_ Utilizarea învățării profunde pentru imagine stratul limită planetar al Pământului

Deși troposfera este adesea considerată cel mai apropiat strat al atmosferei de suprafața Pământului, stratul limită planetar (PBL) - cel mai de jos strat al troposferei - este de fapt partea care influențează cel mai semnificativ vremea de lângă suprafață. În sondajul decenal al științei planetare din 2018, PBL a fost ridicată ca o problemă științifică importantă care are potențialul de a îmbunătăți prognoza furtunilor și de a îmbunătăți proiecțiile climatice.

„PBL este locul în care suprafața interacționează cu atmosfera, inclusiv schimburi de umiditate și căldură care contribuie la apariția vremii severe și a schimbărilor climatice”, spune Adam Milstein, membru al personalului tehnic în cadrul Grupului de Sisteme Spațiale Aplicate al Laboratorului Lincoln de la Institutul de Tehnologie din Massachusetts. „PBL este, de asemenea, locul în care trăiesc oamenii, iar mișcarea turbulentă a aerosolilor în PBL este importantă pentru calitatea aerului care influențează sănătatea umană.”

Deși este vitală pentru studiul vremii și climei, caracteristicile importante ale PBL, precum înălțimea sa, sunt greu de rezolvat cu tehnologia actuală. În ultimii patru ani, personalul Laboratorului Lincoln a studiat PBL, concentrându-se pe două sarcini diferite: utilizarea învățării automate pentru a realiza profiluri scanate 3D ale atmosferei și rezolvarea structurii verticale a atmosferei mai clar pentru a prezice mai bine secetele. .

Acest efort de cercetare axat pe PBL se bazează pe mai mult de un deceniu de lucrări legate de algoritmi de rețele neuronale rapide și operaționale, dezvoltați de Lincoln Laboratory pentru misiunile NASA. Aceste misiuni includ misiunea Observații rezolvate în timp ale structurii precipitațiilor și intensitatea furtunii cu o constelație de Smallsats (TROPICS), precum și misiunea Aqua, un satelit care colectează date despre ciclul apei Pământului și observă variabile precum temperatura oceanului, precipitațiile și vaporii de apă. în atmosferă.

Acești algoritmi preiau temperatura și umiditatea din datele instrumentului satelit și s-a dovedit că îmbunătățesc semnificativ acuratețea și acoperirea globală utilizabilă a observațiilor față de abordările anterioare. Pentru TROPICS, algoritmii ajută la preluarea datelor care sunt utilizate pentru a caracteriza structurile cu evoluție rapidă a unei furtuni în timp aproape real, iar algoritmii lui Aqua au contribuit la creșterea modelelor de prognoză, monitorizarea secetei și predicția incendiilor.

Acești algoritmi operaționali. pentru TROPICS și Aqua se bazează pe rețele neuronale clasice „de mică adâncime” pentru a maximiza viteza și simplitatea, creând un profil vertical unidimensional pentru fiecare măsurătoare spectrală colectată de instrument în fiecare locație. În timp ce această abordare a îmbunătățit observațiile atmosferei până la suprafață în general, inclusiv PBL-ul, personalul de laborator a stabilit că tehnicile de învățare „profundă” mai noi care tratează atmosfera într-o regiune de interes ca o imagine tridimensională sunt necesare pentru a îmbunătăți detaliile PBL. în continuare.

„Am emis ipoteza că tehnicile de învățare profundă și inteligență artificială (AI) ar putea îmbunătăți abordările actuale prin încorporarea unei reprezentări statistice mai bune a imaginilor 3D ale temperaturii și umidității atmosferei în soluții”, spune Milstein. „Dar a durat ceva timp să ne dăm seama cum să creăm cel mai bun set de date — un amestec de date reale și simulate; trebuia să ne pregătim să antrenăm aceste tehnici.”

Echipa a colaborat cu Joseph Santanello de la NASA. Goddard Space Flight Center și William Blackwell, de asemenea, de la Applied Space Systems Group, într-un efort recent care arată că acești algoritmi de recuperare pot îmbunătăți detaliile PBL, inclusiv determinarea mai precisă a înălțimii PBL decât stadiul anterior al tehnicii.

În timp ce cunoașterea îmbunătățită a PBL este utilă în general pentru creșterea înțelegerii climatului și a vremii, o aplicație cheie este predicția secetelor. Potrivit unui raport Global Drought Snapshot lansat anul trecut, secetele sunt o problemă planetară presantă pe care comunitatea globală trebuie să o abordeze. Lipsa umidității în apropierea suprafeței, în special la nivelul PBL, este principalul indicator al secetei. În timp ce studiile anterioare care utilizează tehnici de teledetecție au examinat umiditatea solului pentru a determina riscul de secetă, studierea atmosferei poate ajuta la prezicerea momentului în care vor avea loc secetele.

Milstein și membrul personalului de laborator Michael Pieper lucrează cu oameni de știință de la NASA. Jet Propulsion Laboratory (JPL) pentru a utiliza tehnici de rețea neuronală pentru a îmbunătăți predicția secetei pe continentul Statelor Unite. În timp ce munca se bazează pe munca operațională existentă pe care a făcut-o JPL încorporând (parțial) abordarea operațională a rețelei neuronale „superficială” a laboratorului pentru Aqua, echipa consideră că această activitate și activitatea de cercetare a învățării profunde axată pe PBL pot fi combinate pentru a îmbunătăți în continuare. acuratețea predicției secetei.

„Laboratorul Lincoln lucrează cu NASA de mai bine de un deceniu la algoritmi de rețea neuronală pentru estimarea temperaturii și umidității din atmosferă de la instrumente cu infraroșu și microunde transportate în spațiu, inclusiv cele de pe nava spațială Aqua”, spune Milstein. „De-a lungul timpului, am învățat multe despre această problemă, lucrând cu comunitatea științifică, inclusiv despre provocările științifice care rămân. Experiența noastră îndelungată de lucru la acest tip de teledetecție cu oamenii de știință de la NASA, precum și experiența noastră în utilizarea neuronale. tehnicile de rețea, ne-au oferit o perspectivă unică.”

Conform lui Milstein, următorul pas pentru acest proiect este de a compara rezultatele învățării profunde cu seturile de date de la Administrația Națională Oceanică și Atmosferică, NASA și Departamentul de Energia colectată direct în PBL folosind radiosonde, un tip de instrument zburat pe un balon meteorologic.

„Aceste măsurători directe pot fi considerate un fel de „adevăr la sol” pentru a cuantifica acuratețea tehnicilor pe care le-am dezvoltat ,” spune Milstein.

Această abordare îmbunătățită a rețelei neuronale promite să demonstreze predicția secetei care poate depăși capacitățile indicatorilor existenți, spune Milstein, și că va fi un instrument pe care oamenii de știință se pot baza în deceniile următoare.

Această poveste este republicată datorită MIT News (web.mit.edu/newsoffice/), un site popular care acoperă știri despre cercetarea, inovarea și predarea MIT.

(Fluierul)