Физика высокого разрешения, превращающая микроволновые эхо в информацию о наводнениях в реальном времени
Делиться
Когда я впервые начал изучать спутниковые данные, мне казалось совершенно невозможным, что космический аппарат, вращающийся вокруг Земли на расстоянии нескольких сотен километров, может увидеть затопленную улицу в моём городе. Наводнения — это очень беспорядочно, грязно и, как правило, непредсказуемо. Однако за последние пару лет радиолокационные спутники стали очень чувствительными, а алгоритмы — очень интеллектуальными, так что теперь можно отслеживать воду, протекающую через дома, поля и берега рек. Я написал эту статью, чтобы объяснить, как работает этот трюк. Это не идеальная версия «ИИ + спутники = магия», а реальная, с точки зрения человека, который провёл множество ночей, разглядывая изображения с помощью РСА (радиолокатора с синтезированной апертурой), полные шума, пытаясь понять, что они на самом деле означают.
Моя основная идея: чтобы иметь возможность определять местонахождения наводнений в режиме реального времени и полагаться на такие карты, необходимо выйти за рамки оптических изображений и понять геометрию обратного рассеяния радиолокационных станций (SAR). Индийская программа RISAT (Radar Imaging Satellite) — отличный пример того, как физические конвейеры данных могут обеспечить стабильность и независимость от погодных условий, необходимые для своевременной передачи информации о наводнениях, которая может быть использована в ситуациях экстремальных катастроф, таких как сезон муссонов.
Странная красота и физика данных SAR
Большинство людей представляют себе спутники как устройства для фотосъёмки, но SAR существенно отличается от фотоаппарата. Он не регистрирует свет, а, по сути, генерирует свой собственный свет. В случае такого спутника, как RISAT, это активная операция, при которой спутник посылает на Землю концентрированный пучок микроволн и регистрирует ничтожно малую часть энергии, отражённой обратно к нему, что называется «обратным рассеянием».
Почему вода кажется темной (эффект зеркального отражения)
Яркость получаемого изображения не является мерой видимого света, а отражает изменение энергии радара при взаимодействии с поверхностью, находящейся под ним. Такое взаимодействие зависит от шероховатости поверхности и её свойств по отношению к длине волны радара.
- Сухие, шероховатые поверхности (растительность, городские районы): радиолокационные волны рассеиваются во многих направлениях при столкновении с шероховатой поверхностью, подобно свету, падающему на смятый кусок фольги. Значительная часть этой рассеянной энергии возвращается на спутник → Яркие пиксели.
- Гладкая водная поверхность: спокойная водная поверхность подобна очень гладкому зеркалу. Когда радиолокационные волны падают на неё, они отражают почти всю энергию от спутника, подобно тому, как зеркало отражает свет в одном направлении. Лишь очень небольшое количество энергии возвращается обратно на датчик → Тёмные пиксели (что указывает на очень низкий уровень обратного рассеяния).
Такая способность проникать сквозь темноту, дождь, пыль и дым делает поисково-спасательные средства незаменимыми при ликвидации последствий стихийных бедствий в облачной среде с высокой влажностью.
Основной процесс картографирования наводнений: от эха к карте
Спутниковый снимок SAR недоступен для скачивания напрямую. Обычно процесс обнаружения наводнений с помощью RISAT представляет собой хорошо организованный, основанный на физических принципах процесс обработки данных. Любая ошибка, допущенная на начальном этапе, может испортить все последующие результаты, поэтому тщательная обработка данных крайне важна.
1. Подготовка радиолокационных данных
По сути, первый шаг — это изменение исходных данных спутника таким образом, чтобы они отражали содержательные измерения обратного рассеяния. Это делает числовые значения на снимке достоверным представлением поверхности Земли, которое можно надёжно сравнивать с другими снимками.
2. Уменьшение шума на изображении
Спекл — это зернистый, похожий на соль с перцем шум, присущий снимкам SAR. Этот шум следует уменьшить таким образом, чтобы не размывать контуры местности, в частности, резкие границы между сушей и водой.
Проблема: Неправильное использование метода шумоподавления может привести к потере мелких деталей затопления или изменению границ водоёмов. Недостаточно сильный метод оставляет слишком много шума, что может привести к ошибкам в определении затопленных территорий.
Решение: Это четкий результат изображения, который пригоден для анализа, поскольку в него включены специализированные фильтры, сглаживающие шумные участки, сохраняя при этом важные края.
3. Обнаружение изменений: центральный элемент алгоритма
По сути, наводнение представляет собой существенное изменение отражательной способности поверхности для радиолокационной энергии — от ярко рассеивающей поверхности суши к тёмно рассеивающей водной поверхности. Таким образом, сравнение радиолокационного изображения, полученного до наводнения, с тем, которое получено после него, позволяет определить точные места затопления.
Один из наиболее эффективных методов — определить разницу в яркости между снимками, сделанными до и после наводнения. На участках, где суша превратилась в воду, разница будет огромной, что позволит практически полностью определить затопленную территорию.
4. Изоляция и уточнение зон затопления
Последние операции направлены на поиск пикселей, соответствующих затопленным областям, и обеспечение корректности карты:
- Пороговое определение: автоматический метод определяет местоположение пикселей, изменение которых достаточно существенно, чтобы считать их «затопленными». Таким образом, получается первая карта затопленных областей.
- Использование дополнительных данных: Для повышения точности мы используем различные типы географических данных. Например, мы исключаем зоны, постоянно находящиеся под водой (например, постоянные озёра или реки), и не учитываем очень крутые склоны (которые иногда могут ошибочно восприниматься как тёмные области на радиолокационных снимках из-за теней). Это позволяет избавиться от ложных срабатываний и гарантировать точность итоговой карты наводнений.
Нюансы настроек радара и вмешательство человека
Одним из небольших решений, которое имеет большее влияние, чем алгоритм, является выбор правильных настроек радара, особенно способа отправки и приема радиолокационных волн (известного как поляризация).
Различные конфигурации поляризации позволяют выявить различные аспекты рельефа. При мониторинге наводнений обычно выбирается определённая настройка поляризации (часто называемая VV-поляризацией), поскольку она обеспечивает максимальный контраст между тёмным сигналом, исходящим от воды, и светлым сигналом, исходящим от окружающей суши.
Почему человеческое суждение всё ещё превосходит чистый ИИ
В современных условиях оперативного картирования наводнений традиционные методы дают более надёжные результаты, чем сложные модели искусственного интеллекта. Это объясняется, главным образом, большей последовательностью и адаптивностью традиционных методов.
- Проблема ИИ: универсальные модели ИИ с трудом справляются с шумом, присущим радиолокационным данным. Кроме того, эти модели дают сбои при переносе в новую географическую область. Например, модель ИИ, обученная на наводнениях в равнинной части города, может оказаться неприменимой в холмистой местности, в дельте реки, занятой сельскохозяйственными угодьями.
- Человеческий фактор: даже при использовании одних и тех же спутниковых данных два эксперта-аналитика могут составить несколько разные карты наводнений. Это не неточность, а скорее нюанс. Аналитик применяет свои знания к:
- Отрегулируйте зоны затопления в соответствии с местными условиями (понимая, что затопленное рисовое поле будет выглядеть иначе, чем затопленная дорога).
- Сопоставьте необходимость обнаружения всех затопленных территорий с возможностью определения незатопленных территорий как затопленных (ложная тревога).
Хотя ИИ постепенно набирает популярность, он в основном выполняет вспомогательную функцию. Передовые методы используют надёжные физические принципы радаров в сочетании с ИИ, чтобы не только сузить границы обнаружения, но и повысить уровень детализации. При этом понимание физики радаров остаётся главным фактором, а ИИ используется для улучшения конечного продукта.
Заключение
Программа RISAT — одна из таких инициатив, которая, по сути, решает эту задачу, предоставляя согласованные и надёжные данные, играющие ключевую роль в преобразовании хаоса наводнений в управляемую стратегическую геопространственную информацию. В настоящее время картирование наводнений, по сути, представляет собой точку конвергенции новейших достижений в области физических моделей, обработки данных и применения геопространственных знаний людьми.
Понимание и интерпретация паттернов обратного рассеяния — ключевой шаг на пути от простого визуального восприятия катастрофы к глубокому пониманию её масштабов и хода развития, что позволит своевременно принять меры. Кроме того, RISAT и аналогичные инициативы следует рассматривать не как просто технологические устройства, размещённые где-то в космосе, а как незаменимые инструменты, обеспечивающие гармоничное функционирование экосистем аналитиков и спасателей. То есть, чем быстрее и точнее становятся наши карты, тем быстрее спасательные команды могут мобилизоваться и выполнять свои задачи — прекрасный пример того, как наука о данных может принести непосредственную пользу человечеству.
Спасибо за посещение и чтение.
Ссылки
- ISRO, «Обзор миссии RISAT-1A» (2022 г.), веб-сайт ISRO.
- ЕКА, «Учебные пособия по обработке данных SAR Sentinel-1» (2021), документация ЕКА.
- Джайн, Кумар, Сингх. «Методы картирования наводнений на основе SAR: обзор» (2020), Приложения дистанционного зондирования.
- NRSC, «Атлас опасности наводнений в Индии» (2019), Отчет Национального центра дистанционного зондирования.
- Шуман и Моллер, «Микроволновое дистанционное зондирование наводнений» (2015), Журнал гидрологии.
Источник: towardsdatascience.com
