Основным направлением эксперимента «Конвергенция» является получение профилей влажности и температуры в нижней части тропосферы в слое до 10 км, т.е. там, где сосредоточено более 90% водяного пара. Для проверки возможности восстановления профиля температуры и влажности в рамках проекта «Конвергенция» было проведено решение обратной задачи нахождения профилей влажности и температуры по известным значениям яркостной температуры с помощью нейросетей.
Была разработана следующая процедура обучения нейронной сети применительно к задаче определения профилей температуры и влажности по наборам яркостных температур. В качестве входных данных для моделирования были использованы данные судовых метеозондов из области Атлантического океана за 2015 – 2016 годы, которые были предоставлены ФГБУ "ВНИИГМИ-МЦД". Всего было использовано 5723 набора данных, каждый из которых включает в себя профиль температуры, влажности и давления атмосферы, интерполированные на сетке высот от 0 до 25 км с шагом по высоте 100 м. При моделировании были приняты следующие допущения: атмосфера – свободна от облачности и осадков, подстилающая поверхность – гладкая морская поверхность, с неизменной температурой воды 300 К и солёностью 35 ‰, диаграмма направленности антенны и ширина полосы частот приёмника– бесконечно узкие. Для определения профиля температуры использовались 6 частот вблизи линий кислорода в окрестности 55 ГГц (52,8000 53,7110 54,4000 54,9400 55,5000 57,2903 ГГц). Для определения влажности – 6 частот в близи линии водяного пара 183,31 ГГц (165.5, 183.31±7, 183.31±4.5, 183.31±3, 183.31±1.8, 183.31±1 ГГц). Однако результаты моделирования показали, что чувствительность данного набора каналов к влажности атмосферы в нижних слоях 0…3 км очень низкая. Для решения этой проблемы был предложен новый метод дифференциальных измерений в полосе поглощения водяного пара с центром 22.235 ГГц, (Стерлядкин, Шарков, 2014; Стерлядкин и др., 2017а, б; Sterlyadkin et al., 2017). В результате моделирования был получен набор из трёх дифференциальных каналов, которые демонстрируют как высокую чувствительность к влажности в нижних слоях, так и высотную избирательность в слое 0…3 км.
На первом шаге проводилось решение прямой задачи: для каждого частотного канала радиометра МИРС рассчитывались яркостные температуры. Для всех 5723 профилей метеозондов рассчитывался уникальный набор яркостных температур, соответствующий данному профилю температуры и влажности, для каждого частотного канала. Для восстановления профилей температуры использовались 6 частотных каналов. А для определения влажности – 15 каналов: 6 температурных каналов, 6 каналов в полосе поглощения 183 ГГц и 3 каналов для дифференциальных измерений в полосе поглощения 22 ГГц.
На основе анализа восстановления профилей температуры и влажности была проведена оптимизация параметров нейросети. Оптимальными оказались 2-х и 3-х слойные сети с количеством нейронов в слоях от 10 до 50-ти. Было установлено, что профили температуры и влажности нужно восстанавливать отдельными сетями. Не следует вводить профили температуры и влажности в одну обучающую матрицу вместе. Это приводит к ухудшению точности восстановления профилей. Отработана процедура восстановления профилей температуры и влажности, позволяющая производить восстановление в слоях тропосферы от 100 до 16000 метров.