Методы глубокого обучения открывают новые возможности для анализа данных дистанционного зондирования атмосферы, позволяя распознавать сложные пространственно-временные структуры и выявлять закономерности, недоступные традиционным алгоритмам. Лекция познакомит слушателей с основными архитектурами нейросетей, применяемыми в обработке спутниковых данных, и типичными задачами — от классификации облаков до реконструкции пропусков и обнаружения аномалий.
На примере автоматической идентификации и трекинга мезомасштабных конвективных систем в данных Meteosat будет показано, как методы глубокого обучения позволяют переходить от экспертной разметки к устойчивому детектированию атмосферных явлений. Особое внимание уделено вопросам оценки ошибок и неопределённостей нейросетевых решений, сравнению результатов с экспертными данными и интерпретации достоверности прогнозов. Лекция завершится обзором перспектив применения подобных подходов для многоуровневого анализа и мониторинга атмосферы.