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. 2004. В.1. Т.1. С. 447-458

НЕЙРОННО-СЕТЕВЫЕ АЛГОРИТМЫ ВОССТАНОВЛЕНИЯ ПАРАМЕТРОВ СИСТЕМЫ ОКЕАН . АТМОСФЕРА ПО ДАННЫМ МИКРОВОЛНОВОГО СПУТНИКОВОГО ЗОНДИРОВАНИЯ

Е.В. Заболотских 1, Л.М. Митник 2, Л.П. Бобылев 1, О.М. Йоханнессенн 3
1 Научный фонд «Международный центр по окружающей среде и дистанционному зондированию им. Нансена»
2 Тихоокеанский океанологический институт им. В.И. Ильичева ДВО РАН
3 Nansen Environmental and Remote Sensing Centre
Микроволновые спутниковые измерения обеспечивают получение регулярной опера-
тивной информации о подстилающей поверхности и атмосфере независимо от облачности и
времени суток. При этом одной из центральных проблем является разработка эффективных
алгоритмов восстановления геофизических параметров, характеризующихся повышенной
точностью оценок при различных погодных условиях. В работе для решения этой проблемы
предлагается подход, основанный на использовании нейронных сетей (НС). Его
преимуществом является обеспечение высоких точностей оценок параметров в условиях
облачности и относительная нечувствительность к шумам аппаратуры. Практически, для
реализации данного подхода рассматривается задача выбора оптимальной модели
нейронной сети типа многослойного персептрона с обратным распространением ошибок
для оценки влагозапаса атмосферы, водозапаса облаков и скорости приводного ветра над
океаном по данным микроволнового радиометра SSM/I. Выполнен анализ связи
архитектуры НС-алгоритмов и погрешностей восстановления рассматриваемых параметров.
Результаты исследования показали, что, независимо от уровня шума радиометра и
поглощения в атмосфере, минимальным ошибкам определения указанных параметров
соответствует однопараметрическая конфигурация НС с одним скрытым уровнем нейронов.
Ошибки восстановления достигают минимума при числе нейронов от 2 до 5.

Список литературы:

  1. Кондратьев К.Я., Тимофеев Ю.М. Метеорологическое зондирование атмосферы из космоса. Л.: Гидрометеоиздат, 1978. 280 с.
  2. Hollinger J.P., Lo R., Poe G., Savage R., Pierce J. Special Sensor Microwave/Imager user.s guide: Tech. Rep., Naval Research Laboratory. Washington DC, 1987. 120 p.
  3. Заболотских Е.В., Митник Л.М., Бобылев Л.П., Йоханнессен О.М. Разработка и ва- лидация алгоритмов восстановления скорости приводного ветра по данным SSM/I c приме- нением Нейронных Сетей и физических ограничений // Исслед. Земли из космоса. 2000. № 2. С. 62.71.
  4. Заболотских Е.В., Тимофеев Ю.М., Успенский А.Б., Митник Л.М., Бобылев Л.П., Йоханнессен О.М., Черный И.В. О точности микроволновых спутниковых измерений ско- рости приводного ветра, влагосодержания атмосферы и водозапаса облаков // Изв. РАН. Физика атмосферы и океана. 2002. Т. 5. № 38. С. 592.600.
  5. Митник М.Л. Расчет радиояркостных температур уходящего излучения системы океан . атмосфера. ТОИ ДВО РАН. Препринт. 1980. 16 c.
  6. Liebe H.J., Hufford G.A., Gotton M.G. Propagation modeling of moist air and suspended water/ice particles at frequencies below 1000 GHz // AGARD Conf. Proc. .Atmospheric propagation effects through natural and man-made obscurants for visible to MM-wave radiation.. 1993. P. 542.
  7. Cruz Pol S.L., Ruf C.S., Keihm S.J. Improved 20- to 32-GHz atmospheric absorption model // Radio Science. 1988. V. 33. N 5. P. 1319.1332.
  8. Rosenkranz P.W. Rough-sea microwave emissivities measured with the SSM/I // IEEE Trans. Geosciences Remote Sensing. 1992. V. 30. N° 5. P. 1081.1085.
  9. Ellison W., Balana G., Delbos G., Lamkaouchi K., Eymard L., Guillou C., Prigent C. New permittivity measurements of seawater // Radio Science. 1998. V. 33. N 3. P. 620.648.
  10. Stogryn A.P. A note on brightness temperature at millimeter wavelength // IEEE Trans. Geosci. Electr. 1975. V. 13. N 2. P. 81.84.
  11. Rosenblatt R. Principles of Neurodynamics. New York, Spartan Books. 1959. 62 p.
  12. Chen T., Chen H. Approximation capability to functions of several variables, nonlinear functionals, and operators by radial basis function Neural Networks // Neural Networks. 1995. N°. 6. P. 904.910.
  13. Gybenko G. Approximation by superposition of sigmoidal functions, Mathematics of Control // Signals and Systems. 1989. V. 2. N 4. P. 303.314.
  14. Hornik K. Approximation capabilities of mulilayer feedforward network // Neural Networks. 1991. N 4. P. 251.257.
  15. Бельчанский Г.И., Коробков Н.В. Использование искусственных нейронных сетей для анализа спутниковых данных дистанционного зондирования // Исслед. Земли из космо- са. 1998. № 4. С. 111.120.
  16. Lippmann R.P. An introduction to computing with neural nets // IEEE Acoust. Speech Signal Process. Mag. 1987. P. 4.21.
  17. Beale R., Jackson T., Neural Computing: An Introduction, Adam Hilger, Philadelphia, 1990. 158 p.
  18. Wasserman P.D. Neural Computing, Van Nostrand Reinhold. N. Y., 1989. 340 p.
  19. Stogryn A.P., Butler C.T., Bartolac T.J. Ocean surface wind retrievals from Special Sensor Microwave Imager data with Neural Networks // J. Geophysical Research. 1994. N20 90. P. 981.984.