Калинин Н.А., Толмачёва Н.И. Космические методы исследований в метеорологии

Подождите немного. Документ загружается.

го фи й nf

положений или иного

метода сверхкраткосрочного прогн . Для этой цели рассчитываются

статистические

«классического» метода наименьших квадратов

без ма

шим погрешностям. Это происходит, в

частно

й 10

оксимационных зна-

чений

учаях позволяет повысить точность прогноза

полож

ности до 3 ч.

пяти «общих» точек при

задани

льтра). По второй части – «независимой» (насчитывающе

фронта) — производится оценка точности того

оза

характеристики отклонений фактических и прогности-

ческих координат фронта из «независимой» выборки.

Анализ результатов численных экспериментов показал:

1. Применение

сштабирования временной координаты и сглаживания исходных

данных из «зависимого» ансамбля дает неустойчивые результаты, что

в ряде случаев приводит к боль

сти, из–за плохой обусловленности решаемой в этом случае сис-

темы линейных алгебраических уравнений: число обусловленности

системы достигает значени

2. Наиболее оптимальные результаты дает использование двух

методов: метода адаптивной фильтрации временных рядов и метода

наименьших квадратов с совместной минимизацией суммы квадратов

отклонений координат «общих» точек от их аппр

и суммы квадратов скоростей движения «общих» точек фронта

при использовании предварительного сглаживания координат по трем

точкам. В последнем случае оптимальное значение параметра р зави-

сит от степени аппроксимационного полинома: для полиномов первой

и второй степени р

опт

= 0,05 ч

, для полиномов второй степени р

опт

0,05 ч

, для полиномов третьей степени р

опт

= 0,10 ч

. Использование

этих методов во всех сл

ения фронта по сравнению с инерционным прогнозом при за-

благовремен

Из анализа представленных данных следует, что использование

полиномов первой и второй степеней дает практически одинаковые

результаты, причем для них совпадают и оптимальные значения пара-

метра р. Применение полиномов третьей степени для проведения те-

кущего прогнозирования приводит к заметному росту средних ошибок

прогноза.

3. Средние ошибки текущего прогнозирования положения

фронта зависят от заблаговременности прогноза и мало варьируют в

зависимости от типа фронта. При заблаговременности в 0,5–1,5 ч

средняя погрешность определения положения «общих» точек фронта

составляет около 12 км при использовании

и положения фронта. Указанная погрешность методических

прогнозов в среднем в 2–2,5 раза меньше той, которую дает в этом

случае инерционный прогноз.

312

7.1.6. Определение степени покрытия облаками земной

поверхности по спутниковым изображениям

ерегулярные системы);

мени

традиц

рова

Земли

мных наблюдений дают смещен-

ные оц

людений.

инга, связан с развитием спутниковых

наблю

статочной

Анализ облачности по спутниковым снимкам рекомендуется

начинать с оценки облачных образований крупного масштаба, а затем

переходить к деталям облачного поля. Рекомендуемая последователь-

ность анализа:

1) на снимке находят генеральные облачные системы, которые

отражают движение воздуха крупного масштаба (облачные вихри, по-

лосы, н

2) рассматриваются структура и рисунок генеральных облачных

образований (размеры, высота и структура верхней поверхности, рез-

кость и кривизна границ);

3) на снимках с полярных спутников можно дополнительно вы-

делить облачность, которая образовалась внутри воздушной массы и

непосредственно не связана с динамикой генерального процесса (куче-

вая облачность, туманы, слоистые облака и т.д.);

4) выделяется облачность, которая не связана с основными сис-

темами и не является внутримассовой. Изучается ее структура и

строение одновременно по снимкам облачности и синоптическим кар-

там. На эту облачность следует обращать особое внимание, поскольку

она может быть результатом вновь зарождающегося процесса или при-

знаком, указывающим на тенденцию в направлении перемещения си-

ноптического процесса;

5) определяется форма, количество и высота верхней границы

облаков.

Для решения задачи определения количества облаков над вы-

бранным участком по спутниковым снимкам требуется детальная и

достаточно точная методика их определения. До недавнего вре

ионным способом определения количества облаков были на-

земные наблюдения. Однако результаты этих наблюдений не всегда

подходят для задач мониторинга, так как, во-первых, с помощью на-

земных наблюдений обозревается только 10–20 % облачного пок

, а во-вторых, присутствует субъективизм в оценке количества

облаков и, в-третьих, результаты назе

енки закрытости земной поверхности облаками из-за искажаю-

щего влияния геометрии наб

Современный способ определения количества облаков, более

подходящий для целей монитор

дений. Он позволяет получить представление о пространствен-

ном распределении облаков, которое не может быть с до

313

полнот

ях.

при этом яркость изобра-

жения

й поверхности). Разрешающая способность

аппарату

х облаков или облачных элементов, среднее количе-

ство о й-

онов.

елевизионные снимки Земли с МСЗ обеспечивают отображе-

ние радиации, отраженной от подстилающей поверхности в видимом

диапазоне. Облака представляются как яркие изображения, при этом

земная поверхность обычно темная. Снег и лед выглядят такими же

яркими, как и облака, но отличимы от облачности благодаря своей

более мягкой текстуре. Спутниковые снимки в видимом диапазоне

спектра дают возможность определять количество облаков с более

высокой степенью точности, чем ИК снимки, поскольку разрешающая

способность аппаратуры позволяет увидеть не только облачные масси-

вы, но иногда и отдельные облака. Возмущения в поле отраженной или

излученной радиации, не превышающие по размерам элемент разре-

шения, практически не отображаются на снимке. Исключения состав-

ляют возмущения, контраст которых с фоном во много раз превышает

пороговую чувствительность ТВ системы. Такое возмущение отобра-

зится на снимке. При этом его амплитуда будет сильно уменьшена, а

площадь завышена. Чем больше по площади возмущение в поле излу-

чения, тем большие возможности распознавания формы этого возму-

щения, и чем сложнее его форма, тем на большее число элементов раз-

ложения снимка оно должно приходиться для его распознавания.

Количество облаков N в большинстве методик находится как

отношение площади, занятой облачностью, к площади всего выбран-

ного условного участка. Для качественной характеристики количества

облаков над выбранным участком приняты следующие градации:

– ясно: облака полностью отсутствуют или ими покрыто ме ее

20 % площади выделенного участка;

щади

– значительная ыто от 50 до 80 %

площа

ой получено с помощью данных наблюдений за ними на метео-

рологических станци

На спутниковых изображениях ИК диапазона прослеживаются

скопления облаков и просветы между ними,

пропорциональна средней температуре излучающей поверхно-

сти (облаков или земно

ры, работающей в ИК диапазоне, не позволяет определить

наличие отдельны

блаков можно определить только для достаточно больших ра

– небольшая облачность: облаками покрыто от 20 до 50 % пло

выделенного участка;

облачность: облаками покр

ди выделенного участка;

– сплошная облачность с просветами: облаками покрыто более

80 % площади выделенного участка, но имеются просветы;

314

– сплошная облачность: облаками покрыто 100 % площади вы-

деленного участка.

Кроме несовершенства методик к числу причин неточного оп-

ределения балла облачности можно отнести:

– ограниченную разрешающую способность установленной на

спутниках аппаратуры;

– недостаточную контрастную чувствительность приемников

этой аппаратуры;

– искажения, возникающие на краях спутниковых снимков;

– неточность временной и географической привязки снимков.

Рис. 7.6. Результат радиолокационного обзора MPЛ–5 «Метеоячейка»

4 июля 2001 г. в 12:42 GMT

Исследована возможность автоматизации процесса определения

количества облаков над выбранным участком по спутниковым сним-

кам и предложена методика, состоящая в подсчете количества точек

315

(пикселей изображения), яркость которых выше определенного порога

К. Для определения значения K производилась экспертная оценка со-

ответс вия яркости пикселей изображения и наличия облачности, ко-

торая заключалась в комплексном анализе разнородной метеорологи-

ческой информации. В качестве примера используемой для этого ме-

теоинформации даны фрагменты синоптической приземной карты

(рис. 7.7), данные синхронных радиолокационных (рис. 7.6) и спутни-

ковых наблюдений (рис. 7.8).

1012

995

ПЕРМЬ

1005

Рис ты . 7.7. Фрагмент синоптической приземной кар

4 июля 2001 г. в 00 GMT

Из сопоставления разнородной информации выяснилось, что

лучшее соответствие между наземными и спутниковыми данными

имеет место при сплошной облачности. Этот вывод подтверждается в

работе, где также отмечается, что возможность обнаружения облаков

спутником и распознавание их на снимках зависят от качества изобра-

жения, вертикальной мощности и водности облаков, размеров облач-

ных элементов и степени их сомкнутости. В результате небольшая ку-

чевая облачность или значительная, но тонкая облачность верхнего

или среднего ярусов в ряде случаев со спутника не обнаруживается.

При разрешении 3 км нельзя провести границу между слоистообраз-

ными и кучевообразными облаками, поэтому кучевообразная облач-

ность нередко принимается на снимках за слоистообразную. Разграни-

316

чение этих фо шения разре-

шающей способно

рм облаков возможно лишь путем повы

сти аппаратуры спутника.

Рис. 7.8. Фрагмент спутникового снимка видимого диапазона

с МСЗ NOAA–12 4 июля 2001 г. в 12:42 GMT

Необходима возможность качественного сопоставления яркости

каждого пикселя с высотой облачного образования, при котором пред-

полагается, что чем ярче точки, тем мощнее облако, им соответствую-

щее. Это относится прежде всего к облакам вертикального развития и

особенно отчетливо проявляется при совместном анализе снимков в

видимом и ИК диапазонах. Чем выше в тропосферу paспространяется

облако, тем ниже температура на его верхней границе и ярче изобра-

жение. Конечно, нельзя говорить об однозначном соответствии ярко-

сти точки на снимке высоте реального облака. Особенно это касается

низких тонких слоистых облаков и высоких перистых — и те и другие

с точки зрения их яркости выглядят одинаково. В связи с этим хочется

подчеркнуть, что рассчитываемые степени покрытия земной поверх-

ности облаками каждого конкретного яруса имеют меньшую степень

надежность, чем общий балл облачности.

317

7.2. ПАКЕТ IDRISI ДЛЯ ЦИФРОВОЙ

ОБРАБОТКИ ИЗОБРАЖЕНИЙ

Для обработки данных спутникового дистанционного зондиро-

вания Земли и геоинформационных технологий удобен пакет приклад-

ных п

порядка 100 программных

модул

);

в пакете пред-

ставляется в растровом и векторном виде. Растровые и векторные фай-

лы со я ос-

новные данные о файлах изображени в том числе о системе геогра-

фичес

экспор

раммные преобразования: эквализацию и растяжку гистограмм.

Многоспектральные спутниковые изображения могут быть представ-

рограмм IDRISI, разработанный в университете Кларк штата

Массачусетс (США), имеющий русифицированный вариант. Этот па-

кет, получивший распространение в России, может использоваться не

только в учебных, но и в научно-практических целях. Особенностью

структуры пакета является включение в его состав библиотеки изо-

бражений земной поверхности, полученных с помощью сканера

AVHRR спутника NOAA и сканеровТМ, MSS спутника LANDSAT.

Пакет программ IDRISI объединяет

ей. Основные из них:

– работа с файлами (описание файла, редактирование файла до-

кументации, создание копии файла, переименование файла, удаление

файла, импорт-экспорт);

– визуализация (вывод на экран, работа с символьными файла-

ми, работа с файлами палитры, вывод гистограммы

– изменение формата данных (конвертирование файлов, изме-

нение картографической проекции, изменение масштаба, преобразова-

ние растровых изображений в векторные и наоборот);

– цифровая обработка изображений (восстановление и улучше-

ние изображений, математические операции над изображениями, вы-

числение статистических характеристик, распознавание образов, ана-

лиз временных серий, работа с базой данных).

Картографическая и спутниковая информация

провождаются файлами документации, в которых хранятс

й,

ких координат, единице измерения, максимальных и минималь-

ных координатах. Простота форматов растровых и векторных файлов

позволяет легко создавать дополнительные определенные пользовате-

лем модули.

IDRISI снабжен системой, которая позволяет импортировать

тировать графические файлы в форматах TIFF, BMP, DXF и

файлы в форматах, применяемых в геоинформационных системах

(ГИС): ARCINFO, ERDAS, GRASS, Map Analysis Package (MAP),

MAPINFO. Процедуры улучшения изображений предусматривают

гистог

318

лены в

жны вы-

числен

статистических

харак

двумя изображениями и др.

одятся краткие теоретиче-

ские с

овую обработку

изобр

ю и цифровой обработке изображений,

метод

менны

аспознавания об-

разов,

испол

уры, программного обеспече-

ния, г

свойства и эффективность последующего использова-

ния.

условных цветах. Для цифровой фильтрации в пространствен-

ной области используются линейные фильтры — сглаживающие и

градиентные; нелинейные фильтры представлены медианным фильт-

ром и фильтром Собела. Размеры окон фильтров различные — от 3×3

до 7×7.

Классификация изображений предусматривает применение бай-

есовской процедуры, метода максимального правдоподобия, метода

параллелепипедов, метода минимальных расстояний. Возмо

ие вегетационного индекса и анализ главных компонентов, кла-

стерный анализ. Для статистического анализа IDRISI имеет ряд моду-

лей, которые позволяют производить расчет основных

теристик, в том числе функции автокорреляции, линейной рег-

рессии между

В руководстве к пакету IDRISI прив

ведения о ГИС, необходимые сведения из геодезии и картогра-

фии, введение в дистанционное зондирование и цифр

ажений. Пакет содержит удачно сформированные методически

упражнения по преобразовани

ам распознавания образов и многое другое.

Последняя версия пакета IDRISI–32 ориентирована на совре-

е компьютеры, обладает расширенными возможностями, в част-

ности предусмотрено использование процедуры Крите, двумерного

преобразования Фурье, введены новые процедуры р

предусмотрена обработка изображений, получаемых с помощью

радиолокаторов бокового обзора с синтезированной апертурой. IDRISI

ьзуется более чем в 130 странах при обучении студентов, при

обработке космических изображений и как пакет ГИС.

7.2.1. Геоинформационные системы: основные понятия

Термин «Географическая информационная система (ГИС)» обо-

значает «организованный набор аппарат

еографических данных и персонала, предназначенный для эф-

фективного ввода, хранения, обновления, обработки, анализа и визуа-

лизации всех видов географически привязанной информации».

Особое значение для успешной работы ГИС имеет персонал –

операторы, программисты, системные аналитики и т.д. Технические

специалисты, проектирующие и поддерживающие систему, во многом

определяют ее

319

Аппаратные средства включают компьютеры (платформы), на

которых работает ГИС. Такие ГИС, как ARC\INFO, функционируют на

достаточно большом числе платформ –– на мощных серверах, обслу-

живающих клиентские машины в локальных сетях и в сети Internet, на

рабочих станциях и на отдельных персональных компьютерах. Кроме

того, географические информационные системы используют разнооб-

разное периферийное оборудование –– дигитайзеры, для оцифровки

карт, лазерные принтеры, плоттеры для печати карт и т.п.

Программное обеспечение позволяет вводить, сохранять, анали-

зировать и отображать географическую информацию. Ключевыми

компонентами программного обеспечения являются:

– средства для ввода и манипулирования географическими дан-

ными;

– система управления базой данных;

– программные средства, обеспечивающие поддержку запросов,

географический анализ и визуализацию информации;

– графический интерфейс пользователя, облегчающий использо-

вание программных средств.

Данные — наиболее важный компонент ГИС. Географические

информационные системы работают с данными двух основных типов:

– пространственные (синонимы: картографические, векторные)

данные, описывающие положение и форму географических объектов,

и их пространственные связи с другими объектами;

– описательные (синонимы: атрибутивные, табличные) данные о

географических объектах, состоящие из наборов чисел, текстов и т.п.

Описательная информация организуется в базу данных. Отдель-

ные таблицы связываются между собой по ключевым п лям, для них

могут быть определены индексы, отношения и т.п. Кроме этого, в ГИС

описательная информация связывается с пространственными данными.

Отличие ГИС от стандартных систем управления базами данных

(dBASE, Access и т.п.) состоит как раз в том, что ГИС позволяют рабо-

тать с пространственными данными.

Пространственные данные в ГИС представляются в двух основ-

ных формах — векторной и растровой. Векторная модель данных ос-

нов их

м ед-

тавле

ывается на представлении карты в виде точек, линий и плоск

кнутых фигур. Растровая модель данных основывается на прза

с нии карты с помощью регулярной сетки одинаковых по форме и

площади элементов. Различия между этими моделями данных поясня-

ются рис. 7.9.

На этом рисунке показано, как объекты местности (озеро, речка,

лес, поле) отображаются с помощью векторной модели — линиями и

320

полигонами, а также с помощью растровой модели — по-разному ок-

рашенными квадратиками. В нижней части рисунка показано отобра-

жение озера и речки в другой проекции. Здесь видно, что растровая

модель данных — это набор одинаковых по величине, но по-разному

окрашенных, квадратиков. В векторной модели данных озеро изобра-

жаетс окрашенным многоугольником, который в ARC\INFO называ-

ется полигоном (polygon), а речка ломаной линией, которая называется

дугой (arc). Начало и конец этой ломаной линии называются узлами

(node).

Рис. 7.9. Растровая и векторная модели пространственных данных

Другой пример растрового и векторного способов отображения

пространственных данных представлен на рис. 7.10 и 7.11.

Показано, как изменяются фрагменты изображения при его уве-

личении. На обоих рисунках на верхних фрагментах представлено Ла-

д ожское озеро. На рис. 7.10 это изображение, полученное с помощью

321