Облачность играет важную роль в климатообразующих процессах Земли. Высокая степень покрытия небосвода облаками обусловливает необходимость тщательного изучения их свойств, типов, пространственно-временной изменчивости для успешного решения широкого круга задач оптики и физики атмосферы. Ввиду множества разных факторов оценка характеристик облачности является одной из основных источников неопределенности в моделях прогноза погоды и климата и в настоящее время. Базовый алгоритм для восстановления оптических и микроструктурных свойств облаков по данным спутникового зондирования атмосферы предполагает использование приближения независимых пикселей и модели оптически однородной облачности, что в некоторых ситуациях может оказаться недостаточным для достижения приемлемой точности решения обратной задачи.
В докладе представлены результаты реализации альтернативного подхода, превосходящего возможности традиционных способов обращения измерений. Основная его идея, рассмотренная ранее в работах Т. Фора, С. Корнет, Р. Окамура [1-3] и др., состоит в (а) обучении искусственной нейронной сети с помощью реалистичных моделей облачных полей и результатов 3D-моделирования переноса излучения в облачной атмосфере и (б) ее использовании для решения обратной задачи по данным мультиспектральных спутниковых измерений (MODIS, GLI Global Imager / ADEOS II и др.).
Для реализации подхода были созданы два массива данных: поля сплошной и разорванной оптически неоднородной слоистообразной облачности, сгенерированные с помощью каскадной модели для широкого диапазона параметров (балл облачности – от 0.5 до 1, средняя по облачной реализации оптическая толщина – от 5 до 20, эффективный радиус капель фиксирован и равен 11 мкм) и соответствующие им 3D-распределения интенсивности отраженного излучения, рассчитанные методом Монте-Карло с учетом эффектов многократного рассеяния в рамках заданной аэрозольно-молекулярной модели атмосферы. Входной вектор нейронной сети включал в себя спектральные значения интенсивности излучения, а также среднеквадратическое отклонение интенсивности на одной из длин волн. К элементам выходного вектора были отнесены оптическая толщина, показатель оптической неоднородности и балл облачности в пределах пикселя наблюдения. В обучении нейронной сети было задействовано до 1 млн. образцов.
Для выбора оптимальной структуры нейронной сети и настройки ее гиперпараметров были проведены соответствующие вычислительные эксперименты. Среди градиентных методов оптимизации наилучшую эффективность показал метод адаптивной оценки моментов Adam (Adaptive Moment Estimation). В качестве функции активации была выбрана кусочно-постоянная функция ‘логистический сигмоид’, продемонстрировавшая наилучшие показатели обучения.
Среди рассмотренных вариантов комбинаций спектральных каналов спектрорадиометра MODIS наилучшие показатели решения обратной задачи имеют место при выборе каналов 0.87, 1.64 и 2.13 мкм. В рамках численных экспериментов показано, что точность решения обратной задачи повышается при использовании дополнительной информации, содержащейся в смежных к целевому пикселях, и снижении пространственного разрешения в пределах рассматриваемого диапазона (250, 500 и 1000 м). Установлено, что созданная модель нейронной сети работоспособна даже в случае, когда обрабатываемые данные не принадлежат используемой при обучении категории данных.
Проведенные исследования, основанные на имитационном моделировании, продемонстрировали возможность применения методов искусственного интеллекта в решении сложной обратной задачи оптики атмосферы. Реализованный нейроалгоритм позволяет оценить не только оптическую толщину облаков, но и два дополнительных параметра – показатель оптической неоднородности облачного поля и балл облачности в пределах пикселя наблюдения – без существенного увеличения трудоемкости. Предлагаемая модель нейронной сети естественным образом интегрирует дополнительную априорную информацию об отраженной радиации в смежных пикселях и успешно связывает различные входные и выходные данные между собой, что едва ли возможно при решении задачи традиционными методами.
Исследование выполнено за счет гранта Российского научного фонда № 21-71-10076, https://rscf.ru/project/21-71-10076/.