Применение алгоритмов глубокого обучения для повышения точности картирования полей горизонтального ветра в атмосфере по данным с геостационарных метеоспутников «Электро-Л»

Оценки «горизонтальных» векторов ветра (AMV — Atmospheric Motion Vectors) широко используются при информационном обеспечении систем численного прогноза погоды. Для метеорологических спутников получение AMV основано на прослеживании перемещения облачных трассеров или пространственных структур в последовательных спутниковых изображениях [2]. Существенным источником неопределенности таких оценок остается их вертикальная привязка: скорость движения прослеживаемого объекта, определяемая по спутниковым изображениям, не обязательно соответствует скорости ветра на уровне, к которому отнесена оценка. Поэтому актуальной задачей является одновременное уточнение горизонтальных компонент ветра и определение наиболее адекватного атмосферного слоя, характеризующего полученный вектор.
В ЕЦ «НИЦ «Планета» с целью повышения точности и репрезентативности спутниковых информационных продуктов разработана методика построения спутниковых оценок горизонтальных векторов ветра по данным аппаратуры МСУ-ГС космических аппаратов серии «Электро-Л», входящих в состав отечественной геостационарной гидрометеорологической системы [1, 2]. Ранее в ДЦ НИЦ «Планета» также проводились работы по получению оценок векторов ветра по данным КА серий «Арктика-М» и «Электро-Л» [2]. В настоящей работе предлагается несколько иной подход, заключающийся в совместном применении двух методов формирования исходных AMV — корреляционного прослеживания облачных трассеров и оптического потока — с последующим единым нейросетевым уточнением их горизонтальных компонент и вертикальной привязки. Методика включает два взаимодополняющих направления обработки: корреляционное прослеживание облачных трассеров по данным инфракрасного канала 10,7 мкм и определение перемещения облачных структур методом оптического потока по данным канала 3,8 мкм. Для обоих типов предварительных оценок применяется единый нейросетевой подход на основе графовой нейронной сети (GNN), предназначенный для уточнения зональной (U) и меридиональной (V) компонент ветра и их вертикальной привязки к атмосферному слою L. Такой подход соответствует современному направлению использования методов глубокого обучения для коррекции ошибок спутниковых оценок AMV [4], и развивает ранее полученные авторами результаты [3].
Для канала 10,7 мкм предварительные оценки U₀ и V₀ формируются корреляционным алгоритмом прослеживания перемещения каждого облачного трассера на трех последовательных спутниковых изображениях. Высота верхней границы облачности определяется для каждого трассера с использованием прогностической информации о вертикальных профилях температуры. После фильтрации грубых выбросов выполняется нейросетевое уточнение предварительных оценок. В качестве эталонной информации при обучении GNN используются поля ветра реанализа ERA5 на пяти соседних вертикальных уровнях, расположенных в окрестности высоты верхней границы облачности, при этом центральным принимается уровень, ближайший к hвго. Графовое представление вертикальной структуры позволяет учитывать взаимосвязь между соседними уровнями атмосферы и определять не только уточненные значения U и V, но и их относительный вклад в результирующий вектор, что обеспечивает вертикальную привязку оценки не к единственному уровню, а к некоторому атмосферному слою L.
Разработанная схема для канала 10,7 мкм была испытана на представительной выборке данных МСУ-ГС КА «Электро-Л» №3 с точкой стояния 76 в. д. Объем обучающей выборки, сформированной за отдельные сроки 2023–2024 гг. в 00:00 и 12:00 ВСВ, превысил 8 млн пар «предварительные спутниковые оценки — эталонные данные». Сопоставление уточненных спутниковых оценок U и V с независимыми данными радиозондирования показало, что среднеквадратичный модуль векторной разности (RMSVD) составил 6.3 м/с, а RMSE для U и V — 5.2 и 3.5 м/с соответственно для «дневных» сроков» и 8.4, 6.1, 5.7 для «ночных» сроков.
Для канала 3,8 мкм разработана схема получения AMV, ориентированная в том числе на формирование информационного продукта в темное время суток. Обработка основана на анализе двух последовательных изображений. На первом этапе выделяются облачные пиксели и определяется высота верхней границы облачности hвго. Далее с использованием алгоритма оптического потока RAFT (Recurrent All-Pairs Field Transforms) [5] с архитектурой рекуррентных преобразований оценивается перемещение каждого облачного пикселя и рассчитываются предварительные значения U и V. Полученные оценки проходят нейросетевое уточнение с помощью той же архитектуры GNN, что и для канала 10,7 мкм. Обучение выполняется по данным ERA5, причем на вход нейросети подаются характеристики предварительной спутниковой оценки, а реанализ используется в качестве эталона при обучении. Это позволяет сохранять возможность формирования оперативной оценки ветра без использования данных реанализа непосредственно на этапе получения конечного продукта. После нейросетевого уточнения выполняется дополнительная фильтрация оценок U и V методом DBSCAN.
Испытания методики для канала 3,8 мкм проведены на ограниченной выборке измерений МСУ-ГС КА «Электро-Л» №4 за 16 декабря 2025 г., 2 и 21 марта 2026 г. Согласно сопоставлению с независимыми данными ERA5, среднеквадратичный модуль векторной разности составил 7.6 м/с, а RMSE отдельных компонент U и V — 6.1 и 4.5 м/с соответственно.
Таким образом, для данных двух инфракрасных каналов МСУ-ГС сформирован единый подход к уточнению спутниковых оценок горизонтального ветра на основе графовой нейронной сети. При этом различия алгоритмов формирования исходных AMV — корреляционное прослеживание облачных трассеров в канале 10,7 мкм и оптический поток в канале 3,8 мкм — позволяют оценивать применимость единой схемы нейросетевого уточнения для различных способов определения движения облачных структур. Результаты численных экспериментов показывают возможность существенного повышения согласованности спутниковых оценок с независимой информацией о поле ветра и перехода от привязки AMV к отдельному уровню к их физически более обоснованной привязке к атмосферному слою L. Разработанные методики и программные средства могут быть использованы для подготовки спутниковых информационных продуктов о ветре по данным российских геостационарных метеорологических спутников серии «Электро-Л» и последующего применения этих данных в системах усвоения метеорологических наблюдений.
Доклад подготовлен в рамках работ по теме 1.1.7 Плана НИТР Росгидромета «Создание системы подготовки данных наблюдений российских полярно-орбитальных, геостационарных и высокоэллиптических метеоспутников для усвоения в прогностических моделях ФГБУ «Гидрометцентр России».