Двадцать третья международная конференция "СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
XXIII.A.311
Нейронные сети с механизмом внимания в задаче реконструкции температурно-влажностного профиля атмосферы по данным СВЧ радиометрии
Егоров Д.П. (1), Козлова А.А. (1,2)
(1) Институт радиотехники и электроники им. В.А. Котельникова РАН, Москва, Россия
(2) Московский физико-технический институт (государственный университет), Долгопрудный, РФ
Реконструкция вертикальных профилей температуры и влажности атмосферы остается ключевой задачей СВЧ радиометрии. Одним из наиболее известных, широко используемых и физически обоснованных подходов для решения этой обратной задачи является применение метода вариационной ассимиляции данных, см., например, 1D-Var [1, 2], объединяющего данные проведенных радиометрических измерений, модель решения прямой задачи и фоновые исторические сведения по температурно-влажностному профилю для некоторой местности, времени года и суток (априорная информация). Метод вариационной ассимиляции заключается в построении функционала ошибки [1-3] и дальнейшем использовании ньютоновского алгоритма последовательных приближений или квази-ньютоновских алгоритмов для минимизации этого функционала. Несмотря на физическую интерпретируемость и высокую точность при определенных условиях [3], этот метод обладает рядом недостатков, к числу которых относятся его вычислительная сложность, низкая скорость работы, сильная зависимость от качества априорной информации. Линеаризация функционала [1-3], необходимая для ньютоновских приближений, может приводить к ошибкам в условиях сильной нелинейности взаимосвязи яркостных температур и геофизических параметров наблюдаемой атмосферы, например, при наличии развитой кучевой облачности или осадков. Перечисленные проблемы способен решить альтернативный нейросетевой подход. Обзор современных методов, использующих нейронные сети для восстановления температурно-влажностных профилей, представлен, например, в работах [4-6]. Тем не менее, в литературе пока отсутствуют сведения о применении в рассматриваемой задаче передовых нейросетевых моделей со встроенным механизмом внимания [7]. В докладе обосновывается необходимость использования этого механизма.
Ключевые слова: атмосфера, яркостная температура, СВЧ радиометрия, нейронные сети
Литература:
- Hewison T. 1D-VAR Retrieval of Temperature and Humidity Profiles From a Ground-Based Microwave Radiometer // IEEE Transactions on Geoscience and Remote Sensing. 2007. Vol. 45. No. 7. P. 2163-2168.
- Hualong Y., Zhao Y., Chen S. An Improved 1D-VAR Retrieval Algorithm of Temperature Profiles from an Ocean-Based Microwave Radiometer // Journal of Marine Science and Engineering. 2022, 10, 641. P. 1-14.
- Саворский В.П., Кутуза Б.Г., Аквилонова А.Б., Кибардина И.Н., Панова О.Ю., Данилычев М.В., Широков С.В. Повышение эффективности восстановления температурно-влажностных профилей облачной атмосферы по данным спутниковых сверхвысокочастотных спектрометров // Радиотехника и электроника. 2020. Т. 65. № 7. С. 658-666.
- Qiurui He, Zhenzhan Wang, Jiaoyang Li. Application of the Deep Neural Network in Retrieving the Atmospheric Temperature and Humidity Profiles from the Microwave Humidity and Temperature Sounder Onboard the Feng-Yun-3 Satellite // MDPI Sensors. 2021. Vol. 21. Iss. 14. P. 1-20.
- Rohit Chakraborty, Animesh Maitra. Retrieval of Atmospheric Properties with Radiometric Measurements using Neural Network // Atmospheric Research. 2016. Vol. 181. P. 124-132.
- Yan X., Liang C., Jiang Y., Luo N., Zang Z., Li Z. A Deep Learning Approach to Improve the Retrieval of Temperature and Humidity Profiles From a Ground-Based Microwave Radiometer // IEEE Transactions on Geoscience and Remote Sensing. 2020. Vol. 58. No. 12. P. 8427-8437.
- Zhaoyang Niu, Guoqiang Zhong, Hui Yu. A review on the attention mechanism of deep learning // Neurocomputing. 2021. Vol. 452. P. 48-62.
Методы и алгоритмы обработки спутниковых данных