Том 30, номер 07, статья № 7

Аннотация:

Рассматривается применение бионических методов, в частности нейронных сетей и генетических алгоритмов, для решения задачи восстановления относительной концентрации парникового газа CO₂ при зондировании с борта стратосферного аэростата или дирижабля. В качестве сигналов для восстановления используются обратно-рассеянный и отраженный от поверхности Земли сигналы на длинах волн вблизи 1572 нм. Приводятся сравнения ошибок восстановления при использовании стандартного DIAL-подхода и в комбинации с технологией IPDA. Для предложенных технических характеристик лидара средняя ошибка разработанных алгоритмов менее 1 ppm. Применение генетического алгоритма основано на минимизации невязки между модельным представлением сигналов и полученным сигналом. Обучение нейронной сети происходит на примерах моделируемых сигналов (отраженного и рассеянного) и высотном распределении газовой концентрации.

Ключевые слова:

атмосфера, лидар, углекислый газ, парниковый газ, бионический метод, нейронная сеть, генетический алгоритм

Список литературы:

1. Dufour E. and Bréon F.-M. Spaceborne Estimate of Atmospheric CO₂ Column by Use of the Differential Absorption Method: Error Analysis // Appl. Opt. 2003. V. 42, N 18. P. 3595–3609.
2. Ehret G., Kiemle C., Wirth M., Amediek A. Space-borne remote sensing of CO₂, CH₄, and N₂O by integrated path absorption lidar: А sensitivity analysis // Appl. Phys. B. 2008. V. 90. P. 593–608.
3. Бабченко С.В., Матвиенко Г.Г., Суханов А.Я. Оценки возможностей зондирования парниковых газов CH₄ и CO₂ над подстилающей поверхностью IPDA лидаром космического базирования // Оптика атмосф. и океана. 2015. Т. 28, № 1. С. 37–45; Babchenko S.V., Matvienko G.G., Sukhanov A.Ya. Assessing the possibilities of sensing CH₄ and CO₂ greenhouse gases above the underlying surface with satellite-based IDPA lidar // Atmos. Ocean. Opt. 2015. V. 28, N 3. P. 245–253.
4. Miller S.H., Fesen R., Hillenbrand L., Rhodes J., Baird G., Blake G., Booth J., Carlile D.E., Duren R., Edworthy F.G., Freeze B., Friedl R.R., Goldsmith P.F., Hall J.L., Hoffman S.E., Hovarter S.E., Jensen-Clem R.M., Jones R.M., Kauffmann J., Kiessling A., King O.G., Konidaris N., Lachenmeier T.L., Lord S.D., Neu J., Quetin G.R., Ram A., Sander S., Simard M., Smith M., Smith S., Smoot S., Susca S., Swann A., Young E.F., Zambrano T. Airships: A new horizon for science. Keck Institute for Space Studies, California Institute of Technology, Jet Propulsion Laboratory. 2014. 56 p.
5. Прус Ю.В., Битуев Б.Ж., Шаповалов В.М. Некоторые аспекты использования стратосферных дирижаблей в интересах обеспечения безопасности территории // Интернет-журнал «Технологии техносферной безопасности» Вып. 1 (29). 2010. 10 c. (http://ipb.mos.ru/ttb)
6. Проблемные вопросы создания высотных аэростатических платформ как перспективного средства телерадиокоммуникационного и мониторингового обеспечения / Под ред. С.Л. Чернышева // Тр. ЦАГИ. 2009. Вып. 2682. 58 с.
7. Menzies R.T., Tratt D.M. Differential laser absorption spectrometry for global profiling of tropospheric carbon dioxide: Selection of optimum sounding frequencies for high precision measurements // Appl. Opt. 2003. V. 42, iss. 33. P. 6569–6577.
8. Spiers G.D., Menzies R.T., Phillips M., Geier S., Poberezhskiy I., Meras P. Recent results and progress on the development of a Laser Absorption Spectrometer for CO₂ sink and source detection // Proc. 14th Coherent Laser Radar Conf. Snowmass, Colorado, 2007. P. 118–121.
9. Dobbs M.E., Dobler J., Braun M., McGrefor D., Over-beck J., Moore III B., Browell E.V., Zaccheo T.S. A Modulated CW Fiber Laser-Lidar Suite for the ASCENDS Mission // Proc. 24th Int. Laser Radar Conf. Boulder, 2008. P. 24–29.
10. Dobbs M.E., Sharp W., Browell E.V., Zaccheo T.S., Moore III B. A Sinusoidal Modulated CW Integrated Path Differential Absorption Lidar for Mapping Sources and Sinks of Carbon Dioxide from Space // Proc. 14th Coherent Laser Radar Conf. Snowmass, Colorado, 2007. P. 124–127.
11. Dobler J.T., Harrison F.W., Browell E.V., Lin B., McGre-gor D., Kooi S., Choi Y., Ismail S. Atmospheric CO₂ column measurements with an airborne intensity-modulated continuous wave 1.57 μm fiber laser lidar // Appl. Opt. 2013. V. 52, N 12. P. 2874–2892. DOI: 10.1364/AO.52.002874.
12. Dobler J., Dobbs M., Erxleben W., McGregor D., Moore III B., Harrison W., Zaccheo T.S., Hager S. Pressure Retrieval using CW Laser Absorption Spectroscopy of an O₂ Line near 1271 nm with a Spectrally Broad Laser Source // Proc. 24th International Laser Radar Conf. Boulder, 2008. P. 49–52.
13. Аршинов М.Ю., Белан Б.Д., Давыдов Д.К., Креков Г.М., Фофонов А.В., Бабченко С.В., Inoue G., Machida T., Maksutov Sh., Sasakawa M., Shimoyama K. Динамика вертикального распределение парниковых газов в атмосфере // Оптика атмосф. и океана. 2012. Т. 25, № 12. С. 1051–1061.
14. Labitzke K., Barnett J.J., Edwards B. (eds.). Handbook MAP 16. SCOSTEP. 1985. 320 p.
15. Hedin A.E. Extension of the MSIS Thermospheric Model into the Middle and Lower Atmosphere // J. Geophys. Res. 1991. V. 96, iss. A2. P. 1159–1172.
16. Комаров В.С. Статистические модели температуры и газовых компонент атмосферы. Л.: Гидрометеоиздат, 1986. 264 с.
17. Креков Г.М., Крекова М.М., Суханов А.Я. Оценка эффективности использования перспективных лидаров белого света для зондирования микрофизических параметров слоистой облачности. 3. Решение обратной задачи // Оптика атмосф. и океана. 2009. Т. 22, № 9. С. 862–872.
18. Креков Г.М., Суханов А.Я. Улучшенный генетический алгоритм многоволнового лидарного зондирования атмосферного аэрозоля // Оптика атмосф. и океана. 2011. Т. 24, № 9. С. 754–758; Krekov G.M., Sukhanov A.Ya. Improved genetic algorithm for multiwave lidar sensing of atmospheric aerosol // Atmos. Ocean. Opt. 2012. V. 25, N 2. P. 130–134.
19. Holland J.H. Adaptation in natural and artificial systems. University  of  Michigan  Press,  Ann  Arbor,  1975.  183 p.
20. Банах В.А., Белов В.В., Землянов А.А., Креков Г.М., Лукин В.П., Матвиенко Г.Г., Носов В.В., Суханов А.Я., Фалиц А.В. Распространение оптических волн в неоднородных, случайных, нелинейных средах. Томск: Изд-во ИОА СО РАН, 2012. 402 с.
21. Бобровников С.М., Матвиенко Г.Г., Романовский О.А., Сериков И.Б., Суханов А.Я. Лидарный спектроскопический газоанализ атмосферы. Томск: Изд-во ИОА СО РАН, 2014. 510 с.
22. Апексимов Д.В., Багаев С.Н., Гейнц Ю.Э., Землянов А.А., Кабанов А.М., Кирпичников А.В., Кистенев Ю.В., Креков Г.М., Крекова М.М., Матвиенко Г.Г., Ошлаков В.К., Панина Е.К., Петров В.В., Пестряков Е.В., Пономарев Ю.Н., Суханов А.Я., Тихомиров Б.А., Трунов В.И., Уогинтас С.Р., Фролов С.А., Худорожков Д.Г. Фемтосекундная атмосферная оптика / Под общ. ред. С.Н. Багаева, Г.Г. Матвиенко. Новосибирск: Изд-во СО РАН, 2010. 240 с.
23. Балин Ю.С., Боровой А.Г., Бурлаков В.Д., Долгий С.И., Клемашева М.Г., Коношонкин А.В., Коханенко Г.П., Кустова Н.В., Маричев В.Н., Матвиенко Г.Г., Невзоров А.А., Невзоров А.В., Пеннер И.Э., Романовский О.А., Самойлова С.В., Суханов А.Я., Харченко О.В., Шишко В.А. Лидарный мониторинг облачных и аэрозольных полей, малых газовых составляющих и метеопараметров атмосферы / Под ред. Г.Г. Матвиенко. Томск: Изд-во ИОА СО РАН, 2015. 450 с.
24. Суханов А.Я., Креков Г.М. Распознавание спектров флуоресценции бактерий и полиароматических углеводородов // ММРО-15. г. Петрозаводск, Республика Карелия, 11–17 сентября 2011. 4 c.
25. Суханов А.Я. Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы: Дисc. … канд. техн. наук. Томск, 2006. 151 с.
26. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature. (Gr. Brit.). 1986. V. 323. P. 533–536.
27. Rumelhart D.E., Hinton G.E., Williams R.J. Learning internal representations by error propagation / D.E. Rumelhart, J.L. McClelland, (eds.) Parallel Distributed Processing: Explorations in the Microstructure of Cognition. V. 1. Foundations MIT Press, Cambridge, MA, 1986. P. 318–362.
28. Суханов А.Я., Петров И.В. Сравнение алгоритмов обучения нейронной сети для решения задачи идентификации биоаэрозолей // Аэрозоли Сибири. XXIII Рабочая группа: 29 ноября – 2 декабря 2016 г. Томск: Изд-во ИОА СО РАН. Тез. докл. С. 84. http:// symp.iao.ru/files/symp/sa/23/ru/abstr_8506.pdf
29. Glorot X., Bengio Y. Understanding the difficulty of training deep feedforward neural networks // Proc. Mach. Learn. Res. 2010. V. 9. P. 249–256.
30. Pascanu R., Mikolov T., Bengio Y. On the difficulty of training Recurrent Neural Networks // arXiv preprint arXiv:1211.5063 [http://arxiv.org/abs/1211.5063v2]. 2012. 11 p.