Определение типов облачности на основе измерений Himawari-9 с помощью нейронных сетей

В работе представлен нейросетевой алгоритм классификации облачности по данным инфракрасных измерений радиометра AHI спутника Himawari-9. Основу алгоритма классификации составляют микро- и макрофизические характеристики облачности, которые определяются путем решения обратной задачи уравнения теплопереноса излучения в окне прозрачности атмосферы 8.5-12 мкм по методике, представленной в работах (Parol et al., 1991; Minnis et al, 1998; Филей, 2020). С использованием предварительно рассчитанной маски облачности (Andreev and Shamilova, 2021) оценивается высота верхней границы облачности, ее оптическая толщина, эффективный радиус частиц, водозапас/ледозапас. Характеристики объемного рассеяния кристаллов льда и капель воды в каналах радиометра AHI при расчете параметров облачности предварительно рассчитываются с помощью радиационной модели Libradtran (Mayer et al., 2012).
Алгоритм классификации облачности осуществляется в несколько этапов. На первом этапе указанные выше параметры облачности используются в качестве классификационных критериев для модели нейронной сети на основе многослойного персептрона с конфигурацией скрытых слоев 32-64-128-256 нейронов. Результатом работы данной сети является определение следующих классов облачности: слоисто-дождевая, кучево-дождевая (в том числе с наковальней), перистая, многослойная, нижний и средний ярус.
На следующем шаге алгоритма происходит уточнение форм облаков схожих по своим параметрам. С этой целью используется модель сверточной нейронной сети (Крамарева и др., 2019; Andreev and Shamilova, 2021), на вход которой подается изображение спектрального канала 11 мкм. В процессе обучения такого классификатора автоматически формируются релевантные спектральные и текстурные признаки, позволяющие более точно определить наличие слоистых, кучевых и слоисто-кучевых облаков.
Для обучения вышеописанных классификаторов, опытными специалистами-дешифровщиками спутниковой информации производилась ручная разметка классов на спектральных изображениях, в результате чего были сформированы наборы данных, состоящие приблизительно из 15 тыс. точек, а также около 1000 текстурных изображений размером 5x5 пикселей.
Представленный алгоритм использует измерения только инфракрасных каналов прибора, что позволяет осуществлять классификацию как в светлое, так и в темное время суток. Оценка вероятности обнаружения проводилась на основе наземных данных аэропортов на территории Дальнего Востока для кучево-дождевой облачности, в соответствии с которой была получена оценка точности около 70%.