Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 1. С. 106-121
Программный комплекс восстановления параметров облачности по спутниковым данным ВПО-СД
А.А. Филей
1 , А.И. Андреев
1 , Ю.А. Шамилова
1 1 Дальневосточный центр НИЦ «Планета», Хабаровск, Россия
Одобрена к печати: 12.12.2023
DOI: 10.21046/2070-7401-2024-21-1-106-121
Рассмотрены функциональные возможности программного комплекса восстановления параметров облачности по спутниковым данным ВПО-СД. По измерениям в каналах спутниковых приборов (таких, как МСУ-МР (многоканальное сканирующее устройство малого разрешения), МСУ-ГС (многозональное сканирующее устройство гидрометеорологического обеспечения), AHI (англ. Advanced Himawari Imager), AVHRR (англ. Advanced Very High Resolution Radiometer), AMI (англ. Advanced Meteorological Imager), SEVIRI (англ. Spinning Enhanced Visible and InfraRed Imager) и др.) комплекс позволяет получать информацию об оптических и микрофизических параметрах облачности, высоте верхней границы, проводить классификацию типов облачности, определять зоны осадков и их интенсивность. В работе кратко изложена информация об алгоритмах и методиках восстановления каждого из параметров облачности. Комплекс ВПО-СД имеет кроссплатформенное исполнение, гибкую настройку обработки спутниковой информации и работает в полностью автоматическом режиме. В нём реализованы методики и алгоритмы на основе спектрального и нейросетевого анализа спутниковых данных. По мере использования данных новых спутниковых приборов алгоритмы и методики комплекса проходят доработку с учётом функциональных особенностей этих приборов. Восстановленные параметры облачности сохраняются в цифровых и растровых форматах данных и посредством разработанных геоинформационных систем доступа «Арктика-М» (https://apps.dvrcpod.ru/arcticgis/) и «Метеор-М» (https://apps.dvrcpod.ru/meteorgis/) предоставляются территориальным управлениям по гидрометеорологии и мониторингу окружающей среды, авиационным метеорологам, а также органам государственной власти и МЧС.
Ключевые слова: ВПО-СД, спутниковые данные, параметры облачности, нейронные сети
Полный текстСписок литературы:
- Андреев А. И., Шамилова Ю. А., Холодов Е. И. Применение сверточной нейронной сети для детектирования облачности по данным прибора МСУ-МР спутника «Метеор-М» № 2 // Метеорология и гидрология. 2019. № 7. С. 44–53. DOI: 10.31857/S0205961421010036.
- Андреев А. И., Филей А. А., Давиденко А. Н. Усовершенствованный метод оценки интенсивности осадков по данным геостационарного КА Himawari-8 // Материалы 20-й Международ. конф. «Современные проблемы дистанционного зондирования Земли из космоса». 2022. C. 16. DOI: 10.21046/20DZZconf-2022a.
- Астафуров В. Г., Скороходов А. В. Классификация многоярусной облачности по данным MODIS с использованием технологии нейронных сетей и методов нечёткой логики // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 6. С. 162–173.
- Волкова Е. В. Оценки параметров облачного покрова, осадков и опасных явлений погоды по данным радиометра AVHRR с МИСЗ серии NOAA круглосуточно в автоматическом режиме // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. № 3. С. 66–74.
- Волкова Е. В. Определение микрофизических параметров облачного покрова по спутниковым данным // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 4. С. 265–279. DOI: 10.21046/2070-7401-2018-15-4-265-279.
- Крамарева Л. С., Андреев А. И., Блощинский В. Д. и др. Использование нейронных сетей в задачах гидрометеорологии // Вычисл. технологии. 2019. Т. 24. № 6. С. 50–59. DOI: 10.25743/ICT.2019.24.6.007.
- Мазин И. П., Хргиан А. Х. Облака и облачная атмосфера: справ. Л.: Гидрометиздат, 1989. 647 c.
- Филей А. А. (2019а) Определение фазового состояния облачности по данным спутникового радиометра МСУ-МР космического аппарата «Метеор-М» № 2 // Оптика атмосферы и океана. 2019. Т. 32. № 5. С. 376–380. DOI: 10.15372/AOO20190506.
- Филей А. А. (2019б) Восстановление оптической толщины и эффективного радиуса частиц облачности по данным дневных измерений спутникового радиометра МСУ-МР // Оптика атмосферы и океана. 2019. Т. 32. № 8. С. 650–656. DOI: 10.15372/AOO20190807.
- Филей А. А. Восстановление высоты верхней границы облачности по данным спутникового прибора МСУ-МР КА «Метеор-М» № 2-2 // Оптика атмосферы и океана. 2020. Т. 33. № 12. С. 918–925. DOI: 10.15372/AOO20201203.
- Baum B. A., Heymsfield A. J., Yang P., Bedka S. T. (2005a) Bulk scattering models for the remote sensing of ice clouds. Part I: Microphysical data and models // J. Applied Meteorology and Climatology. 2005. V. 44. P. 1885–1895. DOI: 10.1175/JAM2308.1.
- Baum B. A., Yang P., Heymsfield A. J. et al. (2005b) Bulk scattering models for the remote sensing of ice clouds. Part II: Narrowband models // J. Applied Meteorology and Climatology. 2005. V. 44. P. 1896–1911. DOI: 10.1175/JAM2309.1.
- Borbas E., Ruston B. C. The RTTOV UWiremis IR land surface emissivity module: technical documentation. EUMETSAT, NWP‐SAF, 2010. 25 p.
- Buras R., Dowling T., Emde C. New secondary-scattering correction in DISORT with increased efficiency for forward scattering // J. Quantitative Spectroscopy and Radiative Transfer. 2011. V. 112(12). P. 2028–2034. DOI: 10.1016/j.jqsrt.2011.03.019.
- Hu Y. X., Stamnes K. An accurate parameterization of the radiative properties of water clouds suitable for use in climate models // J. Climate. 1993. V. 6. P. 728–742. DOI: 10.1175/1520-0442(1993)006<0728:AAPOTR>2.0.CO;2.
- Huffman G. J., Levizzani V., Kidd C. et al. Integrated multi-satellite retrievals for the global precipitation measurement (GPM) mission (IMERG) // Satellite Precipitation Measurement. Cham: Springer, 2020. V. 67. P. 343–353. DOI: 10.1007/978-3-030-24568-9_19.
- Mayer B., Kylling A., Emde C. et al. LibRadtran user’s guide. 2020. 153 p. http://www.libradtran.org/doc/libRadtran.pdf (accessed 21.03.2023).
- Pavolonis M. J. GOES-R Advanced Baseline Imager (ABI) Algorithm Theoretical Basis Document for Cloud Type and Cloud Phase. 2010. 86 p. https://www.star.nesdis.noaa.gov/goesr/docs/ATBD/Cloud_Phase.pdf (accessed 05.12.2023).
- Pavolonis M. J., Heidinger A. K. Daytime cloud overlap detection from AVHRR and VIIRS // J. Applied Meteoroly. 2004. V. 43. P. 762–778. DOI: 10.1175/2099.1.
- Ronneberger O., Fischer P., Brox T. U-net: Convolutional Networks for Biomedical Image Segmentation // Intern. Conf. Medical Image Computing and Computer-Assisted Intervention. Cham: Springer, 2015. V. 9351. P. 234–241. DOI: 10.48550/arXiv.1505.04597.
- Sadeghi M., Asanjan A. A., Faridzad M. et al. PERSIANN-CNN: Precipitation Estimation from Remotely Sensed Information Using Artificial Neural Networks — Convolutional Neural Networks // J. Hydrometeorology. 2019. V. 20. P. 2273–2289. DOI: 10.1175/JHM-D-19-0110.1.
- Sundqvist H., Berge E., Kristjánsson J. E. Condensation and Cloud Parameterization Studies with a Mesoscale Numerical Weather Prediction Model // Monthly Weather Review. 1989. V. 117. P. 1641–1657. DOI: 10.1175/1520-0493(1989)117<1641:CACPSW>2.0.CO;2.
- Vidort J., Borbas E. Land surface VIS/NIR BRDF atlas for RTTOV-11: model and validation against SEVIRI land SAF albedo product // Quarterly J. Royal Meteorological Society. 2014. V. 140(684). 10 p. DOI: 10.1002/qj.2288.
- Walther A., Heidinger A. K. Implementation of the Daytime Cloud Optical and Microphysical Properties Algorithm (DCOMP) in PATMOS-x // J. Applied Meteorology and Climatology. 2012. V. 51. P. 1371–1390. DOI: 10.1175/JAMC-D-11-0108.1.