Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 2. С. 23-35
Реконструкция трёхмерных моделей облаков на основе информации о высоте их верхней и нижней границ по данным пассивного спутникового зондирования
1 Институт оптики атмосферы им. В.Е. Зуева СО РАН, Томск, Россия
Одобрена к печати: 29.03.2024
DOI: 10.21046/2070-7401-2024-21-2-23-35
Информация о распределении параметров облачности в трёхмерном пространстве (включая форму и объём) требуется для улучшения понимания механизмов конвекции, радиационного переноса и распространения потоков скрытого тепла, а также необходима в авиации. В работе представлены результаты оценки возможностей реконструкции трёхмерных моделей различных разновидностей однослойных облаков только на основе информации о высоте их верхней и нижней границы, полученной по данным пассивного спутникового зондирования. При этом рассмотрены не только основные типы облачности, но и некоторые их подтипы. Исходной информацией стали снимки MODIS (англ. Moderate Resolution Imaging Spectroradiometer) в видимом диапазоне спектра с пространственным разрешением 1000 м, а также тематические продукты их обработки. Приведено описание методики реконструкции трёхмерных моделей облаков по данным пассивного спутникового зондирования. Обсуждаются результаты восстановления формы для различных типов облачности, наблюдаемых над территорией Западной Сибири в летнее время. Показано, что рассматриваемый подход позволяет реконструировать трёхмерные модели не только отдельных облаков, но и облачных полей в целом. Установлено, что из-за низкого пространственного разрешения не могут быть восстановлены формы кучевых плоских облаков, а модели некоторых типов облачности имеют сильное сходство между собой. Даны рекомендации по использованию полученных результатов для решения различных научных и прикладных задач.
Ключевые слова: спутниковые данные, типы облачности, трёхмерная модель облака, характеристики облачности, MODIS
Полный текстСписок литературы:
- Астафуров В. Г., Евсюткин Т. В., Курьянович К. В., Скороходов А. В. Статистическая модель текстуры изображений различных типов облачности по данным MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. № 4. С. 188–197.
- Беспалов Д. П., Девяткин А. В., Довгалюк Ю. А. и др. Атлас облаков. СПб.: Изд-во Д’АРТ, 2011. 248 c.
- Облака и облачная атмосфера: cправ. / под ред. Мазина И. П., Хргиана А. Х. Л.: Гидрометеоиздат, 1989. 647 с.
- Скороходов А. В., Курьянович К. В. Использование данных CloudSat CPR для повышения эффективности нейросетевого подхода к восстановлению высоты нижней границы облаков на спутниковых снимках Aqua MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 5. С 63–75. DOI: 10.21046/2070-7401-2022-19-5-63-75.
- Ackerman S., Strabala K., Menzel P. et al. Discrimination clear-sky from cloud with MODIS. Algorithm teoretical basis document (MOD35). Wisconsin, MD, USA: NOAA NESDIS, 2006. 125 p.
- Ackerman S. A., Frey R., Heidinger A. et al. EOS MODIS and SNPP VIIRS cloud properties: User guide for the climate data record continuity Level-2 cloud top and optical properties product (CLDPROP). Greenbelt, MD, USA: NASA Goddard Space Flight Center, 2019. 65 p.
- Brüning S., Niebler S., Tost H. Artificial intelligence (AI)-derived 3D cloud tomography from geostationary 2D satellite data // Atmospheric Measurement Techniques. 2024. V. 17. P. 961–978. DOI: 10.5194/amt-17-961-2024.
- Chen S., Cheng C., Zhang X. et al. Construction of nighttime cloud layer height and classification of cloud types // Remote Sensing. 2020. V. 12. Article 668. DOI: 10.3390/rs12040668.
- Dobashi Y., Nishita T., Yamashita H., Okita T. Using metaballs to modeling and animate clouds from satellite images // The Visual Computer. 1999. V. 15(9). P. 471–482. DOI: 10.1007/s003710050193.
- Goswami P. A survey of modeling, rendering and animation of clouds in computer graphics // The Visual Computer. 2021. V. 37(3–4). P. 1931–1948. DOI: 10.1007/s00371-020-01953-y.
- Heidinger A., Li Y. Enterprise AWG Cloud Height Algorithm (ACHA). Algorithm theoretical basis document. Silver Spring, MD, USA: NOAA NESDIS, 2019. 64 p.
- Koffi B., Schulz M., Bréon F.-M. et al. 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. Article D10201. DOI: 10.1029/2011JD016858.
- Kokhanenko G. P., Balin Y. S., Borovoi A. G., Novoselov M. M. Studies of the orientation of crystalline particles in ice clouds by a scanning lidar // Atmospheric and Ocean Optics. 2022. V. 35. P. 509–516. DOI: 10.1134/S1024856022050141.
- Kowsuwan N., Kanongchaiyos P. 3D cloud animation using CA based method // Proc. Intern. Symp. Intelligent Signal Processing and Communication Systems (ISPACS). 2009. P. 387–392. DOI: 10.1109/ISPACS.2009.5383819.
- Lee B., Di Girolamo L., Zhao G., Zhan Y. Three-dimensional cloud volume reconstruction from the Multi-angle Imaging SpectroRadiometer // Remote Sensing. 2018. V. 10. Article 1858. DOI: 10.3390/rs10111858.
- 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.
- Marshak A., Davis A. 3D radiative transfer in cloudy atmospheres. N. Y.: Springer, 2005. 687 p.
- Marzban C., Leyton S., Colman B. Ceiling and visibility forecasts via neural networks // Weather Forecast. 2007. V. 22. P. 466–479. DOI: 10.1175/WAF994.1.
- Mecikalski J. R., Feltz W. F., Murray J. J. et al. 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.
- Noh Y.-J., Haynes J. M., Miller S. D. et al. A Framework for satellite-based 3D cloud data: An overview of the VIIRS cloud base height retrieval and user engagement for aviation applications // Remote Sensing. 2022. V. 14. Article 5524. DOI: 10.3390/rs14215524.
- 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.
- Platnick S. K., Meyer G., King M. D. et al. 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.
- Razenkov I. A. Capabilities of a turbulent BSE-lidar for the study of the atmospheric boundary layer // Atmospheric and Ocean Optics. 2021. V. 34. P. 229–238. DOI: 10.1134/S102485602103012X.
- Russkova T. V., Shishko V. A. Statistical simulation of laser pulse propagation in cirrus clouds accounting for multiple scattering // Atmospheric and Ocean Optics. 2023. V. 36. P. 384–393. DOI: 10.1134/S1024856023040164.
- Saito M., Yang P., Hu Y. et al. An efficient method for microphysical property retrievals in vertically inhomogeneous marine water clouds using MODIS‐CloudSat measurements // J. Geophysical Research: Atmospheres. 2019. V. 124. P. 2174–2193. DOI: 10.1029/2018JD029659.
- Singer C. E., Lopez-Gomez I., Zhang X., Schneider T. Top-of-atmosphere albedo bias from neglecting three-dimensional cloud radiative effects // J. Atmospheric Sciences. 2021. V. 78. No. 12. P. 4053–4069. DOI: 10.1175/JAS-D-21-0032.1.
- Skorokhodov A. V., Astafurov V. G., Evsutkin T. V. Application of statistical models of image texture and physical parameters of clouds for their classification on MODIS satellite images // Izvestiya, Atmospheric and Oceanic Physics. 2019. V. 55. No. 9. P. 1053–1064. DOI: 10.1134/S0001433819090482.
- Skorokhodov A. V., Pustovalov K. N., Kharyutkina E. V., Astafurov V. G. Cloud-base height retrieval from MODIS satellite data based on self-organizing neural networks // Atmospheric and Ocean. Optics. 2023. V. 36. No. 6. P. 723–734. DOI: 10.1134/S1024856023060209.
- Smith W. L., Minnis P., Fleeger C. et al. Determining the flight icing threat to aircraft with single-layer cloud parameters derived from operational satellite data // J. Applied Meteorology and Climatology. 2012. V. 51. P. 1794–1810. DOI: 10.1175/JAMC-D-12-057.1.
- 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: 10.5194/acp-10-7197-2010.
- Wallace J. M., Hobbs P. V. Atmospheric science: an introductory survey. L.: Elsevier, 2006. 490 p.
- Wang H., Xu X. Three-dimensional cloud structure construction with fractal modulation on actual measurement // Proc. Intern. Conf. Modeling, Simulation and Analysis (ICMSA-2018). 2018. P. 247–252. DOI: 10.12783/DTCSE/ICMSA2018/23247.
- Wang F., Liu Y., Zhou Y. et al. Retrieving vertical cloud radar reflectivity from MODIS cloud products with CGAN: An evaluation for different cloud types and latitudes // Remote Sensing. 2023. V. 15. Article 816. DOI: 10.3390/rs15030816.
- Xie X., Qiao Y., Sun T. The application of the technology of 3D satellite cloud imaging in virtual reality simulation // Data Science J. 2007. V. 6. P. S270–S277. DOI: 10.2481/dsj.6.S270.
- Yu H., Ma J., Ahmad S. et al. Three-dimensional cloud structure reconstruction from the Directional Polarimetric Camera // Remote Sensing. 2019. V. 11. Article 2894. DOI: 10.3390/rs11242894.
- Zhou H., Bi S., Gong Y. et al. Three-dimensional cloud simulation of satellite cloud map based on SPH method // J. System Simulation. 2019. V. 31. No. 7. P. 1300–1312. DOI: 10.16182/j.issn1004731x.joss.17-0233.