Un chercheur développe un programme de tomographie en nuage 3D

L’intérêt du chercheur David Stanley pour le changement climatique l’a amené à développer un programme visant à améliorer la manière dont nous collectons des données pour étudier l’intérieur d’un nuage. Le programme a simulé plusieurs satellites, collectant des images d’un nuage sous plusieurs angles en même temps, ce qui pourrait nous aider à mieux comprendre ce qui se passe à l’intérieur du nuage.

« Normalement, nous ne pouvons voir que les caractéristiques extérieures d’un nuage », a déclaré Stanley. « La tomodensitométrie des nuages ​​tire son nom de la tomodensitométrie, qui s’apparente à un scanner. Au lieu des rayons X, les satellites prennent des images du nuage sous autant d’angles et dans le laps de temps le plus court possible. »

Le travail apparaît dans le Journal des vaisseaux spatiaux et des fusées.

Stanley a déclaré que l’une des inconnues de la modélisation climatique est la mesure dans laquelle le transport convectif affecte la repousse de nouveaux nuages. La convection concerne le mouvement de la chaleur et de l’humidité dans l’atmosphère, en particulier les courants d’air ascendants et descendants dans des conditions instables.

« En générant plusieurs passages temporels au centre du même nuage, vous pouvez voir comment la convection change au fil du temps, comment cela affecte la croissance d’autres nuages ​​à l’avenir. Et la croissance des nuages ​​peut augmenter l’effet de serre. »

Stanley a déclaré qu’après avoir terminé sa maîtrise en génie aérospatial à l’Université de l’Illinois à Urbana-Champaign, il avait présenté une nouvelle demande pour poursuivre un doctorat. à l’Illinois.

« J’ai parlé de mon intérêt général pour l’ingénierie et l’ingénierie spatiale, mais aussi de l’importance pour nous de mieux comprendre le changement climatique et de travailler à la recherche de solutions », a-t-il déclaré.

« Robyn Woollands a vu cet intérêt pour moi et m’a demandé de rejoindre son groupe de recherche. Elle m’a mis en contact avec Federico Rossi et Amir Rahmani du groupe d’autonomie multi-agents du Jet Propulsion Laboratory de la NASA et ils m’ont présenté aux scientifiques du JPL Changrak Choi et Anthony Davis. qui connaissent la tomographie des nuages, les nuages ​​atmosphériques et les aérosols. Cela correspondait à certains de mes intérêts, et c’était quelque chose que Robyn considérait comme une proposition de mission intéressante : utiliser des systèmes multi-agents pour soutenir les missions scientifiques de la Terre.

Pour la simulation, Stanley a utilisé un solveur de programme linéaire à nombres entiers mixtes utilisé pour de nombreux types d’applications différents. Il a écrit le code pour développer un planificateur qui optimiserait le timing et les angles de pointage des caméras pour l’essaim de satellites afin d’obtenir autant d’images du nuage que possible.

« Ce qui était intéressant, c’est la manière dont nous avons utilisé le programmeur linéaire à nombres entiers mixtes pour déterminer automatiquement le modèle de pointage le plus efficace pour la formation des satellites », a-t-il expliqué. « Tous les satellites devaient pointer vers la même cible en même temps. Mais il pourrait y avoir des dizaines de cibles différentes sous chaque satellite, et certaines cibles pourraient être manquées si elles ne sont pas pointées au bon moment. »

L’objectif était de maximiser le nombre de fois où les satellites voyaient différentes cibles tout au long de l’orbite.

« Nous avons effectué deux simulations différentes. Nous avons une simulation de nuages ​​​​générés à la surface de la Terre avec une durée de vie spécifique. Dans l’ordinateur, ils ne sont que des coordonnées sur une sphère. La deuxième simulation propage l’essaim de satellites. Cela peut être simplement ou en utilisant des modèles plus complexes et plus précis », a-t-il poursuivi.

« Lorsque nous combinons les données de ces deux simulations, le programme calcule des informations sur l’endroit où se trouvent les satellites à différents points de l’orbite et où se trouvent les nuages ​​​​au point de l’orbite, puis décide quelle est la configuration optimale entre ces satellites. , et les nuages ​​au sol. »

Il a déclaré qu’à plusieurs reprises au cours de l’étude, il avait eu des idées différentes sur la meilleure façon de simuler les données et de les transmettre au solveur.

« Peut-être avez-vous besoin d’un simple tableau pour chaque pas de temps et chaque satellite, ou vous pourriez avoir un tableau pour différentes sections de la Terre. Au début, j’ai essayé d’utiliser différentes sections de la Terre comme coordonnées de pointage en subdivisant le tout par la force brute. Mais il y a beaucoup de superficie sur Terre. Et vous vous retrouvez avec des millions et des millions et des millions d’index qui ne peuvent pas être résolus sur un ordinateur de bureau.

En fin de compte, Stanley a déclaré s’être inspiré des travaux précédents de Woollands. Elle avait développé une méthode permettant à une constellation de satellites en orbite autour de Mars de collecter autant d’observations de tourbillons de poussière sur Mars que possible. Au lieu de subdiviser la Terre entière, ils subdivisaient des sections sous les satellites, ce qui leur permettait de n’avoir besoin que de quelques indices à chaque fois. un temps.

« En plus de cela, j’ai pu réaliser que je pouvais utiliser uniquement les nuages ​​eux-mêmes comme index », a ajouté Stanley. « Cela a bien fonctionné et est passé de millions d’index à quelques centaines à la fois, ce qui est beaucoup plus facile à résoudre. »

Stanley a souligné qu’il s’agit de données simulées.

« Nous avons fait certaines hypothèses sur l’endroit où les nuages ​​​​sont créés et où ils vont, il y a donc beaucoup de place pour que cette étude soit améliorée et examine davantage de données du monde réel au lieu de générer les nôtres. est que nous avons développé une nouvelle méthode qui a le potentiel d’améliorer considérablement la façon dont les données 3D sur les nuages ​​sont collectées, ce qui pourrait conduire à une amélioration de notre compréhension de la dynamique à l’intérieur d’un nuage et donc des effets climatiques à long terme.