Scientific journal
Advances in current natural sciences
ISSN 1681-7494
"Перечень" ВАК
ИФ РИНЦ = 0,736

В лидарном зондировании для восстановления вертикального распределения концентрации газа из оптических параметров применяют методы сплайн функций, метод регуляризации Тихонова, метод оптимальной параметризации. Данные методы не всегда позволяют восстанавливать с достаточной точностью профиль концентрации в тропосфере, и не позволяют вести обработку данных в рутинном режиме.

В работе предлагается новый подход, основанный на применении нейронных сетей, который для решения обратных задач лазерного зондирования ранее не применялся. Возможность его использования обусловлена тем, что за последние годы создано достаточное количество моделей атмосферы, рассчитано множество профилей концентраций газа, температуры, аэрозоля.

Опишем решение данной задачи с помощью нейронной сети.

В качестве нейронной сети используется полносвязная нейронная сеть, состоящая из двух слоев. Входами для данной сети служат вертикальные профили оптической толщи, а выходами служат вертикальные профили концентрации газа, приведенные к одной и той же высотной сетке. Число входов каждого нейрона сети равно числу элементов в высотной сетке.

Для обучения нейронной сети были взяты вертикальные профили концентрации озона и профили температуры с радиозондовых станций Хэнтсвилл и Хэлей-Бэй.

Значения молекулярной и аэрозольной составляющих толщи рассчитывались из модельных представлений о состоянии атмосферы и одинаковы для всех профилей концентрации.

Для того чтобы сеть могла восстанавливать концентрацию газа в тропосфере по стратосферным оптическим данным, на основе созданных обучающих пар «оптическая толща-профиль концентрации», создавались дополнительные обучающие пары, в которых профиль концентрации оставался прежним, а оптические толщи для тропосферных высот приравнивались -1, последовательно для высот [h1], [h1, h2], ..., [h1, hm]. Всего m пар для каждого профиля концентрации, где hm - начало стратосферных высот. Все обучающие выборки приводились к интервалу [0,1].

Для реализации описанного метода была создана программа, позволяющая обучать нейронную сеть методом обратного распространения ошибки и проверять ее работу на данных, не входящих в выборку обучения. Для этого берется профиль концентрации озона, моделируется оптическая толща и нейронной сетью восстанавливается профиль концентрации озона. Полученные сетью значения сравниваются с модельными значениями, затем вычисляется ошибка работы сети.

Ошибка восстановления в тропосфере концентрации озона для случая восстановления по стратосферным оптическим данным увеличивается на 1-3%, что связано с меньшей информативностью во входных данных.