Валидация алгоритмов детектирования облачности по данным геостационарных космических аппаратов

Одной из важнейших задач в космической метеорологии является детектирование облачных образований. От точности обнаружения облачного покрова напрямую зависит качество выходной гидрометеорологической продукции (макро- и микрофизические параметры облачности и атмосферы, интенсивность осадков, температура поверхности океанов и суши). Несмотря на то, что за последние несколько десятков лет были представлены различные методики для детектирования облачности, указанную задачу нельзя считать окончательно решенной. Требуется разрабатывать новые подходы к повышению точности и оперативности обнаружения облачного покрова, учитывающие дополнительные внешние факторы, а также использующие возможности, появившиеся в связи с развитием спутниковых приборов и вычислительных технологий.
К таким новым подходам относится набирающее популярность построение алгоритмов детектирования облачности на основе машинного обучения. Данный подход заключается в автоматизированном подборе пороговых значений на основе статистических данных с использованием наборов признаков каждого классифицируемого объекта. Частным случаем алгоритмов машинного обучения являются нейронные сети.
В Дальневосточном центре НИЦ «Планета» с использованием ресурсов ЦКП «ИКИ-Мониторинг» были реализованы три подхода к детектированию облачности на спутниковых изображениях для двух серий геостационарных космических аппаратов (КА) – Himawari (прибор AHI) и Электро-Л (прибор МСУ-ГС), а также находящего на высокоэллиптической орбите Арктика-М (прибор МСУ-ГС/ВЭ), основанные на применении сверточных нейронных сетей.
Для валидации разработанных алгоритмов и обучения используемых нейронных сетей были созданы специализированные наборы данных. Для КА Himawari и Электро-Л они включали в себя измерения в каналах спутниковых приборов в виде текстур различных поверхностей, для которых определена принадлежность к одному из детектируемых классов. Для КА Арктика-М алгоритм основан не на классификации, а на сегментации изображения. Поэтому набор данных включал в себя примеры многоканальных изображений, содержащих различные сочетания типов объектов, а в качестве эталона для обучения содержал маски, определяющие принадлежность каждого пикселя к одному из детектируемых классов. Формирование всех выборок проводилось опытными специалистами-дешифровщиками.
Обученные модели нейронных сетей оценивались метриками машинного обучения на соответствующих тестовых выборках. В качестве метрик, как и при обучении, были рассмотрены точность, полнота и F-мера. Для прибора AHI по данным тестовой выборки точность составила 97.51%, полнота – 98.23% и F-мера – 97.86%, для прибора МСУ-ГС соответственно 94.84%, 94.21% и 94.62%, а для прибора МСУ-ГС/ВЭ – 88.94%, 89.63% и 90.93%.
Для дополнительной оценки качества было проведено сравнение с аналогичными алгоритмами, разработанными зарубежными метеорологическими агентствами для других спутниковых приборов, таких как VIIRS (КА NOAA-20) и SEVIRI (КА Meteosat-11). Полученные результаты показали, что маска облачности по данным прибора AHI обладает средней точностью около 96% в сравнении с маской VIIRS. Маска облачности по данным прибора МСУ-ГС КА Электро-Л – около 95% в сравнении с маской SEVIRI, а маска по данным прибора МСУ-ГС КА Арктика-М – около 93% в сравнении с маской SEVIRI и около 89% в сравнении с маской VIIRS.
По результатам проведенной валидации был сделан вывод, что маски, получаемые разработанными нейросетевыми классификаторами, обладают высокой точностью и не уступают по качеству аналогичным продуктам по данным SEVIRI и VIIRS.

Финансирование
Исследование выполнено за счет гранта Российского научного фонда № 23-77-00011, https://rscf.ru/project/23-77-00011/. В работе использовались ресурсы Центра коллективного пользования системами архивации, обработки и анализа данных спутниковых наблюдений Института космических исследований Российской академии наук для решения задач изучения и мониторинга окружающей среды (ЦКП «ИКИ-Мониторинг»).