Том 36, номер 08, статья № 7

Аннотация:

Представлен алгоритм восстановления высоты нижней границы облаков (ВНГО) по данным пассивного спутникового зондирования с помощью методов искусственного интеллекта. Определение ВНГО рассмотрено как частный случай решения задачи классификации. Обучение алгоритма осуществлялось путем сопоставления результатов активных измерений ВНГО на сети наземных светолокационных и лазерных регистраторов ASOS (Automated Surface Observing System), лидаром CALIOP (спутник CALIPSO) и радаром CPR (спутник CloudSat) с другими параметрами облачности, полученными по данным спектрорадиометра MODIS (спутник Aqua). Проанализированы возможности инструментов активного зондирования по определению ВНГО у облаков с различной оптической толщиной. Алгоритм восстановления ВНГО основан на использовании трех независимых самоорганизующихся нейронных сетей Кохонена. Определены значения ВНГО однослойной облачности над Западной Сибирью в летнее время по дневным данным MODIS. Установлено, что разработанный алгоритм недооценивает ВНГО во всем диапазоне допустимых значений оптической толщины. Среднее смещение полученных оценок ВНГО относительно эталонных данных ASOS/CALIOP/CPR составляет -0,2 км при среднеквадратичном отклонении 1,2 км.

Ключевые слова:

атмосфера, высота нижней границы облаков, оптическая толщина, нейронные сети, обработка изображений, спутниковые данные

Иллюстрации:

Список литературы:

1. Mecikalski J.R., Feltz W.F., Murray J.J. Johnson D.B., Bedka K.M., Bedka S.T., Wimmers A.J., Pavlonis M., Berendes T.A., Haggerty J., Minnis P., Bernstein B., Williams E. Aviation applications for satellite-based observations of cloud properties, convection initiation, in-flight icing, turbulence, and volcanic ash // Bull. Am. Meteor. Soc. 2007. V. 88. P. 1589–1607. DOI: 10.1175/BAMS-88-10-1589.
2. Gebremariam S., Li S., Weldegaber M. Observed correlation between aerosol and cloud base height for low clouds at Baltimore and New York, United States // Atmosphere. 2018. V. 9, N 4. P. 143. DOI: 10.3390/atmos9040143.
3. Zheng Y., Rosenfeld D., Li Z. The relationships between cloud top radiative cooling rates, surface latent heat fluxes, and cloud-base heights in marine stratocumulus // J. Geophys. Res.: Atmos. 2018. V. 123. P. 11678–11690. DOI: 10.1029/2018JD028579.
4. Кхыонг Н.В. Оценка влияния метеобразования на распространение радиоволн в X-диапазоне // Труды МФТИ. 2020. Т. 12, № 3. С. 94–103. DOI: 10.53815/20726759_2020_12_3_94.
5. Толмачева Н.И., Крючкова А.Д. Методы и средства метеорологических измерений: учеб. пособие. Пермь: Изд-во ПГНИУ, 2013. 253 с.
6. Борейшо А.С., Ким А.А., Коняев М.А., Лугиня В.С., Морозов А.В., Орлов А.Е. Современные лидарные средства дистанционного зондирования атмосферы // Фотоника. 2019. Т. 13, № 7. С. 648–657. DOI: 10.22184/1992-7296.
7. Руководство по метеорологическим приборам и методам наблюдений. Женева, Швейцария: ВМО, 2017. 1400 с.
8. Wilheit T.T., Hutchison K.D. Retrieval of cloud base heights from passive microwave and cloud top temperature data // IEEE Trans. Geosci. Remote Sens. 2000. V. 38. P. 1253–1259. DOI: 10.1109/36.843017.
9. Forsythe J.M., Vonder Haar T.H., Reinke D.L. Cloud base height estimates using a combination of meteorological satellite imagery and surface reports // J. Appl. Meteor. 2000. V. 39. P. 2336–2347. DOI: 10.1175/ 1520-0450(2000)039<2336:CBHEUA>2.0.CO;2.
10. Hutchison K.D. The retrieval of cloud base heights from MODIS and three-dimensional cloud fields from NASA’s EOS Aqua mission // Int. J. Remote Sens. 2002. V. 23. P. 5249–5265. DOI: 10.1080/01431160110117391.
11. Stubenrauch C.J., Cros S., Guignard A., Lamquin N. A 6-year global cloud climatology from the Atmospheric InfraRed Sounder AIRS and a statistical analysis in synergy with CALIPSO and CloudSat // Atmos. Chem. Phys. 2010. V. 10. P. 7197–7214. DOI: 10.5194/acp-10-7197-2010.
12. Koffi B., Schulz M., Bréon F.-M., Griesfeller J., Winker D.M.M., Balkanski Y., Bauer S., Berntsen T., Chin M., Collins W.D., Dentener F., Diehl T., Easter R.C., Ghan S.J., Ginoux P.A., Gong S., Horowitz L.W., Iversen T., Kirkevag A., Koch D.M., Krol M., Myhre G., Stier P., Takemura T. Application of the CALIOP layer product to evaluate the vertical distribution of aerosols estimated by global models: AeroCom phase I results // J. Geophys. Res. 2012. V. 117. D. 10201. DOI: 10.1029/2011JD016858.
13. Oreopoulos L., Cho N., Lee D. New insights about cloud vertical structure from CloudSat and CALIPSO observations // J. Geophys. Res. Atmos. 2017. V. 122. P. 9280–9300. DOI: 10.1002/2017JD026629.
14. Tanelli S., Durden S.L., Eastwood I.M., Pak K.S., Reinke D.G., Partain Ph., Haynes J.M., Marchand R.T. CloudSat’s Cloud Profiling Radar after two years in orbit: Performance, calibration, and processing // IEEE Trans. Geosci. Remote Sens. 2008. V. 46, N 11. P. 3560–3573. DOI: 10.1109/TGRS.2008. 2002030.
15. Winker D.M., Vaughan M.A., Omar A., Hu Y., Powell K.A. Overview of the CALIPSO mission and CALIOP data processing algorithms // J. Atmos. Ocean. Technol. 2009. V. 26. P. 2310–2323. DOI: 10.1175/2009JTECHA1281.1.
16. Masunaga H. Satellite Measurements of Clouds and Precipitation: Theoretical Basis. Singapore: Springer Verlag, 2022. 297 p.
17. Miller S.D., Forsythe J.M., Partain P.T., Haynes J.M., Bankert R.L., Sengupta M., Mitrescu C., Hawkins J.D., Vonder Haar T.H. Estimating three-dimensional cloud structure via statistically blended satellite observations // J. Appl. Meteorol. Climatol. 2014. V. 53. P. 437–455. DOI: 10.1175/JAMC-D-13-070.1.
18. Noh Y.-J., Forsythe J.M., Miller S.D., Seaman C.J., Li Y., Heidinger A.K., Lindsey D.T., Roger M.A., Partain P.T. Cloud-base height estimation from VIIRS. Part II: A statistical algorithm based on A-Train satellite data // J. Atmos. Ocean. 2017. V. 34. P. 585–598. DOI: 10.1175/JTECH-D-16-0110.1.
19. Minnis P., Sun-Mack S., Chen Ya., Chang F.-L., Yost C.R., Smith W.L., Jr., Heck P.W., Arduini R.F., Bedka S.T., Yi Yu., Hong G., Jin Z., Painemal D., Palikonda R., Scarino B.R., Spangenberg D.A., Smith R.A., Trepte Q.Z., Yang P., Xie Y. CERES MODIS cloud product retrievals for Edition 4 – Part I: Algorithm changes // IEEE Trans. Geosci. Remote Sens. 2021. V. 59. P. 2744–2780. DOI: 10.1109/TGRS.2020.3008866.
20. Barker H.W., Jerg M.P., Wehr T., Kato S., Donovan D.P., Hogan R.J. A 3D cloud-construction algorithm for the EarthCARE satellite mission // Q. J. R. Meteorol. Soc. 2011. V. 137. P. 1042–1058. DOI: 10.1002/qj.824.
21. Sun X.J., Li H.R., Barker H.W., Zhang R.W., Zhou Y.B., Liu L. Satellite-based estimation of cloud-base heights using constrained spectral radiance matching // Q. J. R. Meteorol. Soc. 2016. V. 142. P. 224–232. DOI: 10.1002/qj.2647.
22. Chen S., Cheng C., Zhang X., Su L., Tong B., Dong C., Wang F., Chen B., Chen W., Liu D. Construction of nighttime cloud layer height and classification of cloud types // Remote Sens. 2020. V. 12. P. 668. DOI: 10.3390/rs12040668.
23. Grossvenor D.P., Wood R. The effect of solar zenith angle on MODIS cloud optical and microphysical retrievals within marine liquid water clouds // Atmos. Chem. Phys. 2014. V. 14. P. 7291–7321. DOI: 10.5194/acp-14-7291-2014.
24. Minnis P., Sun-Mack S., Smith W.L.J., Hong G., Chen Y. Advances in neural network detection and retrieval of multilayer clouds for CERES using multispectral satellite data // Proc. SPIE. 2019. V. 11152. DOI: 10.1117/12.2532931.
25. Tan Z., Huo J., Ma S., Han D., Wang X., Hu S., Yan W. Estimating cloud base height from Himawari-8 based on a random forest algorithm // Int. J. Remote Sens. 2021. V. 42, N 7. P. 2485–2501. DOI: 10.1080/01431161.2020.1854891.
26. Noh Y.-J., Haynes J.M., Miller S.D., Seaman C.J., Heidinger A.K., Weinrich J., Kulie M.S., Niznik M., Daub B.J. A framework for satellite-based 3D cloud data: An overview of the VIIRS cloud base height retrieval and user engagement for aviation applications // Remote Sens. 2022. V. 14. P. 5524. DOI: 10.3390/rs14215524.
27. Miller S.D., Noh Y.-J., Forsythe J.F., Seaman C.J., Li Y., Heidinger A.K., Lindsey D.T. AWG Cloud Base Algorithm (ACBA). Silver Spring, MD, USA: NOAA NESDIS, 2019. 46 p.
28. Код для оперативной передачи данных приземных метеорологических наблюдений с сети станций Росгидромета (Код КН-01 SYNOP). М.: Триада, 2013. 79 с.
29. Braun B.M., Sweetser T.H., Graham C., Bartsch J. CloudSat’s A-Train exit and the formation of the C-Train: An orbital dynamics perspective // IEEE Aerospace Conference Proceedings. 2019. P. 18759265. DOI: 10.1109/AERO.2019.8741958.
30. Eastman R., Warren S.G. Diurnal cycles of cumulus, cumulonimbus, stratus, stratocumulus, and fog from surface observations over land and ocean // J. Climate. 2013. V. 27. P. 2386–2404. DOI: 10.1175/JCLI-D-13-00352.1.
31. Mace G.G., Zhang Q. The CloudSat radar-lidar geometrical profile product (RL-GeoProf): Updates, improvements and selected results // J. Geophys. Res.: Atmos. 2014. V. 119. P. 9441–9462. DOI: 10.1002/2013JD021374.
32. NOAA. The Automated Surface Observing System: ASOS user’s guide. Washington D.C., USA: NOAA, 1998. 74 p.
33. Mülmenstädt J., Sourdeval O., Henderson D.S., L’Ecuyer T.S., Unglaub C., Jungandreas L., Böhm C., Russell L.M., Quaas J. Using CALIOP to estimate cloud-field base height and its uncertainty: The Cloud Base Altitude Spatial Extrapolator (CBASE) algorithm and dataset // Earth Syst. Sci. Data. 2018. V. 10. P. 2279–2293. DOI: 10.5194/essd-10-2279-2018.
34. Platnick S.K., Meyer G., King M.D., Wind G., Amarasinghe N., Marchant B., Arnold G.T., Zhang Z., Hubanks P.A., Holz R.E., Yang P., Ridgway W.L., Riedi J. The MODIS cloud optical and microphysical products: Collection 6 updates and examples from Terra and Aqua // IEEE Trans. Geosci. Remote Sens. 2017. V. 55. P. 502–525. DOI: 10.1109/TGRS.2016.2610522.
35. Хайкин С. Нейронные сети: Полный курс / пер. с англ. Н.Н. Куссуль, А.Ю. Шелестовой. М.: Изд. дом Вильямс, 2008. 1103 с.
36. Weisz E., Li J., Menzel W.P., Heidinger A.K., Kahn B.H., Liu C.-Y. Comparison of AIRS, MODIS, CloudSat and CALIPSO cloud top height retrievals // Geophys. Res. Lett. 2007. V. 34. DOI: 10.1029/2007GL030676.
37. Liu C.-Y., Chiu C.-H., Lin P.-H., Min M. Comparison of cloud-top property retrievals from Advanced Himawari Imager, MODIS, CloudSat/CPR, CALIPSO/CALIOP and radiosonde // J. Geophys. Res.: Atmos. 2020. V. 125. Р. e2020JD032683. DOI: 10.1029/2020JD032683.
38. Lu X., Mao F., Rosenfeld D., Zhu Y., Pan Z., Gong W. Satellite retrieval of cloud base height and geometric thickness of low-level cloud based on CALIPSO // Atmos. Chem. Phys. 2021. V. 21. P. 11979–12003. DOI: 10.5194/acp-21-11979-2021.
39. Осовский С. Нейронные сети для обработки информации / пер. с польского И.Д. Рудинского. M.: Финансы и статистика, 2002. 344 с.
40. Маховер З.М. Климатология тропопаузы. Л.: Гидрометеоиздат, 1983. 254 c.
41. Marchant B., Platnick S., Meyer K., Wind G. Evaluation of the MODIS Collection 6 mulitlayer cloud detection algorithm through comparisons with CloudSat cloud profiling radar and CALIPSO CALIOP products // Atmos. Meas. Technol. 2020. V. 13. P. 3263–3275. DOI: 10.5194/amt-13-3263-2020.
42. Mitchell D.L., Garnier A., Pelon J., Erfani E. CALIPSO (IIR–CALIOP) retrievals of cirrus cloud ice-particle concentrations // Atmos. Chem. Phys. 2018. V. 18. P. 17325–17354. DOI: 10.5194/acp-18-17325-2018.
43. Bewick V., Cheek L., Ball J. Statistics review 7: Correlation and regression // Crit Care. 2003. V. 7, N 6. P. 451–459.  DOI: 10.1186/cc2401.
44. Chicco D., Warrens M.J., Jurman G. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE, and RMSE in regression analysis evaluation // Peer. J. Comput. Sci. 2021. V. 7. Р. e623. DOI: 10.7717/peerj-cs.623.