Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)

Девятнадцатая международная конференция «СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)»

XIX.A.83

Кластерный анализ полей облачности на спутниковых снимках MODIS и VIIRS с использованием данных лидара CALIOP

Скороходов А.В. (1), Курьянович К.В. (1)
(1) Институт оптики атмосферы им. В.Е. Зуева СО РАН, Томск, Россия
Современные системы дистанционного зондирования Земли (ДЗЗ) из космоса позволяют получать информацию о различных объектах, процессах и явлениях природного и техногенного характера с различным временным, пространственным и радиометрическим разрешением. Эти сведения включают не только изображения целевых объектов в видимом диапазоне спектра, но и наборы, и профили их физических параметров, восстановленных с помощью алгоритмов тематической обработки спутниковых данных. Существует два основных подхода к ДЗЗ: пассивный, основанный на анализе естественного отраженного или испускаемого излучения объектами исследования, и активный – использующие их вынужденный отклик на воздействие искусственных источников (лидаров и радаров). Это позволяет изучать не только геометрические характеристики целевых объектов, но и их внутреннюю структуру. Несмотря на это, даже при комплексном использовании обоих подходов не всегда удается охарактеризовать объект исследования в полном объеме. Одним из таких объектов является облачность. Так, пассивные методы позволяют надежно восстанавливать только параметры верхней границы облаков и интегральные характеристики [1]. Лидарные системы дают возможность оценивать структуру кристаллических облаков, но малоэффективны для анализа многослойной или мощной жидкокапельной облачности [2]. Космические радары позволяют восстанавливать профили влагосодержания в облаках и их фазовый состав, но практически не дают информации относительно положения их границ [3]. Поэтому целесообразным является разработка интеллектуальных методов и алгоритмов восстановления характеристик облачности на основе комплексного использования результатов ДЗЗ.
Одной из актуальных задач в данной области является восстановление трехмерной структуры облаков. Эта информация необходима для решения различных задач метеорологии и климатологии, связанных с прогнозированием погоды, разработкой климатических моделей и обеспечением безопасности полетов воздушных судов. Наиболее проработанным вопросом здесь является идентификация верхней границы облачности и определение ее характеристик. Для их надежного восстановления оказалось достаточным использование данных систем пассивного зондирования. Наименее решенной проблемой в данном направлении является анализ внутренней структуры облаков, если учитывать неоднородность распределения влагосодержания в них, а также фазовые переходы. Поэтому на данный момент здесь используются различные физические упрощения и предположения. В последнее же время наибольший прогресс был достигнут в вопросе восстановления характеристик нижней границы облачности. В частности были разработаны операционные алгоритмы определения ее высоты на основе данных MODIS и VIIRS на основе уравнения линейной регрессии с привлечением статистических данных от CALIOP (CALIPSO) и CPR (CloudSat) [4, 5]. Указанные методы находятся еще в стадии апробации, но уже видны их недостатки без учета проблемы многослойности облачных полей. В частности для восстановления высоты нижней границы облаков необходима информация об их водозапасе, которая не всегда эффективно восстанавливается по данным MODIS и VIIRS, а также в различное время суток. Кроме этого, разработанные алгоритмы испытывают некоторые трудности при определении рассматриваемого параметра у конвективной и кристаллической облачности. Одним из возможных решений указанных проблем является использование интеллектуальных методов анализа данных, получаемых от различной целевой аппаратуры ДЗЗ.
В докладе представлен алгоритм кластеризации полей облачности на спутниковых снимках MODIS и VIIRS с привлечением данных лидара CALIOP. Предложенный метод основан на использовании самоорганизующейся нейронной сети [6]. Для описания облаков применяются их характеристики из тематических продуктов CLDPROP_L2 (коллекция 5111) и CAL_LID_L2 (версия 4.20): оптическая толщина, эффективный радиус частиц, водозапас и другие. Кроме этого, рассматривается только однослойная облачность, и учитываются результаты ее классификации [7]. При этом для обучения нейронной сети используются данные об облаках, полученные только вдоль трассы лидара. Обсуждаются результаты кластеризации полей облачности при различных условиях съемки MODIS и VIIRS, удалении от полосы лазерного зондирования, а также параметрах разработанного алгоритма. Выдвигаются предположения относительно его использования для оценки высоты нижней границы облаков. Представлены результаты сопоставления характеристик сформированных кластеров с данными сети наземных метеостанций. Данную работу следует рассматривать в качестве начального этапа при решении задачи надежного восстановления высоты нижней границы однослойных облаков любого типа, а разработанный алгоритм – в качестве инструмента для формирования репрезентативной обучающей выборки.
Работа выполнена при финансовой поддержке Российского научного фонда в рамках научного проекта № 21-71-10076.

Ключевые слова: Кластерный анализ, облачность, спутниковые данные, характеристики облаков, CALIOP, MODIS, VIIRS
Литература:
  1. Ackerman S.A. et al. EOS MODIS and SNPP VIIRS Cloud Properties: User Guide for the Climate Data Record Continuity Level-2 Cloud Top and Optical Properties Product (CLDPROP). Greenbelt: Goddard Space Flight Center, 2019. 65 p.
  2. Winker D.M., Vaughan M.A., Omar A., Hu Y., Powell K.A. Overview of the CALIPSO Mission and CALIOP Data Processing Algorithms // J. Atmos. Ocean. Technol. 2009. V. 26. P. 2310–2323.
  3. Stephens G.L. et al. The CloudSat mission and the A-Train: A new dimension of space-based observations of clouds and precipitation // Bull. Amer. Meteor. Soc. 2002. V. 83. P. 1771–1790.
  4. Barker H.W., Jerg M.P., Wehr T., Kato S., Donovan D.P., Hogan R.J. A 3D cloud-construction algorithm for the EarthCARE satellite mission // Quart. J. Roy. Meteor. Soc. 2011. V. 137. P. 1042–1058.
  5. Noh Y., Forsythe J., Miller S., Seaman C. Cloud-base height estimation from VIIRS. Part II: A statistical algorithm based on A-Train satellite data // J. Atmos. Oceanic. 2017. V. 34. P. 585–598.
  6. Осовский С. Нейронные сети для обработки информации / Пер. с польск. Рудинского И.Д. M.: Финансы и статистика, 2002. 344 с.
  7. Скороходов А.В., Астафуров В.Г., Евсюткин Т.В. Применение статистических моделей текстуры изображений и физических параметров облаков для их классификации на спутниковых снимках MODIS // Исследование Земли из космоса. 2018. № 4. С. 43–58.

Методы и алгоритмы обработки спутниковых данных

64