Artikkel annab ülevaate projekti „Jääkaardi koostamise infosüsteemi loomine“ raames satelliitide Sentinel-1, -2 ja -3 andmetest loodud produktidest, mida kasutatakse jääkaardi koostamisel ning jagatakse avalikkusele veebirakenduse kaudu.
Merejää tekkimine, arenemine ja liikumine on keeruline ja nende protsesside modelleerimine Läänemeres on endiselt probleem. Läänemerd kirjeldavates hüdrodünaamilistes mudelites on püütud merejää olemasolu võimalikult täpselt kirjeldada erinevate parametriseeringute kaudu (Rogers ja Zieger, 2004; Pemperton jt, 2017; Tuomi jt, 2019). Lisaks numbrilistele mudelitele on tänapäeval peamiseks jääinfo allikaks radarsatelliitide andmed (Radarsat-2, Sentinel-1 jt). Just Sentinel-1 SAR andmete olemasolu on Läänemere piirkonna jääseirevõimekust oluliselt parandanud. Näiteks on Copernicuse mereseireteenuse (CMEMS) raames loodud merejää dünaamikat jälgiv produkt, mis töötab Sentinel-1 EW ja AMSR2 andmete põhjal (Karvonen, 2012).
Ülevaade radarandmete põhjal jääpiiri, -tüüpide ja -nähtuste tuvastamiseks loodud produktidest on toodud artiklis Zakhvatkina jt, 2019. Jää- ja veepinna tuvastamiseks on testitud mitmeid masinõppel põhinevaid meetodeid: lineaarne 54 regressioonanalüüs, tugivektorklassifitseerijad (Support Vector Machines), gradiendi võimendamine (Gradient Boosting), närvivõrgud (NN) (Zakhvatkina jt, 2019). Algselt kasutatud tugivektormeetod (Zakhvatkina jt, 2017; Hong ja Yang, 2018) on hiljem asendatud gradiendi võimendamise meetodiga ning mitmekihiliste närvivõrkude (Boulze jt, 2020) metoodikaga. Viimase kahe meetodi usaldusväärsus on kõrgem, mida näitab ka tõusev trend süvanärvivõrkude kasutamises radarsatelliidiandmete alusel pinnavormide ja objektide tuvastamisel (Zakhvatkina jt, 2019).
Tüüpiliselt saadakse sellistes ülesannetes mudelite hindamiskriteeriumitele väga kõrged väärtused, ka üle 95% (Ochilov jt, 2012; Laanemäe jt, 2017). Lisades ülesandepüstitusse eri jääklasside eristamise, jäävad tulemused märgatavalt kesisemaks (Kaleschke ja Kern, 2002; Bogdanov jt, 2005).
Projekti eesmärkide täitmiseks kasutati ESA Copernicuse programmi raames orbiidile viidud Sentinel-seeria satelliitide andmeid. Kõik andmed pärinevad riiklikust satelliidiandmete keskusest ESTHub.
Satelliidiinfo visuaalseks kuvamiseks on kasutatud multispektraalseid andmeid Sentinel-2/MSI ja Sentinel-3/OLCI instrumentidelt. Sentinel-2/MSI andmetest on koostatud kaks värvikomposiiti: a) RGB kanalite B04, B03, B01 põhjal ja b) valvevärvi RGB kanalite B12, B8A, B04 põhjal. Sentinel-3/OLCI instrumendi andmetest on joonistatud merevee värvi komposiit (ocean colour RGB), kasutades Pythoni kooditeeki Pytroll SatPy mooduliga (https://pytroll.github.io/). Sentinel-1 tehisavaradari (SAR) andmetele on üles ehitatud mitu jää parameetreid arvutavat töövoogu. Sentinel-1 andmetest on kasutuses nii kitsa (Interferometric Wide, IW) kui laia (Extra Wide, EW) skaneeringuga tehtud pildid, mille polarisatsioonirežiimid on vastavalt VV+VH ja HH+HV. Sentinel-1 tehisavaradari andmetele on rakendatud kalibreerimise ja müra eemaldamise funktsioonid, pärast mida on antud pildile L-EST97 projektsioon ja vähendatud piksli lahutust IW puhul 50 m ja EW puhul 100 m peale (joonis 1).
Eesti NATO Ühingu liige. Work experience: Mechanical Engineering, team/project management. Machine Learning and Aeronautics during Master's program.
LINKEDIN
