Совместное восстановление вертикальных профилей аэрозольной экстинкции и диоксида азота по измерениям MAX-DOAS с применением многозадачной трансформер-архитектуры

В настоящей работе рассматривается задача одновременного восстановления вертикальных профилей объемного коэффициента ослабления аэрозоля и концентрации диоксида азота в приземном слое тропосферы на основе многоугловых измерений спектра рассеянного солнечного излучения. Классические подходы к решению данной обратной задачи предполагают последовательное восстановление сначала аэрозольного профиля по измерениям димера кислорода, а затем использование полученных результатов для расчета воздушных масс и оценки профиля диоксида азота. Такой каскадный подход имеет принципиальный недостаток, заключающийся в неизбежном переносе ошибок первого этапа на второй. Кроме того, распределения аэрозоля и диоксида азота часто имеют общие источники эмиссии и метеорологические факторы формирования, что делает их совместный анализ физически обоснованным.
В данном исследовании предложена архитектура глубокого обучения на основе механизма внимания, способная выполнять одновременное восстановление обоих профилей в рамках единой модели. Нейросеть обрабатывает разнородные входные данные, включая наклонные оптические толщи димера кислорода и диоксида азота, полученные для излучения, приходящего из направлений с различающимися углами места, а также положение Солнца. Для балансировки вклада каждой задачи в общую функцию потерь применен адаптивный подход, автоматически оптимизирующий веса на основе оценки неопределенности.
Обучение модели осуществлялось на синтетическом датасете, сгенерированном с использованием данных о вертикальных профилях аэрозоля PM10 и диоксида азота реанализа службы мониторинга атмосферы CAMS за период с 2018 по 2022 год для Звенигородской научной станции. Моделирование измерений проводилось с помощью линеаризованной радиационной модели переноса излучения MCC++. Для повышения обобщающей способности модели применена стратегия аугментации данных, включающая варьирование временных меток и добавление аддитивного шума, параметры которого оценены по реальным полевым измерениям.
Результаты тестирования на независимой выборке продемонстрировали высокую точность одновременного восстановления обоих профилей в нижнем 2км слое атмосферы. Многозадачное обучение показало снижение ошибки по сравнению с использованием двух независимых моделей за счет явного учета физической связи между задачами. Предложенный подход обеспечивает значительное ускорение обработки по сравнению с итерационными методами оптимального оценивания, что открывает возможности для оперативного мониторинга загрязнения воздуха в режиме близком к реальному времени.