Авторами ранее предложен нейросетевой алгоритм восстановления интегрального влагосодержания (ИВС) атмосферы над сушей по данным SSM/I. В результате доработок топологии и характеристик нейростети удалось снизить среднюю погрешность восстановления ИВС от начальных 10 кг/м2 до 4.3 кг/м2 во второй версии алгоритма, что, однако, недостаточно для многих практических приложений и существенно уступает точностям восстановления, достижимым в настоящее время по данным МТВЗА-ГЯ, AMSR-E/2 и SSMIS. Для улучшения качества работы алгоритма был проведен анализ возникающих ошибок. Установлено, что погрешность оценки ИВС имеет неоднородное географическое распределение. Выделены наиболее проблематичные области, дающие максимальный вклад в среднюю величину погрешности. Проверена гипотеза о том, что «универсальная» нейросеть, обученная на данных глобальных наблюдений, неадекватно моделирует связь яркостных температур с ИВС на отдельных участках. С этой целью выполнена попытка построить и обучить «локализованные» нейросети, использующие только данные измерений в окрестностях выделенных проблемных областей. Установлено, что в пределах этих областей число имеющихся в распоряжении наблюдений недостаточно велико для построения репрезентативной обучающей выборки.
В то же время, есть основания полагать, что достижимы удовлетворительные точности восстановления ИВС, в том числе, над этими областями, по данным SSMIS. Это свидетельствует о том, что использование дополнительных радиометрических каналов (по сравнению с SSM/I) резко повышает репрезентативность данных наблюдений. В связи с этим предпринята попытка расширения вектора входных данных за счет объединения синхронных, пространственно совмещенных данных SSM/I и SSM/T-2 (пять каналов около 92 ГГц, 150 ГГц, 183 ГГц). Новые результаты обучения нейросети, улучшение средней погрешности восстановления ИВС над сушей и ее географическое распределение обсуждаются в докладе.