CC BY
16<Тешетневс^ие чтения. 2016
Библиографические ссылки
1. Kennedy J., Eberhart R. Particle Swarm Optimization // Proceedings of IEEE International Conference on Neural Networks. 1995. IV. Pp. 19421948,
2. Yang X. S., Deb S. Cuckoo search via Levy flights // Proceedings of World Congress on Nature & Biologically Inspired Computing. 2009. Pp. 210-214.
3. Storn R., Price K. Differential Evolution - A Simple and Efficient Heuristic for global Optimization over Continuous Spaces : Technical Report TR-95-012, ICSI, March 1995.
4. Brester C., Semenkin E., Sidorov M. Speech-based emotion recognition: Application of collective decision making concepts // Proceedings of the Intern. Conf. on Computer Science and Artificial Intelligence (ICCSAI2014). Wuhan, China. 2014. Pp. 216-220.
5. Sidorov M., Semenkin E., Minker W. Multi-agent cooperative algorithms of global optimization // Proceedings of 11th Intern. Conf. on in Control, Automation and Robotics (ICINCO). 2014. Vol. 1. Pp. 259-265.
6. Whitley D., Rana S., Heckendorn R. B. Island model genetic algorithms and linearly separable problems // Evolutionary computing. 1997. Pp. 109-125.
7. Potter M. A., De Jong K. A. A cooperative coevolutionary approach to function optimization // Parallel Problem Solving from NaturePPSN. 1994. III. Pp. 249-257.
References
1. Kennedy J., Eberhart R. Particle Swarm Optimization. Proceedings of IEEE International Conference on Neural Networks, IV. 1995. Pp. 1942-1948.
2. Yang X. S., Deb S. Cuckoo search via Levy flights. Proceedings of World Congress on Nature & Biologically Inspired Computing. 2009. Pp. 210-214.
3. Storn R., Price K. Differential Evolution - A Simple and Efficient Heuristic for global Optimization over Continuous Spaces. Technical Report TR-95-012, ICSI, March 1995.
4.Brester C., Semenkin E., Sidorov M. Speech-based emotion recognition: Application of collective decision making concepts. Proceedings of the International Conference on Computer Science and Artificial Intelligence (ICCSAI2014), Wuhan, China. 2014. Pp. 216-220.
5. Maxim Sidorov, Eugene Semenkin, Wolfgang Minker. Multi-agent cooperative algorithms of global optimization. Proceedings of 11th International Conference on in Control, Automation and Robotics (ICINCO). 2014. Vol. 1. Pp. 259-265,
6. Whitley D., Rana S., Heckendorn R. B. Island model genetic algorithms and linearly separable problems. Evolutionary computing. 1997. Pp. 109-125.
7. Potter M. A., De Jong K. A. A cooperative coevolutionary approach to function optimization. Parallel Problem Solving from NaturePPSN III. 1994. Pp. 249-257.
© Федотов Д. В., Сидоров М. Ю., 2016
УДК 528.8; 551.46
ВОЗМОЖНОСТИ РЕАЛИЗАЦИИ ЧИСЛЕННЫХ МОДЕЛЕЙ ВОДНЫХ ЭКОСИСТЕМ, ОСНОВАННЫХ НА СПУТНИКОВЫХ ДАННЫХ1
А. В. Картушинский
Сибирский федеральный университет Российская Федерация, 660041, г. Красноярск, просп. Свободный, 79 Институт биофизики СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50 E-mail: [email protected]
Обсуждаются проблемы использования спутниковых данных при численном моделировании динамических процессов в водных экосистемах. Рассматриваются возможности использования градиентных характеристик для моделирования динамических процессов в верхнем слое водных экосистем с использованием спутниковых данных по температуре, мутности и концентрации хлорофилла.
Ключевые слова: поверхностные фронтальные зоны, численное моделирование, градиентные поля, гидрологические процессы, нормализованный индекс мутности.
1 Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований в рамках научного проекта РФФИ № 13-05-00853 а.
Математические методы моделирования, управления и анализа данных.
ABOUT POSSIBILITIES OF THE NUMERICAL MODELING OF AQUATIC ECOSYSTEMS BASED ON SATELLITE DATA
A. V. Kartushinsky
Siberian Federal University 79, Svobodnyi Av., Krasnoyarsk, 660041, Russian Federation
Institute of Biophysics SB RAS 50, Akademgorodok, Krasnoyarsk, 660036, Russian Federation E-mail: [email protected]
In this work discussed possibilities of the numerical modeling based on satellite data by gradient parameters. For study of the dynamic processes in aquatic systems we used numerical model based on satellite data. Temperature, turbidity, chlorophyll concentration and their gradients in different aquatic systems for different periods of time was studied.
Keywords: sea surface frontal zones, numerical modeling, gradient fields, hydrological processes, Normalized Difference Turbidity Index.
Введение. Развитие дистанционных методов зондирования Земли и накопленный объем спутниковых данных о состоянии поверхности водных систем подразумевает совершенствование прогностических моделей для численного моделирования динамических процессов и явлений. Определение условий развития и масштабов гидрологических процессов необходимо для мониторинга экологического состояния водных систем, включая океаны, моря и водные объекты суши. Расчет пространственных градиентов по спутниковым данным позволяет проводить оценку пространственных и временных масштабов формирования зон с высокими значениями градиентов. Возможные условия действующих факторов и физические механизмы взаимодействия гидробиологических и гидрологических компонент необходимо изучать с использованием методов численного моделирования.
Материалы и методы. Спутниковые данные, полученные различными сканерами SeaWiFS, CZCS, AVHRR, MODIS, SPOT, LANDSAT, AQUARIUS, использовались для расчетов градиентных характеристик в различных районах океана и озера Шира (Хакасия, Россия). Основное внимание уделяется выявлению закономерностей формирования горизонтальных высокоградиентных зон по физическим и биологическим компонентам поверхностного слоя океана. Для этого используется градиентный метод обработки спутниковых данных [1; 2]. Применяется методология изучения изменчивости поверхностных градиентных полей водных экосистем как динамических объектов на основе расчета пространственных градиентов (широтных, меридиональных и абсолютных) с различным периодом усреднения (неделя, месяц, сезон, год). Предлагаемые методы и подходы основаны на результатах исследований гидрологических фронтов и фронтальных зон в океане [3], в том числе по спутниковым данным [4].
Для выявления свойств гидрофизического процесса и масштабов влияния на биологические компоненты предусмотрено пространственно-временное усреднение, зависящее от масштабов генерирующего изменчивость процесса. Основу методов для исследования динамических процессов в экосистемах составляют программные средства для обработки спутнико-
вых данных и данных контактных измерений [5]. Накопленный объем исходных данных по температуре, концентрации хлорофилла и солености поверхности океана, а также озера Шира по нормализованному индексу мутности [6; 7] позволяет изучать динамические процессы различного пространственного и временного масштаба.
Результаты и обсуждение. Математическое моделирование факторов воздействия на распределение и функционирование фитопланктона, отражающего суть первичного продуцирования экосистемы, позволяет выявлять динамические особенности влияния факторов внешней среды и проводить анализ связи между изменяющейся средой обитания и пространственно-временными изменениями структуры биотических компонент водной экосистемы. Проблемы, возникающие на пути познания динамики структурной организации водных экосистем, обусловлены применением в математических моделях определенных масштабов времени и пространства, на которых строится решение дифференциальных уравнений переноса массы и свойств экосистемы.
Применение в математических моделях рассчитанных по спутниковым данным пространственных градиентных показателей дает величину скорости изменения структуры поверхностного слоя. Анализ размерностей членов уравнений переноса тепла, массы и диффузии примеси, основанный на теории подобия, позволяет при проведении численного моделирования обоснованно вводить в математические модели начальные, граничные условия и сеточный масштаб расчета.
Численное моделирование, основанное на 2D-модели переноса тепла, позволяет изучать изменчивость структуры температурных фронтальных зон в океане в зависимости от динамических условий переноса. Модель вычисляет температуру при начальных условиях, основанных на спутниковых данных с учетом интенсивности солнечной радиации, компонент скорости течения и турбулентной диффузии.
Сравнение результатов численных модельных расчетов градиентного температурного поля и горизонтальных градиентов температуры по спутниковым данным показывает достаточно корректное соответст-
Решетневс^ие чтения. 2016
вие для определенных пространственных и временных масштабов гидрофизического процесса. Модель используется для расчета динамики температурных фронтальных зон в разных частях Мирового океана. Результаты численного моделирования используются для параметризации пространственных горизонтальных компонент фронтальных зон, которые функционально связаны с процессами переноса тепла и диффузии в отсутствии точной информации о величине скорости течения и турбулентного перемешивания.
При построении численной модели для моделирования динамических процессов в водных системах небольших размеров необходимо учитывать нелинейность при реализации моделей, определяемых сеточным масштабом расчета модели, и совмещение с пространственным разрешением спутникового изображения. При изучении динамики верхнего слоя мелкомасштабных водных систем использовались спутниковые данные Landsat-7, 8 (летний период 20132015 гг.) по оз. Шира (Хакасия, Россия) для расчета градиентных показателей радиационной температуры и нормализованного индекса мутности (NDTI), которые показали характерные структурные различия градиентных полей мутности и температуры. Пространственно-временная изменчивость поверхностной температуры воды и мутности озера характеризуется, в основном, ветровым воздействием (в особенности ветровыми нагонами) и вихревыми турбулентными движениями. Из-за того, что в приводном слое атмосферы достаточно низкая механическая и термическая инерционность, и благодаря сильному турбулентному перемешиванию, вертикальная структура слоя быстро приспосабливается к меняющимся внешним условиям.
Таким образом, расчеты градиентных характеристик поверхности водных экосистем на основе спутниковых данных позволяют выявлять зоны с различной динамической активностью. Анализ распределения величины градиентных полей позволяет выявлять гетерогенные и гомогенные зоны водных экологических систем, а при соответствующем периоде усреднения получать степень динамичности таких зон. Это, в свою очередь позволяет изучать процессы структурной организации водных систем и пространственно-временные масштабы изменчивости, что может применяться при разработке математических прогностических моделей, как статистических, так и детерминированных.
Библиографические ссылки
1. Казьмин А. С. Изменчивость крупномасштабных океанических фронтальных зон: анализ глобальной спутниковой информации // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9, № 1. С. 213-218.
2. Kartushinsky A. V., Sidorenko A. Y. Analysis of the variability of temperature gradient in the ocean frontal zones based on satellite data // Advances in Space Research. 2013. № 52 (8). Рр. 1467-1475.
3. Miller A. J., Cornuelle B. D. Forecasts from fits of frontal fluctuations // Dyn. Atmos. Oceans. 1999. № 29. Pp. 305-333.
4. Картушинский А. В., Кукоба Н. А. Градиентные поля поверхности Земли по спутниковым данным // Вестник СибГАУ. 2015. № 3 (16). C. 587-596.
5. Целевая обработка спутниковых изображений (наземная растительность, температура поверхности океана) : Свидетельство о государственной регистрации программы для ЭВМ. № 2010611807 / А. В. Ходя-ев, И. В. Пасько, А. П. Шевырногов, А. В. Картушинский. № 2010610449 ; заявл. 26.01.2010, зарегистр. 09.03.2010.
6. Less rain, more water in ponds: a remote sensing study of the dynamics of surface waters from 1950 to present in pastoral Sahel (Gourma region, Mali) / J. Gardelle [et al.] // Hydrol. Earth Syst. Sci. 2010. Vol. 14. Рр. 309-324.
7. Картушинский А. В. Градиентный метод обработки спутниковых данных для реализации численных моделей водных систем // Региональные проблемы дистанционного зондирования Земли : материалы III Междунар. науч. конф. (13-16 сент. 2016, г. Красноярск) / науч. ред. Е. А. Ваганов; отв. ред. М. В. Носков ; Сиб. федер. ун-т. Красноярск, 2016. С. 154-157.
References
1. Kaz'min A. S. [The variability of large-scale oceanic frontal zones: a global analysis of satellite data]. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa. 2012, vol. 9, no. 1, p. 213-218. (In Russ.)
2. Kartushinsky A. V., Sidorenko A. Y. Analysis of the variability of temperature gradient in the ocean frontal zones based on satellite data. Advances in Space Research. 2013, 52 (8), рp. 1467-1475.
3. Miller A. J., Cornuelle B. D. Forecasts from fits of frontal fluctuations // Dyn. Atmos. Oceans. 1999, 29, рр. 305-333.
4. Kartushinskiy A. V., Kukoba N. A. [Gradientnye polya poverkhnosti Zemli po sputnikovym dannym]. VestnikSibGAU. 2015, 3(16), рp. 587-596. (In Russ.)
5. Svidetel'stvo o gosudarstvennoy registratsii pro-grammy dlya EVM, № 2010611807. [Tselevaya obrabotka sputnikovykh izobrazheniy (nazemnaya rastitel'nost', temperatura poverkhnosti okeana)]. Khodyaev A. V., Pas'ko I. V., Shevyrnogov A. P., Kartushinskiy A. V. no 2010610449, 2010. (In Russ.)
6. Gardelle J., Hiernaux P., Kergoat L., Grippa M. Less rain, more water in ponds: a remote sensing study of the dynamics of surface waters from 1950 to present in pastoral Sahel (Gourma region, Mali). Hydrol. Earth Syst. Sci. 2010, Vol. 14, p. 309-324.
7. Kartushinskiy A. V. [Gradientnyy metod obrabotki sputnikovykh dannykh dlya realizatsii chislennykh mod-eley vodnykh system]. Materialy III Mezhdunar. nauch. konf. "Regional'nye problemy distantsionnogo zondirovaniya Zemli" [Materials III Intern. Scientific. Conf. "The Regional Featuresby Remote Sensingof the Earth"]. Krasnoyarsk, 2016, pр. 154-157. (In Russ.)
© Картушинский А. В., 2016
