монолитные обломки полей старого льда разделены полосами однолетнего льда с включениями битого старого льда. Поэтому сеть настраивалась на выделение на спутниковой сцене трех классов: старого льда, однолетнего ровного льда и однолетнего деформированного льда. Для обучения этой сети использовался стандартный алгоритм обратного распространения ошибки. Сеть была настроена на классификацию SAR-изображений центрального района Арктики в зимний период года. Полученные результаты классификации соответствовали результатам экспертного дешифрирования. Рассчитанные ошибки классификации составили: для однолетнего ровного льда 15 %, для однолетнего деформированного льда 17 % и для старого льда 20 %. Обученная сеть также была использована для автоматического картирования этих же возрастных градаций льда по данным Envisat в Арктическом бассейне (рис. 1).

      Рис. 1. Картирование возрастных стадий льда в Арктике с помощью метода нейронных сетей по данным Envisat. 16.01.2008 (слева – исходный снимок, в центре – снимок с угловой коррекцией, справа – классифицированное изображение) 1 – старый лед; 2 – однолетний ровный лед; 3 – однолетний деформированный лед

      Для использования метода НС в автоматическом режиме, с целью оперативного картирования возрастных стадий льда, необходима настройка сети в направлении выделения большего количества классов ледовых образований.

      Определять возрастной состав морских льдов по спутниковым данным в автоматизированном режиме можно также с помощью методов теории вероятности, в частности, применяя формулу Байеса для расчета апостериорной вероятности p(ωj/xi)

      pj/xi) = p(xij) × pj)/p(xi), p(xi) = p(xij) × pj),

      где pj) – априорная вероятность, p(xij) – условная плотность распределения величины xi в состоянии ωj.

      Метод байесовской классификации обеспечивает оптимальное решение с точки зрения минимума вероятности ошибки. При классификации ледяного покрова на спутниковом снимке принимается решение в пользу того вида льда, для которого величина апостериорной вероятности p(ωj/xi) максимальна.

      Для того, чтобы применять правило Байеса, необходимо знать условные плотности распределения и априорные вероятности. В центральной части Арктики частная сплоченность многолетних льдов составляет около 90 % (Johannessen et al., 2006). Исходя из этого, были выбраны следующие значения априорной вероятности появления многолетнего, ровного и деформированного однолетнего льдов: p(ωmy)=0.9; p(ωfy)=0.05, p(ωfd)=0.05. Условные плотности распределения p(xij) рассчитывались по калиброванным изображениям со спутника Envisat, на которых экспертным путем выбирался ряд характерных участков каждого из