Εντοπισμός Λεπτού Πάγου κάνοντας χρήση του υψηλής συχνότητας ραδιόμετρου AMSR2, για τη θάλασσα Barents και Kara

Από RemoteSensing Wiki

Εντοπισμός Λεπτού Πάγου κάνοντας χρήση του υψηλής συχνότητας ραδιόμετρου AMSR2, για τη θάλασσα Barents και Kara

Thin Ice Detection in the Barents and Kara Seas Using AMSR2 High-Frequency Radiometer Data

Marko Mäkynen , Member, IEEE, and Markku Similä IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 57, NO. 10, OCTOBER 2019, 7418

Στην παράκτια Πολυνησία, κατά την χειμερινή περίοδο λαμβάνει χώρα ένα φυσικό φαινόμενο, κατά το οποίο δημιουργείται ένα λεπτό στρώμα πάγου που με το πέρασμα του χρόνου αυξάνει το πάχος του, ενώ κατά την διάρκεια της παγωμένης περιόδου μεγάλα θαλάσσια τμήματα καλύπτονται από τμήματα πάγου. Το φαινόμενο αυτό, με την δημιουργία πάγου πάχους λιγότερου του μισού μέτρου, δημιουργεί αύξηση της θερμοκρασίας και ροές άλατος, τα οποία με την σειρά τους επηρεάζουν τον καιρό και τα βαθιά θαλάσσια κυκλοφορία στους πολικούς ωκεανούς. Στην παρούσα έρευνα επιχειρείται η δημιουργία ενός αλγορίθμου για τον εντοπισμού υποβρύχιων στρωμάτων πάγου σε χειμερινές συνθήκες που συνδυάζει το προηγμένο ραδιόμετρο μικροκυματικής σάρωσης 2 (AMSR 2) με δεδομένα από το υπέρυθρο φάσμα των δορυφορικών εικόνων καθώς και με πιο ακριβή καθημερινά δεδομένα σχετικά με τα επίπεδα λεπτού στρώματος πάγου.

Προκειμένου να επιτευχθεί αυτό το εγχείρημα ο αλγόριθμος χρησιμοποιεί διαγράμματα πυκνότητας πάγου, παρεχόμενα από το δορυφόρο MODIS (1), ενώ η λειτουργία του βασίζεται στην ταξινόμηση διαφορετικών ραδιοκυμάτων και την γραμμική ανάλυση τους. Ως μέσο για τον εντοπισμό μόνο του λεπτού στρώματος πάγου χρησιμοποιηθήκαν συγκεκριμένα κριτήρια, ούτως ώστε να αποφευχθούν λανθασμένα δεδομένα που θα αφορούν κυρίως παχύτερα στρώματα πάγου. Αναλυτικότερα, τα στρώματα που λήφθηκαν υπόψη κατά την ανάλυση ήταν εκείνα όπου η πυκνότητα του πάγου ξεπερνούσε το 70%, ενώ η θερμοκρασία τους ήταν μικρότερη των -5 βαθμών Κελσίου. Υπολογίζεται πως το μοντέλο κατέχει πιθανότητες της τάξης του 10% να ταξινομήσει παχιά στρώματα πάγου για λεπτά, ενώ οι πιθανότητες για να συμβεί το ανάποδο αυξάνονται στο 32%, αφήνοντας περιθώρια βελτίωσης για το μέλλον (2).

Το αλγοριθμικό μοντέλου, πάρα το γεγονός ότι δημιουργήθηκε για την περιοχή της θάλασσας του Μπάρεντς και την θάλασσα του Κάρα, δύναται να χρησιμοποιηθεί για μελέτες και στις υπόλοιπες παγωμένες περιοχές της Αρκτικής θάλασσας (3).

Ο σκοπός του αλγορίθμου επικεντρώνεται στον συνδυασμό καθημερινών διαγραμμάτων λεπτού στρώματος πάγου από δορυφορικές εικόνες του MODIS, για την ασφαλέστερη εκτίμηση περιοχών όπου έχει δημιουργηθεί πυκνότερο στρώμα ώστε να προστατευτούν τα διερχόμενα πλοία από την πρόσκρουση πάνω σε αυτά. Τα δεδομένα που χρησιμοποιήθηκαν αφορούν, τα ημερήσια διαγράμματα του MODIS για τις περιόδους από Ιανουάριο του 2014 μέχρι τον Απρίλιο του 2014 και από τον Οκτώβριο του 2014 μέχρι τον Απρίλιο του 2015, τα οποία συνολικά έφτασαν τα 173 σε αριθμό. Με χωρική ανάλυση της τάξεως του 1km, η συνολική έκταση που καλύπτεται φτάνει τα 1850x2200 km2 (4).

Με την χρήση μια αλγοριθμικής μάσκας για τα νέφη αποφεύχθηκε η κάλυψη μεγάλων περιοχών κατά τα διαστήματα αυξημένης νεφοκάλυψης, προκειμένου να εξαχθούν ασφαλέστερα και ορθότερα αποτελέσματα, ενώ σε περιπτώσεις όπου τα νέφη κάλυπταν το μεγαλύτερο μέρος της περιοχής, οι εικόνες αποκλείονταν. Το επόμενο σύνολο δεδομένων που χρησιμοποιήθηκε, αφορούσε τα δεδομένα ραδιοκυμάτων AMSR2, τα οποία κάλυπταν χρονική περίοδο 6 χειμώνων, από το 2012 μέχρι το 2018, παρέχοντας ακρίβεια +/- 10%.

Ο αλγόριθμος χρησιμοποιεί έναν στατιστικό ταξινομητή, ο οποίος βασίζεται στο Μπαγεσιανό σύστημα, προκειμένου να κατηγοριοποίησή τα είδη του πάγου (5). Το σύστημα χρησιμοποιεί γραμμικές αποφάσεις ορίων μεταξύ των διαφορετικών κλάσεων, προκειμένου να επωφεληθεί από τις μικρές διακυμάνσεις των ορίων. Παράλληλα χρησιμοποιήθηκε το σύστημα της Τετραπλής Διακριτής Ανάλυσης (QDA), η οποία προσφέρει τετραπλή ανάλυση ορίων, με μεγαλύτερη διακύμανση τιμών από την προηγούμενη μέθοδο, χωρίς ωστόσο να παρέχει καλύτερα αποτελέσματα από αυτήν.

Τα καθημερινά διαγράμματα του λεπτού πάγου, αποδείχτηκε ότι προσφέρουν μια πολύ καλή συνοχή ως προς τα αποτελέσματα της ταξινόμησης. Ωστόσο παρατηρήθηκε πως σε συγκεκριμένες περιπτώσεις, κομμάτια πάγου με μεγάλο πάχος την επόμενη μέρα ταξινομούνταν ως λεπτός πάγος, παρουσιάζοντας λανθασμένη συνοχή (6). Αυτό το φαινόμενο αποδίδεται στο γεγονός ότι οι θερμές καιρικές συνθήκες κάνουν τον λεπτό πάγο να αντιδρά με τον ίδιο τρόπο που αντιδρά ο λεπτός πάγος.

Ένα σημαντικό στοιχείο της μελέτης αποτελεί το γεγονός πως παρατηρήθηκαν δυο σημαντικά προβλήματα στην χρήση ραδιομετρικών δεδομένων υψηλής συχνότητας για τον εντοπισμό και την εκτίμηση του λεπτού πάγου. Το πρώτο αφορά τον συνδυασμό διαφορετικών θερμικών χαρακτηριστικών από διάφορα είδη επιφανειών, εξαιτίας της ανάλυσης των ραδιομετρικών δεδομένων. Το δεύτερο σφάλμα αφορούσε την χιονοκάλυψη σε λεπτά τμήματα πάγου, μεταξύ 10 με 30 cm, και την τραχύτητα της επιφάνειας, την ξηρότητα της παγωμένης επιφάνειας, τα οποία δύνανται να προσδώσουν χαρακτηριστικά πάγου με μεγάλο πάχος σε τμήματα πάγου με λεπτή στρώση.

Η ανάλυση των χρονοσειρών του εντοπισμού λεπτού στρώματος πάγου, οδήγησε σε δυο αξιοσημείωτα αποτελέσματα. Αρχικά, ένα τμήμα του λεπτού στρώματος πάγου από την συνολική παγωμένη περιοχή μπορεί να μεταβληθεί σε μεγάλο βαθμό στο πέρασμα του χρόνου, δίνοντας διαφορετικά αποτελέσματα. Πιο συγκεκριμένα, παρατηρήθηκε μεταβλητότητα του στρώματος λεπτού πάγου, από 10% μέχρι 28%, ενώ το ποσοστό του πάγου με πυκνότητα 70-85% ήταν κατά μέσο όρο το 1/3 του συνολικού πάγου της περιοχής μελέτης.

Συνοψίζοντας, η μελέτη παρουσίασε πως χρήσιμα δεδομένα για την κατανόηση των χαρακτηριστικών του πάγου, όπως η συχνότητα και η πυκνότητα, μπορούν να εξαχθούν από ραδιομετρικά δεδομένα υψηλής συχνότητας. Πιστεύεται πως περεταίρω βελτίωση του εντοπισμού λεπτού στρώματος πάγου χρειάζεται μια προσέγγιση πολυαισθητήρων και συνδυαστικά θερμοδυναμικά μοντέλα θαλάσσιου πάγου (7).

Βιβλιογραφία

1) Y. Yu and D. A. Rothrock, “Thin ice thickness from satellite thermal imagery,” J. Geophys. Res., vol. 101, no. C11, pp. 25753–25766, Nov. 1996

2) L. Kaleschke et al., “SMOS sea ice product: Operational application and validation in the Barents Sea marginal ice zone,” Remote Sens. Environ., vol. 180, pp. 264–273, Jan. 2016.

3) T. Tamura, K. I. Ohshima, T. Markus, D. J. Cavalieri, S. Nihashi, and N. Hirasawa, “Estimation of thin ice thickness and detection of fast ice from SSM/I data in the Antarctic Ocean,” J. Atmos. Ocean. Technol., vol. 24, no. 10, pp. 1757–1772, Oct. 2007.

4) M. Mäkynen and J. Karvonen, “MODIS sea ice thickness and open water-sea ice charts over the Barents and Kara Seas for development and validation of sea ice products from microwave sensor data,” Remote Sens., vol. 9, no. 12, p. 1324, 2017.

5) T. Hastie, R. Tibshirani, and J. H. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. New York,NY, USA: Springer, 2009.

6) JCOMM Expert Team on Sea Ice, “Sea-ice nomenclature: Snapshot of the WMO sea ice nomenclature WMO no. 259,” World Meteorological Organization, Geneva, Switzerland, Tech. Rep., 2014.

7) R. C. Scarlat, G. Heygster, and L. T. Pedersen, “Experiences with an optimal estimation algorithm for surface and atmospheric parameter retrieval from passive microwave data in the Arctic,” IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., vol. 10, no. 9, pp. 3934–3947, Sep. 2017.