Том 37, номер 11, статья № 5

Аннотация:

Весомая роль в эволюции облачных систем и формировании радиационного баланса Земли принадлежит жидкокапельным облакам. Определение их оптико-микрофизических характеристик относится к одной из важнейших задач оптики и физики атмосферы. Настоящая работа посвящена оценке применимости искусственной нейронной сети для обработки имитационных данных пассивных спутниковых измерений отраженного солнечного излучения низкого и среднего пространственного разрешения в видимой и коротковолновой инфракрасной областях спектра с целью одновременного восстановления оптической толщины и эффективного радиуса капель горизонтально неоднородной облачности. Обучение сети осуществляется с использованием рассчитанных методом Монте-Карло значений интенсивности излучения в морской слоисто-кучевой облачности, сгенерированной с помощью фрактальной модели. Благодаря построению нелинейной аппроксимации зависимости оптико-микрофизических параметров облаков от радиационных характеристик апробируемый алгоритм позволяет учесть эффекты горизонтального переноса излучения в отличие от классических схем IPA/NIPA (Independent Pixel Approximation/Nonlocal Independent Pixel Approximation). Показано, что погрешности решения обратной задачи могут быть уменьшены за счет усвоения данных в смежных пикселях, снижения пространственного разрешения, использования значений интенсивности излучения, полученных при малых зенитных углах Солнца. Достигнутые высокие коэффициенты корреляции между тестовыми и восстановленными значениями оптической толщины облаков и эффективного радиуса капель свидетельствуют о возможности применения нейросетевого подхода для интерпретации данных спутниковых измерений.

Ключевые слова:

нейронная сеть, дистанционное зондирование, облака, оптическая толщина, эффективный радиус, обратная задача, численное моделирование

Иллюстрации:

Список литературы:

1. King M.D. Determination of the scaled optical thickness of clouds from reflected solar radiation measurements // Atmos. Sci. 1987. V. 44, N 13. P. 1734–1751. DOI: 10.1175/1520-0469(1987)044<1734:DOTSOT>2.0.CO;2.
2. Platnick S., King M.D., Ackerman S.A., Menzel W.P., Baum B.A., Riédi J.C., Frey R.A. The MODIS cloud products: Algorithms and examples from Terra // IEEE Trans. Geosci. Remote. Sens. 2003. V. 41, N 2. P. 459–473. DOI: 10.1109/TGRS.2002.808301.
3. Cahalan R.F., Ridgway W., Wiscombe W.J., Gollmer S., Harshvardhan S., Gollmer S. Independent pixel and Monte Carlo estimates of stratocumulus albedo // Atmos. Sci. 1994. V. 51, N 51. P. 3776–3790. DOI: 10.1175/1520-0469(1994)051<3776:IPAMCE>2.0.CO;2.
4. Titov G.A. Radiative horizontal transport and absorption in stratocumulus clouds // J. Atmos. Sci. 1998. V. 55, N 15. P. 2549–2560. DOI: 10.1029/2002JD002103.
5. Cahalan R.F., Ridgway W., Wiscombe W.J., Bell T.L. The albedo of fractal stratocumulus clouds // J. Atmos. Sci. 1994. V. 51, N 16. P. 2434–2455. DOI: 10.1175/1520-0469(1994)051<2434:TAOFSC>2.0.CO;2.
6. Marshak A., Davis A., Cahalan R., Wiscombe W.J. Nonlocal independent pixel approximation: Direct and inverse problems // IEEE Trans. Geos. Remote Sens. 1998. V. 36, N 1. P. 192–205. DOI: 10.1109/TGRS.1998.662753.
7. 3D Radiative Transfer in Cloudy Atmospheres // A. Marshak, A. Davis (eds.). Berlin, Heidelberg, New York: Springer Science @ Business Media, 2005. 686 p.
8. Benner T.C., Evans K.F. Three dimensional solar radiative transfer in small tropical cumulus fields derived from high-resolution imagery // J. Geophys. Res. 2001. V. 106, N D14. P. 14975–14984. DOI: 10.1029/2001JD900158.
9. Zhang Z., Platnick S. An assessment of differences between cloud effective particle radius retrievals for marine water clouds from three MODIS spectral bands // J. Geophys. Res. 2011. V. 116, N D20215. DOI: 10.1029/2011JD016216.
10. Loeb N.G., Davies R. Observational evidence of plane parallel model biases: Apparent dependence of cloud optical depth on solar zenith angle // J. Geophys. Res. 1996. V. 101, N D1. P. 1621–1634. DOI: 10.1029/95JD03298.
11. Деминов О.В., Матющенко Ю.Я., Калачев А.В., Пашнев В.В. Использование нейросетевых технологий для определения оптических параметров атмосферы // Южно-Сибирский научный вестник. 2024. Т. 54, № 2. С. 53–59. DOI: 10.25699/SSSB.2024.54.2.005.
12. Розанов А.П., Грибанов К.Г. Нейросетевая модель для оценки потоков углерода в лесных экосистемах по данным дистанционного зондирования Земли // Оптика атмосф. и океана. 2023. Т. 36, № 2. С. 122–128. DOI: 10.15372/AOO20230207; Rozanov A.P., Gribanov K.G. A neural network model for estimating carbon fluxes in forest ecosystems from remote sensing data // Atmos. Ocean. Opt. 2023. V. 36, N 4. P. 323–328.
13. Faure T., Isaka H., Guillemet B. Neural network retrieval of cloud parameters of inhomogeneous and fractional clouds: Feasibility study // Remote Sens. Environ. 2001. V. 77, N 2. P. 123–138. DOI: 10.1016/S0034-4257(01)00199-7.
14. Cornet C., Isaka H., Guillemet B., Szczap F. Neural network retrieval of cloud parameters of inhomogeneous clouds from multispectral and multiscale radiance data: Feasibility study // J. Geophys. Res.: Atmos. 2004. V. 109, N D12203. DOI: 10.1029/2003JD004186.
15. Okamura R., Iwabuchi H., Schmidt K.S. Feasibility study of multi-pixel retrieval of optical thickness and droplet effective radius of inhomogeneous clouds using deep learning // Atmos. Meas. Tech. 2017. V. 10. P. 4747–4759. DOI: 10.5194/amt-10-4747-2017.
16. Cornet C., Buriez J.-C., Riédi J., Isaka H., Guillemet B. Case study of inhomogeneous cloud parameter retrieval from MODIS data // Geophys. Res. Lett. 2005. V. 32, N L13807. DOI: 10.1029/2005GL022791.
17. Nakajima T.Y., Nakajima T. Wide-area determination of cloud microphysical properties from NOAA AVHRR measurements for FIRE and ASTEX regions // J. Atmos. Sci. 1995. V. 52. P. 4043–4059. DOI: 10.1175/1520-0469(1995)052<4043:WADOCM>2.0.CO;2.
18. Han Q., Rossow W.B., Chou J., Welch R.M. Global variations of column droplet concentration in low-level clouds // Geophys. Res. Lett. 1998. V. 25. P. 1419–1422. DOI: 10.1029/98GL01095.
19. Русскова Т.В., Скороходов А.В. Алгоритм восстановления оптической толщины однослойной горизонтально неоднородной облачности с использованием нейронной сети // Соврем. проблемы дистанц. зондирования Земли из космоса. 2024. Т. 21, № 1. С. 88–105. DOI: 10.21046/2070-7401-2024-21-1-88-105.
20. Funahashi K. On the approximate realization of continuous mappings by neural networks // Neural Networks. 1989. V. 2, N 3. P. 183–192. DOI: 10.1016/0893-6080(89)90003-8.
21. Faure T., Isaka H., Guillement B. Neural network retrieval of cloud parameters from high-resolution multispectral radiometric data. A feasibility study // Remote Sens. Environ. 2002. V. 80. P. 285–296. DOI: 10.1016/S0034-4257(01)00310-8.
22. Magaritz-Rohen L., Khain A., Pinsky M. About the horizontal variability of effective radius in stratocumulus clouds // J. Geophys. Res.: Atmos. 2016. V. 121. P. 9640–9660. DOI: 10.1002/2016JD024977.
23. Пантелеев А.В., Лобанов А.В. Градиентные методы оптимизации в машинном обучении идентификации параметров динамических систем // Моделирование и анализ данных. 2019. Т. 9, № 4. С. 88–99. DOI: 10.17759/mda.2019090407.
24. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Питер, 2022. 440 с.