Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 3. С. 53-63
Нейросетевой метод определения водозапаса облачности по данным радиометра МСУ-ГС КА «Электро-Л» № 4
А.А. Филей
1 , А.И. Андреев
1 1 Дальневосточный центр НИЦ «Планета», Хабаровск, Россия
Одобрена к печати: 21.03.2025
DOI: 10.21046/2070-7401-2025-22-3-53-63
В настоящей работе представлена нейросетевая методика определения водозапаса облачности по данным дневных измерений радиометра МСУ-ГС (Многозональное сканирующее устройство), установленного на борту российского гидрометеорологического спутника «Электро-Л» № 4. Методика оценки водозапаса облачности основывается на физических принципах взаимодействия электромагнитного излучения с частицами облачности в каналах радиометра МСУ-ГС на длинах волн 0,6 и 3,7 мкм. Используя полносвязную нейронную сеть прямого распространения, устанавливается зависимость между измерениями коэффициентов отражения облачности в каналах спутникового прибора и её микрофизическими параметрами: оптической толщиной и эффективным радиусом. При обучении нейронной сети в качестве эталонного источника информации выступал массив смоделированных с помощью радиационной модели Libradtran измерений МСУ-ГС и соответствующих им значений водозапаса, рассчитанного по данным оптической толщины и эффективного радиуса частиц для капельной и кристаллической облачности. Полученная в ходе обучения нейросетевая модель использовалась для оценки водозапаса по данным непосредственных измерений МСУ-ГС, которые затем сопоставлялись с аналогичными оценками, полученными классическим алгоритмом решения обратной задачи методом статистической регуляризации. По результатам сопоставления среднеквадратическая ошибка искомых оценок водозапаса не превышала 44 г/м2. В среднем оценка водозапаса кристаллической облачности была завышена на 12 г/м2, капельной облачности занижена на 4 г/м2. Полученные результаты позволяют сделать вывод о работоспособности нейросетевого алгоритма, который может быть использован в оперативной практике наряду с классическим статистическим алгоритмом, не уступая при этом в точности и выигрывая в простоте реализации и скорости расчёта.
Ключевые слова: МСУ-ГС, «Электро-Л» № 4, нейронные сети, водозапас, оптическая толщина, эффективный радиус, облачность
Полный текстСписок литературы:
- Мазин И. П., Хргиан А. Х. Облака и облачная атмосфера. Справ. Л.: Гидрометеоиздат, 1989. 647 с.
- Матвеев Л. Т. Курс общей метеорологии. Физика атмосферы. Л.: Гидрометеоиздат, 1984. 751 с.
- Филей А. А. 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., Шамилова Ю. А. Определение водозапаса облачности по данным радиометра МСУ-ГС КА Арктика-М № 1 // Исслед. Земли из космоса. 2023. № 3. С. 70–80. DOI: 10.31857/S0205961423030028.
- 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. No. 12. 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. No. 12. P. 1896–1911. DOI: 10.1175/JAM2309.1.
- Bennartz R. Global assessment of marine boundary layer cloud droplet number concentration from satellite // J. Geophysical Research: Atmospheres. 2007. V. 112. Iss. D2. Article D02201. 16 p. DOI: 10.1029/2006JD007547.
- 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. Iss. 12. P. 2028–2034. DOI: 10.1016/j.jqsrt.2011.03.019.
- 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.
- Han Q., Rossow W. B., Lacis A. A. Near-global survey of effective droplet radii in liquid water clouds using ISCCP data // J. of Climate. 1994. V. 7. P. 465–497. DOI: 10.1175/1520-0442(1994)007<0465:NGSOED>2.0.CO;2.
- Heymsfield A. J., Matrosov S., Baum B. Ice water path-optical relationships for cirrus and deep stratiform ice cloud layers // J. Applied Meteorology and Climatology. 2003. V. 42. No. 10. P. 1369–1390. DOI: 10.1175/1520-0450(2003)042<1369:IWPDRF>2.0.CO;2.
- Hu Y. X., Stamnes K. An accurate parameterization of the radiative properties of water clouds suitable for use in climate models // J. of Climate. 1993. V. 6. P. 728–742. DOI: 10.1175/1520-0442(1993)006<0728:AAPOTR>2.0.CO;2.
- Kingma D. P., Ba J. Adam: A method for stochastic optimization // https://arxiv.org/. arXiv:1412.6980. 2014. 15 p. DOI: 10.48550/arXiv.1412.6980.
- Mas J. F., Flores J. J. The application of artificial neural networks to the analysis of remotely sensed data // Intern. J. Remote Sensing. 2008. V. 29. Iss. 3. P. 617–663. DOI: 10.1080/01431160701352154.
- Mayer B., Kylling A., Emde C., Buras R., Hamann U., Gasteiger J., Richter B. LibRadtran user’s guide. 2017. 155 p.
- 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. P. 459–473. DOI: 10.1109/TGRS.2002.808301.
- Roebeling R. A., Feijt A. J., Stammes P. Cloud property retrievals for climate monitoring: Implications of differences between Spinning Enhanced Visible and Infrared Imager (SEVIRI) on METEOSAT-8 and Advanced Very High Resolution Radiometer (AVHRR) on NOAA-17 // J. Geophysical Research: Atmospheres. 2006. V. 111. Iss. D20. Article D20210. 16 p. DOI: 10.1029/2005JD006990.
- Svozil D., Kvasnicka V., Pospichal J. Introduction to multi-layer feed-forward neural networks // Chemometrics and Intelligent Laboratory Systems. 1997. V. 39. Iss. 1. P. 43–62. DOI: 10.1016/S0169-7439(97)00061-0.
- Walther A., Heidinger A. Implementation of the Daytime Cloud Optical and Microphysical Properties. Algorithm (DCOMP) in PATMOS-x // J. Applied Meteorology and Climatology. 2012. V. 51. No. 7. P. 1371–1390. DOI: 10.1175/JAMC-D-11-0108.1.