Нейросетевой алгоритм восстановления профиля влажности атмосферы по данным КЭ «Конвергенция»

На сегодняшний день космические дистанционные методы исследований атмосферных процессов приобретают всё большую актуальность. Связано это, по большей части, с растущим научным интересом к глобальным изменениям климата и увеличением частоты появлений катастрофических атмосферных явлений. Помимо исследования глобальных атмосферных процессов большой научный интерес представляют исследования краткосрочной атмосферной динамики, в том числе трехмерной. Кроме того, спутниковую информацию о состоянии атмосферы всё большими темпами усваивают различные метеослужбы при составлении прогнозов погоды и разработке погодных моделей.
В Институте Космических Исследований РАН в настоящее время разрабатывается космический эксперимент «Конвергенция» приоритетной задачей которого является восстановление детальных профилей влажности тропосферы. Для решения поставленной задачи в эксперименте будет использован пассивный микроволновый радиометр спектрометр МИРС, позволяющий проводить восстановление влажности атмосферы на 6-8 высотных уровнях на базе комплексных микроволновых измерений как в области линии 183,31 ГГц, так и в области линии 22,235 ГГц. Особенностью использования низкочастотной полосы является новый метод дифференциальных измерений. Достоинством этого метода является более высокая чувствительность измерений к нижним слоям тропосферы, а также возможность снижения вкладов облачности, осадков и подстилающей поверхности на результаты измерений, что повышает точность решения задачи восстановления.
Основной задачей докладываемой работы является подготовка методического и программного обеспечения для оперативной обработки ожидаемых данных нового космического эксперимента «Конвергенция» и оценка ожидаемых ошибок восстановления профиля влажности атмосферы. Поскольку аппаратура ещё не запущена на орбиту, данные измерений яркостной температуры прибором МИРС отсутствуют, работа выполнялась на основе результатов моделирования. Моделирование выполнялось с помощью разработанной радиофизической модели системы океан-атмосфера и данных реанализа Era-interim для условий наблюдения с борта МКС. В результате моделирования были получены обучающая и тестовые выборки содержащие модельные спутниковые и подспутниковые измерения МИРС на всех радиометрических каналах. Размер выборок 100 тыс. и 1,4 млн. пикселей соответственно. На основе модельных данных проводилось обучение и тестирование различных схем искусственных нейронных сетей (ИНС) и исследовались их оптимальные характеристики.
В результате проделанного исследования был предложен нейросетевой алгоритм, который, при использовании модельных данных, позволяет обеспечить восстановление профиля абсолютной влажности атмосферы на основе радиометрических данных КЭ «Конвергенция» с относительной ошибкой восстановления не более 32%. В предложенном алгоритме предполагается использование нескольких отдельных ИНС, каждая из которых восстанавливает влажность на отдельном высотном уровне атмосферы. Каждая ИНС имеет схему прямого распространения с 1 скрытым слоем, содержащим 100 нейронов.
Входными данными для ИНС являются яркостные температуры влажностных каналов прибора МИРС и профиль температуры атмосферы. В работе показано, что качество имеющегося профиля температуры атмосферы, как и зашумлённость радиометрических данных, напрямую влияет на качество восстановления профиля влажности с помощью предложенного алгоритма.
Использование в качестве входных радиометрических данных для ИНС «дифференциальных» каналов прибора МИРС на склоне низкочастотной линии поглощения водяного пара 22,235 ГГц совместно с каналами на склоне линии поглощения 183,31 ГГц позволяет существенно уменьшить ошибку восстановления профиля влажности на высотах от 2 до 5 км. Проведённый анализ ошибок показал, что использование «дифференциальных каналов» в предложенном алгоритме улучшает качество восстановления профилей с очень низкими значениями влажности.
В будущем планируется выполнить подобную работу с использованием данными прямых натурных данных метеозондов и наземных наблюдений, поскольку данные реанализа могут содержать искусственно внесённые зависимости, влияющие на обучение нейросети.
Работа выполнена при поддержке темы «Мониторинг», гранта РФФИ 18-02-01009 А.