Использование нейросетевого подхода при определении общего и тропосферного содержания озона на основе измерений уходящего теплового излучения

Для мониторинга общего содержания озона (ОСО) и тропосферного озона (ТРО) в вертикальном столбе атмосферы глобальные непрерывные измерения могут обеспечивать только спутниковые методы дистанционного зондирования. Среди них методы, основанные на измерениях спектров уходящего теплового ИК излучения, позволяют получить информацию об ОСО и ТРО при отсутствии солнечного излучения, в том числе, в период полярной ночи. Мы рассматриваем методики получения ОСО и ТРО на основе таких спектров, измеренных прибором ИКФС-2 с борта спутника «Метеор М» № 2. Методики основаны на методах искусственных нейронных сетей (ИНС) и главных компонент. Погрешность аппроксимации ОСО при обучении с помощью ИНС в среднем близка к 3 %, в тропическом регионе она составляет менее 2 %, а в полярных регионах в зимне-весенний период возрастает до 6-8 %. Методология определения ОСО была нами неоднократно описана ранее, поэтому мы подробно анализируем в докладе ИНС только для определения ТРО. Для этого мы рассмотрели различные наборы обучающих данных и оптимизировали структуру ИНС. Погрешность аппроксимации ТРО при обучении оптимальной ИНС составляет около 3,4 е.Д.. 

Методики были применены для обработки спектров, измеренных со спутника «Метеор М» №2 в 2015 - 2022 годах. Полученные значения OCО сравнивались с данными прибора TROPOMI на спутнике S5P и наземных наблюдений (приборы Добсона и Брюера, прямые измерения Солнца). Стандартные отклонения разностей составляют около 2,7% для обоих сравнений. Результаты определения ТРО сравнивались с данными станций сети IRWG-NDACC. В среднем стандартные отклонения разностей между спутниковыми и наземными наблюдениями ТРО составляют около 3 DU, что составляет ~15% от TРO, полученных с помощью измерений FTIR. Проанализирована пространственная и временная изменчивость ОСО и ТРО, приводятся примеры результатов измерений. В данной работе мы показали, что, хотя регрессионный подход не считается оптимальным для решения обратных задач ДЗЗ, адекватность и полнота обучающего набора данных позволяет получить ценные результаты. Также хотим обратить внимание на то, что использование простейшей ИНС – перцептрона с одним скрытым слоем – позволяет получить вполне удовлетворительные результаты. Исследование выполнено при поддержке Санкт-Петербургского университета (шифр проекта 124032000025-1).