Том 38, номер 10, статья № 11

Аннотация:

Рассматривается задача идентификации источников атмосферных выбросов по данным дистанционного зондирования. Предложен алгоритм ее решения на основе трехмерной по пространству модели переноса примесей и нелинейной модели измерений, представляемой в виде «дифференцируемого черного ящика». Алгоритм основан на операторах чувствительности и ансамблях решений сопряженных уравнений. Выполнено тестирование алгоритма на реалистичном сценарии идентификации источников сажи для Байкальского региона по модельным данным, соответствующим спутниковым измерениям платформы Terra/MODIS, показавшее его применимость. Дополнительно предложена декомпозиция алгоритма по данным измерений, позволившая уменьшить относительную ошибку восстановления функции источника на 12% по сравнению с версией без декомпозиции. Результаты исследования могут быть использованы при создании систем обработки данных дистанционного зондирования.

Ключевые слова:

дистанционное зондирование Земли, нелинейные операторы измерений, идентификация источников, адвекция – диффузия, оператор чувствительности, сопряженные уравнения, декомпозиция, атмосферный аэрозоль, RTTOV, MODIS

Иллюстрации:

Список литературы:

1. Rey-Pommier A., Chevallier F., Ciais P., Broquet G., Christoudias T., Kushta J., Hauglustaine D., Sciare J. Quantifying NO_x emissions in Egypt using TROPOMI observations // Chem. Phys. 2022. V. 22, N 17. P. 11505–11527. DOI: 10.5194/acp-22-11505-2022.
2. Savas D., Dufour G., Coman A.,, Siour G., Fortems-Cheiney A., Broquet G., Pison I., Berchet A., Bessagnet B. Anthropogenic NO_x emission estimations over East China for 2015 and 2019 using OMI satellite observations and the new inverse modeling system CIF-CHIMERE // Atmosphere. 2023. V. 14, N 1. P. 154. DOI: 10.3390/atmos14010154.
3. Dammers E., Tokaya J., Mielke C., Hausmann K., Griffin D., McLinden C., Eskes H., Timmermans R. Can TROPOMI NO₂ satellite data be used to track the drop in and resurgence of NO_x emissions in Germany between 2019–2021 using the multi-source plume method (MSPM)? // Geosci. Model Dev. 2024. V. 17, N 12. P. 4983–5007. DOI: 10.5194/gmd-17-4983-2024.
4. Fortems-Cheiney A., Broquet G., Potier E., Plauchu R., Berchet A., Pison I., Denier van der Gon H., Dellaert S. CO anthropogenic emissions in Europe from 2011 to 2021: Insights from Measurement of Pollution in the Troposphere (MOPITT) Satellite Data // Chem. Phys. 2024. V. 24, N 8. P. 4635–4649. DOI: 10.5194/acp-24-4635-2024.
5. Пененко А.В., Пененко В.В., Цветова Е.А. Алгоритмы усвоения данных для моделей химии атмосферы // Изв. РАН. Физ. атмосф. и океана. 2025. Т. 61, № 3. C. 388–403. DOI: 10.31857/S0002351525030091.
6. MODIS. Moderate Resolution Imaging Spectroradiometer. URL: https://modis.gsfc.nasa.gov/ (last access: 12.04.2025).
7. Penenko A.V. Convergence analysis of the adjoint ensemble method in inverse source problems for advection-diffusion-reaction models with image-type measurements // Inverse Probl. Imag. 2020. V. 14, N 5. P. 757–782. DOI: 10.3934/ipi.2020035.
8. Penenko A., Penenko V., Tsvetova E., Gochakov A., Pyanova E., Konopleva V. Sensitivity operator framework for analyzing heterogeneous air quality monitoring systems // Atmosphere. 2021. V. 12, N 12. P. 1697. DOI: 10.3390/atmos12121697.
9. Пененко А.В., Гочаков А.В., Антохин П.Н. Алгоритм усвоения данных на основе оператора чувствительности для трехмерной модели переноса и трансформации примесей в атмосфере // Оптика атмосф. и океана. 2024. Т. 37, № 9. С. 719–728. DOI: 10.1134/s1024856024701082; Penenko A.V., Gochakov A.V., Antokhin P.N. Data assimilation algorithm based on the sensitivity operator for a three-dimensional model of transport and transformation of atmospheric contaminants // Atmos. Ocean. Opt. 2024. V. 37, N 6. P. 822–832.
10. Le Dimet F.-X., Souopgui I., Titaud O., Shutyaev V., Hussaini M.Y. Toward the assimilation of images // Nonlin. Proc. Geophys. 2015. V. 22, N 1. P. 15–32. DOI: 10.5194/npg-22-15-2015.
11. Rose D., Wehner B., Ketzel M., Engler C., Voigtländer J., Tuch T., Wiedensohler A. Atmospheric number size distributions of soot particles and estimation of emission factors // Atmos. Chem. Phys. 2005. V. 6, N 4. DOI: 10.5194/acpd-5-10125-2005.
12. Baldauf M., Seifert A., Forstner J., Majewski D., Raschendorfer M., Reinhardt T. Operational convective-scale numerical weather prediction with the COSMO model: Description and sensitivities // Mon. Weather Rev. 2011. V. 139. P. 3887–3905. DOI: 10.1175/MWR-D-10-05013.1.
13. Оператор измерений MODIS для фреймворка IMDAF. Русин Е.В., Пененко А.В. Свидетельство о государственной регистрации программы для ЭВМ RU 2024612862. Патентное ведомство: Россия. Дата регистрации: 25.01.2024 г. Дата публикации: 06.02.2024 г. Правообладатели: Федеральное государственное бюджетное образовательное учреждение высшего образования «Югорский государственный университет».
14. Levy R., Hsu C., Sayer A., Mattoo S., Lee J. MODIS Atmosphere L2 Aerosol Product. 2017. NASA MODIS Adaptive Processing System, Goddard Space Flight Center. DOI: 10.5067/MODIS/MOD04_L2.061. URL: https://ladsweb.modaps.eosdis.nasa.gov/missions-and-measurements/products/MOD04_L2.
15. Clough S.A., Shephard M.W., Mlawer E.J., Delamere J.S., Iacono M.J., Cady-Pereira K., Boukabara S., Brown P.D. Atmospheric radiative transfer modeling: A summary of the AER codes, short communication // J. Quant. Spectrosc. Radiat. Transfer. 2005. V. 91. P. 233–244. DOI: 10.1016/j.jqsrt.2004.05.058.
16. Saunders R., Matricardi M., Brunel P. An improved fast radiative transfer model for assimilation of satellite radiance observations // Q. J. Roy. Meteorol. Soc. 1999. V. 125, N 556. P. 1407–1425. DOI: 10.1002/qj.1999.49712555615.
17. RTTOV-13. Science and validation report. URL: https://nwp-saf.eumetsat.int/site/download/documentation/rtm/docs_rttov13/rttov13_svr.pdf (last access: 12.04.2025).
18. Hess M., Koepke P., Schult I. Optical Properties of Aerosols and Clouds: The software package OPAC // Bull. Am. Meteorol. Soc. 1998. V. 79, N 5. P. 831–844. DOI: 10.1175/1520-0477(1998)079<0831:OPOAAC>2.0.CO;2.
19. Peleg S., Werman M., Rom H. A unified approach to the change of resolution: Space and gray-level // IEEE Tran. Pattern Anal. Mach. Intell. 1989. V. 11, N 7. P. 739–742. DOI: 10.1109/34.192468.
20. Rubner Y. The Earth mover's distance as a metric for image retrieval // Int. J. Comput. Vision. 2000. V. 40, N 2. P. 99–121. DOI: 10.1023/a:1026543900054.
21. Flamary R., Courty N., Gramfort A., Alaya M.Z., Boisbunon A., Chambon S., Chapel L., Corenflos A., Fatras A., Fournier K., Gautheron N., Gayraud L., Janati H., Rakotomamonjy T.H., Redko I., Rolet A., Schutz A., Seguy V., Sutherland D.J., Tavenard R., Tong A., Vayer T. POT: Python Optimal Transport // J. Machine Learn. Res. 2021. V. 22, N 78. P. 1–8.