Восстановление температурно-влажностного состояния атмосферы по данным спутникового Фурье-спектрометра ИКФС-2 с применением алгоритмов искусственного интеллекта

Вертикальные профили температуры и относительной влажности, восстанавливаемые по данным спутникового дистанционного зондирования Земли, относятся к ключевым характеристикам термодинамического состояния атмосферы и используются для анализа условий облако- и осадкообразования, температурных инверсий, а также для получения измерений в сроки, не обеспеченные данными аэрологического радиозондирования (р/з). Традиционные подходы к задаче температурно-влажностного зондирования атмосферы (ТВЗА), в частности метод оптимальной оценки (OE) (Rodgers, 2000) и вариационные схемы (1D-Var) (Zhu et al., 2020), основаны на решении обратной задачи с использованием моделей прямого переноса излучения, например, RTTOV (Saunders et al., 2018). Такие методы являются вычислительно трудоёмкими, что затрудняет их оперативное применение. Для разработки вычислительно эффективного метода восстановления ТВЗА были проведены эксперименты по исследованию, доработке и оптимизации методов искусственного интеллекта при обработке данных инфракрасного Фурье-спектрометра ИКФС-2 космического аппарата Метеор-М № 2-4. Рассматривались градиентный бустинг на основе решающих деревьев (LightGBM), полносвязная (MLP) и одномерная сверточная нейронные сети (1D-CNN), а также гибридная схема, в которой прогноз LightGBM использовался как дополнительный признак для модели MLP, уточняющей восстановленные значения. Метод главных компонент позволил сократить размерность спектральной информации с 1381 канала до 506 компонент при сохранении более 99,9% дисперсии исходных данных. Полученное представление дополнялось координатами, зенитными углами наблюдения и Солнца, высотой рельефа, а также признаком разделения наблюдений над сушей и водной поверхностью. Для обучения рассматриваемых моделей на каждом целевом уровне было набрано не менее 600 тыс. обучающих и 200 тыс. валидационных примеров с ноября по декабрь 2025 года, где в качестве целевых значений использовались данные реанализа ERA5. Проверка полученных оценок ТВЗА осуществлялась путем сопоставления с р/з по территории России за 2026 г. Наиболее устойчивые результаты показали модели MLP, обученные отдельно для уровней от 1000 до 850 и от 700 до 10 гПа. В зимний период (январь - февраль) корень из среднеквадратической ошибки (RMSE) по температуре на изобарических уровнях составил 2,65 К, для относительной влажности — 18,72%; в весенний период (март - май) для температуры RMSE составил 2,33 К, для относительной влажности — 17,76%. Отдельно на совпадающих наблюдениях проводилось сравнение с данными штатного программного комплекса «ТВЗА-ИК» (Timofeev et al., 2019; Успенский и др., 2021), в котором нейронные сети используются для формирования первого приближения, а последующее уточнение выполняется на основе модели прямого переноса излучения RTTOV. Модели MLP в целом показали более высокое и стабильное качество восстановления на большинстве уровней при сокращении среднего времени обработки с 15 до 1 мин. Основным ограничением алгоритма выступает уменьшение информативности спутниковых ИК-спектров при приближении к земной поверхности. В ходе дальнейших работ планируется рассмотреть расширение состава входной информации за счет детального учета характеристик подстилающей поверхности, перехода к более согласованным целевым значениям и применения физико-информированных архитектур нейронных сетей.