Mithilfe von Deep Learning die planetarische Grenzschicht der Erde abbilden

Obwohl die Troposphäre oft als die Schicht der Atmosphäre angesehen wird, die der Erdoberfläche am nächsten liegt, ist die planetarische Grenzschicht (PBL) – die unterste Schicht der Troposphäre – tatsächlich der Teil, der das Wetter in der Nähe der Erdoberfläche am stärksten beeinflusst. In der dekadischen Umfrage zur Planetenwissenschaft 2018 wurde die PBL als wichtiges wissenschaftliches Thema angesprochen, das das Potenzial hat, die Sturmvorhersage zu verbessern und Klimaprojektionen zu verbessern.

„In der PBL interagiert die Oberfläche mit der Atmosphäre, einschließlich des Austauschs von Feuchtigkeit und Wärme, der zu Unwettern und einem sich ändernden Klima führt“, sagt Adam Milstein, technischer Mitarbeiter der Applied Space Systems Group des Lincoln Laboratory am Massachusetts Institute of Technology Technologie. „Im PBL leben auch Menschen, und die turbulente Bewegung von Aerosolen im gesamten PBL ist wichtig für die Luftqualität, die sich auf die menschliche Gesundheit auswirkt.“

Obwohl sie für die Untersuchung von Wetter und Klima von entscheidender Bedeutung sind, sind wichtige Merkmale des PBL, wie z. B. seine Höhe, mit der aktuellen Technologie schwer zu bestimmen. In den letzten vier Jahren haben die Mitarbeiter des Lincoln Laboratory die PBL untersucht und sich dabei auf zwei verschiedene Aufgaben konzentriert: den Einsatz von maschinellem Lernen zur Erstellung von 3D-gescannten Profilen der Atmosphäre und die klarere Auflösung der vertikalen Struktur der Atmosphäre, um Dürren besser vorhersagen zu können .

Diese auf PBL ausgerichtete Forschungsanstrengung baut auf mehr als einem Jahrzehnt verwandter Arbeiten zu schnellen, betriebsfähigen neuronalen Netzwerkalgorithmen auf, die vom Lincoln Laboratory für NASA-Missionen entwickelt wurden. Zu diesen Missionen gehören die TROPICS-Mission (Time-Resolved Observations of Precipitation Structure and Storm Intensity with a Constellation of Smallsats) sowie Aqua, ein Satellit, der Daten über den Wasserkreislauf der Erde sammelt und Variablen wie Meerestemperatur, Niederschlag und Wasserdampf beobachtet in der Atmosphäre.

Diese Algorithmen rufen Temperatur und Luftfeuchtigkeit aus den Daten der Satelliteninstrumente ab und verbessern nachweislich die Genauigkeit und nutzbare globale Abdeckung der Beobachtungen im Vergleich zu früheren Ansätzen erheblich. Für TROPICS helfen die Algorithmen dabei, Daten abzurufen, die zur Charakterisierung der sich schnell entwickelnden Strukturen eines Sturms nahezu in Echtzeit verwendet werden, und die Algorithmen von Aqua haben dazu beigetragen, Vorhersagemodelle, Dürreüberwachung und Feuervorhersage zu verbessern.

Diese Betriebsalgorithmen für TROPICS und Aqua basieren auf klassischen „flachen“ neuronalen Netzen, um Geschwindigkeit und Einfachheit zu maximieren und ein eindimensionales vertikales Profil für jede vom Instrument an jedem Standort erfasste Spektralmessung zu erstellen. Während dieser Ansatz die Beobachtungen der Atmosphäre bis zur Oberfläche insgesamt, einschließlich der PBL, verbessert hat, stellten die Labormitarbeiter fest, dass neuere „Deep“-Learning-Techniken erforderlich sind, die die Atmosphäre über einem interessierenden Bereich als dreidimensionales Bild behandeln, um die PBL-Details zu verbessern weiter.

„Wir stellten die Hypothese auf, dass Techniken des Deep Learning und der künstlichen Intelligenz (KI) aktuelle Ansätze verbessern könnten, indem sie eine bessere statistische Darstellung von 3D-Temperatur- und Feuchtigkeitsbildern der Atmosphäre in die Lösungen integrieren“, sagt Milstein. „Aber es hat eine Weile gedauert, bis wir herausgefunden haben, wie wir den besten Datensatz erstellen können – eine Mischung aus realen und simulierten Daten; wir mussten uns darauf vorbereiten, diese Techniken zu trainieren.“

Das Team arbeitete mit Joseph Santanello vom Goddard Space Flight Center der NASA und William Blackwell, ebenfalls von der Applied Space Systems Group, zusammen jüngste Anstrengung Dies zeigt, dass diese Abrufalgorithmen die PBL-Details verbessern können, einschließlich einer genaueren Bestimmung der PBL-Höhe als der bisherige Stand der Technik.

Während verbesserte Kenntnisse des PBL im Großen und Ganzen nützlich sind, um das Verständnis von Klima und Wetter zu verbessern, ist eine wichtige Anwendung die Vorhersage von Dürren. Laut einem im letzten Jahr veröffentlichten Global Drought Snapshot-Bericht sind Dürren ein dringendes Problem für den Planeten, mit dem sich die Weltgemeinschaft befassen muss. Mangelnde Luftfeuchtigkeit in der Nähe der Oberfläche, insbesondere auf der Ebene des PBL, ist der Hauptindikator für Dürre. Während frühere Studien mit Fernerkundungstechniken durchgeführt wurden untersuchte die Feuchtigkeit des Bodens Um das Dürrerisiko zu bestimmen, kann die Untersuchung der Atmosphäre dabei helfen, vorherzusagen, wann Dürren auftreten werden.

Milstein und Labormitarbeiter Michael Pieper arbeiten mit Wissenschaftlern am Jet Propulsion Laboratory (JPL) der NASA zusammen, um mithilfe neuronaler Netzwerktechniken die Dürrevorhersage über dem amerikanischen Festland zu verbessern. Während die Arbeit auf der bestehenden operativen Arbeit von JPL aufbaut und (teilweise) den operativen „flachen“ neuronalen Netzwerkansatz des Labors für Aqua einbezieht, ist das Team davon überzeugt, dass diese Arbeit und die PBL-fokussierte Deep-Learning-Forschungsarbeit kombiniert werden können, um weitere Verbesserungen zu erzielen die Genauigkeit der Dürrevorhersage.

„Das Lincoln Laboratory arbeitet seit mehr als einem Jahrzehnt mit der NASA an neuronalen Netzwerkalgorithmen zur Schätzung von Temperatur und Luftfeuchtigkeit in der Atmosphäre anhand weltraumgestützter Infrarot- und Mikrowelleninstrumente, einschließlich derer auf der Raumsonde Aqua“, sagt Milstein. „In dieser Zeit haben wir durch die Zusammenarbeit mit der Wissenschaft viel über dieses Problem gelernt, unter anderem auch darüber, welche wissenschaftlichen Herausforderungen noch bestehen. Unsere langjährige Erfahrung in der Arbeit an dieser Art der Fernerkundung mit NASA-Wissenschaftlern sowie unsere Erfahrung mit der Verwendung neuronaler Systeme.“ Netzwerktechniken gaben uns eine einzigartige Perspektive.

Laut Milstein besteht der nächste Schritt für dieses Projekt darin, die Deep-Learning-Ergebnisse mit Datensätzen der National Oceanic and Atmospheric Administration, der NASA und des Energieministeriums zu vergleichen, die direkt im PBL mithilfe von Radiosonden, einer Art Instrument, das auf einem Wettergerät geflogen wird, erfasst wurden Ballon.

„Diese direkten Messungen können als eine Art ‚Grundwahrheit‘ betrachtet werden, um die Genauigkeit der von uns entwickelten Techniken zu quantifizieren“, sagt Milstein.

Dieser verbesserte neuronale Netzwerkansatz verspricht, Dürrevorhersagen zu demonstrieren, die die Fähigkeiten bestehender Indikatoren übertreffen können, sagt Milstein, und ein Werkzeug zu sein, auf das sich Wissenschaftler in den kommenden Jahrzehnten verlassen können.

Bereitgestellt vom Massachusetts Institute of Technology

Diese Geschichte wurde mit freundlicher Genehmigung von MIT News erneut veröffentlicht (web.mit.edu/newsoffice/), eine beliebte Website mit Neuigkeiten über MIT-Forschung, Innovation und Lehre.

ph-tech