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)

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

XX.A.32

Использование данных лидара CALIOP и радара CPR для восстановления высоты нижней границы однослойной облачности по спутниковым снимкам MODIS на основе нейронных сетей

Скороходов А.В. (1), Курьянович К.В. (1)
(1) Институт оптики атмосферы им. В.Е. Зуева СО РАН, Томск, Россия
Высота нижней границы облаков (ВНГО) является одной из наиболее важных характеристик, которую необходимо учитывать при обеспечении безопасности полетов воздушных судов различного типа. Кроме этого, информация о данном параметре требуется климатологам и метеорологам, например, для определения степени воздействия облачности на уходящее длинноволновое излучение и на характеристики атмосферного аэрозоля. Также, сведения о ВНГО используются в радиолокации при выборе рабочего диапазона частот. Традиционным подходом к оценке рассматриваемого параметра является использование наземных светолокационных регистраторов (например, РВО-2м) или лазерных высотомеров (например, CT25K). Общим недостатком обоих типов инструментов выступает локальность производимых ими измерений. Это не позволяет осуществлять глобальный мониторинг ВНГО (например, в высоких широтах и над поверхностью Мирового океана), учитывая редкую приборную сеть. Очевидным решением данной проблемы является использование данных дистанционного зондирования Земли из космоса.
Большинство метеорологических систем космического базирования осуществляют только прием отраженного от различных объектов или их собственного излучения в различных диапазонах спектра. Поэтому напрямую доступной является только информация о характеристиках верхней границы облачности. Такие же параметры, как оптическая толщина, эффективный радиус частиц или водозапас восстанавливаются косвенно на основе различных моделей. При этом получаемые оценки этих характеристик обладают существенными погрешностями из-за использования различных упрощений, например, таких, что влага в облаках распределена равномерно. Однако для ВНГО известных моделей расчета только на основе спектральной яркости не существует. Спутниковые системы второго типа выполняют активное воздействие, посылая вниз радиосигналы или лазерные импульсы, которые возвращаются обратно, ослабевая при прохождении сквозь атмосферу и при отражении от различных объектов. Это дает возможность оценивать высоту основания облачности напрямую. Однако основным недостатком таких систем является периодичность съемки и узкая полоса обзора. Так, космический лидар CALIOP (CALIPSO) и радар CPR (CloudSat) пролетают над одной и той же территорией раз в 16 суток, а пятно сканирования имеет размеры около 333 и 1000 м для первого прибора и 1,4 на 2,5 км для второго. Однако за время их функционирования был накоплен большой объем уникальной информации, который позволил улучшить понимание о вертикальном строении атмосферы.
Спутники CALIPSO и CloudSat наряду с Aqua до 2018 года входили в группировку A-Train, космические аппараты которой имели одинаковую солнечно-синхронную орбиту и снимали один и тот же участок поверхности с разницей в несколько минут. Это позволяло получать синхронные данные об одном и том же объекте на подстилающей поверхности или в атмосфере. В частности было предложено два подхода к восстановлению ВНГО на основе использования такой информации. Согласно первому из них оценка рассматриваемого параметра осуществляется с помощью найденных эмпирических зависимостей между ним и другими характеристиками облаков, например, водозапасом [1]. Второй подход реализует концепцию «донор-реципиент», согласно которой результаты восстановления ВНГО лидаром и/или радаром экстраполируются на синхронные пассивные измерения [2]. Оба этих способа имеют свои достоинства и недостатки, а также не решают задачу оценки высоты основания облачности в полном объеме, например, для многослойной облачности. Поэтому в [3] была предложена методика восстановления ВНГО на основе использования технологии нейронных сетей, объединяющая в себе оба указанных выше подхода.
В докладе рассматривается алгоритм оценки высоты основания однослойной облачности по спутниковым снимкам MODIS и тематическим продуктам их обработки на основе использования двух независимых самоорганизующихся нейронных сетей Кохонена. Первая из них обучена по данным лидара CALIOP, а вторая использует результаты зондирования радаром CPR. При этом наряду с ВНГО классификационными признаками являются характеристики облаков, содержащиеся в продукте CLDPROP_L2: оптическая толщина, эффективный радиус частиц, водозапас, тип подстилающей поверхности, зенитный угол Солнца и другие. Каждому нейрону соответствует интервал ВНГО шириной 50 м из диапазона 0 – 20000 м. Выбор первой или второй нейронной сети для обработки исследуемого пикселя облачности осуществляется исходя из значений ее оптической толщины в этой точке. Комплексное использование результатов лидарной и радарной съемки позволяет восстанавливать ВНГО практически у всех типов облачности за исключением облаков глубокой конвекции. При этом результаты оценки рассматриваемого параметра удовлетворяют требованиям NOAA NESDIS, предъявляемые к алгоритмам в данной области, в 75% случаев. Также, в докладе обсуждаются результаты восстановления ВНГО над территорией Западной Сибири по спутниковым снимкам MODIS и тематическим продуктам их обработки, полученным за период с 2010 по 2017 год в летнее время с мая по сентябрь.
Работа выполнена при финансовой поддержке Российского научного фонда (грант № 21-71-10076, https://rscf.ru/project/21-71-10076/).

Ключевые слова: Высота нижней границы облаков, нейронная сеть, обработка изображений, спутниковые данные, CALIOP, CPR, MODIS
Литература:
  1. 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.
  2. Chen S., Cheng C., Zhang X., Su L., Tong B., Dong C., Wang F., Chen B., Chen W., Liu D. Construction of nighttime cloud layer height and classification of cloud types // Remote Sens. 2020. V. 12. P. 668. doi:10.3390/rs12040668.
  3. Скороходов А.В., Курьянович К.В. Использование данных CALIOP для оценки высоты нижней границы облаков на спутниковых снимках MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 2. С. 43-56.

Видео доклада

Методы и алгоритмы обработки спутниковых данных

65