Материалы 20-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса»
Москва, ИКИ РАН, 14–18 ноября 2022 г.

(http://conf.rse.geosmis.ru)

XX.A.334

Нейросетевые подходы в задачах тематической обработки данных КА Арктика-М №1

Андреев А.И. (1), Блощинский В.Д. (1), Крамарева Л.С. (1), Шамилова Ю.А. (1)
(1) Дальневосточный центр ФГБУ "НИЦ "Планета", Хабаровск, Россия
28 февраля 2021 г. на высокоэллиптическую орбиту Земли был запущен гидрометеорологический космический аппарат (КА) Арктика-М №1, съемочная аппаратура которого позволяет обеспечивать съемку арктического региона Земли в видимом и инфракрасном диапазонах спектра с разрешением 1 и 4 км соответственно и с периодичностью 15 (учащённый режим) или 30 минут для получения информации метеорологического и гидрологического назначения, как днем, так и ночью. Однако для наиболее эффективного использования данных КА необходима разработка новых методов усвоения получаемой информации, учитывающих особенности съемочной аппаратуры и региона наблюдения.
Первоочередной задачей при расчете тематической продукции является получение качественной маски облачности. Здесь основной акцент делается на точность распознавания снега и льда в виду схожести их спектральных характеристик с некоторыми типами облаков. Опыт исследований в данной области показывает, что задача может быть эффективно решена с использованием метода сверточных нейронных сетей (НС) даже в сложных условиях наблюдений. Предложенный в [1] подход был успешно применён для КА Электро-Л и в дальнейшем адаптирован для КА Арктика-М.
Для оценки текущего состояния атмосферы, анализа изменений во времени и оценки динамики атмосферных процессов в работе предлагаются методы для расчета карт типов облачности, общего содержания водяного пара, концентрации озона, а также интенсивности осадков.
Морфологическая классификация типов облачности основана на анализе микрофизических параметров облачности, таких как высота верхней границы облака, эффективный радиус облачных частиц и их фазовое состояние. С использованием классификатора на основе полносвязной НС происходит предварительный расчет карты типов. На следующем этапе карта уточняется с использованием метода текстурного анализа изображений сверточной НС. Текстурный анализ позволяет существенно улучшить точность обнаружения слоистых и конвективных форм облачности.
Для расчета карты интенсивности осадков применяется усовершенствованный метод, впервые представленный в работе [2]. Метод предполагает использование нейросетевого автоэнкодера и регрессионной модели сверточной НС для обнаружения осадков и оценки интенсивности в каждом пикселе изображения. Для обучения моделей НС используются карты интенсивности осадков, полученные по данным измерений спутниковых приборов микроволнового, видимого и инфракрасного диапазонов и представленные в виде продукта IMERG GPM (https://gpm.nasa.gov).
Для восстановления значений общего содержания озона и водяного пара был рассмотрен метод для безоблачной атмосферы, основывающийся на применении искусственной НС, которая в качестве входных данных использует значения яркостной температуры, регистрируемой в инфракрасных каналах прибора МСУ-ГС, и данные о параметрах атмосферы (вертикальный профиль температуры и приземное давление) из численной модели прогноза GFS NCEP. Для решения регрессионной задачи определения общего содержания озона был использован вариант архитектуры искусственной НС, построенной по типу полносвязных НС. Такой подход является одним из наиболее распространенных в различных направлениях применения искусственных НС и демонстрирует достаточно высокие показателей точности в решении задач регрессионного анализа. Для обучения в качестве эталонных показателей общего содержания озона использовались данные прибора OMPS КА Suomi NPP. В качестве априорной информации о количестве водяного пара в столбе атмосферы для конкретной географической точки использовались спутниковые оценки по данным прибора MODIS КА Aqua и Terra.

Ключевые слова: Арктика-М, маска облаков, типы облачности, общее содержание водяного пара, концентрация озона, интенсивность осадков
Литература:
  1. [1] Bloshchinskiy V. D. et al. Snow and cloud detection using a convolutional neural network and low-resolution data from the Electro-L No. 2 Satellite //Journal of Applied Remote Sensing. – 2020. – Т. 14. – №. 3. – С. 034506.
  2. [2] Андреев А. И. и др. Разработка метода оценки интенсивности осадков по данным геостационарного КА Himawari-8 //Материалы 18-й Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса». – 2020. – С. 59.

Презентация доклада



Ссылка для цитирования: Андреев А.И., Блощинский В.Д., Крамарева Л.С., Шамилова Ю.А. Нейросетевые подходы в задачах тематической обработки данных КА Арктика-М №1 // Материалы 20-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2022. C. 14. DOI 10.21046/20DZZconf-2022a

Методы и алгоритмы обработки спутниковых данных

14