Повышение эффективности детектирования облачности глубокой конвекции на основе машинного обучения и информации о молниевых разрядах по данным учащенных измерений двух геостационарных МИСЗ, и модельных индексов конвективной неустойчивости

Введение

Опасные и катастрофические конвективные явления связаны с интенсивными конвективными процессами в атмосфере и развитием мощной облачности глубокой конвекции. В зарубежной литературе такие процессы называют конвективными штормами. Большая временная и пространственная изменчивость процессов затрудняет их краткосрочное прогнозирование. Недостаток информационного обеспечения в области изучения конвективных процессов в последние десятилетия дополняется регулярными радиолокационными сетевыми данными и все большую роль стали играть дистанционные методы учащенных (каждые 5, 15 мин и менее) измерений геостационарных МИСЗ, включая информацию о молниевых разрядах.
Расширение функционала методов машинного обучения также позволяет исследовать возможности Распознавания, мониторинга, прогнозирования и предупреждения населения по всему миру. В данной работе использован комплекс информационных продуктов, получаемых на основе статистического и гидродинамического моделирования, при сопоставлении и оценке качества распознавания, прогнозирования интенсивной облачности глубокой конвекции с данными новых регулярных спутниковых измерений о молниевых разрядах с МИСЗ Метеосат-12.
Целью исследования - разработка метода автоматического детектировании ОГК с грозами по учащённым спутниковым данным и выходным полям гидродинамической модели и оценка вклада ряда параметров, включающих предикторы в зависимости от стадии развития ОГК в качество распознавания, мониторинга и наукастинг контуров отдельных ОГК и их скоплений.

Исходные данные

На первом этапе исследования сформирована выборка исходных данных. Для этого использовалась – 1) учащённая информация МИСЗ «Meteosat-11», измерения радиометра SEVIRI с разрешением 5 минут в каждом пикселе от 4-х до 6-ти км по территории зоны обзора северо-восточной части диска для каждого срока; 2) информация выходных полей модели ICON-Ru 6.6 ENA с шагом сетки 6.6 км для Европейской территории России и сопредельных территорий. Для анализа выбрано 9 дней 2025г для изучения случаев с наибольшим числом конвективных и грозовых явлений погоды летом 2025 года: 10-11 мая, 12-14 июля, 20-21 июля, 1-2 августа и 4 августа.
На втором этапе для анализа проведен отбор данных “облачных объектов с наиболее вероятной конвективной ячеистой структурой”, представляющих собой кластеры пикселей, выделенных внутри изотермы -45оС. Всего выделено 99 514 таких уникальных «облачных объектов», на основе формальных порогов. В каждый пятиминутный срок съемки с МИСЗ объект характеризовался определенными сочетаниями параметров, называемыми «состоянием». Время с момента зарождения до рассматриваемого срока можно считать «возрастом» объекта. Соответственно, промежуток времени (интервал) с момента зарождения до распада - продолжительностью жизни ОГК.

Методология

Задача заключалась в сопоставлении информации измерений МИСЗ о наличии верхней границы (ВГ) облачности глубокой конвекции (ОГК) с данными продукта Meteosat Third Generation (MTG) Lightning Imager (LI) Level 2, представляющими собой результаты детектирования гроз в диапазоне электромагнитного спектра (ЭМ) со средней длиной волны 777,4 нм с геостационарного спутника нового поколения Meteosat-12. Пространственное разрешение этой информации в подспутниковой точке составляет 4,5 км, частота обновления - около 1 мс. Данный инструмент измерений позволяет наблюдать не только за молниевыми разрядами, достигающими поверхности Земли, но и за грозами внутри облачности (не достигающими поверхности Земли).
В данном исследовании облачный объект относился к классу «интенсивной ОГК» в заданный срок, если вблизи контура объекта наблюдались молниевые разряды. Это определение включает в себя в первую очередь ОГК на стадии развития (когда для облака характерно большое число молниевых разрядов средней интенсивности) и на стадии зрелости (когда для облака характерны мощные, более редкие молниевые разряды). Таким образом, подтверждено, что в 97,5% случаев контуры выделенных облачных объектов связаны с информацией о молниевых разрядах.
На третьем этапе исследования были построены статистические модели автоматической классификации облачных объектов на классы “ОГК” и “неОГК” по различным наборам параметров: выходным полям ЧПП (включая температуру и точку росы на уровне 2М, индексы конвективной неустойчивости CAPE ML и CIN ML), параметрам ВГО (включая площадь, форму и распределение температуры в нескольких ИК-диапазонах). Каждый набор использовался как в статичном варианте (значения только за текущий срок), так и в динамическом (учитывались значения за предыдущие сроки, и их изменение). Модели были обучены на разных комбинациях наборов для оценки влияния каждого набора на качество прогноза. В качестве типа модели был выбран градиентный бустинг. Исходная выборка была разделена на обучающую (семь дней) и контрольную (последние два дня). Гиперпараметры (свободные параметры) моделей подбирались на обучающей выборке с помощью метода рандомизированной кросс-валидации с целью максимизации оправдываемости.
Эксперименты показали, что оправдываемость прогноза обученных моделей на независимой (контрольной) выборке не превышала 51,5% при предупреждённости - на уровне 95%, причем более 80% ложных тревог относилось к облачным объектам возрастом менее 30 мин. Более 98% всех объектов распадались в первые 30 минут жизни, более 99% объектов - в первый час жизни (то есть менее 1% объектов существовал дольше 1 часа).
Дополнительно выборка была разделена на несколько интервалов по возрасту объекта: менее 30 мин, 30-60 мин, 60-180 мин, более 180 -360 мин и более 360 мин. Каждый объект, по мере развития, Для каждой группы и каждого набора параметров была обучена отдельная модель градиентного бустинга. Такое разделение позволило оценить коэффициент информативности каждого предиктора для каждой возрастной группы (временного интервала).

Основные результаты

Проведенный анализ выявил зависимость качества детектирования и вклада предикторов от винтервала (возраста) объекта ОГК. Установлено, что для самых молодых ОГК (возраст менее 30 минут) ключевую роль играют параметры по данным о конвективной неустойчивости из рассматриваемой модели с интегральной информативностью до 78%. Это свидетельствует о том, что на стадии инициации наиболее эффективным является подход, учитывающий данные, рассчитанные по гидродинамической модели. Получен устойчивый набор предикторов, информативный для всех групп интервалов возрастов ОГК.

Заключение
1. Разработан метод автоматического детектирования облаков глубокой конвекции (ОГК), сочетающий учащенные данные спутника «Meteosat-11» и выходные поля модели ICON-Ru 6.6 ENA. Метод показал значительную зависимость информативности предикторов и итогового качества классификации от стадии (возраста) жизненного цикла конвективного облака.
2. Установлено, что для молодых ОГК (возраст 180 мин) метод демонстрирует высокую эффективность (оправдываемость ~90-94%) при преобладании информативности динамических спутниковых параметров над модельными.
Выявлен набор высокоинформативных предикторов, значимый для всех возрастных групп ОГК