Применение спутниковых радиолокационных измерений Sentinel-1A/B для оценки дрейфа морского льда в прикромочной зоне Арктики

Е. В. Плотников1, ✉, И. Е. Козлов1, Е. В. Жук1, А. В. Марченко2

1 Морской гидрофизический институт РАН, Севастополь, Россия

2 Свальбардский международный университет, Лонгйир, Норвегия

e-mail: ev.plotnikov@ya.ru

Аннотация

Цель. Целью работы является построение автоматизированной системы расчета полей скорости дрейфа морского льда по данным радиолокационных (РЛ) измерений спутников Sentinel-1A/B на основе метода нормализованной максимальной кросс-корреляции. Изложены условия и результаты численного эксперимента, направленного на оценку эффективности указанной методики для 63 пар изображений района пролива Фрама в летне-осенние периоды 2017 и 2018 гг. Подробно описан алгоритм проведения расчетов, приведены качественные и количественные характеристики результатов. Изложены соображения об эффективности указанного подхода для регулярного мониторинга ледяного дрейфа.

Методы и результаты. Для расчетов использовался метод максимальной кросс-корреляции (МКК), основанный на автоматизированном поиске фотографически сходных фрагментов на парах изображений, для которых известен временной интервал съемки. При этом в качестве метрики близости использовался коэффициент корреляции Пирсона. В результате построены 63 поля скорости дрейфа морского льда в районе пролива Фрама, каждое из которых имеет пространственный масштаб порядка нескольких сотен тысяч квадратных километров. Предложен метод фильтрации ложных корреляций.

Выводы. Используемый в работе подход позволяет в автоматическом режиме восстанавливать динамику дрейфа морского льда по спутниковым снимкам с высоким пространственным разрешением (40 м). Восстановленные поля скорости охватывают значительные по площади фрагменты поверхности океана. Предложенный метод фильтрации ложных корреляций позволяет эффективно выделять фрагменты результатов расчетов с искажениями, обусловленными ограничениями алгоритма МКК.

Ключевые слова

динамика дрейфа морского льда, морской лед, оптический поток, метод максимальной кросс-корреляции, РЛ-снимки Sentinel-1A/B, пролив Фрама, Арктика

Благодарности

Исследование выполнено при финансовой поддержке гранта Российского научного фонда № 21–17–00278 (анализ, валидация и создание веб-сервиса для хранения полей дрейфа льда), а также в рамках темы государственного задания FNNN-2024-0017 (создание методики расчета полей скорости дрейфа льда по спутниковым радиолокационным данным).

Для цитирования

Применение спутниковых радиолокационных измерений Sentinel-1A/B для оценки дрейфа морского льда в прикромочной зоне Арктики / Е. В. Плотников [и др.] // Морской гидрофизический журнал. 2024. Т. 40, № 2. С. 312–324. EDN GYAIRZ.

Plotnikov, E.V., Kozlov, I.E., Zhuk, E.V. and Marchenko, A.V., 2024. Evaluation of Sea Ice Drift in the Arctic Marginal Ice Zone Based on Sentinel-1A/B Satellite Radar Measurements. Physical Oceanography, 31(2), pp. 284-294.

Список литературы

  1. Алексанин А. И., Алексанина М. Г., Карнацкий А. Ю. Автоматический расчет скоростей поверхностных течений океана по последовательности спутниковых изображений // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10, № 2. С. 131–142. EDN QZNBRH.
  2. Beauchemin S. S., Barron J. L. The computation of optical flow // ACM Computing Surveys. 1995. Vol. 27, iss. 3. P. 433–466. https://doi.org/10.1145/212094.212141
  3. An objective method for computing advective surface velocities from sequential infrared satellite images / W. J. Emery [et al.] // Journal of Geophysical Research: Oceans. 1986. Vol. 91, iss. C11. P. 12865–12878. https://doi.org/10.1029/JC091iC11p12865
  4. Fortun D., Bouthemy P., Kervrann C. Optical flow modeling and computation: A survey // Computer Vision and Image Understanding. 2015. Vol. 134. P. 1–21. https://doi.org/10.1016/j.cviu.2015.02.008
  5. Luo J., Konofagou E. E. A fast normalized cross-correlation calculation method for motion estimation // IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control. 2010. Vol. 57, iss. 6. P. 1347–1357. https://doi.org/10.1109/TUFFC.2010.1554
  6. Lawrence P. The derivation of sea surface velocities from satellite imagery using maximum cross correlation (MCC) // The Plymouth Student Scientist. 2016. Vol. 9, iss. 1. P. 145–161.
  7. Learning Optical Flow / D. Sun [et al.] // Computer Vision – ECCV 2008. ECCV 2008. Lecture Notes in Computer Science / Eds. D. Forsyth, P. Torr, A. Zisserman. Berlin ; Heidelberg : Springer, 2008. P. 83–97. (Lecture Notes in Computer Science ; vol. 5304). https://doi.org/10.1007/978-3-540-88690-7_7
  8. Sea ice motion from satellite passive microwave imagery assessed with ERS SAR and buoy motions / R. Kwok [et al.] // Journal of Geophysical Research: Oceans. 1998. Vol. 103, iss. C4. P. 8191–8214. https://doi.org/10.1029/97JC03334
  9. Samardzija I. Two Applications of a Cross-Correlation Based Ice Drift Tracking Algorithm; Ship-Based Marine Radar Images and Camera Images from a Fixed Structure // Proceedings of the 24th IAHR International Symposium on Ice (Vladivostok 2018) / Eds. T. Uvarova, G. Arbatskaia. Vladivostok : IAHR, 2018. P. 141–151.
  10. Lopez-Acosta R., Schodlok M. P., Wilhelmus M. M. Ice Floe Tracker: An algorithm to automatically retrieve Lagrangian trajectories via feature matching from moderate-resolution visual imagery // Remote Sensing of Environment. 2019. Vol. 234. 111406. https://doi.org/10.1016/j.rse.2019.111406
  11. Wang M., König M., Oppelt N. Partial Shape Recognition for Sea Ice Motion Retrieval in the Marginal Ice Zone from Sentinel-1 and Sentinel-2 // Remote Sensing. 2021. Vol. 13, iss. 21. 4473. https://doi.org/10.3390/rs13214473
  12. Howell S. E. L., Brady M., Komarov A. S. Generating large-scale sea ice motion from Sentinel-1 and the RADARSAT Constellation Mission using the Environment and Climate Change Canada automated sea ice tracking system // The Cryosphere. 2022. Vol. 16, iss. 3. P. 1125–1139. https://doi.org/10.5194/tc-16-1125-2022
  13. Козлов И. Е., Михайличенко Т. В. Оценка фазовой скорости внутренних волн в Арктике по данным последовательных спутниковых РСА-измерений // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18, № 5. С. 181–192. EDN WZMNHK. https://doi.org/10.21046/2070-7401-2021-18-5-181-192
  14. Kozlov I. E., Plotnikov E. V., Manucharyan G. E. Brief Communication: Mesoscale and submesoscale dynamics in the marginal ice zone from sequential synthetic aperture radar observations // The Cryosphere. 2020. Vol. 14, iss. 9. P. 2941–2947. https://doi.org/10.5194/tc-14-2941-2020
  15. Kozlov I. E., Atadzhanova O. A. Eddies in the Marginal Ice Zone of Fram Strait and Svalbard from Spaceborne SAR Observations in Winter // Remote Sensing. 2022. Vol. 14, iss. 1. 134. https://doi.org/10.3390/rs14010134
  16. Артамонова А. В., Козлов И. Е. Вихри в Норвежском и Гренландском морях по данным спутниковых РСА в летний период 2007 года // Морской гидрофизический журнал. 2023. Т. 39, № 1. С. 120–133. EDN OFTTND. https://doi.org/10.29039/0233-7584-2023-1-120-133
  17. High-amplitude internal waves southeast of Spitsbergen / A. V. Marchenko [et al.] // Continental Shelf Research. 2021. Vol. 227. 104523. https://doi.org/10.1016/j.csr.2021.104523
  18. Khachatrian E., Sandalyuk N. V. On the Exploitation of Multimodal Remote Sensing Data Combination for Mesoscale/Submesoscale Eddy Detection in the Marginal Ice Zone // IEEE Geoscience and Remote Sensing Letters. 2022. Vol. 19. 3513805. https://doi.org/10.1109/LGRS.2022.3215202
  19. Khachatrian E., Sandalyuk N., Lozou P. Eddy Detection in the Marginal Ice Zone with Sentinel-1 Data Using YOLOv5 // Remote Sensing. 2023. Vol. 15, iss. 9. 2244. https://doi.org/10.3390/rs15092244

Скачать статью в PDF-формате