Наукастинг интенсивности осадков по данным геостационарного спутника Himawari-8/9

Точный и непрерывный мониторинг атмосферных осадков является фундаментальной задачей метеорологии и гидрологии, имеющей крайне важное практическое значение для целого ряда секторов экономики и обеспечения безопасности населения. Данные об осадках необходимы для прогнозирования опасных погодных явлений, эффективного управления водными ресурсами, в сельском хозяйстве, энергетике, авиации и многих других областях экономической деятельности. Вместе с тем, обеспечение точного и детализированного прогноза во многом определяется доступностью измерений метеорологических параметров. Так, для краткосрочного прогноза осадков, именуемого также наукастингом, в мировой практике преимущественно используются измерения доплеровских метеорологических радиолокаторов. С другой стороны, возможности подобного мониторинга могут быть весьма ограничены невысокой плотностью наземных наблюдений для таких территорий, как Дальневосточный регион России. В качестве альтернативы подобным измерениям могут рассматриваться наблюдения с геостационарных и высокоэллиптических космических аппаратов (КА), таких как Himawari-8/9, серий «Электро-Л» и «Арктика-М», обеспечивающие большое пространственное покрытие с разрешением до 4 км/пиксель в надире и частотой получения данных каждые 10-15 минут.
Методы, применяемые для наукастинга осадков, как правило, основаны на идее экстраполяции исходных изображений осадков с использованием алгоритмов оптического потока или искусственных нейронных сетей (ИНС). Во многих работах отмечается, что ИНС наиболее эффективны для решения данной задачи (Kong et al., 2023; Tan et al., 2024), поскольку они лучше учитывают нелинейные зависимости, что особенно важно при прогнозе осадков в условиях быстроразвивающейся конвекции.
В работе предлагается алгоритм RainCast (Андреев и др., 2025) для прогноза осадков по данным КА Himwarai-8/9, комплексирующий результаты работы двух ИНС. Первая ИНС имеет полносверточную архитектуру модели-генератора из архитектуры NowcastNet, ранее представленную в работе (Zhang et al., 2023), и предназначенную для осуществления детерминированного прогноза осадков на мезомасштабном уровне. Модель с высокой точностью прогнозирует общее направление движения осадкообразующей облачности, однако прогноз локальных явлений с характерным линейным размером порядка 10 км затруднен из-за их высокой вариативности. Чтобы уточнить прогноз подобных явлений, на этапе постобработки применяется диффузионная ИНС на основе архитектуры-трансформера DiT (Gong et al., 2024), что позволяет существенно повысить детализацию прогнозируемых изображений. Для обучения ИНС на основе измерений КА Himawari-8/9 были сформированы наборы данных для территории Азиатско-Тихоокеанского региона в границах 35–60° с.ш. и 100–160° в.д. за период с 2020 по 2024 гг. Каждый пример в обучающей и тестовой выборках представляет собой последовательность изображений интенсивности осадков размером 512×512 пикселей с разрешением 2 км/пиксель, рассчитанных с использованием ранее разработанного алгоритма для их оценки по данным КА Himawari-8/9 (Андреев и др., 2024). Исходная выборка, состоящая из 20 тысяч последовательностей, была разделена на наборы данных, предназначенные для обучения ИНС (80% от общего объема выборки), их проверки и настройки (2%), а также итогового тестирования (18%). Входной информацией для алгоритма является последовательность, состоящая из 9 изображений интенсивности осадков, предшествующих текущему сроку наблюдений, что соответствует полуторачасовому периоду времени. Прогноз осуществляется на следующий двухчасовой интервал в виде последовательности из 12 изображений с временным разрешением 10 минут.
Оценка результатов прогноза осуществлялась с использованием предварительно сформированной тестовой выборки. Полученные оценки точности сравнивались с результатами работы актуальных решений, таких как диффузионная модель CasCast (Gong et al., 2024), трансформер EarthFormer (Gao et al., 2022), NowcatNet (Zhang et al., 2023). Численные оценки качества показали, что предложенный алгоритм RainCast имеет наибольшую точность среди других диффузионных и генеративно-состязательных решений, и лишь незначительно уступает модели-генератору из архитектуры NowcastNet. В то же время RainCast обеспечивает значительно более высокую детализацию прогноза, что подтверждается визуальными оценками прогнозируемых изображений.
Разработанный алгоритм внедрен в оперативную практику Дальневосточного центра НИЦ «Планета» и интегрирован в систему подготовки данных реального времени «Himawari» для оперативного доведения тематической продукции до потребителей.