Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 1. С. 31-41
Разработка нового алгоритма восстановления интегрального влагосодержания атмосферы над сушей по данным спутникового радиотеплового мониторинга
Д.М. Ермаков
1, 2 , В.Д. Поляков
3 , Е.В. Полякова
4 1 Институт радиотехники и электроники им. В.А. Котельникова РАН, Фрязинский филиал, Фрязино, Россия
2 Институт космических исследований РАН, Москва
3 Гимназия № 25, Архангельск, Россия
4 Федеральный исследовательский центр комплексного изучения Арктики им. Н.П. Лаверова РАН, Архангельск, Россия
Одобрена к печати: 11.10.2019
DOI: 10.21046/2070-7401-2020-17-1-31-41
Предложена нейросетевая модель восстановления значений интегрального влагосодержания атмосферы над сушей по данным измерений спутниковых радиометров SSM/I (SSMIS) с привлечением дополнительной информации. Препятствием к реализации более традиционных подходов, развитых для обработки данных радиометров AMSR-E (AMSR2), является невозможность вычисления поляризационного контраста на склоне линии водяного пара около 22,4 ГГц. Проанализирован состав дополнительных входных данных, которые в совокупности с измерениями SSM/I (SSMIS) обеспечивают минимально необходимую информацию для решения поставленной задачи восстановления интегрального влагосодержания. Одним из ключевых требований является доступность этих дополнительных данных с пространственно-временной детальностью и в объёмах, соответствующих массивам архивной и оперативной информации радиотепловых наблюдений. Для демонстрации принципиальной реализуемости решения построена и обучена на ограниченной выборке данных тестовая нейросетевая модель. Анализ предварительных результатов показал перспективность дальнейшего развития предложенного подхода. Отмечено, что метод может быть расширен для обработки данных других спутниковых радиометров, в частности отечественного прибора МТВЗА-ГЯ.
Ключевые слова: интегральное влагосодержание, спутниковое радиотепловое зондирование, искусственная нейронная сеть
Полный текстСписок литературы:
- Болдырев В. В., Горобец Н. Н., Ильгасов П. А., Никитин О. В., Панцов В. Ю., Прохоров Ю. Н., Стрельников Н. И., Стрельцов А. М., Черный И. В., Чернявский Г. М., Яковлев В. В. Спутниковый микроволновый сканер/зондировщик МТВЗА-ГЯ // Современные проблемы дистанционного зондирования Земли из космоса. 2008. Т. 1. № 5. С. 243–248. URL: http://d33.infospace.ru/d33_conf/2008_pdf/1/32.pdf.
- Ермаков Д. М., Чернушич А. П., Шарков Е. А. Геопортал спутникового радиотепловидения: данные, сервисы, перспективы развития // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 3. С. 46–57. URL: https://doi.org/10.21046/2070-7401-2016-13-3-46-57.
- Кутуза Б. Г., Данилычев М. В., Яковлев О. И. Спутниковый мониторинг Земли: Микроволновая радиометрия атмосферы и поверхности. М.: ЛЕНАНАД, 2016. 336 с.
- Шарков Е. А. Радиотепловое дистанционное зондирование Земли: физические основы. М.: ИКИ РАН, 2014. 544 с.
- Du J., Kimball J. S., Jones L. A. Satellite microwave retrieval of total precipitable water vapor and surface air temperature over land from AMSR2 // IEEE Trans. Geoscience and Remote Sensing. 2015. V. 53(5). P. 2520–2531. URL: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6953129.
- Du J., Kimball J. S., Jones L. A., Kim Y., Glassy J., Watts J. D. A global satellite environmental data record derived from AMSR-E and AMSR2 microwave Earth observations // Earth System Science Data. 2017. V. 9(2). P. 791–808. URL: https://doi.org/10.5194/essd-9-791-2017.
- Egriogglu E., Aladag C. H., Gunay S. A new model selection strategy in artificial neural networks // Applied Mathematics and Computation. 2008. No. 195. P. 591–597. URL: https://doi.org/10.1016/j.amc.2007.05.005.
- Ermakov D. M. Global Circulation of Latent Heat in the Earth’s Atmosphere According to Data from Satellite Radiothermovision // Izvestiya, Atmospheric and Oceanic Physics. 2018. V. 54(9). P. 1223–1243. URL: https://doi.org/10.1134/S000143381809013X.
- Ermakov D. M., Sharkov E. A., Chernushich A. P. A multisensory algorithm of satellite radiothermovision // Izvestiya, Atmospheric and Oceanic Physics. 2016. V. 52(9). P. 1172–1180. URL: https://doi.org/10.1134/S0001433816090115.
- Ettaouil M., Ghanou Y. Neural architectures optimization and Genetic algorithms // WSEAS Trans. Computers. 2009. V. 8(3). P. 526–537. URL: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.494.7652&rep=rep1&type=pdf.
- Jones L. A., Ferguson C. R., Kimball J. S., Zhang K., Chan S. T. K., McDonald K. C., Njoku E. G., Wood E. F. Satellite microwave remote sensing of daily land surface air temperature minima and maxima from AMSR-E // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2010. V. 3(1). P. 111–123. URL: https://doi.org/10.1109/JSTARS.2010.2041530.
- Maas A. L., Hannum A. Y., Ng A. Y. Rectifier nonlinearities improve neural network acoustic models // Proc. 30th Intern. Conf. Machine Learning. Atlanta, Georgia, USA, 2013. JMLR: W&CP, 2013. V. 28. 6 p. URL: https://ai.stanford.edu/~amaas/papers/relu_hybrid_icml2013_final.pdf.
- Sun N., Weng F. Evaluation of Special Sensor Microwave Imager/Sounder (SSMIS) Environmental Data Records // IEEE Trans. Geoscience and Remote Sensing. 2008. V. 46(4). P. 1006–1016. URL: https://doi.org/10.1109/TGRS.2008.917368.
- Weng F., Yan B., Grody N. C. A microwave land emissivity model // J. Geophysical Research. 2001. V. 106(d17). P. 20115–20123. URL: https://doi.org/10.1029/2001JD900019.
- Wentz F. A well-calibrated ocean algorithm for Special Sensor Microwave/Imager // J. Geophysical Research. 1997. V. 102(C4). P. 8703–8718. URL: https://doi.org/10.1029/96JC01751.