Океанография и морской лед. Коллектив авторов

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(ω_j/x_i)

      p(ω_j/x_i) = p(x_i/ω_j) × p(ω_j)/p(x_i), p(x_i) = p(x_i/ω_j) × p(ω_j),

      где p(ω_j) – априорная вероятность, p(x_i/ω_j) – условная плотность распределения величины x_i в состоянии ω_j.

      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(ω_j/x_i) 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(ω_my)=0.9; p(ω_fy)=0.05, p(ω_fd)=0.05. Условные плотности распределения p(x_i/ω_j) рассчитывались по калиброванным изображениям со спутника Envisat, на которых экспертным путем выбирался ряд характерных участков каждого из