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

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.