Журнал

О журнале Новости Редколлегия Информация для авторов и рецензентов Публикационная этика Дискуссия Контакты ЛИЧНЫЙ КАБИНЕТ:
отправка и рецензирование статей
Архив
Том 21, 2024
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 20, 2023
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 19, 2022
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 18, 2021
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 17, 2020
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 16, 2019 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 15, 2018 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 14, 2017 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 13, 2016 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 12, 2015 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 11, 2014 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 10, 2013 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 9, 2012 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 8, 2011 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 7, 2010 г.
Номер 1 Номер 2 Номер 3 Номер 4
Выпуск 6, 2009 г.
Том 1 Том 2
Выпуск 5, 2008 г.
Том 1 Том 2
Выпуск 4, 2007 г.
Том 1 Том 2
Выпуск 3, 2006 г.
Том 1 Том 2
Выпуск 2, 2005 г.
Том 1 Том 2
Выпуск 1, 2004 г.
Том 1
Поиск
Найти:
Подписка/отписка
на рассылку новостей
Ваш e-mail:
подписаться отписаться
English version
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. 2024. Т. 21. № 1. С. 88-105

Алгоритм восстановления оптической толщины однослойной горизонтально неоднородной облачности с использованием нейронной сети

Т.В. Русскова 1 , А.В. Скороходов 1 
1 Институт оптики атмосферы им. В.Е. Зуева СО РАН, Томск, Россия
Одобрена к печати: 11.12.2023
DOI: 10.21046/2070-7401-2024-21-1-88-105
Представлена нейросетевая методика восстановления оптической толщины горизонтально неоднородной облачности. Для обучения нейронной сети использованы наборы интенсивности отражённого солнечного излучения в видимой и коротковолновой инфракрасной областях спектра. Моделирование переноса излучения осуществлялось в морской слоисто-кучевой облачности методом Монте-Карло, а для генерации облачных полей применялась фрактальная модель на основе метода ограниченных каскадов. Отличие представленной методики от классических схем IPA/NIPA (англ. Independent Pixel Approximation/Nonlocal Independent Pixel Approximation) заключается в том, что она позволяет интегрировать радиометрические данные в необходимом количестве и учитывать эффекты горизонтального переноса радиации не только в пределах целевого пикселя, но и смежных областях. Кроме того, без существенного увеличения трудоёмкости алгоритма в вектор восстанавливаемых характеристик могут быть включены дополнительные параметры, в частности показатель относительной неоднородности оптической толщины и балл облачности в пределах пикселя наблюдения. В работе исследуется зависимость точности решения обратной задачи от архитектуры и гиперпараметров нейронной сети, объёма и структуры обучающей выборки. Достигнуты высокие коэффициенты корреляции (0,95–0,99) между исходными и восстановленными значениями оптической толщины при фиксированном эффективном радиусе облачных частиц. Показано, что при использовании дополнительной информации об отражённой радиации в смежных пикселях и снижении пространственного разрешения в пределах рассматриваемого диапазона среднеквадратическое отклонение оптической толщины падает, а коэффициент корреляции возрастает.
Ключевые слова: дистанционное зондирование, разорванная облачность, оптическая толщина, обратные задачи, численное моделирование, перенос солнечного излучения, метод Монте-Карло, нейронные сети
Полный текст

Список литературы:

  1. Грибанов К. Г., Имасу Р., Захаров В. И. Нейронные сети для определения высотных профилей CO2 по данным GOSAT/TANSO-FTS // Оптика атмосферы и океана. 2009. Т. 22. № 9. С. 890–895.
  2. Ельцов Н. П., Огородников В. А., Пригарин С. М. Исследование ограниченных каскадных моделей случайных полей на плоскости // Сибирский журн. вычислит. математики. 2008. Т. 11. № 4. C. 405–412. DOI: 10.1134/S1995423908040034.
  3. Марчук Г. И., Михайлов Г. А., Назаралиев М. А. и др. Метод Монте-Карло в атмосферной оптике. Новосибирск: Наука, 1976. 280 с.
  4. Матвиенко Г. Г., Суханов А. Я., Бабченко С. В. Анализ возможностей нейронных сетей при IPDA космическом зондировании CO2 с привлечением разнородных априорных данных // Оптика атмосферы и океана. 2018. Т. 31. № 12. С. 974–980. DOI: 10.15372/AOO20181206.
  5. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Питер, 2022. 440 с.
  6. Пантелеев А. В., Лобанов А. В. Градиентные методы оптимизации в машинном обучении идентификации параметров динамических систем // Моделирование и анализ данных. 2019. Т. 9. № 4. С. 88–99. DOI: 10.17759/mda.2019090407.
  7. Радиация в облачной атмосфере / под ред. Е. М. Фейгельсон. Л.: Гидрометеоиздат, 1981. 280 с.
  8. Русскова Т. В. Моделирование переноса солнечного излучения в облачной атмосфере методом Монте-Карло с использованием графического процессора и технологии NVIDIA CUDA // Оптика атмосферы и океана. 2017. Т. 30. № 11. С. 915–926. DOI: 10.15372/AOO20171103.
  9. Barker H. A parameterization for computing grid-averaged solar fluxes for inhomogeneous marine boundary layer clouds. Part I: Methodology and homogeneous biases // J. Atmospheric Sciences. 1996. V. 53. Iss. 16. P. 2289–2303. DOI: 10.1175/1520-0469(1996)053<2289:APFCGA>2.0.CO;2.
  10. Barker H., Davies J. A. Cumulus cloud radiative properties and the characteristics of satellite radiance wavenumber spectra // Remote Sensing of Environment. 1992. V. 42. Iss. 1. P. 51–64. DOI: 10.1016/0034-4257(92)90067-T.
  11. Benner T. C., Evans K. F. Three dimensional solar radiative transfer in small tropical cumulus fields derived from high-resolution imagery // J. Geophysical Research. 2001. V. 106. Iss. D14. P. 14975–14984. DOI: 10.1029/2001JD900158.
  12. Buriez J. C., Doutriaux-Boucher M., Parol F., Loeb N. G. Angular variability of the liquid water cloud optical thickness retrieved from ADEOS-POLDER // J. Atmospheric Sciences. 2001. V. 58. Iss. 20. P. 3007–3018. DOI: 10.1175/1520-0469(2001)058<3007:AVOTLW>2.0.CO;2.
  13. Cahalan R. F., Ridgway W., Wiscombe W. J., Bell T. L. (1994a) The albedo of fractal stratocumulus clouds // J. Atmospheric Sciences. 1994. V. 51. Iss. 16. P. 2434–2455. DOI: 10.1175/1520-0469(1994)051<2434:TAOFSC>2.0.CO;2.
  14. Cahalan R. F., Ridgway W., Wiscombe W. J. et al. (1994b) Independent pixel and Monte Carlo estimates of stratocumulus albedo // J. Atmospheric Sciences. 1994. V. 51. No. 51. P. 3776–3790. DOI: 10.1175/1520-0469(1994)051<3776:IPAMCE>2.0.CO;2.
  15. Cornet C., Isaka H., Guillemet B., Szczap F. Neural network retrieval of cloud parameters of inhomogeneous clouds from multispectral and multiscale radiance data: Feasibility study // J. Geophysical Research: Atmospheres. 2004. V. 109. Article D12203. DOI: 10.1029/2003JD004186.
  16. Cornet C., Buriez J.-C., Riédi J. et al. Case study of inhomogeneous cloud parameter retrieval from MODIS data // Geophysical Research Letters. 2005. V. 32. Article L13807. DOI: 10.1029/2005GL022791.
  17. Faure T., Isaka H., Guillemet B. Neural network retrieval of cloud parameters of inhomogeneous and fractional clouds: Feasibility study // Remote Sensing of Environment. 2001. V. 77. Iss. 2. P. 123–138. DOI: 10.1016/S0034-4257(01)00199-7.
  18. Hess M., Koepke P., Schult I. Optical Properties of Aerosols and Clouds: The software package OPAC // Bull. American Meteorological Society. 1998. V. 79. Iss. 5. P. 831–844. DOI: 10.1175/1520-0477(1998)079<0831:OPOAAC>2.0.CO;2.
  19. King M. D. Determination of the Scaled Optical Thickness of Clouds from Reflected Solar Radiation Measurements // J. Atmospheric Sciences. 1987. V. 44. No. 13. P. 1734–1751. DOI: 10.1175/1520-0469(1987)044<1734:DOTSOT>2.0.CO;2.
  20. Loeb N. G., Davies R. Observational evidence of plane parallel model biases: Apparent dependence of cloud optical depth on solar zenith angle // J. Geophysical Research. 1996. V. 101. Iss. D1. P. 1621–1634. DOI: 10.1029/95JD03298.
  21. Loeb N. G., Varnai T., Davies R. Effect of cloud inhomogeneities on the solar zenith angle dependence of nadir reflectance // J. Geophysical Research. 1997. V. 102. Iss. D8. P. 9387–9395. DOI: 10.1029/96Jd03719.
  22. Magaritz-Rohen L., Khain A., Pinsky M. About the horizontal variability of effective radius in stratocumulus clouds // J. Geophysical Research: Atmospheres. 2016. V. 121. P. 9640–9660. DOI: 10.1002/2016JD024977.
  23. Marshak A., Davis A., Cahalan R., Wiscombe W. Bounded cascade models as nonstationary multifractals // Physical Review E. 1994. V. 49. Iss. 1. P. 55–69. DOI: 10.1103/PHYSREVE.49.55.
  24. Marshak A., Davis A., Cahalan R., Wiscombe W. J. Nonlocal independent pixel approximation: direct and inverse problems // IEEE Trans. Geoscience and Remote Sensing. 1998. V. 36. Iss. 1. P. 192–205. DOI: 10.1109/36.655329.
  25. Nikitin S. V., Chulichkov A. I., Borovski A. N., Postylyakov O. V. On estimation of atmospheric scattering characteristics from spectral measurements of solar radiation using machine learning algorithms // Proc. SPIE. 2020. V. 11531. Article 115310V. DOI: 10.1117/12.2574237.
  26. Okamura R., Iwabuchi H., Schmidt K. S. Feasibility study of multi-pixel retrieval of optical thickness and droplet effective radius of inhomogeneous clouds using deep learning // Atmospheric Measurement Techniques. 2017. V. 10. P. 4747–4759. DOI: 10.5194/amt-10-4747-2017.
  27. Platnick S., King M. D., Ackerman S. A. et al.. The MODIS cloud products: Algorithms and examples from Terra // IEEE Trans. Geoscience and Remote Sensing. 2003. V. 41. No. 2. P. 459–473. DOI: 10.1109/TGRS.2002.808301.
  28. Rothman L. S., Gordon I. E., Barbe A. et al. The HITRAN 2008 molecular spectroscopic database // J. Quantitative Spectroscopy and Radiative Transfer. 2009. V. 110. No. 9–10. P. 533–572. DOI: 10.1016/j.jqsrt.2009.02.013.
  29. Schneider T., Kaul C. M., Pressel K. G. Possible climate transitions from breakup of stratocumulus decks under greenhouse warming // Nature Geoscience. 2019. V. 12. P. 163–167. DOI: 10.1038/s41561-019-0310-1.
  30. Titov G. A. Radiative Horizontal Transport and Absorption in Stratocumulus Clouds // J. Atmospheric Sciences. 1998. V. 55. Iss. 15. P. 2549–2560. DOI: 10.1175/1520-0469(1998)055<2549:RHTAAI>2.0.CO;2.
  31. Zhang Z., Platnick S. An assessment of differences between cloud effective particle radius retrievals for marine water clouds from three MODIS spectral bands // J. Geophysical Research. 2011. V. 116. Article D20215. DOI: 10.1029/2011JD016216.