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) =
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 рассматриваемых видов льдов.
Решение принимается в пользу:
ω>my, если p(ω>my/x>i) > p(ω>fy/x>i) и p(ω>my/x>i) > p(ω>fd/x>i)
ω>fy, если p(ω>fy/x>i) > p(ω>my/x>i) и p(ω>fy/x>i) > p(ω>fd/x>i)
ω>fd, если p(ω>fd/x>i) > p(ω>my/x>i) и p(ω>fd/x>i) > p(ω>fy/x>i)
На основе алгоритма байесовской классификации были обработаны SAR-изображения, полученные со спутника Envisat в районе к северу от Гренландии. При этом на первом этапе обработки выполнялось приведение УЭПР поверхности к углу падения 25°, а на втором – распознавание и оценка частной сплоченности многолетнего льда (рис. 2). Участки многолетнего льда и разрывы выделяются на снимке достаточно точно. Некоторые пиксели многолетнего льда идентифицировались как однолетний или деформированный лед, что обусловлено перекрытием их значений УЭПР.
Рис. 2. Картирование возрастных стадий льда в Арктике по SAR-изображению с помощью метода байесовской классификации, по данным Envisat. 6 декабря 2005 г. а) исходное изображение, приведенное к углу падения 25°; б) результат классификации (многолетний лед – желтый; однолетний ровный лед – темно-синий; однолетний деформированный лед – голубой; не классифицирован – красный; в) вычисление частной сплоченности многолетнего льда в выделенных зонах: синяя зона – C>my=0.95; зеленая зона – C>my=0.81; красная зона – C>my=0
Дрейф льда. Дрейф льда определяют с помощью интерактивных или автоматических процедур, основанных на использовании координат одних и тех же опорных точек на последовательных спутниковых изображениях. Определение дрейфа льда в интерактивном режиме занимает значительное время и в оперативной практике не используется. В автоматизированном режиме для оценки векторов дрейфа по последовательным спутниковым изображениям используются следующие методы: полиномиальный, кросс-корреляционный, гибридный, метод оптического потока.
Полиномиальный метод. По двум спутниковым изображениям, выведенным на экран компьютера, интерактивно определяются и запоминаются координаты идентичных ледовых образований. Далее строится полиномиальная модель, коэффициенты которой вычисляются по методу наименьших квадратов. Полученная зависимость позволяет по координатам ледового объекта на первом изображении определить вероятные координаты этого объекта на втором изображении. Таким образом, оператор имеет возможность производить поиск соответствующего ледового объекта на втором изображении в окрестности предсказанной точки, что ускоряет определение дрейфа в интерактивном режиме.