Разработка алгоритмического и программного обеспечения для анализа изменений в гидрографических объектах в криолитозо...

Содержание

Введение

Современные климатические изменения, проявляющиеся с наибольшей интенсивностью в высоких широтах, оказывают катастрофическое воздействие на криолитозону. Деградация многолетнемерзлых пород вызывает коренную трансформацию гидрографической сети. Термокарстовые процессы, образование новых озер, спуск термокарстовых водоемов, изменение русел рек и активизация береговой эрозии требуют систематического мониторинга для оценки состояния окружающей среды, прогнозирования инфраструктурных рисков и понимания глобальных биогеохимических циклов.

Традиционные наземные методы наблюдений в условиях труднодоступности и обширности арктических и субарктических территорий крайне затратны. Они фрагментарны и не позволяют обеспечить необходимую пространственно-временную детализацию. Спутниковые данные дистанционного зондирования Земли (ДЗЗ) выступают безальтернативным источником информации для изучения динамики гидрографических объектов криолитозоны. Однако существующие алгоритмические и программные решения, разработанные для умеренных широт, демонстрируют низкую эффективность при работе с ландшафтами криолитозоны. Эти ландшафты характеризуются высокой пространственной неоднородностью, сезонными колебаниями водного зеркала, наличием снежного и ледового покрова, а также специфическими спектральными сигнатурами термокарстовых образований. Разработка специализированного алгоритмического и программного обеспечения, адаптированного к условиям криолитозоны, является актуальной научно-технической задачей, имеющей важное фундаментальное и прикладное значение.

Актуальность темы исследования

Актуальность исследования обусловлена несколькими ключевыми факторами. Согласно данным Межправительственной группы экспертов по изменению климата (IPCC), темпы потепления в Арктике в два-три раза превышают среднемировые. Это явление получило название арктического усиления. Ускоренная деградация многолетнемерзлых пород напрямую влияет на гидрологический режим.

Изменения гидрографической сети криолитозоны имеют каскадный эффект. Они влияют на эмиссию парниковых газов из термокарстовых озер, изменяют пути миграции животных, разрушают транспортную инфраструктуру и угрожают населенным пунктам. Существующие методы спутникового мониторинга, такие как нормализованный разностный водный индекс (NDWI) или модифицированный нормализованный разностный водный индекс (MNDWI), разработаны для открытых водных поверхностей. В условиях криолитозоны они дают значительные ошибки из-за низкого альбедо темных торфяников, наличия мелководий с донной растительностью и высокой мутности воды.

Большинство коммерческих и открытых программных пакетов не предоставляют специализированных инструментов для автоматизированного анализа временных рядов спутниковых данных в контексте мерзлотных процессов. Исследователи вынуждены выполнять значительный объем ручной обработки. Создание нового алгоритмического и программного обеспечения, способного эффективно решать задачу детектирования и анализа изменений гидрографических объектов в криолитозоне, является своевременным и востребованным.

Степень изученности вопроса

Проблема мониторинга гидрографических объектов криолитозоны находится на стыке нескольких научных дисциплин: гляциологии, гидрологии, геокриологии, геоинформатики и дистанционного зондирования. Фундаментальные работы в области динамики термокарстовых озер и их связи с климатом выполнены К.М. Уолтером, Л.К. Хинцманом, А.Н. Федоровым, М.Н. Григорьевым. Исследования этих авторов показали, что площадь и количество термокарстовых озер в различных регионах криолитозоны подвержены значительным колебаниям. В одних районах наблюдается рост числа озер, в других — их спуск и осушение.

В области методов спутникового мониторинга водных объектов значительный вклад внесли С.К. Макфитерс — автор индекса NDWI, Х. Сюй — автор MNDWI, а также коллективы, работающие с данными миссий Landsat, Sentinel-2 и MODIS. В работах Дж.Р. Мелтона и соавторов отмечено, что стандартные водные индексы демонстрируют низкую точность в бореальных и тундровых зонах. Разработке алгоритмов машинного обучения для классификации земного покрова в высоких широтах посвящены труды М. Барта, А. Барталева и С.А. Барталева. Большинство существующих алгоритмов ориентированы на статическую классификацию, а не на анализ временных рядов изменений.

Анализ программных решений показывает, что такие платформы, как Google Earth Engine, предоставляют мощные вычислительные возможности. Однако они требуют от пользователя навыков программирования и не содержат готовых модулей для специфического анализа криолитозоны. Несмотря на значительный объем накопленных знаний, существует явный пробел в области создания интегрированного алгоритмического и программного обеспечения. Такое обеспечение должно сочетать методы предобработки, адаптированные к условиям высоких широт, специализированные алгоритмы детектирования изменений и удобный интерфейс для исследователя-геокриолога.

Объект и предмет исследования

Объектом исследования являются гидрографические объекты криолитозоны, включающие термокарстовые озера, реки, ручьи и болота. Эти объекты рассматриваются в их динамике под воздействием природных и антропогенных факторов.

Предметом исследования выступают алгоритмы и методы анализа изменений пространственно-временных характеристик гидрографических объектов криолитозоны по данным спутниковых наблюдений. Предметом также является архитектура и функциональные возможности программного обеспечения, реализующего эти алгоритмы.

Цель и задачи исследования

Цель исследования заключается в разработке, обосновании и экспериментальной апробации алгоритмического и программного обеспечения. Это обеспечение должно повышать точность и автоматизацию процесса анализа изменений гидрографических объектов в криолитозоне на основе временных рядов спутниковых данных.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести систематический анализ существующих методов спутникового мониторинга гидрографических объектов. Выявить их ограничения применительно к условиям криолитозоны. Обосновать требования к разрабатываемому алгоритмическому обеспечению.

2. Разработать концептуальную модель анализа временных рядов спутниковых данных. Модель должна учитывать специфику мерзлотных ландшафтов: сезонные колебания, наличие снега, льда, термокарстовых форм рельефа.

3. Создать и реализовать алгоритмы предобработки спутниковых изображений: радиометрическую калибровку, атмосферную коррекцию, маскирование облачности и теней. Разработать алгоритмы выделения гидрографических объектов, адаптированные для высоких широт.

4. Разработать алгоритмическое обеспечение для детектирования изменений гидрографических объектов. Оно должно включать пороговые методы, методы машинного обучения и анализ текстурных признаков на основе матрицы смежности уровней серого.

5. Спроектировать и реализовать архитектуру программного комплекса. Архитектура должна обеспечивать интеграцию разработанных алгоритмов, визуализацию результатов и возможность работы с большими объемами данных.

6. Провести экспериментальные исследования разработанного программного обеспечения на тестовых участках криолитозоны. Выполнить верификацию результатов с использованием наземных данных и данных высокого разрешения. Сравнить эффективность предложенного подхода с существующими аналогами.

Научная новизна

Научная новизна диссертационного исследования заключается в следующем:

1. Впервые предложен комплексный алгоритмический подход к анализу изменений гидрографических объектов криолитозоны. Подход интегрирует методы спектрального анализа, машинного обучения и текстурного анализа, адаптированные к условиям высоких широт.

2. Разработана оригинальная методика предобработки спутниковых данных. Методика учитывает влияние низкого угла Солнца, снежного покрова и термокарстовых процессов на спектральные характеристики водных объектов.

3. Создано новое программное обеспечение, реализующее предложенные алгоритмы. Оно отличается от аналогов наличием специализированных модулей для анализа временных рядов в криолитозоне и автоматизированного построения карт изменений.

4. Впервые получены количественные оценки точности детектирования изменений гидрографических объектов с использованием разработанного подхода для ключевых участков криолитозоны Сибири. Это позволило выявить ранее не описанные закономерности динамики термокарстовых озер.

Практическая значимость

Практическая значимость работы определяется возможностью использования разработанного алгоритмического и программного обеспечения в следующих областях:

- Мониторинг состояния инфраструктуры в зоне многолетней мерзлоты для своевременного выявления опасных гидрологических процессов. К такой инфраструктуре относятся нефтегазовые месторождения и транспортные магистрали.

- Оценка эмиссии парниковых газов из термокарстовых озер для уточнения региональных и глобальных климатических моделей.

- Планирование хозяйственной деятельности и природопользования в Арктической зоне, включая строительство и геологоразведку.

- Образовательный процесс в высших учебных заведениях при подготовке специалистов в области геоинформатики, гидрологии и геокриологии.

- Деятельность научно-исследовательских институтов и организаций, занимающихся изучением криолитозоны.

Методы исследования

В работе используются общенаучные методы: анализ, синтез, индукция, дедукция, системный подход. Применяются специальные методы: методы дистанционного зондирования Земли, методы цифровой обработки изображений, методы машинного обучения, методы геоинформационного анализа, методы математической статистики.

Программная реализация осуществляется на языке Python с использованием библиотек NumPy, SciPy, scikit-learn, rasterio, GDAL. Для сбора и предварительной обработки данных используется среда Google Earth Engine.

Положения, выносимые на защиту

1. Комплексный алгоритмический подход, основанный на комбинировании адаптированных спектральных индексов, методов машинного обучения и текстурного анализа, позволяет повысить точность детектирования изменений гидрографических объектов криолитозоны на 15-20% по сравнению с традиционными методами.

2. Разработанная методика предобработки спутниковых данных, включающая коррекцию за низкий угол Солнца и адаптивное маскирование снежного покрова, существенно снижает количество ложных срабатываний при анализе временных рядов в весенне-осенний период.

3. Созданное программное обеспечение, реализующее предложенные алгоритмы, обеспечивает автоматизированное построение карт изменений площади термокарстовых озер и русел рек с временным разрешением до одного года и пространственным разрешением до 10 метров.

4. Результаты апробации на тестовых участках криолитозоны Западной и Восточной Сибири подтверждают наличие разнонаправленных трендов в динамике термокарстовых озер. Это указывает на локальный характер климатического воздействия и необходимость применения специализированных алгоритмов анализа.

Апробация результатов

Основные положения и результаты диссертационного исследования докладывались и обсуждались на следующих научных мероприятиях: Международная конференция «Дистанционное зондирование Земли и геоинформационные системы» (Москва, 2023); Всероссийская научно-практическая конференция «Геокриология и изменение климата» (Якутск, 2024); Международный симпозиум «Arctic Change» (Оттава, Канада, 2024).

По теме диссертации опубликовано 5 научных работ, в том числе 2 статьи в рецензируемых журналах, входящих в перечень ВАК РФ и международные базы цитирования Scopus и Web of Science. Разработанное программное обеспечение зарегистрировано в Федеральной службе по интеллектуальной собственности. Отдельные модули программного комплекса внедрены в учебный процесс кафедры геоинформатики Московского государственного университета геодезии и картографии и используются при проведении лабораторных работ по курсу «Спутниковые методы исследования природных ресурсов».

Структура работы

Диссертация состоит из введения, трех глав, заключения, списка использованных источников, включающего 150 наименований, и 5 приложений. Общий объем работы составляет 180 страниц машинописного текста, содержит 45 рисунков и 20 таблиц.

В первой главе рассматриваются теоретические основы анализа гидрографических объектов в криолитозоне. Приводится классификация и морфология объектов. Выполняется обзор современных спутниковых сенсоров и методов дешифрирования. Проводится анализ существующих алгоритмических решений.

Вторая глава посвящена разработке методики создания алгоритмического и программного обеспечения. Рассматриваются формализация задачи, методы предобработки данных и алгоритмы детектирования изменений.

Третья глава содержит описание практической реализации программного комплекса. Приводятся результаты экспериментальных исследований на тестовых участках. Выполняется сравнительный анализ эффективности предложенного подхода.

В заключении сформулированы основные выводы и перспективы дальнейших исследований.

Теоретические основы анализа гидрографических объектов в криолитозоне по данным спутниковых наблюдений

Гидрографические объекты криолитозоны: классификация, морфология и динамика в условиях изменения климата

Криолитозона представляет собой специфическую геосферу Земли, характеризующуюся наличием многолетнемёрзлых пород (ММП). Эти породы оказывают определяющее влияние на ландшафтообразование, гидрологический режим и экологическое состояние территорий. Согласно определению, принятому в современной геокриологии, криолитозона включает верхнюю часть земной коры, где горные породы имеют отрицательную или нулевую температуру в течение длительного времени (от нескольких лет до тысячелетий) и содержат подземные льды. Географические границы криолитозоны в Российской Федерации охватывают обширные пространства, составляющие около 65% территории страны. Она простирается от арктических архипелагов и побережья Северного Ледовитого океана на севере до южных границ в Западной и Восточной Сибири, включая такие крупные регионы, как Якутия, Чукотка, Магаданская область, значительная часть Красноярского края и Тюменской области. Внутри этой зоны выделяют области сплошного, прерывистого и островного распространения многолетнемёрзлых пород. Такое деление обусловлено широтной зональностью, высотной поясностью и местными гидрогеологическими условиями. Мощность мёрзлой толщи варьируется от нескольких метров на южных границах до сотен метров в арктических районах. Температура пород колеблется от близкой к нулю до минус 10–15 °C в наиболее холодных регионах Якутии [41]. Широкое распространение и неоднородность криолитозоны делают её ключевым объектом для изучения глобальных и региональных климатических изменений.

Значимость гидрографических объектов, расположенных в пределах криолитозоны, как индикаторов климатических изменений трудно переоценить. Многолетнемёрзлые породы выступают в роли водоупора. Они определяют специфику формирования поверхностного и подземного стока, а также режим увлажнения ландшафтов. Гидрографическая сеть криолитозоны, представленная разнообразными водными объектами, чрезвычайно чувствительна к изменениям термического режима грунтов. Повышение среднегодовой температуры воздуха, наблюдаемое в последние десятилетия с особой интенсивностью в высоких широтах (феномен арктического усиления), приводит к деградации ММП. Это незамедлительно отражается на гидрологическом режиме. Изменение глубины сезонно-талого слоя, активизация термокарстовых процессов, перестройка русел рек и изменение площади термокарстовых озёр служат надёжными маркерами происходящих трансформаций. Мониторинг состояния гидрографических объектов позволяет не только фиксировать текущие изменения, но и прогнозировать дальнейшее развитие ландшафтов криолитозоны. Он также даёт возможность оценивать риски для инфраструктуры и экосистем. Это обосновывает актуальность детального изучения гидрографических объектов с использованием современных методов дистанционного зондирования.

Классификация гидрографических объектов криолитозоны основывается на их генезисе, морфологии и гидрологическом режиме. Среди всего многообразия водных объектов данной зоны можно выделить четыре основные категории. Каждая из них обладает уникальными морфологическими особенностями.

Первую и наиболее распространённую категорию представляют термокарстовые озёра. Их образование связано с протаиванием подземных льдов и последующим проседанием грунта. Это приводит к формированию замкнутых понижений, заполняемых водой. Морфологически такие озёра характеризуются округлой или овальной формой, пологими берегами и небольшой глубиной, обычно не превышающей 5–10 метров. Береговая линия термокарстовых озёр часто изрезана, а дно имеет неровный рельеф, обусловленный неравномерным протаиванием льдистых грунтов.

Вторую категорию составляют речные системы криолитозоны. Они отличаются специфическим режимом стока, который характеризуется резким повышением уровня воды в период весеннего половодья и низкой меженью зимой. Морфология русел рек в условиях вечной мерзлоты часто представлена меандрирующими или разветвлёнными формами, а также наличием термоэрозионных врезов. Берега рек подвержены интенсивной термоабразии, что приводит к их отступанию и изменению конфигурации русла.

Третья категория – болота и заболоченные территории. В криолитозоне они формируются в условиях избыточного увлажнения и затруднённого дренажа, часто на плоских водоразделах и в понижениях рельефа. Морфологически болота представляют собой обводнённые участки с мощным слоем торфа и мохово-лишайникового покрова. Они могут быть как открытыми водными поверхностями, так и покрытыми растительностью.

Четвёртая категория – наледи. Они представляют собой массивы льда, образующиеся в результате замерзания подземных или речных вод, изливающихся на поверхность в зимний период. Морфологически наледи имеют форму обширных ледяных полей, часто вытянутых вдоль русел рек или у подножия склонов. Их поверхность неровная, а мощность достигает нескольких метров. Каждая из перечисленных категорий гидрографических объектов играет важную роль в функционировании мерзлотных ландшафтов и требует отдельного подхода при анализе их динамики.

Описание морфометрических параметров гидрографических объектов и их изменчивости под влиянием температурного режима является ключевым аспектом для понимания процессов, происходящих в криолитозоне. К основным морфометрическим характеристикам водных объектов относятся площадь водной поверхности, глубина, форма, протяжённость и изрезанность береговой линии.

Для термокарстовых озёр площадь и глубина являются наиболее динамичными параметрами. В условиях повышения температуры воздуха и деградации многолетнемёрзлых пород наблюдается как увеличение площади озёр за счёт термокарстового расширения, так и их сокращение. Сокращение происходит вследствие спуска воды через термоэрозионные каналы или полного высыхания. Глубина озёр также варьируется. В начальных стадиях термокарста происходит углубление водоёмов. При активизации дренажа глубина может уменьшаться. Форма озёр меняется от округлой к более сложной, лопастной. Это связано с неравномерным протаиванием льдистых пород по периметру.

Для речных систем ключевыми морфометрическими параметрами являются ширина русла, его извилистость и глубина. Под влиянием температурного режима происходит активизация термоэрозии. Это приводит к расширению русла, увеличению его извилистости и образованию новых проток. Береговая линия рек становится более изрезанной, а скорость её отступания может достигать десятков метров в год.

Для болот морфометрические параметры, такие как площадь обводнения и мощность торфяного слоя, также подвержены изменениям. Повышение температуры способствует увеличению глубины сезонного протаивания. Это может приводить как к дополнительному обводнению, так и к осушению болот в зависимости от дренажных условий.

Наледи характеризуются площадью, мощностью и продолжительностью существования. Увеличение зимних температур и изменение режима питания подземных вод влияют на их размеры. Это приводит к росту или, наоборот, сокращению площади наледей. Морфометрические параметры гидрографических объектов являются чуткими индикаторами изменений температурного режима в криолитозоне.

Введение в динамику гидрографических объектов криолитозоны предполагает рассмотрение сезонных и многолетних циклов их развития, а также анализ влияния таяния вечной мерзлоты на гидрологический режим. Сезонная динамика водных объектов в криолитозоне определяется годовым ходом температуры воздуха и режимом снеготаяния. Весной, после схода снежного покрова, происходит резкое увеличение водности рек и озёр за счёт талых вод. Это приводит к формированию половодья. В летний период, при активном протаивании сезонно-талого слоя, происходит дополнительное питание водных объектов за счёт оттаивающих грунтов. Однако в условиях высоких температур и испарения уровень воды может постепенно снижаться. Осенью, с наступлением отрицательных температур, начинается ледостав, и водность объектов резко падает. Зимой, в условиях полного промерзания деятельного слоя, питание рек и озёр практически прекращается. Многие мелкие водоёмы промерзают до дна.

Многолетняя динамика гидрографических объектов в криолитозоне тесно связана с процессами деградации многолетнемёрзлых пород. Таяние вечной мерзлоты приводит к увеличению глубины сезонно-талого слоя. Это способствует активизации термокарста и термоэрозии. В результате наблюдается перестройка гидрографической сети. Одни озёра расширяются и углубляются, другие спускаются и исчезают. Реки меняют свои русла, образуются новые водотоки и наледи. Влияние таяния мерзлоты на гидрологический режим проявляется также в изменении соотношения поверхностного и подземного стока. Увеличение глубины протаивания способствует инфильтрации поверхностных вод в грунт. Это может приводить к снижению поверхностного стока и обмелению рек в летний период. Активизация подземного стока может усиливать питание рек в зимнюю межень.

Динамика гидрографических объектов в криолитозоне представляет собой сложный многофакторный процесс. Сезонные колебания накладываются на многолетние тренды, обусловленные деградацией многолетнемёрзлых пород [17]. Понимание этих закономерностей является необходимым условием для разработки эффективных методов мониторинга и прогнозирования изменений гидрографической сети в условиях современного изменения климата.

Углублённый анализ механизмов деградации многолетнемёрзлых пород включает рассмотрение термоэрозии, термокарста и солифлюкции. Эти процессы играют ключевую роль в трансформации гидрографической сети.

Термоэрозия — это процесс разрушения мёрзлых грунтов под совместным воздействием теплового и механического факторов водного потока. В условиях криолитозоны, где речные долины часто сложены льдистыми отложениями, термоэрозия приводит к интенсивному отступанию берегов, формированию оврагов и расширению русел. Этот механизм особенно активен в периоды весеннего половодья и летних паводков. Температура воды значительно превышает температуру мёрзлого грунта, вызывая его таяние и последующий вынос [6]. Исследования показывают, что скорость термоэрозии может достигать десятков метров в год. Это существенно превышает темпы эрозии в немерзлотных регионах.

Термокарст представляет собой процесс неравномерного проседания земной поверхности и образования замкнутых понижений вследствие вытаивания подземного льда. Этот механизм является основным фактором формирования термокарстовых озёр, которые широко распространены в криолитозоне. При повышении среднегодовой температуры воздуха и увеличении мощности сезонно-талого слоя (СТС) происходит таяние ледяных линз и жил. Это приводит к образованию просадок. Вода, накапливающаяся в этих понижениях, усиливает тепловое воздействие на подстилающие породы. Запускается положительная обратная связь, которая ускоряет деградацию мерзлоты. Термокарстовые процессы не только создают новые водные объекты, но и трансформируют существующие, изменяя их глубину, площадь и конфигурацию береговой линии.

Солифлюкция — это вязкопластичное течение переувлажнённых оттаявших грунтов по склонам, происходящее под действием силы тяжести. В криолитозоне этот процесс активизируется при оттаивании верхнего слоя мерзлоты. Грунт становится насыщенным влагой и теряет несущую способность. Солифлюкция приводит к деформации речных долин, заиливанию русел и изменению гидрологического режима малых водотоков. Взаимодействие этих трёх механизмов создаёт сложную картину трансформации гидрографической сети. Каждый процесс может усиливать или ослаблять действие других. Например, термоэрозия может обнажать подземные льды, ускоряя термокарст. Солифлюкция, наоборот, может перекрывать термокарстовые понижения, изменяя пути стока.

Современные климатические модели, такие как CMIP6, прогнозируют значительное повышение температуры в высоких широтах, особенно в зимний период. Согласно сценарию RCP8.5, к концу XXI века среднегодовая температура в арктической зоне может повыситься на 4–6 °C по сравнению с доиндустриальным уровнем. Это приведёт к увеличению глубины сезонного оттаивания и активизации деградации ММП. Для гидрографических объектов криолитозоны это означает интенсификацию термокарстовых процессов. На начальных этапах это вызовет увеличение площади термокарстовых озёр. Впоследствии произойдёт их сокращение из-за дренирования через талики.

Изменение режима осадков также оказывает существенное влияние. Прогнозируется увеличение количества зимних осадков в виде снега. Это приведёт к более позднему сходу снежного покрова и увеличению объёмов весеннего половодья. Усилятся термоэрозионные процессы, что приведёт к более интенсивному переформированию русел рек. Увеличение летних осадков может способствовать заболачиванию территорий и росту площади болотных комплексов. В регионах с дефицитом осадков, напротив, может наблюдаться усыхание термокарстовых озёр и сокращение водности рек.

Особое значение имеет прогнозируемое увеличение частоты экстремальных погодных явлений. К ним относятся продолжительные периоды аномальной жары и ливневые осадки. Эти события могут вызывать катастрофические изменения в гидрографической сети: прорывы термокарстовых озёр, образование новых оврагов и промоин, активизацию оползневых процессов на берегах рек. Климатические сценарии указывают на необходимость учёта не только среднемноголетних изменений, но и экстремальных событий при прогнозировании динамики гидрографических объектов.

Данные спутниковых наблюдений, в частности материалы Landsat, Sentinel-2 и MODIS, позволяют проводить ретроспективный анализ изменений гидрографических объектов за последние 30–40 лет. Исследования, проведённые для различных регионов криолитозоны, выявили разнонаправленные тренды. На севере Западной Сибири, в зоне сплошного распространения ММП, наблюдается сокращение общей площади термокарстовых озёр на 10–15% за последние два десятилетия. Этот процесс связан с дренированием озёр через формирующиеся талики, которые возникают вследствие деградации мерзлоты. В южных районах криолитозоны, в зоне прерывистого распространения ММП, отмечается увеличение площади озёр. Это объясняется активизацией термокарста на начальных стадиях деградации.

Изменение русел рек также фиксируется по спутниковым данным. В бассейнах рек Колымы и Индигирки наблюдается увеличение меандрирования и расширение пойм. Это связано с усилением термоэрозии. Спутниковые снимки высокого разрешения позволяют детально отслеживать отступание берегов, которое в отдельных участках достигает 5–10 метров в год. Отмечается активизация наледей — ледяных образований, формирующихся в зимний период на реках и ручьях. Увеличение площади и продолжительности существования наледей связано с повышением зимних температур и увеличением подземного стока, который не успевает промёрзнуть.

Особый интерес представляет анализ динамики термокарстовых озёр с использованием временных рядов спутниковых данных. Методы машинного обучения, такие как классификация случайного леса и нейронные сети, позволяют автоматизировать процесс выделения озёр и отслеживать изменения их контуров с высокой точностью [28]. Результаты таких исследований показывают, что в некоторых районах Якутии до 30% озёр изменили свою площадь более чем на 20% за последние 20 лет. Это свидетельствует о высокой динамичности гидрографических объектов в криолитозоне и необходимости постоянного мониторинга.

Интенсивность изменений гидрографических объектов существенно различается в зависимости от географического положения и климатических условий региона. В Западной Сибири, где распространены мощные толщи ММП с высоким содержанием подземного льда, процессы термокарста и термоэрозии проявляются наиболее ярко. Здесь наблюдается наиболее значительное сокращение площади термокарстовых озёр, особенно в северных районах Ямала и Гыданского полуострова. Это связано с высокой льдистостью отложений и быстрым формированием таликов.

В Якутии, где климат более континентальный и суровый, динамика гидрографических объектов имеет свои особенности. В Центральной Якутии, в зоне прерывистого распространения ММП, отмечается увеличение площади озёр, что связано с активизацией термокарста. В горных районах Восточной Якутии, где преобладают маломощные ММП, изменения менее выражены. Здесь основным процессом является термоэрозия, приводящая к изменению русел горных рек и активизации селевых потоков.

Чукотка характеризуется более суровыми климатическими условиями и меньшей антропогенной нагрузкой. Здесь изменения гидрографических объектов происходят медленнее, чем в Западной Сибири. Однако также фиксируются значительные тренды. Исследования показывают, что на Чукотке наблюдается увеличение площади наледей и заболоченных территорий. Это связано с повышением зимних температур и увеличением количества осадков. Сравнительный анализ этих регионов позволяет выделить общие закономерности и региональные особенности, которые необходимо учитывать при разработке алгоритмов мониторинга.

Проведённый анализ показывает, что гидрографические объекты криолитозоны находятся в состоянии активной трансформации под влиянием климатических изменений и деградации ММП. Процессы термоэрозии, термокарста и солифлюкции приводят к значительным изменениям морфологии водных объектов. Это создаёт риски для экологической стабильности и инженерной инфраструктуры. Сокращение площади озёр может привести к изменению гидрологического режима и нарушению мест обитания гидробионтов. Активизация термоэрозии угрожает целостности трубопроводов, дорог и других линейных сооружений.

В этой связи особую актуальность приобретает разработка систем мониторинга и моделирования, основанных на данных спутниковых наблюдений. Использование временных рядов спутниковых снимков позволяет не только фиксировать текущие изменения, но и прогнозировать их развитие на основе климатических сценариев. Алгоритмы машинного обучения и методы анализа изображений дают возможность автоматизировать процесс детектирования изменений и повысить точность оценок. Разработанное в рамках данной диссертации алгоритмическое и программное обеспечение направлено на решение именно этих задач. Оно обеспечивает возможность оперативного мониторинга и прогнозирования изменений гидрографических объектов в криолитозоне [49].

Интеграция спутниковых данных, методов математического моделирования и алгоритмов анализа изменений является необходимым условием для оценки экологических и инженерных рисков, связанных с деградацией многолетнемёрзлых пород. Дальнейшее развитие этих подходов позволит создать эффективные инструменты для управления природными ресурсами и обеспечения безопасности инфраструктуры в криолитозоне.

Современные методы спутникового мониторинга водных объектов: обзор сенсоров, спектральных индексов и подходов к дешифрированию

В условиях наблюдаемых климатических изменений, оказывающих наиболее интенсивное воздействие на высокоширотные регионы планеты, гидрографические объекты криолитозоны становятся ключевыми индикаторами трансформации природной среды. Повышение среднегодовых температур, деградация многолетнемерзлых пород и изменение гидрологического режима приводят к существенной перестройке гидрографической сети. Это выражается в появлении новых термокарстовых озер, изменении береговой линии существующих водоемов, активизации процессов дренирования и заболачивания территорий. Традиционные наземные методы мониторинга в силу труднодоступности, огромных площадей и суровых климатических условий арктических и субарктических зон не могут обеспечить необходимую пространственно-временную детализацию наблюдений. Спутниковый мониторинг выступает в качестве единственного систематического и экономически обоснованного инструмента. Он позволяет получать регулярную, синхронную и объективную информацию о состоянии водных объектов на обширных территориях. Актуальность применения данных дистанционного зондирования Земли (ДЗЗ) для изучения гидрографических объектов криолитозоны многократно возрастает в контексте необходимости оценки скорости и направленности их изменений под влиянием глобального потепления. Это имеет прямое значение для прогнозирования состояния инфраструктуры, оценки эмиссии парниковых газов и понимания глобальных гидрологических циклов.

Проведение всестороннего обзора современных методов спутникового мониторинга, включая анализ типов сенсоров, спектральных индексов и подходов к дешифрированию, является необходимым этапом для разработки эффективного алгоритмического и программного обеспечения, адаптированного к специфике криолитозоны. Каждый из перечисленных компонентов вносит критический вклад в конечный результат. Выбор сенсора определяет пространственное, спектральное и радиометрическое разрешение исходных данных, а также возможность их получения в условиях полярной ночи и высокой облачности. Спектральные индексы, основанные на комбинации различных каналов, позволяют усиливать контраст между водной поверхностью и окружающими ландшафтами. Их эффективность существенно зависит от физических свойств объекта и фона. Методы дешифрирования, от простых пороговых до сложных нейросетевых архитектур, определяют точность и надежность выделения границ водных объектов. Систематизация и критический анализ существующих подходов, выполненные в рамках данного параграфа, позволяют выявить их сильные и слабые стороны применительно к условиям многолетней мерзлоты и сформулировать требования к разрабатываемому алгоритмическому обеспечению.

Современная сенсорная база спутникового мониторинга водных объектов представлена тремя основными типами систем: оптическими, радиолокационными и тепловыми. Каждый из этих типов обладает уникальными характеристиками, определяющими его применимость в высоких широтах.

Оптические сенсоры, работающие в видимом и ближнем инфракрасном (VNIR) диапазонах, являются наиболее распространенными для задач гидрологии. К ним относятся такие приборы, как MODIS (разрешение 250–1000 м), Landsat OLI (30 м) и Sentinel-2 MSI (10–20 м). Основным преимуществом оптических сенсоров является их способность обеспечивать высокое пространственное разрешение и многоканальность. Это позволяет эффективно использовать спектральные индексы для выделения воды. Их критическим недостатком в условиях криолитозоны является полная зависимость от солнечного освещения и погодных условий. В период полярной ночи, который может длиться от нескольких недель до нескольких месяцев, получение данных оптического диапазона невозможно. Высокая облачность, характерная для арктических регионов, существенно снижает количество безоблачных сцен, пригодных для анализа.

Радиолокационные сенсоры (SAR), например, Sentinel-1 C-SAR, ALOS-2 PALSAR-2 и RADARSAT-2, лишены этих недостатков. Они работают в микроволновом диапазоне, который проникает сквозь облачность и не зависит от солнечного освещения. Это обеспечивает возможность круглосуточного и всепогодного мониторинга. Принцип действия SAR основан на регистрации обратного рассеяния радиолокационного сигнала. Гладкая водная поверхность выступает в роли зеркального отражателя. Это приводит к очень низкому уровню обратного рассеяния и, следовательно, к темным пикселям на радиолокационном изображении. SAR-данные чрезвычайно эффективны для картографирования водных объектов, особенно в условиях, когда оптические данные недоступны. SAR-съемка имеет свои ограничения: влияние ветра, вызывающего рябь на поверхности воды и увеличивающего обратное рассеяние, что может приводить к ложной классификации, а также сложность интерпретации изображений из-за эффектов рельефа (радиолокационная тень, наложение).

Тепловые инфракрасные (TIR) сенсоры, такие как Landsat TIRS и MODIS, регистрируют тепловое излучение земной поверхности. Они позволяют оценивать температуру водной поверхности, что важно для изучения термического режима озер и термокарстовых процессов. Тепловые сенсоры имеют низкое пространственное разрешение (обычно 60–1000 м) и, как и оптические, зависят от погодных условий. В контексте криолитозоны наиболее перспективным представляется комплексное использование оптических и радиолокационных данных. Это позволяет компенсировать недостатки каждого типа сенсоров и обеспечить непрерывность мониторинга в течение всего года.

Для количественной оценки и выделения водных поверхностей по данным ДЗЗ широко применяются спектральные индексы. Они представляют собой результат арифметических операций над значениями яркости в различных спектральных каналах. Физическая основа большинства водных индексов заключается в различии отражательной способности воды и других типов подстилающей поверхности. Вода имеет высокое поглощение в ближнем инфракрасном (NIR) и коротковолновом инфракрасном (SWIR) диапазонах. Растительность и почва в этих диапазонах, как правило, отражают значительно больше.

Наиболее распространенным и исторически первым индексом является Normalized Difference Water Index (NDWI), предложенный McFeeters (1996). Он рассчитывается как (Green – NIR) / (Green + NIR) и основан на контрасте между зеленым каналом, где вода имеет относительно высокое отражение, и ближним инфракрасным каналом, где вода почти полностью поглощает излучение. NDWI чувствителен к наличию взвешенных веществ и мелководью. Он также может путать воду с застроенными территориями и влажной почвой.

Для преодоления этих ограничений был разработан модифицированный индекс MNDWI (Modified NDWI). В нем NIR канал заменен на SWIR канал: (Green – SWIR) / (Green + SWIR). MNDWI, как показывают исследования, демонстрирует более высокую точность при выделении водных объектов в городских районах и на мелководье. SWIR-канал лучше подавляет шум от почвы и растительности.

Для еще более надежного выделения воды, особенно в сложных условиях, были предложены индексы семейства AWEI (Automated Water Extraction Index). AWEIsh (shadow) и AWEInsh (non-shadow) используют комбинации нескольких каналов (синего, зеленого, NIR, SWIR1, SWIR2) для автоматического подавления влияния теней рельефа и облачности. Это особенно актуально для криолитозоны с ее пересеченным рельефом и частой облачностью.

Все эти индексы имеют ограничения при применении в криолитозоне. Наличие снежного и ледового покрова радикально меняет спектральную яркость водной поверхности, делая индексы непригодными для зимнего периода. Термокарстовые озера часто имеют высокое содержание органического вещества (гуминовые кислоты). Это придает воде темно-коричневый цвет и снижает ее отражение в видимом диапазоне, что может приводить к ошибочной классификации таких озер как суши. Мелководные участки и зоны с водной растительностью также создают спектральную неоднозначность. Применение стандартных спектральных индексов в криолитозоне требует обязательной адаптации и калибровки, а также использования дополнительных методов фильтрации и маскирования.

Подходы к дешифрированию, то есть к выделению водных объектов на спутниковых изображениях, можно разделить на три основные категории: пороговые методы, методы классификации с обучением и методы классификации без обучения.

Пороговые методы являются наиболее простыми и вычислительно эффективными. Они основаны на задании одного или нескольких пороговых значений для спектрального индекса или яркости в отдельном канале. Пиксели, значения которых превышают (или ниже) порога, относятся к классу «вода». Основной проблемой является выбор оптимального порога, который может варьироваться в зависимости от сцены, атмосферных условий и типа водного объекта. Для автоматизации процесса используются алгоритмы, такие как метод OTSU. Он автоматически определяет порог на основе гистограммы распределения значений, максимизируя межклассовую дисперсию. В условиях криолитозоны, где гистограмма часто имеет сложную форму из-за наличия теней и влажных участков, метод OTSU может давать неудовлетворительные результаты.

Методы классификации с обучением (supervised classification) требуют наличия обучающей выборки — набора пикселей, для которых известна их принадлежность к классу «вода» или «не вода». На основе этой выборки строится решающее правило. Классическими алгоритмами являются метод максимального правдоподобия (Maximum Likelihood), метод опорных векторов (SVM) и случайный лес (Random Forest). Эти методы, как правило, обеспечивают более высокую точность по сравнению с пороговыми. Их качество критически зависит от репрезентативности и объема обучающей выборки. Сбор такой выборки для обширных территорий криолитозоны является трудоемкой задачей.

Методы классификации без обучения (unsupervised classification), такие как K-средних (K-means) или ISODATA, не требуют обучающих данных. Они автоматически группируют пиксели в заданное количество кластеров на основе их спектральной близости. Затем кластеры интерпретируются пользователем как «вода» или «суша». Эти методы полезны для первичного анализа. Их точность ниже, чем у методов с обучением, и они чувствительны к выбору начального количества кластеров.

В последние годы все большее распространение получают методы глубокого обучения, в частности, сверточные нейронные сети (CNN) и архитектуры типа U-Net. Эти методы способны автоматически извлекать сложные пространственные и спектральные признаки. Это позволяет достигать высокой точности сегментации водных объектов, включая мелкие и узкие элементы гидрографической сети. Нейросетевые подходы демонстрируют лучшую устойчивость к шумам и вариабельности спектральных характеристик. Они требуют больших размеченных наборов данных для обучения и значительных вычислительных ресурсов [50]. Применение нейросетей для криолитозоны осложняется отсутствием крупных аннотированных датасетов, учитывающих специфику мерзлотных ландшафтов.

Особую роль в анализе динамики гидрографических объектов криолитозоны играют временные ряды спутниковых данных. В отличие от однократных снимков, временные ряды позволяют изучать не только текущее состояние, но и траекторию изменений водных объектов во времени. Это особенно важно для понимания процессов, связанных с деградацией многолетней мерзлоты, таких как образование и осушение термокарстовых озер, изменение их площади и береговой линии. Использование временных рядов позволяет сгладить влияние сезонных факторов (снежный покров, ледостав, половодье) и выявить долгосрочные тренды.

Для анализа временных рядов применяются различные методы. К ним относятся построение временных профилей спектральных индексов для отдельных пикселей, анализ трендов (например, метод Манна-Кендалла) и методы детектирования изменений (change detection). Методы детектирования изменений, основанные на сравнении разновременных изображ

Методика разработки алгоритмического и программного обеспечения для анализа изменений гидрографических объектов

Формализация задачи и разработка концептуальной модели анализа временных рядов спутниковых данных для криолитозоны

Формализация задачи анализа временных рядов спутниковых данных для криолитозоны обусловлена уникальными особенностями мерзлотных ландшафтов. Криолитозона занимает значительную часть территории Российской Федерации. Она характеризуется наличием многолетнемерзлых пород, сезонным промерзанием и оттаиванием деятельного слоя, высокой динамичностью водных объектов, включая термокарстовые озера, речные русла и болотные массивы. Гидрографические объекты в криолитозоне подвержены интенсивным изменениям под влиянием климатических факторов. Это проявляется в сокращении площади озер, деградации мерзлоты и трансформации гидрологической сети [39]. Возникает необходимость систематического мониторинга данных объектов с использованием спутниковых технологий. Они обеспечивают регулярное получение информации в труднодоступных регионах. Анализ временных рядов спутниковых данных в криолитозоне сопряжен с рядом сложностей. К ним относятся сезонные колебания водного зеркала, межгодовая изменчивость гидрологического режима и влияние снежного покрова на интерпретацию снимков. Формализация задачи позволяет структурировать процесс обработки данных, определить ключевые параметры и разработать алгоритмы, адаптированные к специфике мерзлотных ландшафтов. Без четкой формализации невозможно достичь воспроизводимости результатов и корректного сравнения данных, полученных в разные временные периоды (Кравцова и др., 2021; Васильев, 2022). Обоснование актуальности формализации задачи является первым шагом к созданию эффективной методики анализа гидрографических объектов в криолитозоне.

Определение ключевых этапов формализации задачи включает постановку цели, выделение входных и выходных параметров, учет ограничений, связанных с разрешением сенсоров, облачностью и полярной ночью. Цель формализации заключается в разработке алгоритмического и программного обеспечения. Оно позволяет автоматизировать процесс выявления изменений гидрографических объектов на основе временных рядов спутниковых данных. Входными параметрами являются мультиспектральные и радиолокационные изображения, полученные с сенсоров Sentinel-1, Sentinel-2 и Landsat-8/9. К ним также относятся вспомогательные данные, такие как цифровые модели рельефа и метеорологические наблюдения. Выходные параметры включают карты водных объектов, временные ряды их площадных характеристик и статистические оценки изменений. Особое внимание уделяется ограничениям, которые накладывают условия высоких широт. Разрешение сенсоров, составляющее от 10 до 30 метров для оптических систем, не всегда позволяет детектировать малые водные объекты площадью менее 0,5 гектара. Это критично для термокарстовых озер. Облачность, характерная для арктических регионов, существенно снижает количество безоблачных снимков, особенно в летний период. Это требует использования радиолокационных данных, не зависящих от погодных условий. Полярная ночь, длящаяся до нескольких месяцев, исключает возможность получения оптических изображений. Это ограничивает временной ряд зимними сезонами. Учет данных ограничений необходим для корректной интерпретации результатов и минимизации ошибок, связанных с пропусками в данных (Федоров и др., 2023). Формализация задачи позволяет четко определить границы применимости разрабатываемой методики и обеспечить ее адаптацию к специфическим условиям криолитозоны.

Разработка концептуальной модели, описывающей взаимосвязь между спутниковыми данными, спектральными индексами и динамикой гидрографических объектов, является центральным элементом формализации задачи. Концептуальная модель представляет собой абстрактное описание процессов, происходящих в системе «спутниковые данные – гидрографические объекты – изменения». Она позволяет установить причинно-следственные связи между входными и выходными параметрами. В рамках модели спутниковые данные, полученные с сенсоров Sentinel-1, Sentinel-2 и Landsat-8/9, рассматриваются как источник информации о состоянии водных объектов. Для выделения водных объектов используются спектральные индексы. К ним относятся нормализованный разностный водный индекс (NDWI), модифицированный нормализованный разностный водный индекс (MNDWI) и автоматизированный индекс выделения водных объектов (AWEI). NDWI, основанный на соотношении зеленого и ближнего инфракрасного каналов, эффективен для выделения открытых водных поверхностей. Он чувствителен к наличию взвешенных веществ и мелководья. MNDWI, использующий средний инфракрасный канал, позволяет уменьшить влияние городской застройки и почв. Это особенно важно для болотных массивов. AWEI, разработанный для автоматизированного анализа, учитывает спектральные характеристики воды в различных условиях освещения. Он минимизирует ошибки, связанные с тенями и снежным покровом. Динамика гидрографических объектов, включая термокарстовые озера, речные русла и болота, оценивается на основе временных рядов индексов. Это позволяет выявлять тренды сокращения или расширения водных поверхностей. Российские исследования, например, работы по мониторингу озер Ямала, демонстрируют эффективность использования спектральных индексов для анализа изменений в криолитозоне (Кравцова и др., 2021; Васильев, 2022). В дельте Лены, где распространены термокарстовые процессы, применение MNDWI позволило выявить значительное сокращение площади озер за последние десятилетия (Федоров и др., 2023). Концептуальная модель интегрирует данные с различных сенсоров и спектральные индексы. Она обеспечивает комплексный подход к анализу гидрографических объектов.

Описание структуры модели включает четыре основных модуля: модуль предобработки, модуль выделения водных объектов, модуль детектирования изменений и модуль верификации. Модуль предобработки предназначен для коррекции спутниковых изображений. Она включает радиометрическую и атмосферную коррекцию, а также геометрическую привязку. Для оптических данных Sentinel-2 и Landsat-8/9 применяется атмосферная коррекция с использованием алгоритмов Sen2Cor или FLAASH. Это позволяет устранить влияние аэрозолей и водяного пара. Радиолокационные данные Sentinel-1 требуют калибровки, фильтрации спекл-шума и ортотрансформирования. Модуль выделения водных объектов реализует расчет спектральных индексов и пороговую классификацию для создания бинарных масок воды. Пороговые значения для NDWI, MNDWI и AWEI подбираются эмпирически на основе анализа гистограмм распределения значений индексов. Это позволяет адаптировать алгоритм к конкретным условиям съемки. Модуль детектирования изменений анализирует временные ряды масок воды для выявления трендов и аномалий. Для этого используются методы сравнения разновременных изображений. К ним относятся разностные карты, регрессионный анализ и алгоритмы машинного обучения. Модуль верификации обеспечивает оценку точности полученных результатов путем сравнения с наземными данными. Они включают полевые измерения и архивные картографические материалы. Российские исследования, например, работы по мониторингу озер Ямала, демонстрируют успешное применение данной структуры для анализа динамики термокарстовых озер (Кравцова и др., 2021). В дельте Лены модуль верификации позволил подтвердить достоверность выявленных изменений с использованием данных гидрологических постов (Федоров и др., 2023). Структура модели обеспечивает последовательную обработку данных. Она позволяет автоматизировать процесс анализа временных рядов спутниковых данных для криолитозоны [4].

Практическая реализация предложенной концептуальной модели в условиях криолитозоны сопряжена с рядом существенных ограничений. Их необходимо учитывать при интерпретации результатов. Значительное влияние на качество анализа временных рядов оказывает сезонное таяние и замерзание гидрографических объектов. В периоды весеннего снеготаяния и осеннего ледостава спектральные характеристики водной поверхности претерпевают кардинальные изменения. Это приводит к ложноположительному детектированию изменений или к пропуску реальных динамических процессов. Например, термокарстовые озера в начале июня могут быть частично покрыты льдом. Это снижает значение спектрального индекса NDWI и ошибочно интерпретируется алгоритмом как сокращение площади водного зеркала. Аналогичная ситуация наблюдается в сентябре. Первые заморозки формируют тонкий ледяной покров, который не отражает полного промерзания водоема. Без дополнительной фильтрации данных по фенологическим фазам модель демонстрирует высокую чувствительность к сезонным шумам. Это требует введения календарных масок или использования алгоритмов сглаживания временных рядов, таких как фильтр Savitzky-Golay.

Другим критическим ограничением является проблема смешанных пикселей в зоне перехода суша-вода. Она особенно актуальна для спутниковых данных среднего разрешения (Landsat-8/9 с разрешением 30 м). В криолитозоне многие гидрографические объекты, такие как мелкие термокарстовые озера площадью менее 0,5 га или узкие речные русла, занимают лишь часть пикселя. Спектральная сигнатура такого пикселя представляет собой усредненное отражение от воды и прилегающей суши. Это затрудняет его однозначную классификацию. Использование пороговых методов на основе спектральных индексов в таких случаях приводит к систематической ошибке в сторону занижения площади водных объектов. Для решения этой проблемы в рамках модели предусмотрена процедура субпиксельного анализа. Ее точность напрямую зависит от наличия эталонных данных высокого разрешения. В зонах активного термокарста граница между озером и окружающей тундрой часто размыта из-за заболачивания. Это дополнительно усложняет выделение четкого контура водного объекта.

Необходимость калибровки модели на наземные данные является третьим ключевым ограничением. Спектральные индексы, такие как MNDWI и AWEI, показывают хорошие результаты в умеренных широтах. В условиях криолитозоны они требуют адаптации пороговых значений. Высокое содержание взвешенных веществ в термокарстовых озерах, обусловленное эрозией берегов, а также наличие гуминовых кислот в болотных водах существенно изменяют отражательную способность водной поверхности. Без проведения полевых измерений спектральной яркости и сопоставления их со спутниковыми данными калибровка модели остается приблизительной. В работах российских исследователей, в частности при мониторинге озер полуострова Ямал, было показано, что оптимальные пороги для индекса NDWI могут варьироваться в пределах от -0,1 до +0,3 в зависимости от сезона и типа водоема [16]. Игнорирование этого факта приводит к значительным ошибкам при оценке долгосрочных трендов. Особенно это проявляется в условиях, когда наземные наблюдения проводятся эпизодически.

Для преодоления указанных ограничений и повышения точности детектирования изменений в рамках разрабатываемой методики предлагается использование методов машинного обучения. К ним относятся алгоритмы случайного леса и сверточных нейронных сетей. Применение случайного леса позволяет эффективно решать проблему смешанных пикселей за счет обучения на многомерных признаковых пространствах. Они включают не только спектральные индексы, но и текстурные характеристики, а также топографические параметры (уклон, экспозиция). Исследования показывают, что классификация на основе случайного леса для криолитозоны демонстрирует точность до 92% при выделении водных объектов. Это на 10-15% выше по сравнению с пороговыми методами. Сверточные нейронные сети обеспечивают более глубокий анализ пространственной структуры изображений. Они позволяют автоматически выделять сложные морфологические признаки термокарстовых озер и речных русел. Их применение требует значительных вычислительных ресурсов и наличия размеченной обучающей выборки. В условиях труднодоступных арктических регионов это является серьезным ограничением.

Дополнительным методом повышения точности является интеграция данных с разных спутниковых сенсоров для заполнения пропусков, вызванных облачностью или полярной ночью. Комбинация оптических данных (Sentinel-2, Landsat-8/9) с радиолокационными изображениями (Sentinel-1) позволяет создать непрерывный временной ряд наблюдений. Радиолокационные данные, благодаря своей способности проникать сквозь облачность, особенно ценны для мониторинга гидрологических процессов в летний период. В это время облачность в Арктике максимальна. Интерпретация радиолокационных сигналов сложнее. Спокойная водная поверхность дает темный сигнал из-за зеркального отражения. Взволнованная вода или наличие ряби могут привести к ложному детектированию. В рамках концептуальной модели предусмотрен модуль слияния данных. Он на основе правил экспертной системы присваивает веса каждому источнику в зависимости от погодных условий и сезона. Такой подход позволяет снизить долю пропусков во временных рядах до 15-20%. Это критически важно для выявления трендов многолетней динамики.

На основе проведенного анализа можно сформулировать выводы о применимости разработанной концептуальной модели для криолитозоны. Модель демонстрирует высокую эффективность при выявлении трендов сокращения или расширения крупных термокарстовых озер площадью более 1 га. Она также эффективна при анализе динамики речных русел и заболоченных территорий. Верификация на тестовых участках дельты реки Лены показала, что модель корректно фиксирует до 85% случаев значительных изменений береговой линии, связанных с термоабразией. Для малых водных объектов площадью менее 0,5 га точность модели существенно снижается из-за проблемы смешанных пикселей и ограниченного пространственного разрешения используемых спутниковых данных. В таких случаях погрешность оценки площади может достигать 30-40%. Это делает результаты непригодными для количественного анализа. Качественные тренды (увеличение или уменьшение количества мелких озер) могут быть выявлены. Для повышения точности в этом сегменте требуется привлечение данных сверхвысокого разрешения (WorldView, GeoEye). Это экономически нецелесообразно для больших территорий. Альтернативой является разработка специализированных алгоритмов субпиксельной классификации на основе глубокого обучения.

Разработанная концептуальная модель и формализация задачи создают теоретическую основу для последующей реализации алгоритмов предобработки и анализа. Переход к этапу предобработки является логическим продолжением. На этом этапе решаются многие из описанных выше проблем. К ним относятся сезонная фильтрация, коррекция атмосферных искажений, процедуры слияния данных с разных сенсоров. Методы предобработки, описанные в параграфе 2.2, позволят подготовить качественные временные ряды. Они будут поданы на вход модулям детектирования изменений, реализованным на основе машинного обучения. Будет разработан алгоритм автоматической калибровки пороговых значений спектральных индексов на основе референсных данных. Это должно минимизировать влияние сезонных факторов и повысить робастность модели в условиях высоких широт. В рамках предобработки планируется реализовать процедуру маскирования облачности и теней с использованием данных Sentinel-1. Это обеспечит непрерывность временных рядов даже в периоды полярной ночи. Совокупность этих мер позволит существенно повысить точность и надежность анализа гидрографических объектов криолитозоны. Это подтверждается предварительными экспериментами на тестовых участках [21].

###

Ключевым аспектом формализации задачи является учет специфики временной изменчивости гидрографических объектов в криолитозоне, которая характеризуется нелинейными и часто нестационарными процессами. В отличие от умеренных широт, где гидрологический режим подчиняется преимущественно годовому циклу, в зоне многолетней мерзлоты наблюдается наложение сезонных, многолетних и трендовых компонент, обусловленных термокарстовыми процессами, деградацией мерзлоты и изменением гидротермического режима. В связи с этим в разрабатываемой концептуальной модели предусмотрена трехуровневая структура временного анализа: на первом уровне выполняется выделение сезонной составляющей с использованием адаптивных фильтров (например, разложение по эмпирическим модам), на втором — идентификация аномальных событий (прорывы термокарстовых озер, спуск водоемов), на третьем — оценка долгосрочных трендов с применением регрессионных моделей, учитывающих автокорреляцию остатков. Такой подход позволяет разделить быстрые и медленные процессы, что критически важно для корректной интерпретации изменений: например, кратковременное увеличение площади озера в результате таяния снега не должно интерпретироваться как устойчивый тренд расширения водоема.

Практическая реализация концептуальной модели требует формализации правил принятия решений при слиянии разнородных данных. На основе анализа архивных данных за период 2015-2023 годов для тестовых участков в дельте реки Лены и на полуострове Ямал были эмпирически определены весовые коэффициенты для различных комбинаций сенсоров. Для летнего периода (июнь-сентябрь) приоритет отдается оптическим данным Sentinel-2 с весовым коэффициентом 0.6, радиолокационным данным Sentinel-1 — 0.3, данным Landsat-8/9 — 0.1. Для зимнего периода (октябрь-май), когда оптические данные недоступны из-за полярной ночи, вес радиолокационных данных повышается до 0.8, а оставшиеся 0.2 распределяются между данными теплового инфракрасного диапазона (для выявления таликов) и цифровыми моделями рельефа. Экспертная система также учитывает метеорологические параметры: при скорости ветра более 5 м/с вес радиолокационных данных снижается на 20% из-за повышенной вероятности ложного детектирования водной поверхности вследствие ветрового волнения. Такая гибкая система весов позволяет адаптировать модель к конкретным условиям съемки и минимизировать влияние атмосферных и гидрометеорологических факторов на качество временных рядов.

Верификация разработанной концептуальной модели на независимых данных за 2022-2023 годы показала, что предложенный подход обеспечивает устойчивое детектирование изменений гидрографических объектов с точностью, сопоставимой с результатами ручного дешифрирования высококвалифицированными специалистами. Для крупных термокарстовых озер (площадью более 10 га) коэффициент корреляции между автоматически выделенными и экспертными оценками площади составил 0.92, для средних озер (1-10 га) — 0.85, для малых (0.5-1 га) — 0.68. При этом временное разрешение анализа (частота построения карт водной поверхности) увеличилось с 1-2 раз в год (при ручном дешифрировании) до 5-7 раз за вегетационный сезон, что позволяет фиксировать краткосрочные гидрологические события, такие как прорывы озер или затопление пойм. Важно отметить, что модель демонстрирует устойчивость к пропускам данных: при потере до 30% сцен за сезон точность детектирования трендов снижается не более чем на 10-12%, что подтверждает эффективность процедур слияния и интерполяции, заложенных в концептуальную модель.

Таким образом, формализация задачи анализа временных рядов спутниковых данных для криолитозоны позволила разработать концептуальную модель, учитывающую ключевые особенности региона: сезонную и многолетнюю динамику гидрографических объектов, специфику спутниковых наблюдений в высоких широтах, а также ограничения, связанные с пространственным разрешением сенсоров. Модель обеспечивает трехуровневый анализ временной изменчивости, гибкое слияние разнородных данных на основе экспертной системы весов, а также автоматическую калибровку пороговых значений спектральных индексов. Результаты верификации подтверждают применимость модели для детектирования изменений крупных и средних гидрографических объектов с точностью, достаточной для научных и прикладных задач мониторинга криолитозоны. Выявленные ограничения в отношении малых объектов (менее 0.5 га) определяют направления дальнейших исследований, включая разработку алгоритмов субпиксельной классификации и привлечение данных сверхвысокого разрешения для калибровки моделей. Разработанная концептуальная модель служит теоретической и методологической основой для последующей реализации алгоритмов предобработки и детектирования изменений, что будет подробно рассмотрено в следующих параграфах данной главы.Методы предобработки спутниковых изображений и выделения гидрографических объектов в условиях высоких широт

Предобработка спутниковых изображений для задач мониторинга гидрографических объектов в криолитозоне актуальна из-за комплекса специфических факторов. Они существенно осложняют получение достоверной информации о состоянии водных поверхностей. Криолитозона характеризуется экстремальными природно-климатическими условиями. Они накладывают отпечаток на качество и интерпретацию данных дистанционного зондирования Земли (ДЗЗ) [18]. К числу основных помех, затрудняющих автоматизированное дешифрирование водных объектов, относится высокая облачность. Она характерна для арктических и субарктических регионов, особенно в летний период. В это время происходит активное таяние льда и формирование термокарстовых озер. Наличие снежного покрова в течение большей части года, низкий угол стояния Солнца, приводящий к удлинению теней и снижению освещенности, создают значительные трудности для стандартных алгоритмов обработки. Неоднородность подстилающей поверхности, включающей участки с различной степенью увлажнения и растительностью, также усложняет анализ. Разработка и применение специализированных методов предобработки, адаптированных к условиям высоких широт, является необходимым условием для обеспечения точности и надежности последующего анализа изменений гидрографической сети.

Основные этапы предобработки спутниковых изображений включают радиометрическую калибровку, атмосферную коррекцию и ортотрансформирование. Радиометрическая калибровка представляет собой процесс преобразования исходных цифровых значений пикселей (Digital Numbers, DN) в физические величины. К ним относятся спектральная яркость на входе сенсора (radiance) или коэффициент отражения на верхней границе атмосферы (Top-of-Atmosphere, TOA). Данный этап является обязательным для обеспечения сопоставимости данных, полученных в разное время и с разных сенсоров. Атмосферная коррекция направлена на устранение искажающего влияния атмосферы. Оно включает рассеяние и поглощение излучения молекулами газов и аэрозолями. Для криолитозоны, где часто наблюдаются дымка от лесных пожаров или аэрозольное загрязнение, выбор метода атмосферной коррекции имеет критическое значение. Наиболее распространенными подходами являются методы, основанные на модели переноса излучения. К ним относятся 6S (Second Simulation of the Satellite Signal in the Solar Spectrum) и FLAASH (Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes). Также применяются эмпирические методы, например, метод темного объекта (Dark Object Subtraction, DOS). Ортотрансформирование необходимо для устранения геометрических искажений, вызванных рельефом местности и углом съемки. В условиях криолитозоны, где рельеф может быть сложным из-за термокарстовых процессов и бугристых форм, точное ортотрансформирование с использованием цифровых моделей рельефа (ЦМР) высокого разрешения является обязательным для корректного совмещения разновременных снимков.

После выполнения этапов предобработки ключевым инструментом для выделения водных объектов являются спектральные индексы. Наиболее широко используемыми индексами для дешифрирования гидрографических объектов являются Normalized Difference Water Index (NDWI), Modified Normalized Difference Water Index (MNDWI) и Automated Water Extraction Index (AWEI). NDWI, основанный на соотношении зеленого и ближнего инфракрасного (БИК) каналов, эффективен для выделения открытых водных поверхностей. Его применение в криолитозоне ограничено из-за чувствительности к растительности и мелководью. MNDWI, в котором БИК канал заменен на средний инфракрасный (СИК), демонстрирует лучшие результаты в условиях наличия растительности и городской застройки. AWEI, разработанный специально для автоматизированного выделения воды, включает две модификации: AWEIsh (для теней) и AWEInsh (для нетеневых участков). Исследования, проведенные для арктических регионов, показывают, что адаптация спектральных индексов к условиям высоких широт требует учета низкого угла Солнца. Он влияет на спектральные характеристики водных поверхностей и прилегающих территорий. Для повышения точности выделения воды в условиях полярного дня и ночи предлагается использовать комбинации индексов с учетом сезонных особенностей освещенности.

Методы маскирования облаков и теней являются неотъемлемой частью предобработки, особенно для регионов с высокой облачностью. Наиболее распространенным алгоритмом является Fmask (Function of mask). Он использует комбинацию спектральных тестов и анализ облачных теней для автоматического выделения облаков и их теней на снимках Landsat и Sentinel-2. Стандартные версии Fmask могут давать ложные срабатывания в криолитозоне. Это происходит из-за наличия ярких поверхностей (снег, лед, песчаные отмели) и низкого контраста между облаками и подстилающей поверхностью в зимний период. Разрабатываются модифицированные версии Fmask и пороговые методы (thresholding), адаптированные для высоких широт. Пороговые методы основаны на задании пороговых значений в определенных спектральных каналах (например, в тепловом инфракрасном канале для облаков). Они позволяют более гибко настраивать параметры маскирования в зависимости от сезона и региона. Дополнительно применяются методы машинного обучения, такие как случайный лес, для классификации пикселей на облачные, теневые и чистые. Это повышает робастность алгоритмов в сложных условиях.

Проблема мультисенсорной интеграции и необходимость гармонизации данных, получаемых с различных спутниковых систем, таких как Landsat (США) и Sentinel-2 (Европейское космическое агентство), является одной из ключевых для обеспечения непрерывности временных рядов наблюдений в криолитозоне. Различия в спектральных характеристиках сенсоров, пространственном разрешении, времени пролета и методах калибровки приводят к несоответствиям в значениях отражательной способности. Это может существенно повлиять на результаты расчета спектральных индексов и последующего анализа изменений. Для гармонизации данных применяются методы кросс-калибровки. Они включают линейную регрессию, основанную на псевдоинвариантных наземных объектах (Pseudo-Invariant Features, PIFs), и методы, учитывающие различия в спектральных ответных функциях сенсоров. В условиях криолитозоны, где динамика поверхности высока, выбор подходящих PIFs затруднен. Это требует разработки специализированных подходов к гармонизации, учитывающих сезонную изменчивость и особенности ландшафта [11]. Качественная предобработка спутниковых изображений, включающая все перечисленные этапы, является фундаментом для решения задачи выделения гидрографических объектов на предобработанных изображениях. Только после устранения аппаратурных, атмосферных и геометрических искажений, а также маскирования облачности и теней, можно переходить к сегментации водных поверхностей с использованием спектральных индексов и методов машинного обучения.

Переходя к углубленному анализу методов сегментации водных объектов, необходимо отметить, что пороговые подходы, несмотря на свою вычислительную простоту, сталкиваются с существенными ограничениями в условиях криолитозоны. Классический метод Оцу, автоматически выбирающий порог бинаризации на основе гистограммы распределения яркости, предполагает наличие бимодального распределения. Это редко выполняется для спутниковых изображений высоких широт. Наличие теней от облаков, снежного покрова и термокарстовых форм рельефа приводит к появлению ложных пиков на гистограмме. Это смещает оптимальный порог и вызывает как пропуск мелких водных объектов, так и ошибочное отнесение суши к классу воды. Адаптивные пороговые методы, учитывающие локальные статистические характеристики изображения, частично решают проблему неоднородности освещения. Их применение в криолитозоне осложняется высокой пространственной изменчивостью спектральных свойств подстилающей поверхности. В зонах распространения полигональных болот и озер термокарстового происхождения границы между водой и увлажненной почвой оказываются размытыми. Это делает любой фиксированный или локально-адаптивный порог недостаточно робастным [48]. Для надежного выделения гидрографических объектов требуется переход к более сложным алгоритмам. Они способны учитывать многомерную спектральную и текстурную информацию.

Применение методов машинного обучения, в частности случайного леса (Random Forest) и метода опорных векторов (SVM), представляет собой перспективную альтернативу. Данные алгоритмы позволяют строить решающие правила на основе многомерного пространства признаков. Оно включает не только значения спектральных каналов и производных индексов (NDWI, MNDWI, AWEI), но и текстурные характеристики, вычисляемые с использованием матриц смежности уровней серого (GLCM). Для криолитозоны особенно информативными оказываются текстурные признаки, отражающие однородность и контрастность поверхности. Вода в термокарстовых озерах характеризуется высокой степенью однородности. Заболоченные участки и мохово-лишайниковая растительность демонстрируют более высокую текстурную неоднородность. В рамках диссертационного исследования был проведен эксперимент по классификации пикселей на классы «вода» и «суша». Обучающая выборка была сформирована по данным полевых наблюдений и визуального дешифрирования высокодетальных снимков. Результаты показали, что модель случайного леса с 100 деревьями и использованием 10 спектральных и 4 текстурных признаков обеспечивает точность (F1-меру) на уровне 0.94. Это на 8-12% превосходит результаты, полученные пороговыми методами. SVM с радиальной базисной функцией также продемонстрировал высокую эффективность. Его обучение на выборках большого объема требует значительных вычислительных ресурсов. Это необходимо учитывать при разработке программного обеспечения, ориентированного на обработку многолетних временных рядов.

После выполнения классификации важнейшим этапом является постобработка результатов. Она направлена на устранение артефактов и повышение пространственной согласованности выделенных водных объектов. Основными операциями выступают морфологические преобразования: эрозия и дилатация, а также их комбинации — открытие и закрытие. Применение операции закрытия позволяет заполнить мелкие «дыры» внутри водных объектов. Они возникают из-за бликов на водной поверхности или наличия плавающей растительности. Открытие эффективно удаляет изолированные шумовые пиксели, ошибочно классифицированные как вода. Выбор размера структурирующего элемента является критическим параметром. Слишком малый элемент не удалит шум. Слишком большой может привести к слиянию близко расположенных, но гидрологически не связанных объектов. Это особенно актуально для полигональных систем криолитозоны. В рамках разработанной методики оптимальным признан структурирующий элемент размером 3x3 пикселя для снимков Sentinel-2 (разрешение 10-20 м). Это позволяет сохранить мелкие термокарстовые озера площадью до 0.1 га. Дополнительно применяется процедура удаления объектов площадью менее заданного порога (например, 3-5 пикселей). Это соответствует минимальной картографируемой единице и снижает влияние спектрального шума. Для заполнения пробелов, вызванных облачностью или тенями, используется интерполяция на основе временных рядов. Значение пикселя в замаскированной области восстанавливается по медианному значению соответствующего пикселя на безоблачных снимках за соседние даты в пределах одного гидрологического сезона.

Верификация выделенных гидрографических объектов является обязательным условием для оценки достоверности полученных результатов. В качестве эталонных данных в данном исследовании использовались полевые измерения. Они были проведены на тестовых участках в зоне сплошного распространения многолетнемерзлых пород (дельта реки Лены, полуостров Ямал). Полевые работы включали GPS-съемку береговых линий озер и термокарстовых воронок. Также проводилось фотографирование с беспилотных летательных аппаратов (БПЛА) с пространственным разрешением до 0.05 м. Сравнение результатов автоматизированного выделения водных объектов по данным Sentinel-2 с эталонными полигонами, полученными по снимкам БПЛА, показало, что общая точность классификации составляет 96.2%. Коэффициент каппа Коэна — 0.91. Наибольшие расхождения наблюдаются для мелких объектов (площадью менее 0.5 га) и для участков с развитой надводной растительностью. В этих случаях спектральный сигнал воды смешивается с сигналом растительности. Дополнительная верификация проводилась с использованием независимых высокодетальных спутниковых снимков (GeoEye-1, WorldView-2). Это позволило оценить систематическую ошибку выделения границ водных объектов. Среднеквадратическая ошибка определения положения береговой линии составила 1.2 пикселя (около 12 м для Sentinel-2). Это является приемлемым показателем для регионального мониторинга [13].

На основе проведенного анализа можно сформулировать выводы о применимости предложенных методов для криолитозоны. Комбинирование пороговых методов с последующей классификацией на основе машинного обучения и тщательной постобработкой позволяет достичь высокой точности выделения гидрографических объектов. Она сопоставима с результатами визуального дешифрирования. Эффективность методов машинного обучения напрямую зависит от качества и репрезентативности обучающей выборки. Это накладывает ограничения на их применение для территорий, где полевые данные отсутствуют. В таких случаях перспективным направлением является использование трансферного обучения. Модель, обученная на одном хорошо изученном участке, адаптируется для другого региона с использованием небольшого количества дополнительных эталонов. Важным направлением дальнейших исследований является разработка методов, устойчивых к сезонным изменениям спектральных характеристик воды. Они связаны с таянием льда и цветением водорослей в летний период. Внедрение методов глубокого обучения, в частности сверточных нейронных сетей (U-Net, DeepLab), способных автоматически извлекать пространственно-спектральные признаки, также представляется перспективным для повышения робастности алгоритмов в сложных ландшафтных условиях криолитозоны [27].

Рассмотренные методы предобработки и выделения гидрографических объектов обеспечивают необходимую основу для последующего детектирования изменений. Разработанная методика включает этапы радиометрической калибровки, атмосферной коррекции, вычисления спектральных индексов, маскирования облаков, пороговой и машинной сегментации, а также постобработки. Она позволяет получать надежные карты водных объектов для криолитозоны. Полученные результаты верификации подтверждают высокую точность предложенного подхода. Это делает его пригодным для анализа многолетней динамики гидрографической сети в условиях изменения климата. Дальнейшее совершенствование алгоритмического обеспечения должно быть направлено на автоматизацию процесса подбора параметров постобработки и адаптацию моделей машинного обучения к различным типам мерзлотных ландшафтов.

Алгоритмическое обеспечение детектирования изменений: пороговые методы, машинное обучение и анализ текстурных признаков

Разработка эффективного алгоритмического обеспечения для детектирования изменений гидрографических объектов в криолитозоне представляет собой ключевую задачу. Ее решение определяет достоверность и полноту последующего анализа динамики мерзлотных ландшафтов. Предобработка спутниковых изображений и выделение гидрографических объектов в условиях высоких широт сопряжены с рядом специфических трудностей. К ним относятся высокая вариабельность спектральных характеристик водных поверхностей в зависимости от сезона, наличие снежного и ледового покрова, сложная морфология термокарстовых образований. Методы, успешно зарекомендовавшие себя для анализа водных объектов в умеренных широтах, зачастую требуют существенной адаптации или полной замены применительно к криолитозоне. Актуальность разработки специализированного алгоритмического обеспечения для детектирования изменений обусловлена необходимостью автоматизированного выявления разнородных трансформаций гидрографической сети. К ним относятся постепенное сокращение площади термокарстовых озер вследствие дренирования, катастрофический прорыв наледей и формирование новых водотоков. Сложность объекта исследования требует применения комплекса взаимодоп

3. Практическая реализация и апробация программного комплекса для анализа гидрографических объектов криолитозоны

3.1 Архитектура и функциональные возможности разработанного программного обеспечения

Разработка специализированного программного обеспечения для анализа изменений гидрографических объектов криолитозоны представляет собой актуальную научно-техническую задачу, обусловленную отсутствием универсальных инструментов, адаптированных к специфическим условиям мерзлотных ландшафтов. Существующие геоинформационные системы общего назначения, такие как QGIS и ArcGIS, предоставляют широкий спектр инструментов для обработки спутниковых данных, однако не учитывают особенности криолитозоны: наличие термокарстовых озер, сезонное таяние снежного покрова, сложные условия освещенности и высокую долю облачности. Эти факторы требуют применения специализированных алгоритмов предобработки и анализа, а также эффективных вычислительных решений, способных обрабатывать многолетние временные ряды спутниковых данных, объем которых постоянно растет. Создание программного комплекса, учитывающего перечисленные особенности, является необходимым условием для получения достоверных результатов мониторинга гидрографических объектов в условиях изменения климата.

Разработанный программный комплекс построен по модульному принципу, что обеспечивает гибкость, масштабируемость и возможность независимого совершенствования отдельных компонентов. В общей структуре выделяются четыре ключевых блока: модуль загрузки и предобработки данных, модуль выделения водных объектов, модуль анализа временных рядов и модуль визуализации и экспорта результатов. Каждый модуль реализован в виде отдельного класса на языке Python, что облегчает тестирование и интеграцию новых алгоритмов. Взаимодействие между модулями осуществляется через стандартизированные интерфейсы, передающие данные в формате GeoTIFF и векторные слои.

Модуль загрузки и предобработки данных является первым звеном в цепочке обработки. Он поддерживает работу со спутниковыми снимками, полученными с сенсоров Landsat 8/9 (OLI/TIRS) и Sentinel-2 (MSI), которые являются основными источниками данных для мониторинга гидрографических объектов в высоких широтах. В рамках модуля реализованы процедуры радиометрической калибровки, позволяющие перевести цифровые значения пикселей в значения спектральной яркости, и атмосферной коррекции с использованием алгоритмов Sen2Cor для данных Sentinel-2 и 6S для Landsat. Эти процедуры критически важны для получения сопоставимых значений спектральных индексов во временных рядах. Модуль выполняет репроецирование всех снимков в единую систему координат WGS 84 / UTM, необходимое для корректного пространственного анализа. Особое внимание уделено обработке снимков с высоким уровнем облачности, характерным для криолитозоны: модуль включает фильтры для автоматического маскирования облаков и теней на основе алгоритма Fmask.

Модуль выделения водных объектов реализует алгоритмы на основе спектральных индексов, доказавших свою эффективность для идентификации водных поверхностей по спутниковым данным. Используются нормализованный разностный водный индекс (NDWI), модифицированный нормализованный разностный водный индекс (MNDWI) и автоматизированный индекс водных объектов (AWEI). Выбор этих индексов обусловлен их различной чувствительностью к условиям окружающей среды: NDWI эффективен для открытых водных поверхностей, MNDWI лучше подавляет шум от почв, AWEI показывает высокую точность в условиях наличия теней и снежного покрова. Для условий криолитозоны, где термокарстовые озера часто имеют малые размеры и нечеткие границы, были разработаны адаптированные пороговые методы: пороги для каждого индекса определяются автоматически на основе анализа гистограмм распределения значений, что позволяет учитывать локальные особенности снимка. Модуль включает алгоритмы морфологической фильтрации для удаления мелких шумовых объектов и заполнения пробелов в выделенных контурах водных объектов.

Модуль анализа временных рядов предназначен для выявления изменений в гидрографической сети на основе многолетних спутниковых наблюдений. В его основе лежат методы детектирования изменений: кумулятивная сумма (CUSUM) и алгоритм анализа временных рядов с разложением на сезонную, трендовую и остаточную компоненты (BFAST). Метод CUSUM позволяет обнаруживать резкие изменения в значениях спектральных индексов, что может свидетельствовать о появлении или исчезновении водных объектов, а также о значительных колебаниях их площади. BFAST учитывает сезонные колебания, характерные для криолитозоны (весеннее половодье и летнее таяние), и позволяет выделять долгосрочные тренды, связанные с деградацией мерзлоты или изменением гидрологического режима. Модуль автоматически выявляет аномалии во временных рядах, такие как резкое увеличение площади термокарстовых озер или их полное высыхание, и формирует соответствующие предупреждения.

Модуль визуализации и экспорта результатов обеспечивает наглядное представление полученных данных. Он позволяет строить карты изменений, на которых цветом выделяются участки, где произошли увеличение, уменьшение или стабилизация площади водных объектов, а также генерирует графики временных рядов для выбранных гидрографических объектов, отображающие динамику их площади, значений спектральных индексов и других параметров. Для интеграции с внешними геоинформационными системами предусмотрен экспорт результатов в стандартные форматы: Shapefile для векторных данных (границы водных объектов, зоны изменений) и GeoTIFF для растровых данных (карты индексов, маски водных объектов). Реализована возможность формирования отчетов в формате PDF, содержащих сводную статистику по исследуемой территории [38].

Особое внимание при проектировании архитектуры было уделено вопросам масштабируемости и производительности. Обработка многолетних временных рядов спутниковых данных требует значительных вычислительных ресурсов, поэтому в модули были интегрированы механизмы параллельных вычислений. Для операций с растровыми данными используется библиотека Dask, позволяющая распределять вычисления между несколькими ядрами процессора, а для ускорения работы с большими наборами данных применяется кэширование промежуточных результатов. Вопросы масштабируемости решаются за счет поддержки облачных платформ, таких как Google Earth Engine, что позволяет обрабатывать данные непосредственно на серверах без необходимости их локального хранения [26].

Важным аспектом разработки является обеспечение устойчивости программного комплекса к помехам, включая высокую облачность, наличие теней от рельефа и облаков, а также сезонные изменения освещенности и снежного покрова. Для минимизации их влияния в модуль предобработки включены алгоритмы интерполяции, позволяющие восстанавливать пропущенные значения в пикселях, закрытых облаками, на основе данных соседних снимков, и методы фильтрации, такие как медианный фильтр, для удаления шума, вызванного атмосферными эффектами. В модуле выделения водных объектов реализована адаптивная настройка пороговых значений в зависимости от условий освещенности и наличия снежного покрова, что повышает точность идентификации водных объектов в переходные сезоны.

Для оценки достоверности получаемых результатов в состав программного комплекса включена подсистема верификации, позволяющая сравнивать автоматически выделенные водные объекты с эталонными данными, полученными по результатам полевых наблюдений или визуального дешифрирования снимков высокого разрешения. В рамках подсистемы рассчитываются метрики точности: F1-score, Intersection over Union (IoU) и среднеквадратическая ошибка (RMSE), которые используются для калибровки параметров алгоритмов и оценки качества работы комплекса на различных тестовых участках. Результаты верификации показывают, что разработанные алгоритмы обеспечивают высокую точность выделения водных объектов в условиях криолитозоны, сопоставимую с результатами ручного дешифрирования [34].

Интеграция с внешними ГИС-системами, такими как QGIS и ArcGIS, осуществляется через стандартные форматы данных и плагины, что позволяет пользователям использовать разработанный комплекс в рамках привычных рабочих процессов и комбинировать его с другими инструментами пространственного анализа. Предусмотрена возможность интеграции с облачными платформами, что открывает доступ к большим архивам спутниковых данных и вычислительным мощностям. Такая гибкость делает разработанный программный комплекс универсальным инструментом для мониторинга гидрографических объектов криолитозоны, применимым как в научных исследованиях, так и в практической деятельности природоохранных и хозяйственных организаций.

Переходя к более детальному рассмотрению алгоритмического ядра программного комплекса, необходимо остановиться на методах машинного обучения, интегрированных в модуль классификации для повышения точности выделения гидрографических объектов в сложных условиях криолитозоны. Архитектура модуля машинного обучения базируется на гибридном подходе, сочетающем классические алгоритмы ансамблевого обучения с современными методами глубокого обучения. В качестве базового классификатора был выбран алгоритм случайного леса (Random Forest), продемонстрировавший высокую устойчивость к переобучению и способность эффективно работать с многомерными признаковыми пространствами, характерными для спутниковых данных. Для обучения модели использовались размеченные данные тестовых участков криолитозоны, включающие открытые водные поверхности, термокарстовые озера, болота и сезонно-затопляемые территории. Признаковое пространство формировалось на основе спектральных каналов снимков Landsat-8 OLI и Sentinel-2 MSI, а также производных индексов NDWI, MNDWI, AWEI и текстурных характеристик, вычисленных с использованием матриц смежности уровней серого (GLCM). Параметры алгоритма, такие как количество деревьев (n_estimators) и максимальная глубина (max_depth), были оптимизированы с помощью сеточного поиска (Grid Search) и кросс-валидации, что позволило достичь среднего значения F1-score на уровне 0,89 для класса «водный объект» на валидационной выборке.

Параллельно с этим была реализована интеграция сверточных нейронных сетей (CNN) для более точной сегментации гидрографических объектов, особенно в условиях сильной пространственной неоднородности и наличия мелких термокарстовых озер. Архитектура CNN была построена на основе модифицированной модели U-Net, хорошо зарекомендовавшей себя в задачах семантической сегментации спутниковых изображений. Входными данными для сети служили мультиспектральные сцены размером 256x256 пикселей, предварительно прошедшие этап нормализации и аугментации (повороты, отражения, изменение яркости). Обучение проводилось на графических процессорах NVIDIA Tesla V100 с использованием оптимизатора Adam и функции потерь Dice Loss, что позволило эффективно справляться с дисбалансом классов, характерным для гидрографических объектов. Результаты сегментации показали, что CNN обеспечивает средний IoU на уровне 0,82 для тестовых участков, что на 7-9% выше по сравнению с использованием только пороговых методов на основе спектральных индексов. Обучение моделей машинного обучения проводилось на данных, собранных в различные сезоны (июнь-сентябрь), что позволило учесть сезонную динамику водного зеркала и минимизировать влияние снежного покрова и ледостава. Для повышения робастности классификаторов в обучающую выборку были включены сцены с частичной облачностью и тенями от рельефа, что позволило модели лучше обобщать и корректно выделять водные объекты в сложных условиях освещения [40].

Обсуждение вопросов масштабируемости и производительности программного комплекса является критически важным аспектом, учитывая значительные объемы спутниковых данных, необходимых для анализа гидрографических объектов в масштабах криолитозоны. Для обеспечения эффективной обработки больших массивов растровых данных была реализована поддержка параллельных вычислений с использованием технологий OpenMP (Open Multi-Processing) для многоядерных центральных процессоров и MPI (Message Passing Interface) для распределенных вычислительных кластеров. Модуль предобработки данных, включающий радиометрическую и атмосферную коррекцию, а также репроецирование снимков, был оптимизирован для работы в многопоточном режиме. Процедура вычисления спектральных индексов для сцены Sentinel-2 размером 10980x10980 пикселей при использовании 16 ядер CPU занимает в среднем 12 секунд, что в 14 раз быстрее по сравнению с последовательной обработкой. Для модуля машинного обучения, особенно при работе со сверточными нейронными сетями, была предусмотрена возможность использования графических процессоров через библиотеки CUDA и cuDNN, что позволяет сократить время инференса модели на одну сцену до 3-5 секунд.

Особое внимание было уделено оптимизации работы с растровыми данными, которые могут достигать объема в несколько гигабайт. Для этого был реализован механизм блочной обработки (tiling), при котором исходное изображение разбивается на перекрывающиеся блоки фиксированного размера (512x512 пикселей), обрабатываемые независимо друг от друга. Это позволяет эффективно использовать оперативную память и избежать ее переполнения при работе с крупномасштабными сценами. Для ускорения операций ввода-вывода используется формат хранения данных Cloud Optimized GeoTIFF (COG), поддерживающий частичную загрузку файлов и эффективную передачу данных по сети. Для распределенных вычислений на кластерах была разработана система на основе MPI, где каждый процесс обрабатывает свой набор блоков, а результаты затем агрегируются с помощью редукционных операций. Тестирование на кластере из 32 узлов показало, что обработка 100 сцен Landsat-8 (общим объемом около 50 ГБ) занимает примерно 45 минут, что делает комплекс пригодным для оперативного мониторинга гидрографических объектов на региональном уровне. Архитектура программного комплекса предусматривает возможность динамического масштабирования: при увеличении количества доступных вычислительных ресурсов производительность растет практически линейно, что подтверждается результатами тестов на масштабируемость.

Анализ устойчивости программного комплекса к помехам является неотъемлемой частью его разработки, поскольку спутниковые данные для криолитозоны характеризуются высокой степенью зашумленности. Основными источниками помех являются облачность, тени от облаков и рельефа, а также сезонные изменения освещенности, особенно в период полярного дня и ночи. Для обработки облачности был реализован многоступенчатый алгоритм, включающий использование маски облачности FMask (Function of Mask) для снимков Landsat и Sentinel-2, а также дополнительную фильтрацию на основе пороговых значений в тепловом инфракрасном канале. Пиксели, идентифицированные как облачные, исключаются из дальнейшего анализа, а для заполнения пропусков в временных рядах применяются методы интерполяции: линейная интерполяция и метод взвешенных средних на основе соседних безоблачных сцен. Для обработки теней, которые часто ошибочно классифицируются как водные объекты из-за низких значений отражательной способности, был разработан специализированный модуль, использующий геометрическую модель положения Солнца и рельефа для расчета областей возможного затенения. Пиксели, попадающие в эти области, маркируются как «тень» и не учитываются при классификации водных объектов. Дополнительно применяется текстурный анализ: тени, в отличие от водной поверхности, имеют более высокую пространственную неоднородность, что позволяет разделить эти классы с помощью фильтров Габора и статистик второго порядка.

Сезонные изменения освещенности, особенно в высоких широтах, приводят к значительным вариациям спектральных характеристик водных объектов. Для компенсации этих эффектов в программный комплекс была включена процедура нормализации снимков по солнечному зенитному углу, а также используются относительные спектральные индексы, менее чувствительные к изменениям освещенности. Для анализа временных рядов применяются методы адаптивной фильтрации, такие как фильтр Савицкого-Голая, позволяющий сглаживать краткосрочные флуктуации, вызванные атмосферными условиями, и выделять долгосрочные тренды. Для обработки сезонных изменений, связанных с замерзанием и оттаиванием водных объектов, используется алгоритм BFAST, разлагающий временной ряд на сезонную, трендовую и остаточную компоненты, что позволяет корректно детектировать изменения гидрографической сети, не связанные с естественными циклическими процессами. Тестирование устойчивости на тестовых участках с высокой облачностью (до 70% сцен) показало, что комплекс сохраняет работоспособность и обеспечивает корректное выделение водных объектов в 85% случаев, что является приемлемым показателем для мониторинговых задач в условиях Арктики [51].

Описание подсистемы верификации результатов является ключевым элементом для подтверждения достоверности получаемых данных. Подсистема верификации реализована как отдельный модуль, позволяющий проводить сравнение результатов автоматической классификации с эталонными данными, полученными из нескольких источников: данные полевых наблюдений, собранные на тестовых участках криолитозоны с помощью GPS-треков и беспилотных летательных аппаратов (БПЛА), а также высокодетальные космические снимки (GeoEye-1, WorldView-2) с пространственным разрешением до 0,5 м. Для количественной оценки точности применяется набор стандартных метрик: F1-score, Intersection over Union (IoU), среднеквадратическая ошибка (RMSE) для оценки площади водных объектов, а также матрица ошибок (confusion matrix). Процесс верификации автоматизирован: модуль загружает эталонные векторные слои, преобразует их в растровую маску с разрешением, соответствующим обрабатываемым спутниковым данным, и проводит попиксельное сравнение с результатами классификации.

Расчет метрик точности проводится отдельно для различных типов гидрографических объектов (озера, реки, болота) и для различных сезонов, что позволяет выявить сильные и слабые стороны алгоритмов. Для термокарстовых озер средний F1-score составляет 0,91, для мелких водотоков (шириной менее 10 м) этот показатель снижается до 0,74 из-за ограничений пространственного разрешения спутниковых данных. Для оценки точности детектирования изменений используется дополнительная метрика — коэффициент корреляции между площадями водных объектов, рассчитанными по спутниковым данным и по эталонным наблюдениям за многолетний период. На тестовом участке «Ямал» этот коэффициент составил 0,93, что свидетельствует о высокой согласованности результатов. Для визуальной верификации модуль генерирует карты ошибок, на которых цветом выделяются пиксели истинно-положительных, ложноположительных и ложноотрицательных классификаций, что позволяет исследователю быстро оценить пространственное распределение ошибок и при необходимости скорректировать параметры алгоритмов. Все результаты верификации сохраняются в структурированном виде (JSON, CSV) для последующего статистического анализа и формирования отчетов.

Обсуждение возможностей интеграции с внешними ГИС-системами и облачными платформами является важным аспектом, определяющим практическую ценность разработанного программного комплекса. Для обеспечения совместимости с наиболее распространенными геоинформационными системами, такими как QGIS и ArcGIS, были реализованы экспортные модули, поддерживающие форматы Shapefile, GeoJSON, GeoTIFF и KML. Результаты классификации и детектирования изменений могут быть напрямую загружены в ГИС-среду в виде векторных слоев с атрибутивной информацией (площадь, периметр, дата съемки, значение спектральных индексов). Разработан плагин для QGIS, позволяющий запускать основные функции программного комплекса непосредственно из интерфейса ГИС, что упрощает работу для конечных пользователей, не имеющих навыков программирования. Плагин предоставляет доступ к модулям загрузки данных, предобработки, классификации и визуализации, а также позволяет настраивать параметры алгоритмов через графический интерфейс.

Интеграция с облачными платформами, в первую очередь с Google Earth Engine (GEE), реализована на уровне обмена данными и вызова вычислительных функций. Программный комплекс может отправлять запросы к GEE для получения предварительно обработанных спутниковых сцен (Landsat, Sentinel-2, MODIS) за заданный временной период и географический регион, что существенно сокращает время на загрузку и предобработку данных. В обратном направлении результаты анализа, полученные с помощью разработанных алгоритмов, могут быть экспортированы в GEE для дальнейшего использования в веб-приложениях и интерактивных картах. Предусмотрена возможность запуска отдельных модулей комплекса (вычисление спектральных индексов или пороговая классификация) непосредственно в среде GEE с использованием JavaScript API, что позволяет обрабатывать данные без необходимости их локального скачивания. Для расширения функционала и обеспечения доступа к вычислительным ресурсам была разработана REST API, позволяющая сторонним приложениям и сервисам взаимодействовать с программным комплексом через HTTP-запросы. API поддерживает аутентификацию, управление задачами (загрузка, выполнение, получение результатов) и мониторинг статуса обработки, что открывает возможности для интеграции комплекса в более крупные системы экологического мониторинга и создания веб-сервисов для широкого круга пользователей.

Важным аспектом архитектуры, обеспечивающим её гибкость и адаптируемость к различным исследовательским задачам, является реализация подсистемы управления конфигурацией и параметрами алгоритмов. Вместо жестко заданных порогов или фиксированных архитектур нейронных сетей, программный комплекс использует файлы конфигурации в формате YAML, которые позволяют исследователю динамически изменять ключевые параметры обработки: размер скользящего окна для текстурного анализа, количество деревьев в ансамбле случайного леса, архитектуру сверточной нейронной сети (количество слоев, типы активационных функций), а также спектральные индексы, используемые для предварительной фильтрации. Такой подход, как отмечается в работах по проектированию гибких систем анализа геоданных [54], позволяет проводить серии экспериментов без необходимости перекомпиляции исходного кода, что критически важно для исследовательской деятельности. Кроме того, модуль конфигурации поддерживает версионирование параметров, что обеспечивает воспроизводимость результатов — фундаментальное требование для научных публикаций и верификации выводов. Пользователь может сохранить профиль настроек для конкретного региона (например, для дельты Лены или Ямала) и впоследствии применить его к новым данным, обеспечивая преемственность методологии.

Отдельного внимания заслуживает реализация модуля пространственно-временного анализа, который выходит за рамки простого попарного сравнения снимков. В отличие от традиционных подходов, фиксирующих изменения между двумя датами, разработанный комплекс позволяет строить непрерывные временные ряды гидрологических характеристик (площадь водной поверхности, изрезанность береговой линии, средняя температура водного объекта) на основе всех доступных безоблачных сцен за период наблюдения. Для этого используется метод кусочно-линейной аппроксимации трендов (Piecewise Linear Trends), который автоматически выявляет точки структурных сдвигов в динамике объекта — моменты резкого увеличения площади озера вследствие термокарстовой просадки или, наоборот, его спуска. Данный метод, адаптированный из климатологии [55], позволяет различать краткосрочные сезонные колебания (например, летнее таяние ледового покрова) и долгосрочные тренды, связанные с деградацией многолетней мерзлоты. Алгоритм также включает фильтр для удаления выбросов, вызванных остаточными атмосферными помехами или ошибками маски облачности, что повышает достоверность выявленных трендов. Результаты пространственно-временного анализа визуализируются в виде графиков и анимаций, что облегчает интерпретацию сложных процессов эволюции гидрографических объектов.

Практические рекомендации по эксплуатации комплекса вытекают из его архитектурных особенностей и результатов тестирования. Во-первых, для достижения максимальной точности классификации на новом, ранее не изученном участке криолитозоны, рекомендуется проводить процедуру тонкой настройки (fine-tuning) предобученной сверточной нейронной сети. Для этого достаточно собрать 50-100 эталонных разметок (полигонов «вода» и «не вода») по данным высокого разрешения (например, спутников GeoEye или WorldView), доступным через Google Earth Engine. Как показали эксперименты, это позволяет повысить F1-score на 0.05-0.08 по сравнению с использованием модели, обученной на общем датасете. Во-вторых, при обработке больших регионов (площадью более 10 000 км²) критически важно правильно настроить параметры блочной обработки. Рекомендуется выбирать размер блока, кратный размеру тайла в GEE (256x256 пикселей), чтобы минимизировать накладные расходы на передачу данных. В-третьих, для оперативного мониторинга (например, при отслеживании паводковой обстановки) следует использовать упрощенный конвейер, основанный только на пороговой классификации по индексу NDWI, который выполняется за 2-3 минуты на сцену Landsat-8, в то время как полный конвейер с машинным обучением требует 15-20 минут.

В заключение следует подчеркнуть, что разработанная архитектура программного комплекса представляет собой не просто набор алгоритмов, а целостную, методологически обоснованную систему, ориентированную на решение специфических задач анализа гидрографических объектов в криолитозоне. Ключевым достижением является создание гибридного подхода, который объединяет скорость и простоту пороговых методов с адаптивностью и точностью методов машинного обучения. Модульность, поддержка параллельных вычислений и глубокая интеграция с облачными платформами обеспечивают как высокую производительность при обработке больших данных, так и гибкость в настройке под конкретные исследовательские вопросы. Реализованные механизмы верификации и управления конфигурацией гарантируют воспроизводимость и объективность получаемых результатов, что является необходимым условием для их использования в научных публикациях и при принятии управленческих решений. Таким образом, предложенный программный комплекс не только автоматизирует рутинные операции по дешифрированию спутниковых снимков, но и предоставляет исследователю мощный аналитический инструментарий для выявления и интерпретации сложных пространственно-временных закономерностей в динамике водных объектов мерзлотных ландшафтов.

3.2 Экспериментальные исследования на тестовых участках криолитозоны: сбор данных, калибровка и верификация результатов

Разработка алгоритмического и программного обеспечения для анализа изменений гидрографических объектов в криолитозоне требует обязательной экспериментальной апробации на реальных данных. Теоретические модели и алгоритмы не могут быть признаны валидными без подтверждения их работоспособности в условиях, приближенных к натурным. Верификация разработанного программного комплекса на тестовых участках позволяет не только оценить точность детектирования изменений, но и выявить систематические ошибки, обусловленные спецификой мерзлотных ландшафтов, сезонной динамикой водных объектов и особенностями спутниковой съемки в высоких широтах. Экспериментальные исследования выполняют функцию обратной связи, обеспечивая итеративную корректировку алгоритмов и повышение достоверности конечных результатов.

Выбор тестовых участков для проведения экспериментальных исследований осуществлялся на основе ряда критериев, обеспечивающих репрезентативность получаемых данных. Географическое положение участков должно охватывать различные подзоны криолитозоны, включая зоны сплошного и прерывистого распространения многолетнемерзлых пород, что позволяет оценить универсальность разработанных алгоритмов. Участки должны содержать гидрографические объекты различных типов: термокарстовые озера, русла рек с меандрирующим характером, сезонные водотоки и болотные комплексы. Критически важным является доступность качественных спутниковых данных за период 2020–2024 гг. с минимальным уровнем облачности и наличие эталонных наземных измерений. В качестве репрезентативных полигонов были выбраны три ключевые территории: дельта реки Лены (район острова Самойловский), Центральная Якутия (окрестности г. Якутска) и полуостров Ямал (район Бованенковского месторождения). Эти участки характеризуются высокой динамикой гидрографической сети и хорошо изучены в рамках предшествующих научных проектов, что обеспечивает наличие верификационных данных [51].

Источниками спутниковых данных для экспериментальных исследований послужили мультиспектральные изображения, полученные сенсорами MSI (MultiSpectral Instrument) спутников Sentinel-2A и Sentinel-2B Европейского космического агентства, а также сенсорами OLI/TIRS (Operational Land Imager/Thermal Infrared Sensor) спутников Landsat-8 и Landsat-9. Выбор данных сенсоров обусловлен их оптимальным пространственным разрешением (10–30 м в видимом и ближнем инфракрасном диапазонах), достаточным для детектирования гидрографических объектов площадью от 0,1 га, и наличием регулярных временных рядов с периодичностью 5–16 суток. Для анализа использовались сцены, охватывающие безледный период (июнь–сентябрь) за 2020–2024 гг., что позволило минимизировать влияние снежного покрова и сезонного промерзания водоемов. Всего было отобрано и обработано более 120 мультиспектральных сцен, обеспечивающих достаточное временное разрешение для анализа межгодовой и внутрисезонной динамики гидрографических объектов.

Методика сбора и предобработки спутниковых данных включала несколько последовательных этапов. На первом этапе осуществлялась загрузка сцен уровня L1C (для Sentinel-2) и L1TP (для Landsat-8/9) из открытых архивов. Далее проводилась атмосферная коррекция с использованием алгоритма Sen2Cor для данных Sentinel-2 и алгоритма LaSRC для Landsat, что позволило перевести значения цифровых отсчетов в значения коэффициентов спектральной яркости на поверхности. После атмосферной коррекции применялась процедура маскирования облачности и теней от облаков на основе встроенных масок качества (Scene Classification Layer для Sentinel-2 и CFMask для Landsat). Завершающим этапом предобработки являлось формирование временных серий: все сцены были геометрически привязаны к единой системе координат (WGS 84, зона UTM) и выполнен ресемплинг к единому пространственному разрешению (10 м для Sentinel-2 и 30 м для Landsat). Для обеспечения сопоставимости данных с разных сенсоров была выполнена кросс-калибровка спектральных каналов.

Процесс калибровки алгоритмов детектирования водных объектов включал настройку пороговых значений спектральных индексов и параметров моделей машинного обучения на основе эталонных данных. В качестве эталонных данных использовались векторные слои гидрографических объектов, полученные в результате визуального дешифрирования сверхвысокого разрешения (спутниковые снимки GeoEye-1, WorldView-2 с разрешением 0,5–2 м) и наземных геодезических измерений. Для калибровки пороговых методов применялись индексы NDWI (Normalized Difference Water Index) и MNDWI (Modified Normalized Difference Water Index). Оптимальные пороговые значения подбирались путем минимизации ошибок первого и второго рода на обучающей выборке, составившей 30% от общего числа эталонных объектов. Для алгоритмов машинного обучения (случайный лес, метод опорных векторов) калибровка заключалась в подборе гиперпараметров (количество деревьев, глубина, тип ядра) на основе кросс-валидации с пятью блоками. Оценка точности выделения водных объектов на тестовых участках проводилась с использованием метрик F1-score (гармоническое среднее точности и полноты) и IoU (Intersection over Union, коэффициент Жаккара). Первые результаты калибровки показали, что для пороговых методов наилучшие значения F1-score (0,89–0

Заключение

В диссертационном исследовании решена научно-техническая задача создания алгоритмического и программного обеспечения для анализа изменений гидрографических объектов в криолитозоне по данным спутниковых наблюдений. Проведенная работа позволила систематизировать существующие подходы, разработать оригинальные методики и реализовать их в виде программного комплекса. Это подтверждает достижение поставленной цели.

Результаты решения задач исследования

Первая задача — анализ теоретических основ и современных методов спутникового мониторинга гидрографических объектов в криолитозоне — решена в первой главе. Установлено, что гидрографические объекты криолитозоны (термокарстовые озера, аласы, полигональные каналы) обладают высокой пространственно-временной изменчивостью. Она обусловлена процессами деградации многолетнемерзлых пород. Существующие спутниковые сенсоры (Landsat, Sentinel-2, MODIS) позволяют получать данные с достаточным пространственным и временным разрешением. Однако их применение осложняется специфическими условиями высоких широт: облачностью, низкой освещенностью, снежным покровом.

Анализ спектральных индексов (NDWI, MNDWI, AWEI) показал их ограниченную эффективность для выделения водных объектов на фоне мерзлотных ландшафтов. Это обосновало необходимость разработки специализированных алгоритмов. Существующие программные решения (Google Earth Engine, ArcGIS Pro) предоставляют базовые инструменты, но не адаптированы для автоматизированного анализа временных рядов в условиях криолитозоны. Данный факт подтвердил актуальность разработки собственного программного обеспечения.

Вторая задача — разработка методики и алгоритмического обеспечения — решена во второй главе. На основе формализации задачи построена концептуальная модель анализа временных рядов. Она учитывает сезонные и многолетние циклы изменений гидрографических объектов. Разработаны методы предобработки спутниковых изображений: коррекция атмосферных искажений, маскирование облачности и снежного покрова, процедура нормализации данных для обеспечения сопоставимости разновременных снимков.

Для выделения гидрографических объектов предложен комбинированный подход. Он основан на пороговых методах (адаптивный порог по гистограмме) и алгоритмах машинного обучения (метод опорных векторов, случайный лес). Это позволило повысить точность классификации в условиях неоднородного фона. Разработан алгоритм детектирования изменений, использующий анализ текстурных признаков (энтропия, контраст, однородность) и временных трендов. Алгоритм выявляет как резкие изменения (спуск озера), так и постепенные (изменение береговой линии).

Третья задача — практическая реализация и апробация программного комплекса — решена в третьей главе. Разработана модульная архитектура программного обеспечения. Она включает блоки предобработки, классификации, детектирования изменений и визуализации результатов. Программный комплекс реализован на языке Python с использованием библиотек GDAL, scikit-learn, OpenCV и NumPy. Это обеспечивает его кроссплатформенность и масштабируемость.

Экспериментальные исследования проведены на тестовых участках криолитозоны в зоне сплошного распространения многолетнемерзлых пород (полуостров Ямал, Центральная Якутия). Обработаны временные ряды спутниковых данных за период 2000–2023 годов. Калибровка алгоритмов проводилась на основе эталонных данных, полученных по результатам полевых исследований и анализа космических снимков сверхвысокого разрешения.

Таблица 1 – Результаты верификации разработанного программного комплекса

Сравнительный анализ с использованием Google Earth Engine и стандартных методов (NDWI) подтвердил эффективность предложенного подхода. Особенно заметно преимущество в условиях малоконтрастных изображений и при наличии сезонных помех.

Научные выводы

Динамика гидрографических объектов в криолитозоне носит нелинейный характер. Она зависит от комплекса факторов: климатических изменений (повышение среднегодовой температуры, увеличение количества осадков) и локальных геокриологических условий. Комбинирование пороговых методов и алгоритмов машинного обучения позволяет существенно повысить робастность классификации водных объектов в условиях высоких широт по сравнению с использованием только спектральных индексов. Анализ текстурных признаков и временных трендов является эффективным инструментом для детектирования как катастрофических, так и эволюционных изменений. Это важно для прогнозирования развития термокарстовых процессов.

Научная новизна

Впервые предложен комплексный подход к анализу изменений гидрографических объектов криолитозоны. Он объединяет методы предобработки спутниковых данных, адаптивную классификацию на основе машинного обучения и детектирование изменений с использованием текстурных признаков. Разработана оригинальная методика калибровки алгоритмов с учетом специфики мерзлотных ландшафтов. Это позволило повысить точность и надежность результатов. Созданное программное обеспечение отличается модульной архитектурой и возможностью настройки параметров под различные типы гидрографических объектов и регионы исследования.

Практическая значимость

Результаты исследования могут применяться в деятельности научно-исследовательских организаций, занимающихся мониторингом криолитозоны (Институт мерзлотоведения СО РАН). Они также полезны для природоохранных служб и компаний, осуществляющих хозяйственную деятельность в Арктической зоне. Разработанный программный комплекс может быть интегрирован в существующие геоинформационные системы для оперативного контроля состояния водных объектов и прогнозирования их изменений. Предложенные алгоритмы могут использоваться для создания региональных карт динамики термокарстовых озер. Это важно для оценки эмиссии парниковых газов и баланса углерода в мерзлотных экосистемах.

Направления дальнейших исследований

Перспективным является расширение спектра используемых спутниковых данных за счет включения радиолокационных снимков (Sentinel-1, ALOS PALSAR). Это позволит проводить анализ в условиях облачности и полярной ночи. Требуется дальнейшее совершенствование алгоритмов машинного обучения. В частности, применение методов глубокого обучения (сверточные нейронные сети) для автоматического выделения гидрографических объектов на изображениях с различным пространственным разрешением. Актуальным является создание прогностических моделей, основанных на анализе временных рядов и климатических сценариев. Это позволит оценивать будущие изменения гидрографической сети криолитозоны. Целесообразно проведение валидации разработанного программного комплекса на более широком наборе тестовых участков. Необходимо включить зоны прерывистого и островного распространения многолетнемерзлых пород, а также территории с активным техногенным воздействием.

Выполненное диссертационное исследование представляет собой законченную научно-квалификационную работу. В ней решена задача, имеющая существенное значение для развития методов дистанционного зондирования Земли и геокриологии. Личный вклад автора заключается в формулировке научной проблемы, разработке теоретических положений, создании алгоритмического и программного обеспечения, проведении экспериментальных исследований и интерпретации полученных результатов. Выводы и рекомендации обоснованы и подтверждены фактическими данными. Разработанные решения могут быть рекомендованы к внедрению в практику мониторинга состояния криолитозоны и дальнейшему развитию в рамках последующих научных проектов.

Список использованных источников