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. 2024. Т. 21. № 5. С. 20-35

Метод количественной оценки осадков на основе измерений Himawari-8/9

А.И. Андреев 1, 2 , А.А. Филей 1, 2 , С.И. Мальковский 1 , С.П. Королев 1 
1 Вычислительный центр ДВО РАН, Хабаровск, Россия
2 Дальневосточный центр НИЦ «Планета», Хабаровск, Россия
Одобрена к печати: 30.09.2024
DOI: 10.21046/2070-7401-2024-21-5-20-35
Представлен алгоритм оценки мгновенной интенсивности осадков по данным космических аппаратов Himawari-8/9. Алгоритм основан на использовании двух нейронных сетей трансформерной и свёрточной архитектуры для предварительного расчёта маски полей осадков и оценки их мгновенной интенсивности. В качестве источника информации об осадках для обучения нейронной сети использовались измерения международного проекта по глобальному мониторингу осадков GPM (англ. Global Precipitation Measurements), основанного на данных различных спутниковых приборов активного и пассивного зондирования в микроволновом и инфракрасном спектре. При обучении нейронной сети учитывались спектральные, текстурные и микрофизические характеристики осадкообразующих облаков. Оценка точности полученных результатов интенсивности осадков была проведена с использованием данных об осадках из проекта GPM, а также данных прогностической модели CosmoRu-6 и наземных измерений осадкомеров в виде накопленной суммы осадков. Показано, что представленный алгоритм наиболее точно оценивает количество осадков, однако имеет тенденцию к переооценке их накопленных сумм, тогда как GPM и CosmoRu-6 склонны к их недооценке. Сравнение с продуктом GPM показало значение корня среднеквадратичной ошибки около 2,19 мм/ч.
Ключевые слова: осадки, нейронная сеть, Himawari
Полный текст

Список литературы:

  1. Крамарева Л. С., Андреев А. И., Блощинский В. Д. и др. Использование нейронных сетей в задачах гидрометеорологии // Вычислительные технологии. 2019. Т. 24. № 6. С. 50–59. DOI: 10.25743/ICT.2019.24.6.007.
  2. Павлюков Ю.Б, Серебрянник Н. И., Коренев Д. П., Охрименко В. А., Травов А. В., Шумилин А. А., Ерошкина Н. А., Козырев А. В., Белякова Т. А. Методика валидации наблюдений доплеровских метеорологических радиолокаторов, установленных на наземной наблюдательной сети. Долгопрудный: ЦАО, 2018. 49 с. https://meteorad.ru/static/validation_method_2018.pdf.
  3. Ривин Г. С., Розинкина И. А., Астахова Е. Д., Блинов Д. В., Бундель А. Ю., Кирсанов А. А., Шатунова М. В., Чубарова Н. Е., Алферов Д. Ю., Варенцов М. И., Захарченко Д. И., Копейкин В. В., Никитин М. А., Полюхов А. А., Ревокатова А. П., Татаринович Е. В., Чурюлин Е. В. Система краткосрочного численного прогноза высокой детализации COSMO-Ru, ее развитие и приложения // Гидрометеорол. исслед. и прогнозы. 2019. № 4. C. 37–53.
  4. Amorati R., Alberoni P. P., Levizzani V., Nanni S. IR-based satellite and radar rainfall estimates of convective storms over northern Italy // Meteorological Applications. 2000. V. 7. No. 1. P. 1–18. DOI: 10.1017/S1350482700001328.
  5. Amudha B., Raj Y. E.A., Thampi S. B., Ramanathan R. M. Diagnostic and statistical approach to the validation of Doppler radar rainfall around Chennai during 2006–2010 // Indian J. Radio and Space Physics. 2014. V. 43(2). P. 163–177.
  6. Andreev A. I., Shamilova Y. A. Cloud detection from the Himawari-8 satellite data using a convolutional neural network // Izvestiya, Atmospheric and Oceanic Physics. 2021. V. 57. No. 9. P. 1162–1170. DOI: 10.1134/S0001433821090401.
  7. Arkin P. A. The relationship between fractional coverage of high cloud and rainfall accumulations during GATE over the B-scale array // Monthly Weather Review. 1979. V. 107. No. 10. P. 1382–1387. DOI: 10.1175/1520-0493(1979)107<1382:TRBFCO>2.0.CO;2.
  8. Behrangi A., Hsu K., Imam B. et al. PERSIANN-MSA: A precipitation estimation method from satellite-based multispectral analysis // J. Hydrometeorology. 2009. V. 10. No. 6. P. 1414–1429. DOI: 10.1175/2009JHM1139.1.
  9. Breiman L. Classification and regression trees. N. Y.: Routledge. 2017. 368 p. DOI: 10.1175/2009JHM1139.1.
  10. Cao H., Wang Y., Chen J. et al. Swin-unet: Unet-like pure transformer for medical image segmentation // European Conf. Computer Vision. 2022. P. 205–218. DOI: 10.1007/978-3-031-25066-8_9.
  11. Doms G., Baldauf M. A. A description of the nonhydrostatic regional COSMO-Model. Part I: Dynamics and numerics. 2018. 166 p. http://www.cosmo-model.org/content/model/documentation/core/cosmoDyncsNumcs.pdf.
  12. Ellrod G. P. Potential use of GOES-I multispectral infrared imagery for nighttime detection of precipitation // Proc. 7th Conf. Satellite Meteorology and Oceanography / American Meteorological Society. 1994. P. 164–167.
  13. Gasteiger J., Emde C., Mayer B. et al. Representative wavelengths absorption parameterization applied to satellite channels and spectral bands // J. Quantitative Spectroscopy and Radiative Transfer. 2014. V. 148. P. 99–115. DOI: 10.1016/j.jqsrt.2014.06.024.
  14. Giorgetta M. A., Brokopf R., Crueger T. et al. ICON‐A, the atmosphere component of the ICON Earth system model: I. Model description // J. Advances in Modeling Earth Systems. 2018. V. 10. No. 7. P. 1613–1637. DOI: 10.1029/2017MS001242.
  15. Hayatbini N., Kong B., Hsu K. et al. Conditional generative adversarial networks (cGANs) for near real-time precipitation estimation from multispectral GOES-16 satellite imageries—PERSIANN-cGAN // Remote Sensing. 2019. V. 11. No. 19. P. 2193. DOI: 10.3390/rs11192193.
  16. Heidinger A., Li Y. AWG cloud height algorithm theoretical basis document / NOAA NESDIS Center for Satellite Applications and Research. 2018. 60 p. https://www.ssec.wisc.edu/~daves/ACHA_ATBD.pdf.
  17. Hirose H., Shige S., Yamamoto M. K., Higuchi A. High temporal rainfall estimations from Himawari-8 multiband observations using the random-forest machine-learning method // J. Meteorological Society of Japan. Ser. II. 2019. V. 97. No. 3. P. 689–710. DOI: 10.2151/jmsj.2019-040.
  18. Hong Y., Hsu K. L., Sorooshian S., Gao X. Precipitation estimation from remotely sensed imagery using an artificial neural network cloud classification system // J. Applied Meteorology. 2004. V. 43. No. 12. P. 1834–1853. DOI: 10.1175/JAM2173.1.
  19. Hsu K., Gao X., Sorooshian S., Gupta H. V. Precipitation estimation from remotely sensed information using artificial neural networks // J. Applied Meteorology and Climatology. 1997. V. 36. No. 9. P. 1176–1190. DOI: 10.1175/1520-0450(1997)036<1176:PEFRSI>2.0.CO;2.
  20. Huffman G. J., Bolvin D. T., Braithwaite D. et al. Integrated multi-satellite retrievals for the global precipitation measurement (GPM) mission (IMERG) // Satellite precipitation measurement. 2020. V. 1. P. 343–353. DOI: 10.1007/978-3-030-24568-9_19.
  21. Jia Z., Yang S., Zhang J. et al. PRSOT: Precipitation retrieval from satellite observations based on transformer // Atmosphere. 2022. Vol. 13. No. 12. Article 2048. DOI: 10.3390/atmos13122048.
  22. Key J. R., Intrieri J. M. Cloud particle phase determination with the AVHRR // J. Applied Meteorology and Climatology. 2000. V. 39. No. 10. P. 1797–1804. DOI: 10.1175/1520-0450-39.10.1797.
  23. King P. W. S., Hogg W. D., Arkin P. A. The role of visible data in improving satellite rain-rate estimates // J. Applied Meteorology. 1995. V. 34. No. 7. P. 1608–1621. DOI: 10.1175/1520-0450-34.7.1608.
  24. Kurino T. A satellite infrared technique for estimating “deep/shallow” precipitation // Advances in Space Research. 1997. V. 19. No. 3. P. 511–514. DOI: 10.1016/S0273-1177(97)00063-X.
  25. Levizzani V., Cattani E. Satellite remote sensing of precipitation and the terrestrial water cycle in a changing climate // Remote sensing. 2019. V. 11. No. 19. Article 2301. DOI: 10.3390/rs11192301.
  26. Li X. F., Blenkinsop S., Barbero R. et al. Global distribution of the intensity and frequency of hourly precipitation and their responses to ENSO // Climate Dynamics. 2020. V. 54. P. 4823–4839. DOI: 10.1007/s00382-020-05258-7.
  27. Liu Q., Li Y., Yu M. et al. Daytime rainy cloud detection and convective precipitation delineation based on a deep neural Network method using GOES-16 ABI images // Remote Sensing. 2019. V. 11. No. 21. Article 2555. DOI: 10.3390/rs11212555.
  28. Lu N. Evaluation of IMERG precipitation products in the Southeast Costal Urban Region of China // Remote Sensing. 2022. V. 14. No. 19. Article 4947. DOI: 10.3390/rs14194947.
  29. Lundberg S. M., Lee S. I. A unified approach to interpreting model predictions // Advances in neural information processing systems. // Proc. 31st Conf. Neural Information Processing Systems (NIPS 2017). 2017. V. 30. Article 10.
  30. Mahrooghy M., Anantharaj V. G., Younan N. H. et al. On an enhanced PERSIANN-CCS algorithm for precipitation estimation // J. Atmospheric and Oceanic Technology. 2012. V. 29. No. 7. P. 922–932. DOI: 10.1175/JTECH-D-11-00146.1.
  31. Min M., Bai C., Guo J. et al. Estimating summertime precipitation from Himawari-8 and global forecast system based on machine learning // IEEE Trans. Geoscience and Remote Sensing. 2018. V. 57. No. 5. P. 2557–2570. DOI: 10.1109/TGRS.2018.2874950.
  32. Moazami S., Najafi M. R. A comprehensive evaluation of GPM-IMERG V06 and MRMS with hourly ground-based precipitation observations across Canada // J. Hydrology. 2021. V. 594. Article 125929. DOI: 10.1016/j.jhydrol.2020.125929.
  33. Moraux A., Dewitte S., Cornelis B., Munteanu A. Deep learning for precipitation estimation from satellite and rain gauges measurements // Remote Sensing. 2019. V. 11. No. 21. Article 2463. DOI: 10.3390/rs11212463.
  34. Nakajima T., King M. D. Determination of the optical thickness and effective particle radius of clouds from reflected solar radiation measurements. Part I: Theory // J. Atmospheric Sciences. 1990. V. 47. No. 15. P. 1878–1893. DOI: 10.1175/1520-0469(1990)047<1878:DOTOTA>2.0.CO;2.
  35. Poulsen C. A., Siddans R., Thomas G. E. et al. Cloud retrievals from satellite data using optimal estimation: evaluation and application to ATSR // Atmospheric Measurement Techniques. 2012. V. 5. No. 8. P. 1889–1910. DOI: 10.5194/amt-5-1889-2012.
  36. Prigent C. Precipitation retrieval from space: An overview // Comptes Rendus Geoscience. 2010. V. 342. No. 5. P. 380–389. DOI: 10.1016/j.crte.2010.01.00.
  37. Pruppacher H. R., Klett J. D. Microphysics of Clouds and Precipitation. Dordrecht: Reidel, 1979. 714 p.
  38. Roebeling R. A., Holleman I. SEVIRI rainfall retrieval and validation using weather radar observations // J. Geophysical Research: Atmospheres. 2009. V. 114. Iss. D21. DOI: 10.1029/2009JD012102.
  39. Rossow W. B., Schiffer R. A. Advances in understanding clouds from ISCCP // Bulletin of the American Meteorological Society. 1999. V. 80. No. 11. P. 2261–2288. DOI: 10.1175/1520-0477(1999)080<2261:AIUCFI>2.0.CO;2.
  40. 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. No. 12. P. 2273–2289. DOI: 10.1175/JHM-D-19-0110.1.
  41. Sun Q., Miao C., Ashouri H. et al. A review of global precipitation data sets: Data sources, estimation, and intercomparisons // Reviews of Geophysics. 2018. V. 56. No. 1. P. 79–107. DOI: 10.1002/2017RG000574.
  42. Tapiador F. J., Marcos C., Sancho J. M. The convective rainfall rate from cloud physical properties algorithm for Meteosat Second-Generation satellites: Microphysical basis and intercomparisons using an object-based method // Remote Sensing. 2019. V. 11. No. 5. Article 527. DOI: 10.3390/rs11050527.
  43. Wang P. K. Physics and dynamics of clouds and precipitation. Cambridge: Cambridge University Press, 2013. 452 p. https://doi.org/10.1017/CBO9780511794285.