Развитие нейросетевого алгоритма восстановления интегрального влагосодержания атмосферы над сушей по данным спутниковых микроволновых радиометров

Авторами ранее предложена идея нейросетевой методики восстановления значений интегрального влагосодержания атмосферы над сушей по данным измерений спутниковых радиометров SSM/I (SSMIS) с привлечением дополнительной информации. Особенностью задачи является невозможность реализации более традиционных подходов, развитых для обработки данных радиометров AMSR-E (AMSR2) и опирающихся в частности на вычисление поляризационного контраста на склоне линии водяного пара около 22,4 ГГц. В ходе разработки новой нейросетевой методики авторами проанализирован состав дополнительных входных данных, которые в совокупности с измерениями SSM/I (SSMIS), обеспечивают минимально необходимую информацию для решения поставленной задачи восстановления интегрального влагосодержания. Одним из принципиальных требований является доступность этих дополнительных данных с пространственно-временной детальностью и в объемах, соответствующих массивам архивной и оперативной информации радиотепловых наблюдений.
Ключевая идея подхода заключается в теоретической возможности обучения нейросети на основе квази-синхронных выборок данных, в состав которых входят, с одной стороны, радиотепловые измерения приборов SSM/I или SSMIS, дополненные вспомогательной информацией о времени, координатах точек измерений, параметрах подстилающей поверхности, а с другой – «эталонные», обучающие значения интегрального влагосодержания, восстановленные по данным AMSR-E (AMSR2). Выдвинута гипотеза, что сопоставление регистрируемых яркостных спектров с «эталонными» значениями интегрального влагосодержания на длительных интервалах измерений позволит неявным образом (в результате обучения нейросети) разделить атмосферный и поверхностный вклады, как функции времени, места наблюдений и параметров суши, в радиотепловой сигнал. Тем самым, обученная нейросеть на основе новых рядов данных измерений SSM/I (SSMIS) и соответствующей дополнительной информации окажется способной предсказывать значения интегрального влагосодержания атмосферы с точностью, сопоставимой с точностью алгоритмов восстановления по данным AMSR-E (AMSR2).
Авторами была построена и обучена на ограниченной выборке данных тестовая нейросетевая модель. Анализ предварительных результатов показал перспективность дальнейшего развития предложенного подхода. При этом, однако, был выявлен ряд технических аспектов, не принятых в рассмотрение при предварительном тестировании. Так, существенное внимание следует уделять подбору временных интервалов и построению выборок квази-синхронных данных SSM/I (SSMIS) и AMSR-E (AMSR2). Некоторые особенности формирования таких выборок для приборов SSM/I (SSMIS) в зависимости от конкретного носителя и параметров его орбиты (спутники F13 – F18 серии DMSP), рассмотрены в настоящей работе. Также пересмотрен алгоритм разделения синхронных выборок на обучающую и тестовую части. В докладе обсуждаются результаты и дальнейшие пути развития алгоритма.
Отмечено, что подход может быть расширен для обработки данных других спутниковых радиометров, в частности, отечественного прибора МТВЗА-ГЯ.
Исследование выполнено в ходе выполнения государственного задания № 0030-2019-0008 (шифр «Космос»); а также при финансовой поддержке РФФИ, проект № 18-05-60024 «Анализ состояния природной среды равнинных территорий Арктической зоны РФ с использованием геоинформационных технологий и цифрового моделирования рельефа».