Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 6. С. 52-65
Наукастинг движения облачности по данным КА Himawari-8/9 с использованием гибридной нейросетевой модели HybridCloudCast
В.Д. Блощинский
1, 2 , С.И. Мальковский
1 , Л.С. Крамарева
1, 2 , А.В. Бородицкая
1, 2 , С.П. Королев
1 1 Вычислительный центр ДВО РАН, Хабаровск, Россия
2 Дальневосточный центр НИЦ «Планета», Хабаровск, Россия
Одобрена к печати: 29.09.2025
DOI: 10.21046/2070-7401-2025-22-6-52-65
Представлен алгоритм наукастинга движения облачности в Азиатско-Тихоокеанском регионе по спутниковым изображениям в инфракрасном диапазоне с геостационарных космических аппаратов Himawari-8/9. Алгоритм основывается на разработанной авторами гибридной нейросетевой модели HybridCloudCast, объединяющей преимущества детерминированного и статистического подходов в задаче краткосрочного прогнозирования. Первый из них обеспечивает качественное предсказание эволюции облачности за счёт применения физически обоснованной модели, а второй, использующий диффузионную нейронную сеть, позволяет повысить детализацию и визуальное качество прогнозных изображений. В качестве входной информации для HybridCloudCast использовались изображения с яркостной температурой канала № 14 прибора AHI (англ. Advanced Himawari Imager). В дополнение к спутниковым изображениям нейросетевая модель применяет безоблачный композит, позволяющий улучшить точность прогноза за счёт учёта яркостных характеристик подстилающей поверхности. Разработанная модель HybridCloudCast формирует краткосрочный прогноз, временное разрешение которого составляет 10 мин, а пространственное — 2 км. Проведённая валидация показала, что по точности предложенный алгоритм не уступает аналогам, обеспечивая при этом более высокое временное разрешение. Модель способна формировать прогнозные изображения на трёхчасовом горизонте с ошибкой RMSE (англ. Root Mean Squared Error), не превышающей 12 K, и коэффициентом корреляции не ниже 0,84.
Ключевые слова: наукастинг, облачность, нейронная сеть, Himawari, HybridCloudCast
Полный текстСписок литературы:
- Кучма М. О., Мальковский С. И., Андреев А. И., Блощинский В. Д. Нейросетевые методы наукастинга осадков: обзор и апробация существующих решений // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 6. С. 35–48. DOI: 10.21046/2070-7401-2023-20-6-35-48.
- Baker S., Matthews I. Lucas–Kanade 20 years on: A unifying framework // Intern. J. Computer Vision. 2004. V. 56. P. 221–255. DOI: 10.1023/B:VISI.0000011205.11775.fd.
- Chen T. On the importance of noise scheduling for diffusion models // https://arxiv.org/. arXiv:2301.10972. 2023. 12 p. DOI: 10.48550/arXiv.2301.10972.
- Chen H., Shi X., Nie X. et al. Tropical aviation turbulence induced by the interaction between a jet stream and deep convection // J. Geophysical Research: Atmospheres. 2024. V. 129. Iss. 18. Article e2024JD04076. DOI: 10.1029/2024JD040763.
- Chen H., Zhong X., Zhai Q. et al. Skillful nowcasting of convective clouds with a cascade diffusion model // https://arxiv.org/. arXiv:2502.10957. 2025. 15 p. DOI: 10.48550/arXiv.2502.10957.
- Chen L., Zhong X., Li H. et al. A machine learning model that outperforms conventional global subseasonal forecast models // Nature Communications. 2024. V. 15. Article 6425. DOI: 10.1038/s41467-024-50714-1.
- Ehsani M. R., Zarei A., Gupta H. V. et al. NowCasting-nets: Representation learning to mitigate latency gap of satellite precipitation products using convolutional and recurrent neural networks // IEEE Trans. Geoscience and Remote Sensing. 2022. V. 60. Article 4706021. 21 p. DOI: 10.1109/TGRS.2022.3158888.
- Gong J., Bai L., Ye P., Xu W., Liu N., Dai J., Yang X., Ouyang W. Cascast: Skillful high-resolution precipitation nowcasting via cascaded modelling // Proc. 41st Intern. Conf. on Machine Learning. 2024. Article 633. P. 15809–15822.
- Guo Y., Zhong M., Chen X. et al. A thunderstorm gale forecast method based on the objective classification and continuous probability // Atmosphere. 2022. V. 13. No. 8. Article 1308. DOI: 10.3390/atmos13081308.
- Heusel M., Ramsauer H., Unterthiner T. et al. GANs trained by a two time-scale update rule converge to a local Nash equilibrium // https://arxiv.org/. arXiv:1706.08500. 2018. 38 p. DOI: 10.48550/arXiv.1706.08500.
- Kingma D. P., Ba J. L. Adam: A method for stochastic optimization // https://arxiv.org/. arXiv:1412.6980v9. 2017. 15 p. DOI: 10.48550/arXiv.1412.6980.
- Leinonen J., Hamann U., Nerini D. et al. Latent diffusion models for generative precipitation nowcasting with accurate uncertainty quantification // https://arxiv.org/. arXiv:2304.12891. 2023. 18 p. DOI: 10.48550/arXiv.2304.12891.
- Nai C., Pan B., Chen X. et al. Reliable precipitation nowcasting using probabilistic diffusion models // Environmental Research Letters. 2024. V. 19. No. 3. Article 034039. DOI: 10.1088/1748-9326/ad2891.
- Peebles W., Xie S. Scalable diffusion models with transformers // IEEE/CVF Intern. Conf. on Computer Vision (ICCV). Paris, France, 2023. P. 4172–4182. DOI: 10.1109/ICCV51070.2023.00387.
- Prudden R., Adams S., Kangin D. et al. A review of radar-based nowcasting of precipitation and applicable machine learning techniques // https://arxiv.org/. arXiv:2005.04988. 2020. 17 p. DOI: 10.48550/arXiv.2005.04988.
- Shi X., Chen Z., Wang H., Yeung D., Wong W., Woo W. Convolutional LSTM Network: A machine learning approach for precipitation nowcasting // Proc. 29th Intern. Conf. on Neural Information Processing Systems. 2015. V. 1. P. 802–810.
- Smith J., Birch C., Marsham J. et al. Evaluating pySTEPS optical flow algorithms for convection nowcasting over the Maritime Continent using satellite data // Natural Hazards and Earth System Sciences. 2024. V. 24. P. 567–582. DOI: 10.5194/nhess-24-567-2024.
- Tran Q.-K., Song S.-k. Computer vision in precipitation nowcasting: Applying image quality assessment metrics for training deep neural networks // Atmosphere. 2019. V. 10. No. 5. Article 244. DOI: 10.3390/atmos10050244.
- Wang R., Su L., Wong W. K. et al. Skillful radar-based heavy rainfall nowcasting using task-segmented generative adversarial network // IEEE Trans. Geoscience and Remote Sensing. 2023. V. 61. Article 4103613. 13 p. DOI: 10.1109/TGRS.2023.3295211.
- Wang Y., Wu H., Zhang J. et al. PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning // IEEE Trans. Pattern Analysis and Machine Intelligence. 2023. V. 45. No. 2. P. 2208–2225. DOI: 10.1109/TPAMI.2022.3165153.
- Wei X., Zhang F., Zhang R. et al. DaYu: Data-driven model for geostationary satellite observed cloud images forecasting // https://arxiv.org/. arXiv:2411.10144. 2024. 12 p. DOI: 10.48550/arXiv.2411.10144.
- Wen P., He M., Filippi P. et al. DuoCast: Duo-probabilistic diffusion for precipitation nowcasting // https://arxiv.org/. arXiv:2412.01091. 2025. 9 p. DOI: 10.48550/arXiv.2412.01091.
- Wood-Bradley P., Zapata J., Pye J. Cloud tracking with optical flow for short-term solar forecasting // Proc. 50th Annual AuSES Conf. (Solar 2012). Australian Solar Energy Soc., 2012. 6 p.
- Zhang Y., Long M., Chen K. et al. Skilful nowcasting of extreme precipitation with NowcastNet // Nature. 2023. V. 619. P. 526–532. DOI: 10.1038/s41586-023-06184-4.
- Zhuk S., Tchrakian T., Akhriev A. et al. Where computer vision can aid physics: dynamic cloud motion forecasting from satellite images // https://arxiv.org/. arXiv:1710.00194. 2017. 17 p. DOI: 10.48550/arXiv.1710.00194.