В экспериментах на Большом адронном коллайдере физики Томского государственного университета участвуют с 2015 года. Опыт, приобретенный при решении сложнейших физических задач, оказался полезен и в других областях, на первый взгляд далеких от физики высоких энергий. Так, физики-ядерщики из лаборатории анализа данных физики высоких энергий ТГУ предложили адаптировать применяемые в ЦЕРН методы анализа сверхбольших массивов данных к задачам изучения атмосферы.

Созданная в ТГУ новая база данных поможет повысить точность прогнозирования погоды и изменений климата. Источником больших данных в этом проекте выступает томский высотный матричный поляризационный лидар (ВМПЛ), входящий в перечень уникальных экспериментальных установок России. 

Работа выполняется совместно с кафедрой оптико-электронных систем и дистанционного зондирования РФФ ТГУ в рамках «молодежного» гранта РНФ № 21-72-10089. 

Метод лазерного зондирования – один из распространенных методов исследования атмосферы. На основе анализа процессов поглощения и рассеяния электромагнитного излучения при его распространении в исследуемой среде он позволяет получать данные о параметрах атмосферы с высоким пространственным и временным разрешением. Этот метод был дополнен анализом изменения состояния поляризации оптического излучения и реализован на ВМПЛ ТГУ. Лидар включен в перечень уникальных экспериментальных установок России, эксперименты по зондированию облаков верхнего яруса регулярно выполняются на нем с 2009 года. 

Высотный матричный поляризационный лидар применяется для дистанционного определения оптических и микрофизических характеристик аэрозольных образований в атмосфере. Так, он позволяет дистанционно обнаруживать и отслеживать в атмосферном воздухе частицы аэрозоля несферической формы с различными состояниями пространственной ориентации. Изучение этих частиц помогает решать научно-исследовательские задачи, в частности, для понимания влияния их свойств на климат. 

– К таким задачам относится идентификация и мониторинг зеркальных (содержащих горизонтально ориентированные частицы льда) облаков верхнего яруса естественного и антропогенного происхождения с целью уточнения оптических моделей для расчета радиационного баланса атмосферы Земли. Это нужно для повышения точности прогнозирования погоды и климата, – рассказывает старший преподаватель кафедры оптико-электронных систем и дистанционного зондирования РФФ, ведущий исполнитель проекта Илья Брюханов. 

Лидар для зондирования верхних слоев атмосферы объединяет три системы. Первая передает зондирующее излучение в атмосферу; вторая принимает обратно рассеянное атмосферой излучение; третья используется для регистрации, отображения и обработки результатов измерений. 

За 2009–2023 годы были собраны характеристики облаков верхнего яруса с шагом от 37,5 до 150 метров на вертикальной атмосферной трассе протяженностью 15 км. Экспериментальные результаты лидарных исследований атмосферы представляют собой оптические (матрица обратного рассеяния, отношение рассеяния, оптическая толща, степень деполяризации зондирующего излучения) и геометрические (высоты нижней и верхней границ, вертикальная мощность) показания. Физики ТГУ дополнили этот массив результатов данными сети аэрологических станций Сибири и данными реанализа ERA5 Европейского центра среднесрочных прогнозов погоды (ECMWF). 

– На основании масштабного анализа аэрологических и лидарных данных на территории Западной Сибири, а также последующего восстановления метеовеличин с использованием реанализа была создана новая маркированная база данных. Она включает результаты лидарных исследований атмосферы и вертикальные профили метеорологических величин для высот от 0 до 15 км. Сформированная база данных является уникальной и может быть использована для решения различных атмосферных задач посредством обучения алгоритмов, – добавляет руководитель проекта, старший научный сотрудник лаборатории анализа данных физики высоких энергий (ЛАДФВЭ) ФФ Олеся Кучинская. 

Такие методы, в особенности с использованием нейронных сетей, способны в ряду квазициклических данных учитывать скрытые периодичности и строить алгоритмы обработки информации. То есть, машинное обучение задает уникальную способность обучаться на примерах, «узнавать» в потоке «зашумленной» и противоречивой информации характер ранее встреченных образов и ситуаций. 

Это исключительно важно для прогнозирования количественных и качественных характеристик атмосферы, обусловленных региональными, природными, антропогенными и климатическими особенностями территорий. Участники проекта продолжат свои исследования в этом направлении.