Информационные продукты, отражающие пространственно-временную изменчивость температуры поверхности суши в региональном и глобальном масштабе, на современном этапе развития технологий дистанционного зондирования в основном формируются на основе данных с аппаратуры, работающей в тепловом ИК диапазоне. В ряде исследований показана перспективность использования для определения температуры грунтов, растительности и снежного покрова данных с СВЧ радиометров, позволяющих осуществлять наблюдения вне зависимости от погодных условий. Наиболее значимым данное преимущество микроволновых датчиков становится в условиях Арктики. Однако из-за сложности решения обратной задачи восстановления значений температуры в условиях недостатка информации об излучательных свойствах природных сред в конкретных пространственных областях и связанных с этим трудностей в обеспечении необходимой точности восстановления СВЧ радиометрические данные используются в указанных целях достаточно редко.
Существующие подходы к восстановлению значений температуры поверхности суши по данным микроволнового диапазона основаны на моделировании переноса излучения в многослойной среде, а также использовании различных алгоритмов машинного обучения, не обеспечивающих физического обоснования получаемых значений (Duan et al., 2017). В настоящей работе сделана попытка оценить применимость отдельных конкурирующих алгоритмов для восстановления значений температуры грунтов на полуострове Ямал, где мерзлые грунтовые толщи проявляют повышенную чувствительность к изменениям в климатической системе.
В экспериментах по восстановлению среднесуточных значений температуры верхнего слоя грунта на тестовом участке, расположенном вблизи геокриологического стационара (ГКС) Васькины Дачи, по данным многоканального СВЧ радиометра Advanced Microwave Scanning Radiometer 2 (AMSR2) испытан предложенный в работе (Мелентьев, Мателенок, 2015) алгоритм, основанный на модели собственного излучения многослойной среды (МСИ), а также известные алгоритмы на основе моделей множественной линейной регрессии и нейронных сетей (Prigent et al., 2016). В последнем случае использована трехслойная структура сети с линейными функциями активации во внутреннем и выходном слоях. При обучении сети оптимизация значений целевой функции (суммы квадратов остатков) в ходе настройки весов осуществлялась с помощью одного из трех алгоритмов: Нелдера-Мида (DS), Бройдена-Флетчера-Гольдфарба-Шанно (BFGS), сопряженных градиентов (CG).
При испытаниях алгоритма на основе МСИ использованы настройки, примененные в упомянутой работе при восстановлении значений температуры грунта по данным AMSR-E 2005-2008 гг. Построение моделей регрессии и обучение нейронной сети выполнено на выборке данных дистанционных и контактных измерений за 240 суток 2014 года. Испытано два набора предикторов: в один включены только радиояркостные температуры в каналах 6 и 36 ГГц на вертикальной и горизонтальной поляризации, в другой, помимо них, добавлены также высота снежного покрова и температура приземного слоя воздуха, измеряемые на ближайшей к тестовому участку метеостанции (Марре-Сале). Откликом является термодинамическая температура верхнего слоя грунта (на глубине 6 см). Контрольное восстановление значений температуры выполнено для 2013 и 2015 гг.
Включение в набор предикторов температуры воздуха и высоты снежного покрова в подавляющем большинстве случаев дает прирост точности восстановления. Наилучшие результаты получены при использовании нейронной сети и решении задачи оптимизации с помощью алгоритма CG. Для 2013 г. в случае применения CG среднеквадратическая ошибка (СКОш) восстановления на контрольной выборке составила не более 4,2 К, для 2015 г. – 3,4 К. При использовании CG и BFGS СКОш на контрольной выборке оказывается примерно в два раза больше, чем на обучающей. Метод DS дает менее предсказуемые результаты и на обучающей выборке демонстрирует меньшую точность, чем на контрольной. Использование нейронной сети и данного метода оптимизации оказывается оправданным в случаях, когда для окрестностей исследуемого участка нет данных по температуре воздуха и высоте снежного покрова, при этом достигаются меньшие значения СКОш, чем для конкурирующих вариантов (СКОш менее 5 К для метода DS против СКОш более 7 К для BFGS и регрессионных моделей).
Алгоритм на основе МСИ обеспечивает достижение относительно небольших значений СКОш для 2014 г. (менее 3 К), но дает более существенные отклонения от измеренных на ГКС значений в 2013 и 2015 гг. (до 5,5 К в 2015 г.), хотя и не подвергался настройке на данных 2014 г. Причиной увеличенных расхождений между восстановленными и измеренными значениями температуры грунта может являться в том числе и пространственная разнесенность тестового участка и ГКС, обеспечивающая снижение влияния излучения сопряженных акваторий на результирующие значения радиояркостных температур, а также точечный характер измерений температуры грунта на ГКС.