Океанография и морской лед. Коллектив авторов

эксперт может при визуальном анализе определить до 8 градаций развития (возраста) льдов; причем ниласовые и молодые льды разделяются на несколько возрастных градаций, а более старые льды объединяются в одну категорию, не разделяемую по градациям. По ИК-изображениям могут быть определены толщины ниласовых, молодых и однолетних тонких и средних льдов. По радиолокационным изображениям дешифрируются старые льды. В условиях Арктики в зимний период диагностировать возрастной состав льдов можно путем совместного использования ИК– и СВЧ-диапазонов.

      Автоматизированные методы картирования морских льдов по возрастным градациям с использованием радиолокационных данных. Технологии использования данных микроволнового диапазона для картирования льда по возрастным градациям развиваются с 1980-х гг. Одна из первых методик оперативного картирования ледовой обстановки была разработана для российского ИСЗ «Океан», единственного на тот период спутника, оснащенного радиолокатором бокового обзора. В процедурах картирования применялся как метод визуальной экспертной интерпретации изображений, так и алгоритмы автоматизированной количественной оценки льдов (Александров, Лощилов, 1985; Александров и др., 1989). Данные спутника «Океан» широко использовались в ААНИИ для ежедневного анализа оперативной ледовой обстановки по изображениям на отдельных орбитах и для составления еженедельных композитных ледовых карт для всей трассы СМП (Асмус и др., 2002; Бушуев и др., 2004).

      Одним из методов объективного оценивания возрастных градаций ледяного покрова является метод нейронных сетей (НС) (Bogdanov, 2005; Hara et al., 1994), широко применяемый при обработке данных дистанционного зондирования благодаря ряду преимуществ перед традиционно используемыми статистическими методами классификации. Нейросетевые алгоритмы показывают лучшие результаты при наличии спекл-шума в спутниковых радиолокационных данных. Обученные НС имеют более высокое быстродействие, что позволяет использовать их для обработки больших массивов информации. Это особенно важно при оперативной работе со спутниковыми изображениями с высоким пространственным разрешением. Наиболее сложной задачей является настройка (тренировка) НС с использованием обучающей выборки. При распознавании образов, где обучающая выборка может не охватывать всех возможных состояний данных, важнейшим свойством НС становится способность классифицировать вектора данных, которые не использовались при тренировке алгоритма, то есть способность к обобщению. Это свойство позволяет использовать нейронные сети как универсальный классификатор в задачах дистанционного зондирования.

      Метод НС был применен в ААНИИ для разработки метода картирования ледяного покрова по спутниковой радиолокационной информации SAR. На начальном этапе были определены текстурные характеристики изображения. Текстура изображения определяется статистическими взаимосвязями значений соседних пикселей радиолокационного изображения,