Гидрометеорологические исследования и прогнозы. 2026. № 2 (400). С. 23-37 23

DOI: https://doi.org/10.37162/2618-9631-2026-2-23-37

УДК 551.57

Определение водозапаса облаков

над водной поверхностью по данным спутникового

микроволнового радиометра МТВЗА-ГЯ

А.О. Масляшова, А.Б. Успенский

Научно-исследовательский центр космической гидрометеорологии

«Планета», г. Москва, Россия

abusp@mail.ru

Рассмотрены нейросетевые алгоритмы, предназначенные для определения водо-

запаса облаков над водной поверхностью по данным измерений микроволнового

радиометра МТВЗА-ГЯ, установленного на метеоспутнике МЕТЕОР-М № 2-4. Для

получения оценок водозапаса в терминах LWP (liquid water path

) разработана свёр-

точная нейросеть CNN с архитектурой энкодер-декодер, входными данными для ко-

торой являются антенные температуры, измеренные в 10 каналах МТВЗА-ГЯ. Обуче-

ние CNN выполнено на выборке 2723000 пар, совмещенных по пространству и

времени антенных температур и величин водозапаса облаков LWP по данным реана-

лиза ERA5, отобранных за отдельные дни из разных сезонов 2024‒2025 гг. для аква-

торий Тихого и Атлантического океанов, за исключением данных в акваториях поляр-

ных широт.

Верификация оценок LWP проводилась сравнением с ближайшими по месту и

времени «эталонными» величинами LWP из реанализа ERA5 и оценками LWP по дан-

ным микроволнового радиометра AMSR2 японского спутника GCOM-W1. Величины

среднеквадратичного отклонения, рассчитанные для различных акваторий Атланти-

ческого и Тихого океанов в широтной зоне +/- 60 град. за 30 июня 2025 г. меняются в

диапазонах 0,05–0,075 кг/м

в зависимости от области и сроков зондирования. Визу-

альное сравнение полей оценок LWP, построенных по данным радиометров МТВЗА-

ГЯ и AMSR2, показало неплохое совпадение зон высоких и низких значений обеих

оценок. Полученные результаты подтверждают работоспособность предложенной

методики анализа данных МТВЗА-ГЯ и достижение удовлетворительного качества

восстановленных полей водозапаса облаков.

Ключевые слова: микроволновый радиометр МТВЗА-ГЯ, водозапас облаков, свёр-

точная нейросеть CNN, реанализ ERA5, верификация

Cloud liquid water path

over the global ocean derived from MTVZA-GYa

satellite-based microwave radiometer

А.О. Maslyashova, A.B.

Uspensky

Scientific-research center for space hydrometeorology «Planeta», Moscow, Russia

abusp@mail.ru

The purpose of the present study is to describe a new algorithm based on a neural net-

work approach (Convolutional Neural Network with encoder-decoder architecture, CNN)

for cloud liquid water path (LWP) estimation over the global ocean from MTVZA-GYa

satellite-based microwave radiometer observations. The input data for the network are the

24 Гидрометеорологические прогнозы, математическое моделирование

antenna temperatures measured in 10 MTVZA-GYa channels. The CNN was trained on

a sample of 2 723 000 spatiotemporally collocated pairs of antenna temperatures and refer-

ence cloud LWP values from the ERA5 reanalysis. The data were selected for individual

days across different seasons of 2024–2025 over the Pacific and Atlantic oceans, excluding

polar areas.

Verification of the retrieved LWP was performed against the spatiotemporally nearest

“reference” LWP values from the ERA5 reanalysis and with LWP estimates from the

AMSR2 microwave radiometer onboard the Japanese GCOM-W1 satellite. The root-mean-

square deviation values calculated for various areas of the Atlantic and Pacific oceans

within the latitude zone of ±60° for June 30, 2025 range from 0.05 to 0.075 kg/m² depending

on the region and observation time. A visual comparison of the LWP fields retrieved from

the MTVZA-GYa and AMSR2 data showed a good agreement in the patterns of high and

low values for both kinds of estimates. The verification confirmed the operational capability

of the proposed method for analyzing MTVZA-GYa data and demonstrated a satisfactory

quality of the retrieved cloud LWP fields.

Keywords: MTVZA-GYa microwave radiometer, cloud liquid water path, Convolu-

tional Neural Network, ERA5 reanalysis, verification

Введение

Облачный покров ‒ один из главных факторов, формирующих погоду

и климат Земли, поскольку от изменения его микро- и макрофизических

параметров во многом зависят радиационный, тепловой и водный балансы

системы «атмосфера ‒ подстилающая поверхность». Этим объясняется

необходимость мониторинга параметров облачного покрова глобального

или регионального покрытия, включая такой макрофизический параметр,

как водозапас облаков, представляющий общую массу сконденсированной

воды (водных капель и кристаллов льда) в столбе облачного воздуха еди-

ничного сечения [5]. Для количественной оценки водозапаса (в терминах

массы жидко-капельной воды LWP – Liquid Water Path) вследствие прак-

тического отсутствия сети инструментальных наблюдений обычно исполь-

зуют методы дистанционного зондирования с наземных или с космических

платформ.

Усвоение в моделях численного прогноза погоды спутниковой инфор-

мации о распределении в атмосфере гидрометеоров (водозапас облаков

LWP, осадки) из-за влияния на радиационные свойства облаков и на фор-

мирование осадков повышает качество краткосрочных прогнозов темпера-

туры, влажности, ветра (особенно в слое 300–150 гПа) и осадков [11, 15,

22]. Поля оценок водозапаса облаков глобального покрытия входят в со-

став выходной продукции известной прогностической системы GFS NCEP

[https://gdex.ucar.edu/datasets/d084001/#].

К настоящему времени известны два метода определения LWP по

спутниковым данным. В первом методе используют измерения спутнико-

вых многоканальных радиометров в каналах видимого и БИК диапазонов

спектра [4, 8, 9, 17, 23, 24]. Второй метод основан на анализе измерений

спутниковых микроволновых (МКВ) радиометров в сканерных каналах

диапазона 18‒90 ГГц и каналах влажностного зондирования. В отличие

Масляшова А.О., Успенский А.Б. 25

от первого метода, работающего только в светлое время суток, преимуще-

ством второго метода является чувствительность регистрируемого МКВ-

излучения к вариациям водозапаса облаков независимо от времени суток и

возможность контролировать суточные изменения LWP. Кроме того, ука-

занные данные слабо чувствительны к наличию кристаллов льда в облаке

и распределению по размерам жидких частиц (капель) облака [14]. Недо-

статок метода – трудность идентификации в спутниковых оценках LWP

(без привлечения дополнительной информации об осадках) компонент, от-

носящихся к недождящим облакам или осадкам. Кроме того, получение

оценок LWP по данным спутниковых МКВ-радиометров затруднено при

зондировании над сушей и морским льдом из-за необходимости адекват-

ного задания излучательной способности (коэффициента излучения) по-

верхности в пункте зондирования [10].

За последнее тридцатилетие за рубежом и в нашей стране эксплуати-

ровались более 10 типов спутниковых МКВ-радиометров (сканеров и ска-

неров-зондировщиков), в том числе отечественный МКВ-радиометр

МТВЗА-ГЯ на борту полярно-орбитальных метеоспутников серии

МЕТЕОР-М [https://www.wmo-sat.info/oscar/instruments]. Для обработки

спутниковых данных и получения оценок LWP были предложены стати-

стические и физико-статистические алгоритмы [1‒3, 9, 12‒14, 21, 25]. При-

мером статистического подхода является регрессионный алгоритм постро-

ения оценок LWP компании Remote Sensing Systems из [https://remss.com/

measurements/cloud-liquid-water-content/], который был адаптирован к дан-

ным семи зарубежных МКВ-радиометров и использован для формирова-

ния многолетнего глобального климатического архива MAC-LWP, содер-

жащего среднемесячные оценки LWP на регулярной сетке [14].

К другим статистическим методам стоит отнести алгоритмы искус-

ственных нейронных сетей, см., например, [1, 2, 20]. Алгоритм искусствен-

ных нейронных сетей в [1] был впервые применен к моделированным дан-

ным измерений спутникового МКВ-радиометра МТВЗА для получения

оценок LWP. На начальном этапе массовое применение подобных алгорит-

мов сдерживалось отсутствием репрезентативных баз данных со значени-

ями LWP глобального покрытия, поскольку искомые значения этого

параметра определялись расчетным путем по данным редкой сети радио-

зондирований и визуальных наблюдений облачного покрова (для учета

морфологии облачности). Ситуация заметно улучшилась в связи с накоп-

лением архивов спутниковых оценок LWP достаточно хорошего качества

и подготовкой реанализов ERA5 [18], содержащих, среди прочего, глобаль-

ные ежечасные поля оценок LWP на регулярной сетке.

В статье на основе численных экспериментов с различными вариан-

тами нейросетевых алгоритмов дистанционного определения водозапаса

облаков LWP над водной поверхностью по данным спутникового МКВ-ра-

диометра МТВЗА-ГЯ в качестве основного алгоритма выбрана свёрточная

нейронная сеть CNN (Convolutional Neural Network) архитектуры энкодер-

26 Гидрометеорологические прогнозы, математическое моделирование

декодер. Верификация спутниковых оценок LWP проводилась сравнением

с ближайшими по месту и времени референсными величинами из

реанализа ERA5 и оценками LWP по данным микроволнового радиометра

AMSR2 японского спутника GCOM-W1 [https://www.wmo-sat.info/oscar

instruments]. Обсуждаются результаты верификации и источники система-

тических и случайных ошибок получаемых оценок LWP.

Данные и методы исследований

Используемые данные. Микроволновый радиометр МТВЗА-ГЯ

(модуль температурного и влажностного зондирования атмосферы) с

функциями сканера и атмосферного зондировщика устанавливается на кос-

мических аппаратах (КА) серии МЕТЕОР-М, включая КА МЕТЕОР-М

№ 2-4 (запуск в феврале 2024 г.). Радиометрические каналы сканера

МТВЗА-ГЯ имеют рабочие частоты 10,6; 18,7; 23,8; 31,5; 36,5; 42,0; 48,0 и

91,65 ГГц c вертикальной и горизонтальной поляризацией, а также каналы

в линиях поглощения кислорода 52‒57 ГГц (температурное зондирование)

и водяного пара 165,0; 183,31 ГГц (влажностное зондирование). Полоса об-

зора прибора составляет 1500 км, пространственное разрешение – от 16 до

198 км в зависимости от радиометрического канала. Бортовая (внутренняя)

калибровка радиометрических каналов МТВЗА-ГЯ проводится на каждом

скане вне зоны рабочего сектора для определения шкалы антенных темпе-

ратур (Та), причем вследствие различных мешающих факторов значения

Та отличаются от значений яркостных температур (Тя) излучающего объ-

екта. Для перехода к шкале Тя требуется проведение внешней калибровки

каналов МТВЗА-ГЯ [7].

Описание метода. В ходе численных экспериментов по тематической

обработке данных МТВЗА-ГЯ были апробированы следующие нейросете-

вые алгоритмы, а также алгоритм машинного обучения:

1) полносвязная нейронная сеть прямого распространения типа MLP,

настроенная на построение регрессионных оценок. Тестировались конфи-

гурации сети с различным количеством скрытых слоев и нейронов, однако

устойчивого результата данный алгоритм не показал;

2) градиентный бустинг (алгоритм машинного обучения), основная

идея которого ‒ последовательное построение множества промежуточных

моделей (чаще всего неглубоких деревьев решений), где каждая следую-

щая модель пытается исправить ошибки предыдущих. Результаты модели

на основе градиентного бустинга показывали наихудшую точность оценки

LWP по сравнению с другими алгоритмами;

3) сверточная нейронная сеть (CNN) архитектуры энкодер-декодер,

применение которой показало наилучшую точность оценивания LWP. По-

этому в качестве основного алгоритма выбрана сеть CNN.

Входными данными (предикторами-признаками) для алгоритма свер-

точной нейронной сети CNN являются антенные температуры Та, а целе-

вым параметром – оценка LWP. Использование Та вместо Тя позволяет

Масляшова А.О., Успенский А.Б. 27

избежать влияния погрешностей, вносимых процедурой внешней калиб-

ровки, и объясняется стабильным функционированием бортовой радиомет-

рической калибровки всех летных образцов аппаратуры МТВЗА-ГЯ. В ка-

честве предикторов был выбран вектор антенных температур Та,

измеренных в сканерных каналах МТВЗА-ГЯ на вертикальной (V) и гори-

зонтальной (H) поляризациях с частотами (18 V, H; 23,8 V, H; 36,5 V, H;

91,65 V ГГц) и в трех вертикально поляризованных каналах влажностного

зондировщика с частотами (165,0 V; 183,31 ± 3,0 V; 183,31 ± 7,0 V ГГц).

Выбор в качестве информативных предикторов измерений в сканерных ка-

налах, чувствительных к вариациям LWP, учитывает зарубежный опыт и

сделан с учетом физики процесса переноса МКВ-излучения в облачной ат-

мосфере [25].

В качестве эталонных использовались данные реанализа ERA5 [18]

Европейского центра среднесрочных прогнозов погоды (ECMWF) с шагом

сетки 0,25 градусов. Несмотря на высокую цитируемость и многократное

использование этих данных в различных исследованиях, следует помнить

о возможных ошибках реанализа ERA5 при задании величин LWP, кото-

рые могут ухудшить точность спутниковых оценок. Например, данные ре-

анализа ERA5 при сравнении с оценками LWP по данным радиометра-има-

джера AHI с КА Himawari завышены над сушей и занижены над океаном в

условиях тёплой облачности [26].

Выборка для обучения нейронной сети CNN была подготовлена с уче-

том следующих условий:

‒ более 65 % данных МТВЗА-ГЯ с одного полувитка покрывают аква-

тории океанов, причем имеются участки с большими эталонными величи-

нами LWP из реанализа (около 0,4 кг/м

);

‒ данные реанализа и данные МТВЗА-ГЯ различаются по времени не

более, чем на +/–20 минут;

‒ спутниковые данные не содержат фрагментов с грубыми ошибками

и пропусками. В результате сформирована обучающая выборка, которая

содержит данные за несколько дней разных сезонов 2024‒2025 гг. и вклю-

чает 2723000 пар (измерения МТВЗА-ГЯ, значения LWP из реанализа),

совмещенных по пространству и времени. Входные данные сформированы

в 3-мерную матрицу размером [N∙М∙n], где N ‒ число строк (широта); M ‒

число столбцов (долгота); n ‒ число каналов. Целевую переменную (LWP)

представляет двумерная матрица размером [N∙M].

Сверточная нейронная сеть CNN, настроенная на задачу попиксель-

ного оценивания LWP, ищет локальные шаблоны в многоканальных дан-

ных [16]. Вместо отдельных весов для каждого пикселя используются

фильтры (ядра свёртки), которые скользят по изображению и обнаружи-

вают повторяющиеся признаки. Задача требует локальной детализации и

учета общей структуры поля, поэтому используется архитектура «энкодер-

декодер». Энкодер «сжимает» локальную информацию в абстрактный код,

28 Гидрометеорологические прогнозы, математическое моделирование

декодер использует этот код для точного восстановления пространствен-

ной картины. Обобщенная структура алгоритма CNN представлена на

рис. 1.

Рис. 1. Структура алгоритма CNN.

Fig. 1. The structure of the CNN algorithm.

На вход подаются фрагменты размером 32×32×n. Архитектура вклю-

чает две основные составные части: энкодер и декодер. Энкодер последо-

вательно извлекает и сжимает локальную информацию в более абстрактное

представление. Энкодер состоит из нескольких блоков, каждый из которых

выполняет следующие операции:

1. Свертка 3 на три пикселя с разным количеством фильтров, извлекает

локальные признаки (границы, текстуры, комбинации каналов).

2. Batch Normalization (батч-нормализация), нормализует входные дан-

ные каждого слоя нейронов, ускоряет и стабилизирует обучение.

3. ReLU (функция активации), вводит нелинейность, даёт способность

сети моделировать сложные функции при сохранении вычислительной

простоты.

4. Max-pooling (слой пулинга), уменьшает размерность карты шабло-

нов (признаков), агрегирует контекст и сокращает объем вычислений.

5. Увеличение числа фильтров в каждом блоке (16→32→64) даёт воз-

можность кодировать более сложные и разнообразные признаки.

Масляшова А.О., Успенский А.Б. 29

Декодер выполняет обратную задачу: поэтапное повышение простран-

ственного разрешения с использованием транспонированных свёрток.

На каждом этапе декодер сочетает контекстную информацию из кода

с локальными признаками, чтобы восстановить значение LWP в каждом

пикселе. В заключении применяется точечная свёртка 1×1 ‒ это линейное

преобразование (скалярное произведение тензора на вектор), которое в

каждом пункте зондирования вычисляет линейную комбинацию входных

многоканальных данных и таким образом восстанавливает одну скалярную

величину ‒ оценку LWP для конкретного пикселя. Функция потерь опре-

делена как сумма среднеквадратичных ошибок между оценками и истин-

ными значениями LWP в каждом пикселе области зондирования. Исполь-

зуется алгоритм оптимизации Adam (Adaptive Moment Estimation).

Описание экспериментов с различными наборами предикторов. В

первом эксперименте входные данные (предикторы) включают антенные

температуры Та, измеренные в каналах 18,7 V; 23,8 V; 91,5 V; 165 V;

183,31 ± 3,0 V; 183,31 ± 7,0 V ГГц; 18,7 H; 23,8 H ГГц; а также разности

измерений в каналах (36,7 V – 36,7 H) ГГц. Общая конфигурация CNN со-

ответствовала рис. 1. Скорость обучения ‒ гиперпараметр, определяющий

размер шага, с которым оптимизатор корректирует веса сети при каждой

итерации ‒ составляла 3e-4.

После обучения сети для дальнейшего усовершенствования алгоритма

был выполнен тест Permutation feature importance (вычисление важности

признаков). Цель теста ‒ определить, насколько ухудшится качество опре-

деления LWP, если случайным образом перемешаны значения одного

входного признака-предиктора (измерения МТВЗА-ГЯ в одном канале), а

все остальные предикторы остаются неизменными. Идентификация наибо-

лее важных для восстановления LWP предикторов – разности измерений

в каналах (36,7 V – 36,7 H) ГГц, а также измерений в каналах 18,7 V ГГц

и 183,31 ± 7,0 V ГГц (рис. 2б) – согласуется с результатами исследований

[1, 25].

Именно, водозапас облаков можно оценить с помощью пассивных

МКВ-измерений благодаря сильной спектральной и поляризационной за-

висимости от поглощения жидкой водой в облаке сигналов и поляризаци-

онных разностей сигналов в каналах с частотами 18 и 37 ГГц. Результаты

тестирования показали, что данные в канале 18,7 H ГГц ухудшают точ-

ность оценивания LWP. Это, возможно, связано с погрешностями геогра-

фической привязки данных МТВЗА-ГЯ (ошибки в отдельных случаях мо-

гут достигать одного и более пикселей [6]), влияющими на процедуру

отбора данных «точка в точку» при формировании обучающей выборки.

Во втором эксперименте в качестве входных данных использованы ан-

тенные температуры Та, измеренные в каналах (23,8 V; 91,5 V; 165 V;

183,31 ± 3,0 V; 183,31 ± 7,0 V) ГГц; 18,7 H ГГц, а также разности измере-

ний в каналах (18,7 V – 18,7 H) ГГц, (36,7 V – 36,7 H) ГГц. При этом была

30 Гидрометеорологические прогнозы, математическое моделирование

снижена скорость обучения до 3e-5. Наибольший вклад в повышение каче-

ства оценивания внесли разности измерений в каналах

(18,7 V – 18,7 H) ГГц и (36,7 V – 36,7 H) ГГц (см. рис. 2а). Измерения в ка-

налах 183,31 ± 3,0 V ГГц и 183,31 ± 7,0 V ГГц понизили свою значимость.

а)

б)

Рис. 2. Вклад в повышение точности оценок LWP‒ уменьшение среднеквад-

ратичного отклонения RMSE: первый эксперимент (а); второй эксперимент

(б).

Fig. 2. Contribution to improving the accuracy of LWP estimates by reducing the

Root Mean Square Error (RMSE): Experiment One (а); Experiment Two (б).

Обсуждение результатов

После обучения нейросети CNN проведена верификация оценок LWP

на зависимой выборке (20 % исходного набора данных). В качестве метрик

качества при сравнении спутниковых оценок с эталоном используются

среднеквадратичное отклонение (RMSE) и коэффициент детерминации R².

Статистика сравнений для первого эксперимента следующая: RMSE =

0,0445 кг/м

, R

= 0,74. Для второго эксперимента RMSE = 0,0447 кг/м

= 0,78, то есть на материале зависимой выборки значимого повышения

качества оценок не наблюдается.

Масляшова А.О., Успенский А.Б. 31

Переход к верификации оценок LWP на материале независимой вы-

борки выполнялся начиная с визуального (качественного) анализа на при-

мере обработки данных МТВЗА-ГЯ с одного витка за 11.40 ч ВСВ

30.06.2025, Как показал последующий анализ, подобные особенности по-

лей спутниковых оценок наблюдаются и на данных за другие дни и для

других акваторий. При сравнении полей оценок LWP (по данным первого

и второго экспериментов) с полем ERA5 (рис 3а‒в), можно отметить подо-

бие их структуры. Успешно восстановлены участки с высокими значени-

ями LWP (> 0,4 кг/м

) в районе 45° ю. ш. и у берегов Канады. Поля реана-

лиза и результатов второго эксперимента имеют больше сходства,

чем результаты первого эксперимента. Также видно, что алгоритм CNN

(первый эксперимент) недооценивает экстремально высокие значения

(более 0,4 кг/м

а)

б)

в)

Рис. 3. Сравнение оценок LWP с данными реанализа ERA5 за 30.06.2025

11.40 ч ВСВ: первый эксперимент (а); ERA5 (б); второй эксперимент (в).

Fig. 3. Comparison of LWP estimates with ERA5 reanalysis data for 30 June 2025

at 11:40 UTC: Experiment One (а); ERA5 (б); Experiment Two (в).

Для примера на рис. 4а и 4б приведена статистика сравнений оценок

LWP по данным витка за 8.45 ч ВСВ 30.09.2024 и данных ERA5. Объем

выборки около 140000. На гистограмме частот ошибок систематических

смещений не наблюдается, распределение близко к нормальному. По диа-

грамме рассеяния видна недооценка высоких значений (более 0.4 кг/м

)

LWP для обоих экспериментов. Во втором эксперименте больше значений

ложится на прямую. Отсутствуют отрицательные значения спутниковых

оценок, что положительно характеризует алгоритм.

Для второго эксперимента улучшились метрики качества, отмечены

снижение RMSE на 0,009 кг/м

и увеличение R

на 0,09. Для данных за дру-

гие дни, сезоны и акватории также наблюдается улучшение статистических

метрик, которое в среднем составило 5–15 % по сравнению с первым

32 Гидрометеорологические прогнозы, математическое моделирование

экспериментом. При картировании LWP для Тихого океана за 30 сентября

2024 года средняя по акватории RMSE для первого алгоритма составила

0,061 кг/м

, а для второго ‒ 0,057 кг/м

(см. рис. 5).

а)

б)

Рис. 4. Статистика сравнений оценок LWP и данных ERA5 по данным витка

за 8.45 ч ВСВ 30.09.2024: первый эксперимент (а); второй эксперимент (б).

Fig. 4. Statistics from the comparison of LWP estimates and ERA5 data for the

orbital pass at 8:45 UTC on 30 September 2024: Experiment One (а); Experiment

Two (б).

На рис. 6 для визуального анализа представлены поля оценок LWP по

данным AMSR2 (https://www.earthdata.nasa.gov/data/instruments/amsr2) и

МТВЗА-ГЯ, а также поле общей облачности из реанализа ERA5. Алгоритм

восстановления LWP по данным AMSR2 «вырезает» мощную облачность

с предполагаемыми зонами осадков, учет которых может увеличить

ошибки. В нашем алгоритме такого деления не предусмотрено, поэтому,

возможно, отдельные оценки LWP получены в зонах осадков.

Обсудим теперь, следуя [14], возможные источники погрешностей

(систематических смещений) в оценках LWP по данным спутниковых

МКВ-радиометров, а также способы их коррекции.

Масляшова А.О., Успенский А.Б. 33

Рис. 5. Поле оценок LWP (кг/м

) для акватории Тихого

океана за 30 сентября 2024 г.

Fig. 5. Spatial field of LWP estimates (kg/m²) over the Pa-

cific Ocean for 30 September 2024.

а)

б)

в)

Рис. 6. Поля LWP (г/м

) по данным AMSR2 (а); МТВЗА-ГЯ (б) и поля облачно-

сти (баллы) по данным ERA5 (в).

Fig. 6. LWP fields (g/m²) from AMSR2 (а); MTVZA-GYa data (б); total cloud cover

from ERA5 data (в).

Как уже отмечалось, самым большим источником систематических

смещений является неопределенность оценивания водозапаса, связанная с

разделением сигналов (регистрируемого МКВ-излучения), аналогичных

для облачной воды и осадков. Оценка LWP может быть завышенной и ха-

рактеризовать содержание гидрометеоров в атмосфере, то есть общий

34 Гидрометеорологические прогнозы, математическое моделирование

водозапас жидкой воды (облачная вода + дождь) в регионах с обильными

осадками. Ввиду отсутствия оперативной информации о структуре осадков

(распределение по размерам и скорость падения капель, толщина слоя

осадков, интенсивность) в [14] предложена эмпирическая формула расчета

общего содержания жидкой воды в регионах с осадками TLWP (Total

(cloud + rain) Liquid Water Path), в которой к оценке LWP добавляется

оценка содержания жидкой воды в осадках RWC, зависящая от толщины

слоя осадков и их интенсивности.

Далее выполняется скрининг акваторий океана и применяется порого-

вый критерий: в оценках LWP ниже порогового значения 0,18 кг/м

, скорее

всего, нет компоненты, связанной с осадками, что позволяет считать ее до-

стоверной [19]; при превышении этого порога вычисляются оценки LWP,

RWC, TLWP, и если отношение LWP к TLWP больше 0,8, то достоверность

LWP достаточно высока. При отсутствии данных о TLWP для анализа ка-

чества оценок LWP целесообразно привлечь независимые спутниковые

данные об осадках – детектирование зон осадков в пунктах зондирования

увеличивает неопределенность точностных характеристик искомых оце-

нок LWP, в связи с чем требуется дополнительный анализ.

Еще один тип систематических смещений – ненулевые оценки LWP

при ясном небе. Детальный анализ причин смещений и влияющих факто-

ров, выполненный в [14], позволил предложить регрессионную формулу

коррекции смещений, зависящую от интегрального влагосодержания атмо-

сферы и скорости приводного ветра. Дистанционное определение этих па-

раметров по данным МТВЗА-ГЯ возможно, но применительно к оценкам

LWP коррекция смещений не требуется ввиду их малости.

Заключение

Разработан и протестирован алгоритм, основанный на сверточной

нейронной сети CNN для восстановления полей LWP над водной поверх-

ностью по данным измерений микроволнового радиометра МТВЗА-ГЯ с

КА «Метеор-М» № 2–4.

Величины RMSE локального и регионального картирования полей

LWP по данным МТВЗА-ГЯ с КА «Метеор-М» № 2–4 при сравнении с ре-

анализом ERA5 меняются в диапазоне 0,050–0,069 кг/м² в зависимости от

исходного качества данных, набора предикторов, времени суток и терри-

тории сканирования.

Верификация показывает, что предложенная методика обеспечивает

удовлетворительное качество восстановленных полей LWP с учётом из-

вестных источников ошибок, к которым относятся возможные системати-

ческие смещения спутниковых оценок в условиях сильных осадков и при

ясном небе, собственные погрешности эталонных данных реанализа, а

также повышенный уровень радиометрического шума и ошибки географи-

ческой привязки данных МТВЗА-ГЯ.

Масляшова А.О., Успенский А.Б. 35

В целом результаты подтверждают работоспособность алгоритма и

его практическую применимость для дистанционного определения полей

LWP по данным измерений микроволнового радиометра МТВЗА-ГЯ.

Список литературы

1. Заболотских Е.В., Тимофеев Ю.М., Успенский А.Б., Митник Л.М., Бобылев Л.П.,

Йоханнессен О.М., Черный И.В. О точности микроволновых спутниковых измерений ско-

рости приводного ветра, влагосодержания атмосферы и водозапаса облаков // Известия.

РАН. Физика атмосферы и океана. 2002. Т. 5, № 38. С. 592-600.

2. Заболотских Е.В., Митник Л.М., Бобылев Л.П., Йоханнессен О.М. Нейронно-сете-

вые алгоритмы восстановления параметров системы океан ‒ атмосфера по данным микро-

волнового спутникового зондирования // Современные проблемы дистанционного зондиро-

вания Земли из космоса. 2004. Т. 1, № 1. С. 447-458.

3. Заболотских Е.В. Современные методы определения интегральных параметров вла-

гозапаса атмосферы и водозапаса облаков // Известия РАН. Физика атмосферы и океана.

2017. Т. 53, № 3. С. 335-342.

4. Косторная А.А. Определение влагосодержания атмосферы и водозапаса облаков по

данным российских метеорологических спутников: Автореф. дис. … канд. физ.-мат. наук.

М., 2021.

5. Мазин И.П., Хргиан А.Х. Облака и облачная атмосфера: Справочник. Л.: Гидроме-

теоиздат, 1989. 647 c.

6. Садовский И.Н., Клитная А.В. Уточнение параметров антенной системы микровол-

нового сканера-зондировщика МТВЗА-ГЯ // Современные проблемы дистанционного зон-

дирования Земли из космоса. 2025. Т. 22, № 6. С. 115-124. DOI 10.21046/2070-7401-2025-22-

6-115-124

7. Успенский А.Б., Тимофеев Ю.М., Козлов Д.А., Черный И.В. Развитие методов и

средств дистанционного температурно-влажностного зондирования земной атмосферы //

Метеорология и гидрология. 2021. № 12. С. 33-44.

8. Филей А.А., Шамилова Ю.А. Определение водозапаса облачности по данным радио-

метра МСУ-ГС КА Арктика-М № 1 // Исследование Земли из космоса. 2023. № 3. С. 70-80.

DOI: 10.31857/S0205961423030028

9. Bennartz R.P. Watts J.F. Meirink Roebeling R. Rainwater path in warm clouds derived

from combined visible/near-infrared and microwave satellite observations // J. Geophys. Res.

2010. Vol. 115. D19120. DOI: 10.1029/2009JD013679

10. Bobylev L.P., Zabolotskikh E.V., Mitnik L.M., Mitnik M.L. Atmospheric water vapor and

cloud liquid water retrieval over the Arctic Ocean using satellite passive microwave sensing //

IEEE Trans. on Geosci. and Remote Sensing. 2010. Vol. 48, no. 1. P. 283-294.

11. Chen Y., Wang H., Min J., Huang X., Minnis P., Zhang R., Haggerty J., Palikonda R.

Variational Assimilation of Cloud Liquid/Ice Water Path and Its Impact on NWP // J. Appl. Me-

teor. Climatol. 2015. Vol. 54. P. 1809-1825. https://doi.org/10.1175/JAMC-D-14-0243.1

12. Deeter M.N., Vivekanandan J. New dual-frequency microwave technique for retrieving

liquid water path over land // J. Geophys. Res. 2006. Vol. 111. D15209.

DOI:10.1029/2005JD006784

13. O’Dell C.W., Wentz F.J., Bennartz R. Cloud Liquid Water Path from Satellite-Based

Passive Microwave Observations: A New Climatology over the Global Oceans // J. Clim. 2008.

Vol. 21, no. 8. P. 1721-1739

14. Elsaesser G.S., O’Dell C.W., Lebsock M.D. et al. The multisensory advanced climatol-

ogy of liquid water path (MAC-LWP) // J. Clim. 2017. Vol. 30. P. 10193-10210.

15. Geer A.J., Baordo F., Bormann N., Chambon P., English S.J., Kazumori M. et al. The

growing impact of satellite observations sensitive to humidity, cloud and precipitation // Quart. J.

Roy. Meteor. Soc. 2017. Vol. 143. P. 3189-3206. https://doi.org/10.1002/qj.3172

16. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, Mass.: The MIT

Press, 2016. 800 p. DOI: 10.1007/s10710-017-9314-z

17. Greenwald T.J. A 2 year comparison of AMSR-E and MODIS cloud liquid water path

observations // Geophys. Res. Lett. 2009. Vol. 36. L20805. DOI: 10.1029/2009GL040394

36 Гидрометеорологические прогнозы, математическое моделирование

18. Hersbach H. and coauthors. The ERA5 global reanalysis // Quart. J. Roy. Meteor. Soc.

2020. Vol. 146, no. 730. C. 1999-2049.

19. Hilburn K.A., Wentz F.J. Intercalibrated passive microwave rain products from the Uni-

fied Microwave Ocean Retrieval Algorithm (UMORA) // J. Appl. Meteor. Climatol. 2008. Vol. 47.

P. 778-794. DOI: 10.1175/2007JAMC1635.1

20. Jung T., Ruprecht E. Determination of Cloud Liquid Water Path over the Oceans from

Special Sensor Microwave/Imager (SSM/I) Data Using Neural Networks // J. Appl. Meteor. 1998.

Vol. 37. P. 832-844.

21. Li J.F., Lee S., Ma H.-Y., Stephens G., Guan B. Assessment of the cloud liquid water

from climate models and reanalysis using satellite observations // Terrestrial, Atmospheric and

Oceanic Sciences. 2018. Vol. 29, no. 6. P. 653-678.

22. Meng D., Wang P., Li J., Li J., Chen Y., Wangzong S. et al. New observation operators

for cloud liquid/ice water path from ABI and their impact on assimilation and hurricane forecasts

// J. Geophys. Res. Atmospheres. 2021. Vol. 126. e2020JD034164. https://doi.

org/10.1029/2020JD034164

23. Platnick S., King M.D., Ackerman S.A., Menzel W.P., Baum B.A., Riédi J.C., Frey R.A.

The MODIS cloud products: Algorithms and examples from Terra // IEEE Transact. on Geosci.

and Rem. Sen. 2003. Vol. 41, no. 2. P. 459-473.

24. Walther A., Heidinger A. Implementation of the Daytime Cloud Optical and Microphys-

ical Properties. Algorithm (DCOMP) in PATMOS-x // Journal of Applied Meteorology and Cli-

matology. 2012. Vol. 51, no. 7. P. 1371-1390.

25. Wentz F.J. A well calibrated ocean algorithm for special sensor microwave / imager // J.

Geophys. Res. 1997. Vol. 102. P. 8703-8718.

26. Xue Y., Yu J., Cai M. et al. On the Inconsistency of Cloud Liquid Water between Rea-

nalyses and Satellite Observations over East Asia // J. Meteorol. Research. 2025. Vol. 39 (4).

P. 1025-1038. https://doi.org/10.1007/s13351-025-4195-1

References

1. Zabolotskikh E.V., Timofeev Yu.M., Uspenskii A.B., Mitnik L.M., Bobylev L.P., Jochan-

nessen O.M., Chernyi I.V. Errors of microwaves satellite measurements of sea surface wind speed,

atmospheric water vapor, and cloud liquid water. Izv., Atmos. Oceanic Phys., 2002, vol. 38, no. 5,

pp. 592-596.

2. Zabolotskih E.V., Mitnik L.M., Bobylev L.P., Yohannessen O.M. Neyronno-setevye algo-

ritmy vosstanovleniya parametrov sistemy okean ‒ atmosfera po dannym mikrovolnovogo sput-

nikovogo zondirovaniya. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa

[Current problems in remote sensing of the Earth from Space], 2004, vol. 1, no.1, pp. 447-458

[in Russ.].

3. Zabolotskikh E.V. Contemporary methods for retrieving the integrated atmospheric water-

vapor content and the total cloud liquid-water content. Izv., Atmos. Oceanic Phys., 2017, vol. 53,

no 3, pp. 294-300. DOI: 10.1134/S000143381703015X

4. Kostornaya A.A. Opredelenie vlagosoderzhaniya atmosfery i vodozapasa oblakov po

dannym rossiyskih meteorologicheskih sputnikov: Avtoref. dis. … kand. fiz.-mat. nauk. Moscow,

2021 [in Russ.].

5. Mazin I.P., Hrgian A.H. Oblaka i oblachnaya atmosfera: Spravochnik. Leningrad, Gidro-

meteoizdat publ., 1989, 647 p. [in Russ.].

6. Sadovsky I.N., Klitnaya A.V. Refinement of microwave scanner/sounder MTVZA-GYa

antenna system parameters. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kos-

mosa [Current problems in remote sensing of the Earth from Space], 2025, vol. 22, no.6, pp. 115-

124 [in Russ.].

7. Uspensky A.B., Timofeev Y.M., Kozlov D.A., Chernyi I. V. Development of Methods and

Instruments for Remote Temperature and Humidity Sensing of the Earth’s Atmosphere. Russ. Me-

teorol. Hydrol., 2021, vol. 46, no.12, pp. 821-829. https://doi.org/10.3103/S1068373921120037

8. Filei A. A., Shamilova Yu. A. Retrieval of Cloud Liquid Water from MSU-GS Data On-

Board Arctica-M No. 1. Issledovanie Zemli iz kosmosa [Earth research from space], 2023, no. 3,

pp. 70-80. DOI: 10.31857/S0205961423030028 [in Russ.].

Масляшова А.О., Успенский А.Б. 37

9. Bennartz R.P. Watts J.F. Meirink Roebeling R. Rainwater path in warm clouds derived

from combined visible/near-infrared and microwave satellite observations. J. Geophys. Res., 2010,

vol. 115, D19120. DOI: 10.1029/2009JD013679

10. Bobylev L.P., Zabolotskikh E.V., Mitnik L.M., Mitnik M.L. Atmospheric water vapor and

cloud liquid water retrieval over the Arctic Ocean using satellite passive microwave sensing. IEEE

Transactions on Geoscience and Remote Sensing, 2010, vol. 48, no. 1, pp. 283-294.

11. Chen Y., Wang H., Min J., Huang X., Minnis P., Zhang R., Haggerty J., Palikonda R.

Variational Assimilation of Cloud Liquid/Ice Water Path and Its Impact on NWP. J. Appl. Meteor.

Climatol., 2015, vol. 54, pp. 1809-1825. https://doi.org/10.1175/JAMC-D-14-0243.1

12. Deeter M.N., Vivekanandan J. New dual-frequency microwave technique for retrieving

liquid water path over land. J. Geophys. Res., 2006, vol. 111, D15209. DOI:

10.1029/2005JD006784

13. O’Dell C.W., Wentz F.J., Bennartz R. Cloud Liquid Water Path from Satellite-Based

Passive Microwave Observations: A New Climatology over the Global Oceans. J. Clim., 2008,

vol. 21, no. 8, pp. 1721-1739.

14. Elsaesser G.S., O’Dell C.W., Lebsock M.D. et al. The multisensory advanced climatol-

ogy of liquid water path (MAC-LWP). J. Clim., 2017, vol. 30, pp. 10193-10210.

15. Geer A.J., Baordo F., Bormann N., Chambon P., English S.J., Kazumori M. et al. The

growing impact of satellite observations sensitive to humidity, cloud and precipitation. Quart. J.

Roy. Meteor. Soc., 2017, vol. 143, pp. 3189-3206. https://doi.org/10.1002/qj.3172

16. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, Mass.: The MIT

Press, 2016, 800 p., DOI: 10.1007/s10710-017-9314-z

17. Greenwald T.J. A 2 year comparison of AMSR-E and MODIS cloud liquid water path

observations. Geophys. Res. Lett., 2009, vol. 36, L20805. DOI: 10.1029/2009GL040394

18. Hersbach H. and coauthors. The ERA5 global reanalysis. Quart. J. Roy. Meteor. Soc.,

2020, vol. 146, no. 730, pp. 1999-2049.

19. Hilburn K.A., Wentz F.J. Intercalibrated passive microwave rain products from the Uni-

fied Microwave Ocean Retrieval Algorithm (UMORA). J. Appl. Meteor. Climatol., 2008, vol. 47,

pp. 778-794. DOI: 10.1175/2007JAMC1635.1

20. Jung T., Ruprecht E. Determination of Cloud Liquid Water Path over the Oceans from

Special Sensor Microwave/Imager (SSM/I) Data Using Neural Networks. J. Appl. Meteor., 1998,

vol. 37, pp. 832-844.

21. Li J.F., Lee S., Ma H.-Y., Stephens G., Guan B. Assessment of the cloud liquid water

from climate models and reanalysis using satellite observations. Terrestrial, Atmospheric and Oce-

anic Sciences, 2018, vol. 29, no. 6, pp. 653-678.

22. Meng D., Wang P., Li J., Li J., Chen Y., Wangzong S. et al. New observation operators

for cloud liquid/ice water path from ABI and their impact on assimilation and hurricane. J. Ge-

ophys. Res. Atmospheres, 2021, vol. 126, e2020JD034164. DOI: 10.1029/2020JD034164

23. Platnick S., King M.D., Ackerman S.A., Menzel W.P., Baum B.A., Riédi J.C., Frey R.A.

The MODIS cloud products: Algorithms and examples from Terra. IEEE Transactions on Geosci-

ence and Remote Sensing, 2003, vol. 41, no. 2, pp. 459-473.

24. Walther A., Heidinger A. Implementation of the Daytime Cloud Optical and Microphys-

ical Properties. Algorithm (DCOMP) in PATMOS-x. Journal of Applied Meteorology and Clima-

tology, 2012, vol. 51, no. 7, pp. 1371-1390.

25. Wentz F.J. A well calibrated ocean algorithm for special sensor microwave / imager.

J. Geophys. Res., 1997, vol. 102, pp. 8703-8718.

26. Xue Y., Yu J., Cai M. et al. On the Inconsistency of Cloud Liquid Water between Rea-

nalyses and Satellite Observations over East Asia. J. Meteorol. Research, 2025, vol. 39 (4),

pp. 1025-1038. DOI: 10.1007/s13351-025-4195-1

Поступила 11.12.2025; принята в печать 26.05.2026.

Submitted 11.12.2025; accepted for publication 26.05.2026.