Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 2. С. 43-56

Использование данных CALIOP для оценки высоты нижней границы облаков на спутниковых снимках MODIS

А.В. Скороходов 1 , К.В. Курьянович 1 
1 Институт оптики атмосферы им. В.Е. Зуева СО РАН, Томск, Россия
Одобрена к печати: 25.03.2022
DOI: 10.21046/2070-7401-2022-19-2-43-56
Представлен анализ результатов использования активных спутниковых измерений при разработке алгоритма восстановления высоты нижней границы облаков на основе пассивных наблюдений. При этом рассматривались данные и тематические продукты дистанционного зондирования CALIOP (спутник CALIPSO) и MODIS (спутник Aqua). Алгоритм восстановления высоты нижней границы облаков основан на применении адаптированной самоорганизующейся карты Кохонена. На этапе обучения нейронной сети используются данные обоих приборов, а при кластеризации изображений – только снимки MODIS и тематические продукты их обработки. Предложен подход к редукции карты Кохонена путем выборочного удаления нейронов со сходными значениями некоторых весовых коэффициентов. Определены ключевые признаки кластеризации, одним из которых является геометрическая толщина облаков. Обсуждаются результаты восстановления высоты нижней границы однослойной облачности на спутниковых снимках территории Западной Сибири, полученных в летнее время с мая по сентябрь. Приведены ограничения разработанного алгоритма и перспективные направления его доработки с привлечением дополнительной информации. Результаты восстановления высоты нижней границы облачности по данным MODIS хорошо согласуется с измерениями CALIOP над исследуемым регионом для оптически тонких облаков нижнего и верхнего ярусов при <15.
Ключевые слова: Dысота нижней границы облаков, кластерный анализ, нейронная сеть, обработка изображений, спутниковые данные, CALIOP, MODIS
Полный текст

Список литературы:

  1. Астафуров В. Г., Скороходов А. В. Классификация облаков по спутниковым снимкам на основе технологии нейронных сетей // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8. № 1. С. 65–72.
  2. Борейшо А. С., Ким А. А., Коняев М. А., Лугиня В. С., Морозов А. В., Орлов А. Е. Современные лидарные средства дистанционного зондирования атмосферы // Фотоника. 2019. Т. 13. № 7. С. 648–657.
  3. Бочарников Н. В., Брылев Г. Б., Гусева С. О. Метеорологическое оборудование аэродромов и его эксплуатация: монография / под ред. П. Я. Никишкова, А. С. Солонина. СПб.: Гидрометеоиздат, 2003. 591 с.
  4. Каллан Р. Основные концепции нейронных сетей: пер. с англ. М.: Изд. дом «Вильямс», 2001. 287 с.
  5. Код для оперативной передачи данных приземных метеорологических наблюдений с сети станций Росгидромета (Код КН-01 SYNOP). М.: Росгидромет, 2013. 79 с.
  6. Кхыонг Н. В. Оценка влияния метеобразования на распространение радиоволн в X-диапазоне // Тр. Московского физико-техн. ин-та. 2020. Т. 12. № 3. С. 94–103.
  7. Латенко В. И., Логвиненко И. В., Миронов Р. Д., Якименко Н. И. Высота нижней границы облаков и вертикальная видимость как измеряемые величины // Наук. праці УкрНДГМІ. 2009. Вип. 258. С. 209–217.
  8. Осовский С. Нейронные сети для обработки информации: пер. с польского / пер. Рудинского И. Д. M.: Финансы и статистика, 2002. 344 с.
  9. Позднякова В. А. Практическая авиационная метеорология. Екатеринбург: Изд-во Уральского УТЦ ГА, 2010. 113 с.
  10. Руководство по автоматическим системам метеорологического наблюдения на аэродромах. Монреаль, Квебек, Канада: Международ. организация гражданской авиации, 2006. 106 c.
  11. Толмачева Н. И., Крючкова А. Д. Методы и средства метеорологических измерений: учеб. пособие. Пермь: Изд-во ПГНИУ, 2013. 253 с.
  12. Хайкин С. Нейронные сети: полный курс: пер. с англ. / пер. Н. Н. Куссуль, А. Ю. Шелестовой. М.: Изд. дом «Вильямс», 2008. 1103 с.
  13. Швень Н. I., Павленко О. А., Орнатьский I. A. Методичні аспекти свiтлолокацiйних вимірювань висоти нижньої висоти межï хмар // Фізична географія та геоморфологія. 2009. Вып. 57. С. 90–95.
  14. Automated Surface Observing System: user’s guide. Washington, D. C., USA: NOAA, 1998. 74 p.
  15. Barker H. W., Jerg M. P., Wehr T., Kato S., Donovan D. P., Hogan R. J. A 3D cloud-construction algorithm for the EarthCARE satellite mission // Quarterly J. Royal Meteorological Society. 2011. V. 137. P. 1042–1058.
  16. Bennartz R. Global assessment of marine boundary layer cloud droplet number concentration from satellite // J. Geophysical Research. 2007. V. 112. D02201. DOI: 10.1029/2006JD007547.
  17. Braun B. M., Sweetser T. H., Graham C., Bartsch J. CloudSat’s A-Train exit and the formation of the C-Train: An orbital dynamics perspective // Proc. IEEE Aerospace Conf. 2019. P. 18759265. 10 p. DOI: 10.1109/AERO.2019.8741958.
  18. Chen S., Cheng C., Zhang X., Su L., Tong B., Dong C., Wang F., Chen B., Chen W., Liu D. Construction of nighttime cloud layer height and classification of cloud types // Remote Sensing. 2020. V. 12. Art. No. 668. DOI: 10.3390/rs12040668.
  19. Eastman R., Warren S. G. Diurnal cycles of cumulus, cumulonimbus, stratus, stratocumulus, and fog from surface observations over land and ocean // J. Climate. 2013. V. 27. P. 2386–2404.
  20. Filippi A., Dobreva I., Klein A., Jensen J. Self-organizing map-based applications in remote sensing // Self-Organizing Maps / ed. G. K. Matsopoulos. L.: INTECH, 2010. 432 p. P. 231–248. DOI: 10.5772/9163.
  21. Gebremariam S., Li S., Weldegaber M. Observed correlation between aerosol and cloud base height for low clouds at Baltimore and New York, United States // Atmosphere. 2018. V. 9. No. 4. Art. No. 143. 9 p. DOI: 10.3390/atmos9040143.
  22. Hutchison K. D., Wong E., Ou S. C. Cloud base height retrieval during nighttime conditions with MODIS data // Intern. J. Remote Sensing. 2006. V. 27. P. 2847–2862.
  23. Kim S. W., Chung E. S., Yoon S. C., Sohn B. J., Sugimoto N. Intercomparisons of cloud-top and cloud-base heights from ground-based lidar, CloudSat and CALIPSO measurements // Intern. J. Remote Sensing. 2011. V. 32. P. 1179–1197.
  24. Mace G. G., Zhang Q. The CloudSat radar-lidar geometrical profile product (RL-GeoProf): updates, improvements and selected results // J. Geophysical Research: Atmospheres. 2014. V. 119. P. 9441–9462.
  25. Maddux B. C., Ackerman S. A., Platnick S. Viewing geometry dependencies in MODIS cloud products // J. Atmospheric and Oceanic Technology. 2010. V. 27. P. 1519–1528.
  26. Marchand R., Mace G. G., Ackerman T., Stephens G. Hydrometeor detection using Cloudsat — An earth-orbiting 94-GHz cloud radar // J. Atmospheric and Oceanic Technology. 2008. V. 25. P. 519–533.
  27. Mecikalski J. R., Feltz W. F., Murray J. J., Johnson D. B., Bedka K. M., Bedka S. T., Wimmers A. J., Pavlonis M., Berendes T. A., Haggerty J., Minnis P., Bernstein B., Williams E. Aviation applications for satellite-based observations of cloud properties, convection initiation, in-flight icing, turbulence, and volcanic ash // Bull. American Meteorological Society. V. 88. P. 1589–1607.
  28. Miller S. D., Forsythe J. M., Partain P. T., Haynes J. M., Bankert R. L., Sengupta M., Mitrescu C., Hawkins J. D., Vonder Haar T. H. Estimating three-dimensional cloud structure via statistically blended satellite observations // J. Applied Meteorology Climatology. 2014. V. 53. P. 437–455.
  29. Miller S. D., Noh Y.-J., Forsythe J. F., Seaman C. J., Li Y., Heidinger A. K., Lindsey D. T. AWG Cloud Base Algorithm (ACBA). Silver Spring, MD, USA: NOAA NESDIS, 2019. 46 p.
  30. Mülmenstädt J., Sourdeval O., Henderson D. S., L’Ecuyer T. S., Unglaub C., Jungandreas L., Böhm C., Russell L. M., Quaas J. Using CALIOP to estimate cloud-field base height and its uncertainty: the Cloud Base Altitude Spatial Extrapolator (CBASE) algorithm and dataset // Earth System Science Data. 2018. V. 10. P. 2279–2293.
  31. Nayak M., Witkowski M., Vane D., Livermore T., Rokey M. CloudSat anomaly recovery and operational lessons learned // Proc. 12th Intern. Conf. Space Operations (SpaceOps 2012). 2012. P. 1295798. DOI: 10.2514/6.2012-1295798.
  32. Noh Y., Forsythe J. M., Miller S. D., Seaman C. J., Li Y., Heidinger A. K., Lindsey D. T., Roger M. A., Partain P. T. Cloud-base height estimation from VIIRS. Part II: A statistical algorithm based on A-Train satellite data // J. Atmospheric and Oceanic Technology. 2017. V. 34(3). P. 585–598.
  33. Pavolonis M. J., Heidinger A. K. Daytime cloud overlap detection from AVHRR and VIIRS // J. Applied Meteorology. 2004. V. 43. P. 762–778.
  34. Platnick S. K., Meyer G., King M. D., Wind G., Amarasinghe N., Marchant B., Arnold G. T., Zhang Z., Hubanks P. A., Holz R. E., Yang P., Ridgway W. L., Riedi J. The MODIS cloud optical and microphysical products: Collection 6 updates and examples from Terra and Aqua // IEEE Trans. Geoscience and Remote Sensing. 2017. V. 55. P. 502–525.
  35. Richardson A. J., Risien C., Shillington F. A. Using self-organizing maps to identify patterns in satellite imagery // Progress in Oceanography. 2003. V. 59(2–3). P. 223–239.
  36. Sun X. J., Li H. R., Barker H. W., Zhang R. W., Zhou Y. B., Liu L. Satellite-based estimation of cloud-base heights using constrained spectral radiance matching // Quarterly J. Royal Meteorological Society. 2016. V. 142. P. 224–232.
  37. Szilder K., Yuan W. In-flight icing on unmanned aerial vehicle and its aerodynamic penalties // Progerss in Flight Physics. 2017. V. 9. P. 173–188.
  38. Winker D. M., Vaughan M. A., Omar A., Hu Y., Powell K. A. Overview of the CALIPSO Mission and CALIOP Data Processing Algorithms // J. Atmospheric and Oceanic Technology. 2009. V. 26. P. 2310–2323.