Оценка влияния текущих метеопрогнозов в задаче планирования космической съемки

Полный текст

Введение Наращивание орбитальной группировки (ОГ) космических аппаратов (КА) дистанционного зондирования Земли (ДЗЗ), реализуемое в рамках Федеральной космической программы России на 2016-2025 годы, и увеличение ее производительности влечет значительное увеличение объёмов принимаемых данных. В условиях существенного увеличения отечественной ОГ за счет ввода новых КА, оснащенных различными типами аппаратуры ДЗЗ, важнейшим вопросом является обеспечение согласованного, планомерного целевого применения разнотипных КА за счет разработки специализированного программного обеспечения (СПО). Создание такого СПО непременно должно включать математические модели, позволяющие учитывать влияние облачности при разработке оперативных планов функционирования ОГ. Задача настоящего исследования состоит в получении количественных оценок влияния облачности при использовании одной из возможных методик, основанной на применении скачанных из Интернета файлов текущих метеопрогнозов. 1. Задача планирования космосъемки Целевое функционирование орбитальной группировки заключается в периодически повторяющейся совместной реализации программы съемки заданного множества земных объектов и программы сброса данных зондирования на пункты приема информации (ППИ) наземной инфраструктуры на заданном временном интервале. Единичная операция съемки завершается регистрацией отснятого сюжета (данных зондирования) в виде цифрового снимка в бортовом запоминающем устройстве (БЗУ). Серия последовательных снимков одного КА формирует поток данных, объем которого может быть велик. Число объектов, подлежащих съемке, также может быть достаточно большим. Поскольку низкоорбитальные КА группировки за сутки совершают более 15 витков по орбитам, то в зависимости от длительности интервала планирования количество потенциальных съемок земных объектов может составить сотни и тысячи единиц, что приводит к многовариантности формирования съемочных планов. Однако на число потенциальных съемок с использованием оптико-электро нной аппаратуры существенное влияние может оказать облачность. Интересно оценить, насколько существенно такое влияние. Вместе с тем требования к экономической эффективности обусловливают необходимость формирования таких планов, реализация которых обеспечивает максимальную ценность информации о снятых земных объектах в условиях ограниченных возможностей бортовых информационных комплексов КА по ее сбору, хранению и передаче. Для формализации задачи планирования в работах [1; 2] введены в рассмотрение модель временных последовательностей возможной съемки объектов и сеансов связи и модели целевого функционирования бортовых информационных комплексов КА. Последние описывают меняющиеся состояния БЗУ и процессы переориентации съемочной аппаратуры каждого КА группировки. На основе математической формализации осуществляется переход к оптимизационной задаче дискретного программирования (задаче маршрутизации), заключающейся в поиске такой программы управления бортовой съемочной аппаратурой КА, которая обеспечивает максимум критерию эффективности целевого функционирования - совокупной ценности космоснимков - при ограничениях, накладываемых внешней средой (освещенность, облачность) и ограниченных технических возможностях каждого КА. В составе отечественной орбитальной группировки эксплуатируются КА ДЗЗ трех типов: «Ресурс-П», «Канопус-В», «Метеор-М», работающих на солнечно-синхронных орбитах. Их движение описывается моделью в виде системы дифференциальных уравнений для околокруговых орбит, входящей в состав СПО. С вводом в эксплуатацию КА «Арктика-М» набор моделей движения, необходимых для корректного описания изменившейся структуры ОГ, следует дополнить моделью движения по высокоэллиптическим орбитам. Укрупненный алгоритм решения задачи планирования для группы разнотипных КА предлагается выполнять поэтапно, а именно: 1) решением задачи дискретного программирования строятся опорные планы в виде временной последовательности координатно привязанных операций съемки и сброса для каждой группы однотипных КА с учетом освещенности, но при отсутствии облачности; 2) по набору найденных расчетных точек и интервалов съемки выполняется прогноз количества облачности в пределах интервала планирования и часть операций съемки, не удовлетворяющих ограничениям по облачности, из планов исключается; 3) прореженные опорные планы для групп однотипных КА объединяются в хронологически упорядоченную последовательность целевых операций ОГ, внутри которой выявляются и устраняются (при наличии) возможные конфликты на проведение операций сброса данных зондирования на ППИ. В итоге некоторая часть операций сброса из объединенного плана исключается; 4) прореженный объединенный план рассматривается как решение задачи планирования для группы разнотипных КА и для него вычисляются частные показатели эффективности, оценивающие расчетные доли участия каждого КА и каждого ППИ в выполнении скоординированного плана. Решение задачи планирования позволяет формировать циклограммы работы целевой аппаратуры каждого КА группировки и каждого ППИ в течение интервала планирования. Для выполнения расчетов на втором этапе важно выбрать реализуемую программно методику учета прогнозируемого состояния облачности. 2. Современные подходы к оценке облачного покрова для систем космосъемки В настоящее время существует несколько подходов к оценке облачности при планировании космосъемки. Эти подходы можно условно разделить на два вида: 1) статистические модели, базирующиеся на априорном знании параметров облачности на длительном интервале наблюдений, например, математическая модель облачного покрова, описывающая распределение количества облачности над районами съемки с помощью карт зон однородности, зависящих от сезона [3]; 2) модели облачности, базирующиеся на данных гидрометеорологических центров, представленные в виде таблиц с прогнозом процента облачного покрова для заданного участка земной поверхности. Как правило, интервал прогноза покрывает потребности как оперативного планирования (1-3 суток), так и среднесрочного планирования (до 10 суток) космосъемки. Прогнозируемые по данным моделям текущие метеопараметры распространяются метеорологическими службами как на платной, так и бесплатной основе. К недостаткам первой модели относятся: невысокая точность прогноза по отношению ко второму виду моделей, обобщение процента облачного покрова для больших площадей, порядка десятков миллионов квадратных километров. Обобщение прогноза на больших площадях затрудняет применение таких моделей для спутников высокодетальной съемки, поле зрения оптической аппаратуры которых не превышает сотен квадратных километров. Кроме того, для использования таких моделей необходимо вначале провести обработку данных об облачности с формированием матриц перехода, что является отдельной достаточно трудоемкой задачей. Достоинством является автономность прогноза облачности, когда после статистической обработки данных не требуется доступа к данным гидрометцентра. Данная статистическая модель представляется в виде абсолютно случайной последовательности или цепи (при интервалах между наблюдениями, превышающих время корреляции процесса), а также марковской цепи или дискретного марковского процесса (при малых интервалах между наблюдениями). Съемка «точечного» объекта в момент t или площадного на интервале (t1, t2) считается возможной, если разыгрываемое с помощью датчика случайных чисел (ДСЧ) количество облачности над центром района съемки не превышает заданное. Применение ДСЧ предполагает наличие статистических данных о пространственно-временных распределениях облачности. Другими словами, подход, основанный на формировании карт зон однородности, требует трудоемкой обработки многолетних статистических данных о глобальном сезонном распределении облачности по результатам наземных и спутниковых наблюдений. Он позволяет получать оценки количества облачности лишь в среднем по зонам, имеющим весьма значительные площади, без учета текущих метеопрогнозов, характеризующихся достаточно подробным разрешением по времени и конкретной координатной привязкой. К достоинствам второго рода моделей относится их более высокая точность прогноза, достаточно высокое временное и пространственное разрешение (карта прогноза 0,25º × 0,25º по широте и долготе). К недостаткам можно отнести необходимость постоянной связи с гидрометеорологическими службами, которые непосредственно обеспечивают формирование прогноза. Данные прогнозы базируются на самых современных алгоритмах, которые используются в мировых гидрометцентрах, а не просто на статистических характеристиках процессов, полученных по результатам обработки данных многолетних измерений. Именно использование таких данных является наиболее перспективным и современным подходом. Стандартным представлением метеоданных, которые формируют гидрометцентры, является GRIB-файл. GRIB (GRIdded Binary) - математический формат сжатых данных, используемый для хранения исторических и прогнозируемых данных о погоде. Он был стандартизирован комиссией по основным системам Всемирной метеорологической организации, известен под номером GRIB FM 92-IX и описан в 306 номере руководства ВМО по кодам. В настоящее время существует три версии GRIB. Версия 0 ограниченно используется в таких проектах, как TOGA, и больше практически не применяется. Первая редакция (текущая подверсия - 2) используется во всем мире большинством метеорологических центров для вывода численного прогноза погоды. Новое поколение было введено как вторая редакция GRIB [4] [1]. Данные файлы формируются по запросу клиентской программы на удаленном сервере гидрометеорологической службы и пересылаются по сети Ethernet на компьютер клиента. GRIB-файл, помимо параметров облачности, может включать в себя данные о температуре, ветре, осадках, толщине снежного покрова и многом другом. Кроме того, файл может быть сформирован как для специфической области, ограниченной прямоугольником с соответствующими вершинами (широта, долгота), так и для всей поверхности Земли. Интервал прогноза файла - 10 суток, разрешение на местности (для бесплатно распространяемых данных) варьируется от 0.25º × 0.25º, до 3º × 3º В контексте задачи планирования многие из этих данных являются излишними. Параметры облачности, необходимые для планирования, следует извлекать и считывать выборочно, т. е. данные из GRIB-файла, которые хранятся в нем в специальной двоичной структуре данных, требуют обработки и отбора. После получения GRIB-файла становится возможным обработать эти данные для последующего использования в программном обеспечении задачи планирования. После обработки объем файла значительно уменьшается. Так, прогноз только облачности на 6 суток с шагом в 3 часа и разрешением 0.25º × 0.25º будет занимать примерно 3 Мбайт для всей территории России. Для их извлечения удобно воспользоваться свободно распространяемым модулем wgrib на языке СИ, который имеет открытый код. Использование данного программного модуля в собственной программе, а также построение на его базе собственных подпрограмм позволяет адаптировать код для применения в различных средах разработки и при создании кроссп латформенных приложений. Использование wgrib рекомендовано ФГБУ «Гидрометцентр России» (рекомендации даны на официальном сайте) [5; 6] [2]. Идея использования GRIB-файла в контексте задачи планирования космосъемки реализована в виде адаптированного модуля wgrib_m и динамической библиотеки cloud.dll. Рассмотрим тестовый пример. Сделаем запрос данных на сервер гидрометеорологической службы и получим GRIB-файл для прямоугольника, ограниченного широтным диапазоном от 68º до 39º с. ш. и диапазоном долгот от 44º до 93º в. д. Потребуем, чтобы файл содержал исключительно прогноз облачности на 10 суток вперед с шагом в 3 часа и разрешением 0.25º × 0.25º. Нанесем на график, имеющий размеры ограничивающего прямоугольника, данные прогноза облачности: синим - процент облачности от 100 до 70 %; голубым - процент облачности от 70 до 30 %; белым - процент облачности от 30 до 0 %. На рис. 1 представлена карта облачности, построенная по данным прогноза на 3 часа по указанным выше параметрам для заданного долготно-широтного диапазона. Рис. 1. Карта прогнозируемого распределения облачности для заданного региона (Авторский) Figure 1. The map of predicted cloud distribution for the given region Прогноз облачности можно осуществлять упрощенным образом, без интерполяции между временными интервалами. Либо осуществлять интерполяцию с использованием данных о конвективном теплообмене, скорости и направлении ветра, рельефе местности и т. п. В зависимости от требуемой точности можно использовать различные способы. В случае упрощения точность прогноза находится в пределах разрешающей способности GRIB-файла по времени и составляет минимально 3 часа для бесплатных данных. Данное упрощение может приводить к существенным ошибкам на пограничных областях, т.е в тех областях, где между соседними областями прогноза сетки поверхности плотность облачного покрова существенным образом отличается (на 50...70 %). Для таких областей параметры облачности могут меняться чрезвычайно интенсивно, что увеличивает ошибку прогноза. Предварительно данную ошибку можно оценить в 30...40 %. То есть, к примеру, если прогноз облачности по данным СПО был 40 %, при использовании более точных систем с интерполяцией он составит 70...80 %. Указанные ошибки характерны именно для пограничных с интенсивной облачностью районов. Для второго теста взят файл wgrib.out, который содержит извлеченные из GRIB-файла данные о реальном состоянии облачности над регионом, охватывающим всю европейскую часть Евразии и лежащим в пределах от -30 до 70 градусов долготы и от -60 до 60 градусов широты на 18.04.2020. Координаты внутренних точек региона формируются с помощью ДСЧ в цикле из 100 реализаций. Для парирования влияния ДСЧ и целочисленности задаваемых координат расчеты повторены 10 раз. При таких условиях число точек, накрытых облачностью не более 2 баллов (20 %), лежит в интервале от 24 (рис. 2, а) до 33 (рис. 2, б) со средним значением 28,3. Проведенная проверка работы библиотеки Cloud.dll на соответствующих данных показывает (рис. 2, а и б), что: a) подключение библиотеки Cloud.dll к СПО планирования проходит нормально; б) функция getCloud, формирующая процент облачности по заданным координатам точки и времени прогноза, работает удовлетворительно: любой точке из 100, лежащих внутри заданного региона, ставится в соответствие положительное число, лежащее в допустимых пределах - процент облачности; значение -1, свидетельствующее об ошибке, в результатах отсутствует; в) для съемки пригодны от четверти до трети из 100 просмотренных точек, выбранных с помощью ДСЧ (взят допустимый предел 2 балла из 10). Для исследования влияния числа реализаций использован тот же GRIB-файл, но извлечение параметров облачности выполнено для региона меньшей площади, охватывающего Европу и лежащего в пределах от -10 до 70 градусов долготы и от 20 до 60 градусов широты на ту же дату18.04.2020 года. Результаты 30 расчетов представлены в табл. 1. а б Рис. 2. Оценка доли точек заданного региона, доступных для съемки, лежит в диапазоне от четверти до трети; а - худший из 10 просчитанных: 24 %, б - лучший из 10: 33 % Figure 2. The estimate of the percentage of points in the given region available for shooting is in the range from a quarter to a third; a - the worst of 10 calculated: 24 %, б - the best of 10: 33 % Еще один тест проведен на данных GRIB-файла, и от -54 до 8 градусов широты на дату 04.03.2021 года. который определяет параметры облачности для регио- Результаты 30 расчетов представлены в табл. 2. на, лежащего в пределах от -0 до -37 градусов долготы Таблица 1 Оценка числа доступных для съемки точек Table 1 Estimation of the number of points available for shooting Регион от (-10, 20) до (70, 60) - «Европа+», 18.04.20 Region from (-10,20) to (70,60) - «Europe+», 18.04.20 Число точек Number of points Число точек, накрытых слабой облачностью (20 % или менее) в 10 вариантах расчета The number of points covered with weak clouds (20 % or less) in 10 calculation options Среднее значение Average value 100 43, 38, 34, 41, 48, 39, 33, 44, 47, 41 40.8 500 34, 35, 37, 34, 38, 35, 36, 38, 36, 41 36.4 1000 34, 36, 35, 38, 34, 36, 36, 35, 37, 37 35.8 Таблица 2 Оценка числа доступных для съемки точек Estimation of the number of points available for shooting Table 2 Регион от (-80, -54) до (-37, 8) - «Южная Америка», 04.03.2021 Region from (-80, -54) to (-37, 8) - «South America», 04.03.2021 Число точек Number of points Число точек, накрытых слабой облачностью (20 % или менее) в 10 вариантах расчета The number of points covered with weak clouds (20 % or less) in 10 calculation options Среднее значение Average value 100 18, 17, 24, 22, 15, 23, 30, 18, 22, 17 20.6 500 23, 23, 24, 21, 22, 23, 22, 20, 19, 21 21.8 1000 21, 19, 20, 21, 24, 23, 22, 20, 22, 20 21.2 Заключение На основании проведенного инженерного исследования можно сделать следующие оценочные выводы: • применение методики учета влияния облачности, основанной на загружаемых из Интернета текущих метеопрогнозах гидрометцентров, позволяет создать достаточно простое и вполне работоспособное программное обеспечение, пригодное для использования в задачах планирования космосъемки; • учет влияния облачности может кардинально менять полученные оптимизацией опорные планы космосъемки, значительно уменьшая число возможных сеансов съемки в плане примерно на 65...80 %; • влияние облачности на построение планов настолько велико, что, возможно, следует поменять местами этапы 1 и 2 в укрупненном алгоритме решения задачи планирования, для чего требуется дополнительное исследование

Об авторах

Петр Евгеньевич Розин

Московский авиационный институт (национальный исследовательский университет)

Автор, ответственный за переписку.
Email: rozinpe@rambler.ru
ORCID iD: 0000-0001-8892-5566

доцент кафедры 604 «Системный анализ и управление», кандидат технических наук

Российская Федерация, 125993, Москва, Волоколамское шоссе, д. 4

Юрий Алексеевич Смольянинов

Московский авиационный институт (национальный исследовательский университет)

Email: smolyaninov-77@psk-net.ru
ORCID iD: 0000-0003-4735-1206

доцент кафедры 604 «Системный анализ и управление», кандидат технических наук

Российская Федерация, 125993, Москва, Волоколамское шоссе, д. 4

Список литературы