5 Суть гипсометрической кривой
Гипсографическая кривая (от др.-греч. ὕψος — «высота» и γράφω «пишу», также гипсометрическая кривая) — эмпирическая интегральнаяфункция распределения глубин океана и высот земной поверхности. Обычно изображается на координатной плоскости, где по вертикальной оси откладывается высота рельефа, а по горизонтальной — доля поверхности, высота рельефа которой больше указанной. Часть кривой, расположенной ниже уровня моря, называется батиграфической кривой[1].
Гипсографическая кривая впервые была построена в 1883 году А. Лаппараном и уточнена в 1933 году Э. Коссина. Уточнения для батиграфической кривой сделаны в 1959 году В. Н. Степановым[1].
Гипсографическая кривая рельефа Земли имеет два пологих участка: один из них на уровне моря, другой — на глубине 4—5 км. Эти участки соответствуют наличию двух пород различной плотности. Пологий участок на уровне моря соответствует лёгким породам, состоящим из гранита (плотность 2800 кг/м³), нижний участок — тяжёлым породам, сложенным базальтами (3300 кг/м³). В отличие от Земли, гипсографическая кривая Луны не содержит пологих участков, что свидетельствует об отсутствии дифференциации пород
6. Современное состояние исследования мирового океана
В исследованиях океана в настоящее время широко применяется лазерное зондирование, осуществляемое с помощью спектроскопических лазерных локаторов [133] — лидаров (LIDAR —• Light Detection and Ranging). Дистанционные методы делятся на два класса — пассивные и активные. В первом случае используются радиометры и сканеры, во втором — локаторы. Все эти приборы работают в СВЧ, ИК и видимом диапазонах оптического спектра. В качестве носителя радиометра используется широкий набор «платформ» — от судов до спутников. Локаторы (в оптическом диапазоне — лидары) размещают на самолетах и вертолетах, судах, береговых станциях и морских платформах. Пассивные и активные методы и средства значительно различаются по своим диагностическим возможностям.
В настоящее время с помощью лидара берегового базирования возможно дистанционное определение температуры и солености морской среды; определение in situ нефтяных загрязнений морской среды в прибрежных акваториях и идентификация типа гумусового вещества в морской воде; биоиндикация качества морской воды [134].
Типичный спектр флуоресценции фитопланктона при возбуждении лазерным излучением на длине волны Аехс = 532 нм представлен на рис. 7.7. Спектр содержит единственную полосу
флуоресценции фитопланктона с максимумом на Аехс — 685 нм, одинаковую по форме и положению для многих групп водорослей. Важнейшей проблемой во флуоресцентной диагностике фитопланктона является определение видовой принадлежности
и состояния водорослей. Эти данные важны как для оценки первичной продукции, так и для создания дистанционного метода биоиндикации состояния экосистемы водоема.
Лидары делают возможным не только определение вида нефтяного загрязнения (рис. 7.8), но и дистанционное лазерное определение толщины нефтяной пленки на поверхности воды. Предложено несколько лазерных методов решения этой задачи, во всех этих методах тем или иным образом используется сигнал комбинационного рассеяния воды, который индуцируется лазерным лучом в водной толще под пленкой. Интенсивность регистрируемого сигнала комбинационного рассеяния воды зависит от оптической толщины пленки на длинах волн лазерного излучения и комбинационного рассеяния воды и, следовательно, от геометрической толщины пленки.
Большие перспективы для лазерного мониторинга открывает использование математических методов, основанных на технике искусственных нейронных сетей [134]. Важным свойством метода искусственных нейронных сетей является то, что в нем практически не используются какие-либо априорные знания об объекте исследования, а работа алгоритмов основана исключительно па информации, содержащейся во входных данных. Эта информация усваивается и обобщается нейронной сетыо, которая делает свои оценки не только на основе предъявленного ей в данный момент примера, но и на основе всех тех примеров, которые содержались в обучающей выборке.
Подобные методы особенно эффективны в ситуациях, когда решение задачи плохо алгоритмизуемо или методы ее точного решения отсутствуют, а данные противоречивы и содержат значительную шумовую составляющую. Именно к такому классу задач относятся многочисленные обратные задачи, которые приходится решать при изучении Мирового океана.