Машинное обучение и улучшенный радар решают проблему «облачности»

Новый подход, сочетающий машинное обучение, данные радиолокационной съемки и цифровые модели рельефа, позволил решить давнюю проблему дистанционного измерения температуры поверхности Земли — одного из важнейших показателей для мониторинга климата, прогнозирования лесных пожаров и сельского хозяйства. Модель SDX-LST обеспечивает высокоточные данные даже в условиях плотной облачности.

Облачный покров десятилетиями был главным препятствием для спутникового мониторинга температуры поверхности суши (LST), приводя к пробелам и ошибкам в данных. Традиционные методы интерполяции давали значительные погрешности, особенно в регионах со сложным рельефом и частой облачностью, где до половины измерений могли быть искажены. Новый подход, описанный в Journal of Remote Sensing от 26 июня, интегрирует данные синтезированной апертурной радиолокации (SAR), способной «заглядывать» сквозь облака, цифровые модели рельефа (DEM) и машинное обучение для реконструкции точных данных LST с разрешением до 30 метров.

Это решение имеет критическое практическое значение, так как надежные данные о температуре поверхности необходимы для отслеживания изменения климата, прогнозирования стихийных бедствий, управления водными ресурсами и сельским хозяйством. «Плохое дистанционное зондирование температуры поверхности подрывает принятие решений политическими лидерами, органами здравоохранения и службами безопасности», — подчеркнул соавтор исследования Ян Гуйцзюнь. Модель SDX-LST была успешно протестирована в различных регионах, включая Лессовое плато, Цинхай-Тибетское нагорье и пустыню Невады, и показала высокую точность при сравнении с данными наземных станций.