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. № 5. С. 63-75

Использование данных CloudSat CPR для повышения эффективности нейросетевого подхода к восстановлению высоты нижней границы облаков на спутниковых снимках Aqua MODIS

А.В. Скороходов 1 , К.В. Курьянович 1 
1 Институт оптики атмосферы им. В.Е. Зуева СО РАН, Томск, Россия
Одобрена к печати: 26.10.2022
DOI: 10.21046/2070-7401-2022-19-5-63-75
Предложен модифицированный алгоритм восстановления высоты нижней границы облаков по данным пассивного спутникового зондирования. Привлекаются синхронные результаты сканирования земной поверхности радаром CPR (англ. Cloud Profiling Radar) (спутник CloudSat (англ. Cloud Satellite)) и спектрорадиметром MODIS (англ. Moderate Resolution Imaging Spectroradiometer) (спутник Aqua), а также тематические продукты их обработки. Использование радиолокационных данных позволяет достаточно надёжно определять высоту основания облаков среднего яруса и конвективной облачности с оптической толщиной τ ≤ 30. Основная суть выполненных модификаций заключается в использовании двух независимых самоорганизующихся нейронных сетей Кохонена. Первая (исходная версия алгоритма) из них обучена по данным лидара CALIOP (англ. Cloud-Aerosol Lidar with Orthogonal Polarization) (спутник CALIPSO (англ. Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observation)), а вторая (представлена здесь) — на основе информации, получаемой радаром CPR. Использование двух нейронных сетей позволяет компенсировать различия лидарной и радарной съёмки. Обсуждаются результаты восстановления высоты нижней границы однослойной облачности на спутниковых снимках MODIS, полученных над территорией Западной Сибири в летнее время с мая по сентябрь. Установлено, что получаемые предложенным алгоритмом результаты оценки высоты основания облаков с 10 < τ ≤ 30 удовлетворяют существующим в данной области требованиям NOAA (англ. National Oceanic and Atmospheric Administration) NESDIS (англ. National Environmental Satellite, Data, and Information Service) в 71 % случаев.
Ключевые слова: высота нижней границы облаков, нейронная сеть, обработка изображений, спутниковые данные, CALIOP, CPR, MODIS
Полный текст

Список литературы:

  1. 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. DOI: 10.22184/1992-7296.
  2. Код для оперативной передачи данных приземных метеорологических наблюдений с сети станций Росгидромета (Код КН-01 SYNOP). М.: Триада ЛТД, 2013. 79 с.
  3. 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. DOI: 10.53815/20726759_2020_12_3_94.
  4. Осовский С. Нейронные сети для обработки информации / пер. с польского Рудинского И. Д. M.: Финансы и статистика, 2002. 344 с.
  5. Скороходов А. В., Курьянович К. В. Использование данных CALIOP для оценки высоты нижней границы облаков на спутниковых снимках MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 2. С. 43–56. DOI: 0.21046/2070-7401-2022-19-2-43-56.
  6. Толмачева Н. И., Крючкова А. Д. Методы и средства метеорологических измерений: учеб. пособие. Пермь: Изд-во ПГНИУ, 2013. 253 с.
  7. Хайкин С. Нейронные сети: Полный курс / пер. с англ. Н. Н. Куссуль, А. Ю. Шелестовой. М.: Изд. дом «Вильямс», 2008. 1103 с.
  8. Automated Surface Observing System (ASOS): User’s Guide. Washington, D. C., USA: NOAA, 1998. 74 p.
  9. 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. DOI: 10.1002/qj.824.
  10. 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 // IEEE Aerospace Conf. Proc. 2019. P. 18759265. DOI: 10.1109/AERO.2019.8741958.
  11. 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.
  12. 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. DOI: 10.1175/JCLI-D-13-00352.1.
  13. 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. P. 143. DOI: 10.3390/atmos9040143.
  14. 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. DOI: 10.1080/01431160500296800.
  15. Koffi B., Schulz M., Bréon F.-M., Griesfeller J., Winker D., Balkanski Y., Bauer S., Berntsen T., Chin M., Collins W. D., Dentener F., Diehl Th., Easter R., Ghan S., Ginoux P., Gong S., Horowitz L. W., Iversen T., Kirkevåg A., Koch D., Krol M., Myhre G., Stier Ph., Takemura T. Application of the CALIOP layer product to evaluate the vertical distribution of aerosols estimated by global models: AeroCom phase I results // J. Geophysical Research. 2012. V. 117. D10201. DOI:10.1029/2011JD016858.
  16. 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. DOI: 10.1002/2013JD021374.
  17. Maddox R. A. Mesoscale convective complexes // Bull. American Meteorological Society. 1980. V. 61. P. 1374–1387.
  18. 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. DOI: 10.1175/2007JTECHA1006.1.
  19. 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. 2007. V. 88. P. 1589–1607. DOI: 10.1175/BAMS-88-10-1589.
  20. 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. DOI: 10.1175/JAMC-D-13-070.1.
  21. 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.
  22. Nayak M., Witkowski M., Vane D., Livermore T., Rokey M. CloudSat anomaly recovery and operational lessons learned // Proc. 12th Intern. Conf. Space Operations (Space Ops 2012). 2012. P. 1295798. DOI: 10.2514/6.2012-1295798.
  23. 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. P. 585–598. DOI: 10.1175/JTECH-D-16-0110.1.
  24. Oreopoulos L., Cho N., Lee D. New insights about cloud vertical structure from CloudSat and CALIPSO observations // J. Geophysical Research: Atmospheres. 2017. V. 122. P. 9280–9300. DOI: 10.1002/2017JD026629.
  25. 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. DOI: 10.1109/TGRS.2016.2610522.
  26. Stubenrauch C. J., Cros S., Guignard A., Lamquin N. A 6-year global cloud climatology from the Atmospheric InfraRed Sounder AIRS and a statistical analysis in synergy with CALIPSO and CloudSat // Atmospheric Chemistry and Physics. 2010. V. 10. P. 7197–7214. DOI: 0.5194/acp-10-7197-2010, 2010.
  27. 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. DOI: 10.1002/qj.2647.
  28. Tanelli S., Durden S. L., Eastwood I., Pak K. S., Reinke D. G., Partain Ph., Haynes J. M., Marchand R. T. CloudSat’s Cloud Profiling Radar after two years in orbit: performance, calibration, and processing // IEEE Trans. Geoscience and Remote Sensing. 2008. V. 46(11). P. 3560–3573. DOI: 10.1109/TGRS.2008.2002030.
  29. Wang Z., Sassen K. Level 2 Cloud Scenario Classification Product Process Description and Interface Control Document / Cooperative Inst. Research in the Atmosphere. Denver, CO, USA: Univ. Colorado, 2007. 50 p.
  30. 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. DOI: 10.1175/2009JTECHA1281.1.