Maschinelles Lernen und besseres Radar lösen das Problem der „Wolkenbedeckung“

Wolken sind seit Jahrzehnten ein Schreckgespenst für die Fernerkundung der Oberflächentemperatur von Landflächen – eine der wichtigsten Messgrößen des Erdsystems, die für alles verwendet wird, von der Verfolgung des Klimawandels bis zur Vorhersage von Waldbränden. Ein neuer Ansatz, der maschinelles Lernen einbezieht, scheint diese Herausforderung gelöst zu haben

Die Verfolgung der Landoberflächentemperatur durch Fernerkundung wird oft durch die Wolkendecke erschwert. Traditionelle Techniken, die fundierte Schätzungen der Temperaturen unter den Wolken vornehmen, sind zwar hilfreich, weisen jedoch erhebliche Fehler auf. Ein neuer Ansatz, der eine neuartige Radartechnik, bessere Höhenmodelle und maschinelles Lernen einbezieht, könnte jedoch die Spielregeln ändern.

Ein Papier, das den neuen Ansatz beschreibt, wurde veröffentlicht im Zeitschrift für Fernerkundung am 26. Juni.

Die Messung der Oberflächentemperatur der Erde durch Satelliten oder Luftsensoren („Fernerkundung“) ist für die Überwachung einer Vielzahl von Umweltbedingungen von entscheidender Bedeutung, von der Kartierung des Gesundheitszustands der Vegetation bis zur Beurteilung des Wasserstresses, der Überwachung des Klimawandels und der Vorhersage von Waldbränden. Sie ist in der Landwirtschaft von entscheidender Bedeutung, wo sie Informationen zu Bewässerungspraktiken liefert, und wird von politischen Entscheidungsträgern und Planern verwendet, um Wettermuster zu beobachten, den städtischen Wärmeinseleffekt zu untersuchen und Naturkatastrophen vorherzusagen.

Die Temperatur der Landoberfläche ist schlicht einer der wichtigsten Werte, den die Gesellschaft verfolgen muss.

Leider stellt die Wolkendecke eine große Herausforderung für die Fernerkundung dar, da sie die Sicht auf die Erdoberfläche behindert und so zu erheblichen Lücken bei der Datenerfassung führt. Diese Störungen können zu ungenauen oder unvollständigen Messungen der Landoberflächentemperatur führen. Insbesondere in Regionen mit anhaltender Bewölkung haben Forscher oft Schwierigkeiten, zuverlässige Daten zu erhalten.

Um das Problem der Wolkenbedeckung zu lösen, haben Forscher und andere, die die Temperatur an Landoberflächen überwachen, bisher Interpolationsmethoden verwendet. Wo immer es aufgrund der Wolkenbedeckung eine Lücke in den erfassten Daten gibt, werden die Beobachtungen auf beiden Seiten der Wolken verwendet, um vorherzusagen, wie hoch die Temperatur unter den Wolken sein muss. Dies kann sowohl zeitlich als auch räumlich erfolgen, indem Messungen der Temperatur an der Landoberfläche aus benachbarten Zeiträumen verwendet werden, um Lücken bei Bewölkung zu füllen.

„Solange die räumliche oder zeitliche Lücke klein ist, sind alle Fehler ziemlich klein“, sagte Jingbo Li, Hauptautor der Studie und Doktorand am Key Laboratory of Quantitative Remote Sensing der Beijing Academy of Agriculture and Forestry Sciences. „Aber wenn die Lücke groß ist, beginnen wir, erhebliche Fehler zu sehen.“

Dies ist insbesondere in Regionen mit stark variierender Topografie ein Problem, da die Temperatur der Landoberfläche stark von der Höhe beeinflusst wird, und überall dort, wo komplexere Wolkenformationen auftreten.

Infolgedessen sind bis zu die Hälfte aller Temperaturmessungen an Landoberflächen durch Probleme mit der Wolkendecke verfälscht. In mittleren und niedrigen Breiten ist die Situation sogar noch schlimmer.

„Dies ist kein nebensächliches Problem, das nur Wissenschaftler interessiert. Eine mangelhafte Fernerkundung der Oberflächentemperaturen von Land untergräbt die Entscheidungsfindung von Politikern, Beamten des öffentlichen Gesundheitswesens und Sicherheitsbehörden“, fügte Yang Guijun hinzu, ein Co-Autor der Studie und Professor im selben Labor.

In den letzten Jahren wurden jedoch fortschrittliche Algorithmen und Modelle zur Rekonstruktion der Landoberflächentemperatur entwickelt, die maschinelles Lernen und Deep-Learning-Techniken integrieren, um die Vorhersagegenauigkeit zu verbessern. Darüber hinaus hat das Synthetic Aperture Radar (SAR) als ergänzendes Instrument an Aufmerksamkeit gewonnen, da es die Wolkendecke durchdringen und wertvolle Informationen zur Rekonstruktion optischer Daten liefern kann.

SAR funktioniert, indem es Mikrowellensignale in Richtung Boden aussendet und die von der Oberfläche zurückgeworfenen Rückstreusignale misst. Doch im Gegensatz zu herkömmlichen Radarsystemen, die sich zur Bestimmung der Auflösung auf die physikalische Antennengröße verlassen, simuliert SAR eine größere Antenne, indem die Radarplattform (z. B. ein Flugzeug oder ein Satellit) entlang einer Flugroute bewegt wird. Durch diese Bewegung kann das System mehrere Radarechos aus demselben Zielgebiet erfassen und so effektiv eine „synthetische“ Blende erzeugen, die die Bildauflösung verbessert.

Die Fähigkeit, mehrere Radarechos aus demselben Zielgebiet zu erfassen, bedeutet, dass das Radar Wolken und Nebel, aber auch Regen besser durchdringen kann. Darüber hinaus können zwei oder mehr SAR-Bilder verglichen werden, um Veränderungen der Erdoberfläche zu erkennen, wie z. B. Bodenabsenkungen, Deformationen oder Veränderungen der Vegetation.

Darüber hinaus können auch sogenannte digitale Geländemodelle (DEMs) hilfreich sein – digitale Darstellungen der Oberflächentopografie oder des Geländes der Erde. Diese bestehen aus einem Raster von Höhenwerten, wobei jede Zelle im Raster einem bestimmten geografischen Standort entspricht und Informationen über die Höhe und Neigung des Geländes über einem Referenzniveau, normalerweise dem Meeresspiegel, enthält. Und Höhe und Neigung sowie wo und wann ein bestimmter Hang der Sonne zugewandt ist, beeinflussen die lokalen Temperaturen erheblich.

So herrschen in höheren Lagen im Allgemeinen niedrigere Temperaturen, während sonnenzugewandte Hänge (auf der Nordhalbkugel nach Süden ausgerichtet) mehr Sonneneinstrahlung erhalten, was zu höheren Temperaturen führt. Die in DEMs erfassten topografischen Merkmale ermöglichen ein differenzierteres Verständnis der Auswirkungen des Geländes auf die Temperatur, eine verbesserte Interpolation und führen zu besseren Vorhersagen der Landoberflächentemperatur in den sehr komplexen Landschaften, die die größten Probleme verursacht haben.

Deshalb integrierte das Forschungsteam DEMs mit SAR, um die Genauigkeit seiner Landoberflächentemperaturmodelle zu verbessern, und integrierte auch maschinelles Lernen, um die Erkennung komplexer Zusammenhänge und Muster zu erleichtern, die von Menschen allein möglicherweise nicht erkennbar sind. Darüber hinaus sind Modelle des maschinellen Lernens tendenziell widerstandsfähiger gegenüber Rauschen und Ausreißern in den Daten als herkömmliche Methoden.

Sie nennen ihr neues Modell das Synthetic Aperture Radar and Digital Elevation Model-integrated Land Surface Temperature (SDX-LST)-Rekonstruktionsmodell.

Die Autoren des Artikels entwickelten ein neuartiges Modell namens Synthetic Aperture Radar and Digital Elevation Model-integrated Land Surface Temperature (SDX-LST) Rekonstruktionsmodell. Es generiert hochauflösende (bis zu 30 Meter) Daten zur Landoberflächentemperatur (LST) bei klarem Himmel, sogar in Regionen mit starker Wolkendecke. Anschließend überprüften sie die Wirksamkeit anhand hochwertiger Oberflächentemperaturdaten, die nicht aus der Ferne von Satelliten oder Flugzeugen, sondern von bodengestützten Stationen erfasst wurden, und stellten fest, dass die Daten konsistent waren.

Schließlich testeten sie ihr Modell auf dem Lössplateau südöstlich der Wüste Gobi, dem Qinghai-Tibet-Plateau, Chinas nordöstlichen und nördlichen Ebenen, den Nanling-Bergen und schließlich Desert Rock in Nevada. Ziel war es, es an einem möglichst breiten Spektrum von Längen- und Breitengraden, Topografien, Landschaftsformen und Vegetationsbedeckungsarten und zu verschiedenen Terminen und Zeiten im Laufe des Jahres zu testen.

Ihr SDX-LST-Modell ermöglichte flächenübergreifende, präzise Vorhersagen der Landoberflächentemperatur, unabhängig von der Bewölkung, der Vegetationsart und der Komplexität des Geländes.

Die Forscher haben ihr Modell auf die nächste Ebene gebracht und zielen nun darauf ab, seine Reaktionsfähigkeit auf zeitliche Faktoren zu verbessern.