Создание системы оперативного мониторинга водных ресурсов и экологического контроля гидротехнических инженерных сооружений Северного Казахстана - Анализ современных методов цифрового моделирования подводной топографии

Для понимания возможностей различных методов обследования в рамках поставленной задачи проведен анализ различных современных методов цифрового моделирования подводной топографии водохранилищ (таблица 1).

Ручные методы типа буссольной сьемки и глазомерной сьемки в топографических методах авторами не рассматривались из-за того, что в настоящее время (как и большинство ручных методов) постепенно выходят из применения [297].

Первоначальные попытки определить подводную топографию водных объектов методами дистанционного исследований основывались на методах [298-301]. Вопросы современного успешного дистанционного зондирования для оценки батиметрии водохранилищ систематизированы в работах [276, 278, 302].

Систематизируя результаты анализа космических дистанционных методов, можно сказать, что существующие методы оценки состояния водохранилищ можно условно представить как две большие группы [303-304].

Первая категория объединяет методы обработки изображений спутников

MODIS [302]
Landsat [305]
Sentinel-2 [306]

для отслеживания изменений площади водного зеркала объекта с помощью радиолокационной альтиметрии. Данная группа является высокоточными методами. но их применимость ограничена из-за невозможности отсканировать подводный рельеф.

Вторая группа методов основана на попытке реконструкции батиметрии водохранилища [274, 307], что позволяет оценить полный рельеф объекта. Однако эта группа методов часто опирается на чрезмерно упрощенные предположения для батиметрической реконструкции, что приводит к снижению точности в условиях сложных рельефов водоемов [304]. В таблице 1 приведена сравнительная характеристика методов батиметрического и топографического исследования водохранилищ по литературным источникам.

Таблица 1 - Сравнительный обзор методов батиметрического и топографического исследования водохранилищ по литературным источникам

Ссылка	Название/ Краткое описание метода	Требуемое оборудование	Достоинства	Недостатки
1	2	3	4	5
Ручные методы измерения глубин и топографической сьемки рельефа прибрежной зоны водохранилища
-	Метод основан на измерении длинны выпущенного лотлиня с борта судна	Ручной лот, судно	Ценовая доступность единичных измерений	Низкая скорость и точность измерений глубины водного объекта
[297]	Теодолитная сьемка	Теодолит, стальная мерная лента (или оптический дальномер)		Низкая скорость измерений, Ограниченные размеры теодолитных ходов (полигонов), Сложность проведения работ на сложнодоступных склонах русла рек
	Тахеометрическая сьемка	Тахеометр
	Мензульная сьемка	Мензула
	Нивелирование поверхности (вертикальная или высотная съемка)	Нивелир		Сложность проведения работ на склонах русла рек
	Фототеодолитная сьемка рельефа береговой линии (наземная)	Фототеодолит	Высокая точность	Необходимость дополнительных планово-привязочных работ опорных точек
Методы автоматизированной батиметрии и топографической сьемки рельефа прибрежной зоны водохранилища
[308]	Гидроакустическое зондирование подводной части водоема	Эхолот, судно/дрон для подводных измерений, датчики пространственного положения	Возможность съема большого объема данных с высокой точностью	Невозможность проведения измерений на заросших участках водного объекта
[309-310]	Фототеодолитная сьемка рельефа береговой линии (аэрофотосьемка)	Летательный аппарат, аэрофотоаппарат	Возможность получения планов больших площадей.	Необходимость дополнительных планово-привязочных работ опорных точек.
-	-	-	-	Чувствительность точности измерений к плотности растительного покрова.
[311]	Лазерное сканирование рельефа береговой линии	LiDAR, опционно летательный аппарат для воздушной сьемки + датчики пространственного положения	Получение топографических планов сложных профилей. Высокая точность. Скорость измерений.	Чувствительность качества измерений при работе с отражающими поверхностями
Методы дистанционного спутникового зондирования и цифрового моделирования водоемов
[302. 305-306]	Группа методов космической радиолокационной альтиметрии	Требуются данные спутника с LiDAR и данные полевых исследований для определения глубины	Получение топографических планов сложных профилей. Высокая точность. Скорость измерений.	Зависимость от облачности и погодных условий. Возможность построения только надводных рельефов.
[274, 307]	Группа методов реконструкции и прогнозирования батиметрии по космическим данным и глобальным моделям	Требуются данные космической фотосьемки	Возможность построения полного рельефа чаши водоема	Зачастую не учитывает сложную батиметрию водного объекта.

Вопросы методологии «склеивания» данных интерполяции подводного и берегового рельефа при построении цифровых карт водных объектов рассмотрены [312-313].

Ключевым моментом построения адекватных поставленным задачам 3D-моделей остается выбор оптимальных для данного водоема и набора данных методов интерполяции и определение минимально достаточного числа точек этих исходных данных. Использование слишком упрощенных подходов для интерполяции может нивелировать результаты проведенных исследований из-за существенной потери точности.

Одной из наиболее важных проблем геодезических исследований при изучении водного объекта по данным батиметрии [284, 297] является определение цели разработки модели интерполяции.

Инструменты детерминированной интерполяции и геостатистического анализа предлагают множество различных методов интерполяции, причем каждый из этих методов имеет свои уникальные особенности и предоставляет зачастую существенно разнящиеся результаты. Во-первых, все применяемые при интерполяции геоданных методы можно разделить на точные (ORB, RBF) и неточные – чаще стохастические (LPI, KSB, Kriking). В точных жестких методах в каждом выходном положении интерполируемая поверхность будет иметь точно такое же значение, как и значение входных данных, тогда как некоторые – нежесткими, с возможностью отклонения интерполирующего значения от определенного в данной конкретной точке значения [314]. Также следует учитывать, что для некоторых решений важно учитывать не только интерполируемые значения, но также и неопределенность (вариабельность), связанную с этой интерполяцией [315]. Также были рассмотрены работы [316-319].

Методы интерполяции также различаются как по уровню сложности, который можно измерить количеством предположений, подлежащих удовлетворению, для валидации модели так и по критериям вычислительной сложности, характеризующийся объемом математических преобразований и элементарных машинных операций (таблица 5.7).

Таблица 2 - Расшифровка используемых аббревиатур анализируемых методов интерполяции

Аббревиатура	Имя метода
LI	Линейная интерполяция (метод середины отрезков)
GPI	Интерполяция по методу глобального полинома
LPI	Интерполяция по методу локальных полиномов
ОВР	Интерполяция методом обратно взвешенных расстояний
RBF	Интерполяция на основе применения радиально-базисных функций (анализировалось только нейросетевая реализация)
Kriking	Ординарный, простой, универсальный, индикаторный, вероятностный, дизъюнктивный и эмпирический байесовский кригинг.

В связи с проведенным анализом для интерполяции батиметрических данных водохранилища на наш взгляд интерес представляют метод линейной интерполяции и крикинга (более точно – метод простого крикинга), как, во-первых, обеспечивающий требуемую сглаживаемость интерполируемого рельефа, характерную для медленно текущих равнинных рек, во-вторых, возможность учета потенциальной зашумленности и пропуска данных, и, в-третьих, обладающий приемлемыми параметрами вычислительной сложности (максимальное время батиметрических расчетов на компьютере на базе процессора Intel i7-13700К c ОЗУ 8Гб не превышало 30 минут).

[Источники]

274) Yigzaw, W., Li, H. Y., Demissie, Y., Hejazi, M. I., Leung, L. R., Voisin, N., & Payn, R. (2018). A new global storage-area-depth data set for modeling reservoirs in land surface and earth system models. Water Resources Research, 54(12), стр. 386. doi:https://doi.org/10.1029/2017wr022040
276) Li, Y., Gao, H., Jasinski, M. F., Zhang, S., & Stoll, J. D. Deriving high-resolution reservoir bathymetry from ICESat-2 prototype photon-counting lidar and landsat imagery. // IEEE Transactions on Geoscience and Remote Sensing. – 2019. - 57(10). – С. 7883–7893. doi:https://doi.org/10.1109/tgrs.2019.2917012
278) Zhang, K., Gann, D., Ross, M., Robertson, Q., Sarmiento, J., Santana, S., & al., e. (2019). Accuracy assessment of ASTER, SRTM, ALOS, and TDX DEMs for Hispaniola and implications for mapping vulnerability to coastal flooding. // Remote Sensing of Environment. – 2019. – 225. – p. 290–306. doi:https://doi.org/10.1016/j.rse.2019.02.028.
297) Нурпеисова, М.Б., & Жаркимбаев, Б.М. Геодезия. - Алматы: КазНТУ им. К.И. Сатпаева, 2002. – 311 с.
298) Neumann, J. Maximum depth and average depth of lakes. Journal of the Fisheries Board of Canada. – 1959. - 16(6). - Р. 923–927. doi:https://doi.org/10.1139/f59-065
299) Anderson, D. A note on the morphology of the basins of the Great Lakes. Journal of the Fisheries Board of Canada. – 1961. - 18(2). – р. 273–277. doi:https://doi.org/10.1139/f61-019
300) Lehman, J. T. Reconstructing the rate of accumulation of lake sediment: The effect of sediment focusing. // Quaternary Research. – 1975. - 5(4). - Р. 541–550. doi:https://doi.org/10.1016/0033-5894(75)900
301) Carpenter, S. R. Lake geometry: Implications for production and sediment accretion rates. // Journal of Theoretical Biology. – 1983. - 105(2). - Р. 273–286. doi:https://doi.org/10.1016/s0022-5193(83)80008-3
302) Gao, H., Birkett, C., & Lettenmaier, D. Global monitoring of large reservoir storage from satellite remote sensing. // Water Resources Research. 2012. - 48(9). - W09504. doi:https://doi.org/10.1029/2012wr012063
303) Wang, Z., Xie, F., Ling, F., & Du, Y. Monitoring surface water inundation of Poyang Lake and Dongting Lake in China using Sentinel-1 SAR images. // Remote Sensing. – 2022. - 14(14). - 3473. doi: https://doi.org/10.3390/rs14143473
304) Zhen Hao, Fang Chen, Xiaofeng Jia, Xiaobin Cai, Chao Yang, & Yun Du, Feng Ling. GRDL: A New Global Reservoir Area-Storage-Depth Data Set Derived Through Deep Learning-Based Bathymetry Reconstruction. // Water Resources Research. – 2024. - 1(60). doi:https://doi.org/10.1029/2023WR035781.
305) Yao, F., Livneh, B., Rajagopalan, B., Wang, J., Crétaux, J.-F., Wada, Y., & Berge-Nguyen, M. (2023). Satellites reveal widespread decline in global lake water storage. // Science. 2023. - 380(6646). – р. 743–749. doi:https://doi.org/10.1126/science.abo2812.
306) Yao, F., Minear, J. T., Rajagopalan, B., Wang, C., Yang, K., & Livneh, B. Estimating reservoir sedimentation rates and storage capacity losses using high-resolution Sentinel-2 satellite and water level data. Geophysical Research Letters. – 2023. - 50(16). doi:https://doi.org/10.1029/2023gl103524/
307) Liu, K., Song, C., Wang, J., Ke, L., Zhu, Y., Zhu, J., . . . Zhu, L. Remote sensing-based modeling of the bathymetry and water storage for channel-type reservoirs worldwide. // Water Resources Research, 2020. - 56(11). doi:https://doi.org/10.1029/2020wr027147
308) Yun, H.-S., & Cho, J.-M. Gydroacoustic Application of Bathymetry and Geological Survey for Efficient Reservoir Management. // Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography. – 2011. - 29. doi:10.7848/ksgpc.2011.29.2.209.
309) Madden, J. D. Coastline delineation by aerial photography. // Australian Surveyor. – 1978. - 29(2). -p. 76–82. doi
310) Gonçalves, J., Bastos, M., Pinho, J., & Granja, H. DIGITAL AERIAL PHOTOGRAPHY TO MONITOR CHANGES IN COASTAL AREAS BASED ON DIRECT GEOREFERENCING. // 5th EARSeL Workshop on Remote Sensing of the Coastal ZoneAt. Prague, Czech Republic. – 2011. – URL
311) Tyszkowski, S., Zbucki, Ł., Kaczmarek, H., Duszyński, F., & Strzelecki, M. Detection of Coastal Changes along Rauk Coasts of Gotland, Baltic Sea. // Remote Sens. – 2023. – 15. – 1667 p. doi:https://doi.org/10.3390/rs15061667
312) Lubczonek, J., Kazimierski, W., Zaniewicz, G., & Lacka, M. (2022). Methodology for Combining Data Acquired by Unmanned Surface and Aerial Vehicles to Create Digital Bathymetric Models in Shallow and Ultra-Shallow Waters. // Remote Sens. – 2022. – 14. – 105 p. doi:https://doi.org/10.3390/rs14010105.
313) Lubczonek, J., Wlodarczyk-Sielicka, M., Lacka, M., & Zaniewicz, G. Methodology for Developing a Combined Bathymetric and Topographic Surface Model Using Interpolation and Geodata Reduction Techniques. // Remote Sens. – 2021. – 13. – 4427 p. doi:https://doi.org/10.3390/rs13214427
314) Han, Dianyuan. Comparison of Commonly Used Image Interpolation Methods. Proceedings of the 2nd International Conference on Computer Science and Electronics Engineering. - 2013. DOI: 10.2991/iccsee.2013.391.
315) Jiao, Y., Zhang, F., Huang, Q., Liu, X., & Li, L. (2023). Analysis of Interpolation Methods in the Validation of Backscattering Coefficient Products. // Sensors. – 2023. – 23 (469). doi:https://doi.org/10.3390/s23010469
316) Janowicz, K., Gao, S., McKenzie, G., Hu, Y., & Bhaduri, B. (2019). GeoAI: spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond. //International Journal of Geographical Information Science. – 2019. - 34 (4). – C. 625-636. doi: https://doi.org/10.1080/13658816.2019.1684500
317) Zabotin, N. A., & Godin, O. (2011). Emergence of acoustic Green's functions from time averages of ambient noise. // Acta Acust. United Acust. – 2011. - 97(1). - pp. 44–53.
318) Погода в Рудном в июле 2024. URL: https://belkraj.by/pogoda/kazakhstan/l1519843/rudnyy/july
319) Тобол. Минприроды России. Государственный водный реестр. – URL: https://textual.ru/gvr/index.php?card=195296.