Для наблюдения как общего содержания озона (ОСО), так и тропосферного содержания озона (ТСО) в атмосфере только спутниковые дистанционные методы обеспечивают глобальные непрерывные измерения. Получить информацию об ОСО и ТСО в период полярной ночи позволяют методы, основанные на измерении спектров уходящего теплового излучения атмосферы. Рассматриваются оценки ОСО и ТСО на основе таких спектров, измеряемых прибором ИКФС-2 на борту космического аппарата (КА) «Метеор М» №2, полученные на основе методик, использующих нейронно-сетевые подходы..
Разработаны методики определения общего (ОСО) и тропосферного содержания озона (ТСО) из спектров уходящего теплового инфракрасного излучения, основанные на методах искусственных нейронных сетей и главных компонент. Погрешность аппроксимации ОСО при обучении ИНС в среднем близка к 3%, менее 2% в тропической области и возрастает до 6-8 % в полярных областях в зимне-весенний период. Методика определения ОСО была ранее описана, поэтому подробно мы анализируем только ИНС для определения ТСО. Для этого мы рассмотрели различные варианты обучающих данных и оптимизировали структуру ИНС. Погрешность аппроксимации ТСО при обучении оптимальной ИНС составила около 3.4 ЕД.
Методики были применены для обработки спектров, измеренных со спутника «Метеор М» №2 в 2015 – 2022 гг. Результаты ОСО сопоставлены с данными ТРОПОМИ и наземной озонометрической сети (приборы Добсона и Брюера, измерения по прямому Солнцу). Стандартные отклонения разностей составили около 2.7% для обоих сопоставлений. Результаты ТСО сравнивались с данными сети NDACC, в среднем стандартные отклонения разностей спутниковых и наземных данных составили около 3 е.Д., что составляет ~15% от ТрСО по данным FTIR-измерений.
Полученные величины ОСО и ТСО позволили проанализировать изменчивость этих величин, в частности, над территорией России. Приведены примеры анализа.
В настоящем докладе мы хотим показать, что, хотя регрессионный подход считается не оптимальным для решения обратных задач дистанционного зондирования, адекватность и полнота обучающего набора данных позволяет получить хорошие результаты.
Исследование выполнено при поддержке СПбГУ (номер Проекта 116234986).
