Учет данных спутникового зондирования в ИК-диапазоне при выборе СВЧ-модели облачной атмосферы / Taking Into Account Satellite Sensing Data in the IR Range when Choosing a Microwave Model of a Cloudy Atmosphere

Данилычев М.В. / Danilychev, M.V.
Институт радиотехники и электроники имени В.А.Котельникова РАН / Kotelnikov Institute of Radio Engineering and Electronics RAS
Егоров Д.П. / Egorov, D.P.
Институт радиотехники и электроники имени В.А.Котельникова РАН / Kotelnikov Institute of Radio Engineering and Electronics RAS
Кутуза И.Б. / Kutuza, I.B.
Научно-технологический центр уникального приборостроения РАН / Scientific and Technological Center for Unique Instrumentation RAS
Кутуза Б.Г. / Kutuza, B.G.
Институт радиотехники и электроники имени В.А.Котельникова РАН / Kotelnikov Institute of Radio Engineering and Electronics RAS
Выпуск в базе РИНЦ
Данилычев М.В., Егоров Д.П., Кутуза И.Б., Кутуза Б.Г. Учет данных спутникового зондирования в ИК-диапазоне при выборе СВЧ-модели облачной атмосферы // Физические основы приборостроения. 2022. Т. 11. № 3(45). С. 84–91. DOI: 10.25210/jfop-2203-084091

Danilychev, M.V., Egorov, D.P., Kutuza, I.B., Kutuza, B.G. Taking Into Account Satellite Sensing Data in the IR Range when Choosing a Microwave Model of a Cloudy Atmosphere // Physical Bases of Instrumentation. 2022. Vol. 11. No. 3(45). P. 84–91. DOI: 10.25210/jfop-2203-084091


Аннотация: Использование данных совместного спутникового зондирования атмосферы в инфракрасном (ИК) и СВЧ диапазонах позволяет повысить качество решения обратной задачи дистанционного зондирования (ДЗ) атмосферы. Учет данных зондирования, полученных в ИК- диапазоне, в применяемых СВЧ- алгоритмах способствует обоснованному выбору расчетной модели облачной атмосферы и более корректной оценке ее параметров. Выполненные в работе оценки показывают возможность дальнейшего развития данного направления за счет использования процедуры совместной классификации данных ближнего и дальнего ИК диапазонов.

Abstract: The use of data from simultaneous satellite sensing of the atmosphere in the infrared (IR) and microwave ranges makes it possible to improve the quality of solving the inverse problem of remote sensing of the atmosphere. Taking into account the sensing data obtained in the IR range in the applied microwave algorithms contributes to the reasonable choice of the calculation model of the cloud atmosphere and a more correct assessment of its parameters. The theoretical estimates carried out in the work show the possibility of further improvement of the results of the microwave algorithms by using the procedure of joint classification of near and far infrared data.

Ключевые слова: спутниковые измерения, атмосфера, инфракрасная радиометрия, СВЧ- радиометрия, remote sensing, satellite measurements, atmosphere, infrared radiometry, спутниковые измерения


Литература / References
  1. Саворский В. П., Кутуза Б. Г., Аквилонова А. Б., Кибардина И. Н., Панова О. Ю., Данилычев М. В., Широков С. В. Повышение эффективности восстановления температурно-влажностных профилей облачной атмосферы по данным спутниковых СВЧ-радиометров // Радиотехника и Электроника. 2020. № 7. С. 658-666.
  2. Данилычев М. В., Кутуза Б. Г., Аквилонова А. Б., Саворский В. П., Панова О. Ю. Выбор конструкции перспективного СВЧ-радиометра для спутникового мониторинга атмосферы // Распространение радиоволн: труды XXVII Всероссийской открытой научной конференции. Калининград, БФУ им. И. Канта. 2021. С. 728-733.
  3. Данилычев М. В., Кравченко В. Ф., Кутуза Б. Г., Чуриков Д. В. Спутниковые СВЧ радиометрические комплексы дистанционного зондирования Земли. Современное состояние и тенденции развития // Физические основы приборостроения. 2014. Т. 3. № 1(10). С. 3-25. DOI: 10.25210/jfop-1401-003025
  4. Applications of AVHRR Date: Special Issue // Int. J. Of Rem. Sens. Vol. 10. Iss. 4-5. April/May 1989.
  5. Завод ракетно-космического приборостроения ОАО «Российские космические системы» (http://www.rkp.rniikp.ru/)
  6. Cheremisin, G.S., Egorov, D.P., and Kravchenko, O.V. Deep Convolutional Neural Network for Reconstructing the Cloud Phase Distribution From Level-1b MODIS Data // Proceedings of 2nd International Conference on Applied Mathematics in Science and Engineering (AMSE-2022). 2022.
  7. Platnick, S., Ackerman, S., and King, M. Modis Atmosphere l2 Cloud Product (06_l2) // NASa MODIS Adaptive Processing System, Goddard Space Flight Center, USA. 2015.
  8. Guenther, B., Godden, G.D., Xiong, X., Knight, E.J., Qiu, S.Y., Montgomery, H., Hopkins, M.M., Khayat, M.G., and Hao, Z. Prelaunch Algorithm and Data Format for the Level 1 Calibration Products for the EOS-AM1 Moderate Resolution Imaging Spectroradiometer (MODIS) // IEEE Trans. Geosci. Remote Sensing. 1998. Vol. 36. P. 1142-1151. DOI: 10.1109/36.701021
  9. Platnick, S., King, M., Ackerman, S., Menzel, W., Baum, B., Riedi, J., and Frey, R. The MODIS Cloud Products: Algorithms and Examples From Terra // IEEE Trans. Geosci. Rem. Sens. 2003. Vol. 41. I. 2. P. 459-473. DOI: 10.1109/TGRS.2002.808301
  10. Baum, B.A., Menzel, W.P., Frey, R.A., Tobin, D.C., Holz, R.E., and Ackerman, S.A. MODIS Cloud-Top Property Refinements for Collection 6 // Journal of Applied Meteorology and Climatology. 2012. Vol. 51. I. 6. P. 1145-1163. DOI: 10.1175/JAMC-D-11-0203.1
  11. Nakajima, T., King, M.D. Determination of the Optical Thickness and Effective Particle Radius of Clouds From Reflected Solar Radiation Measurements. Part I: Theory // Journal of the Atmospheric Sciences. 1990. Vol. 47. Iss. 15. P. 1878-1893. DOI: 10.1175/1520-0469(1990)047<1878: DOTOTA>2.0.CO;2
  12. Platnick, S., Li, J., King, M., Gerber, H., and Hobbs, P. A Solar Reflectance Method for Retrieving the Optical Thickness and Droplet Size of Liquid Water Clouds Over Snow and Ice Surfaces // Journal of Geophysical Research. 2001. Vol. 106. D14. P. 15185-15199. DOI: 10.1029/2000JD900441
  13. Chylek, P., Robinson, S., Dubey, M.K., King, M.D., Fu, Q., and Clodius, W.B.Comparison of Near-Infrared and Thermal Infrared Cloud Phase Detections // Journal of Geophysical Research. 2006. Vol. 111. D20203. P. 1-8. DOI: 10.1029/2006JD007140
  14. Goodfellow, I., Bengio, Y., and Courville, A. Deep Learning. Cambridge: MIT Press, 2016. 781 p.
  15. Breiman, L. Bagging Predictors // Machine Learning. 1996. Vol. 24. Iss. 2. P. 123-140. DOI: 10.1007/BF00058655
  16. Level-1 and Atmosphere Archive & Distribution System. Distributed Active Archive Center. URL: https://ladsweb.modaps.eosdis.nasa.gov/search/(дата обращения: 27.01.2022).
  17. Egorov, D.P., and Kutuza, B.G. Atmospheric Brightness Temperature Fluctuations in the Resonance Absorption Band of Water Vapor 18-27.2 GHz // IEEE Trans. Geosci. Rem. Sens. 2021. Vol. 59. Iss. 9. P. 7627-7634. DOI: 10.1109/TGRS.2020.3034533
  18. Egorov, D.P., and Kutuza, B.G. The Influence of Water Vapor and Cumulus Clouds on the Brightness-Temperature Fluctuations in the Downwelling K-Band Radiation of the Atmosphere // Radiophysics and Quantum Electronics. 2021. Vol. 64. Iss. 8-9. P. 641-649. DOI: 10.1007/s11141-022-10166-3
  19. Egorov, D.P., Ilyushin, Ya.A., and Kutuza, B.G. Microwave Radiometric Sensing of Cumulus Cloudiness From Space // Radiophysics and Quantum Electronics. 2021. Vol. 64. Iss. 8-9. P. 564-572. DOI: 10.1007/s11141-022-10159-2
  20. Shen, W., Wang, X., Wang, Y., Bai, X., and Zhang, Z. DeepContour: a Deep Convolutional Feature Learned by Positive-Sharing Loss for Contour Detection // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015. P. 3982-3991. DOI: 10.1109/CVPR.2015.7299024