Авторами ранее предложена идея нейросетевой методики восстановления значений интегрального влагосодержания атмосферы над сушей по данным измерений спутниковых радиометров SSM/I (SSMIS) с привлечением дополнительной информации. Особенностью задачи является невозможность реализации более традиционных подходов, развитых для обработки данных радиометров AMSR-E (AMSR2) и опирающихся в частности на вычисление поляризационного контраста на склоне линии водяного пара около 22,4 ГГц. В ходе разработки новой нейросетевой методики авторами проанализирован состав дополнительных входных данных, которые в совокупности с измерениями SSM/I (SSMIS), обеспечивают минимально необходимую информацию для решения поставленной задачи восстановления интегрального влагосодержания. Одним из принципиальных требований является доступность этих дополнительных данных с пространственно-временной детальностью и в объемах, соответствующих массивам архивной и оперативной информации радиотепловых наблюдений.
Ключевая идея подхода заключается в теоретической возможности обучения нейросети на основе квази-синхронных выборок данных, в состав которых входят, с одной стороны, радиотепловые измерения приборов SSM/I или SSMIS, дополненные вспомогательной информацией о времени, координатах точек измерений, параметрах подстилающей поверхности, а с другой – «эталонные», обучающие значения интегрального влагосодержания, восстановленные по данным AMSR-E (AMSR2). Выдвинута гипотеза, что сопоставление регистрируемых яркостных спектров с «эталонными» значениями интегрального влагосодержания на длительных интервалах измерений позволит неявным образом (в результате обучения нейросети) разделить атмосферный и поверхностный вклады, как функции времени, места наблюдений и параметров суши, в радиотепловой сигнал. Тем самым, обученная нейросеть на основе новых рядов данных измерений SSM/I (SSMIS) и соответствующей дополнительной информации окажется способной предсказывать значения интегрального влагосодержания атмосферы с точностью, сопоставимой с точностью алгоритмов восстановления по данным AMSR-E (AMSR2).
Авторами была построена и обучена на ограниченной выборке данных тестовая нейросетевая модель. Анализ предварительных результатов показал перспективность дальнейшего развития предложенного подхода. При этом, однако, был выявлен ряд технических аспектов, не принятых в рассмотрение при предварительном тестировании. Так, существенное внимание следует уделять подбору временных интервалов и построению выборок квази-синхронных данных SSM/I (SSMIS) и AMSR-E (AMSR2). Некоторые особенности формирования таких выборок для приборов SSM/I (SSMIS) в зависимости от конкретного носителя и параметров его орбиты (спутники F13 – F18 серии DMSP), рассмотрены в настоящей работе. Также пересмотрен алгоритм разделения синхронных выборок на обучающую и тестовую части. В докладе обсуждаются результаты и дальнейшие пути развития алгоритма.
Отмечено, что подход может быть расширен для обработки данных других спутниковых радиометров, в частности, отечественного прибора МТВЗА-ГЯ.
Исследование выполнено в ходе выполнения государственного задания № 0030-2019-0008 (шифр «Космос»); а также при финансовой поддержке РФФИ, проект № 18-05-60024 «Анализ состояния природной среды равнинных территорий Арктической зоны РФ с использованием геоинформационных технологий и цифрового моделирования рельефа».