Brug af dyb læring til at afbilde Jordens planetariske grænselag

Selvom troposfæren ofte opfattes som det tætteste lag af atmosfæren til Jordens overflade, er det planetariske grænselag (PBL) - det laveste lag af troposfæren - faktisk den del, der har størst indflydelse på vejret nær overfladen. I 2018 planetarisk videnskabs tiårsundersøgelse blev PBL rejst som et vigtigt videnskabeligt spørgsmål, der har potentiale til at forbedre stormprognoser og forbedre klimafremskrivninger.

"PBL er, hvor overfladen interagerer med atmosfæren, herunder udvekslinger af fugt og varme, der hjælper med at føre til hårdt vejr og et skiftende klima," siger Adam Milstein, en teknisk medarbejder i Lincoln Laboratory's Applied Space Systems Group ved Massachusetts Institute of Teknologi. "PBL er også der, hvor mennesker bor, og den turbulente bevægelse af aerosoler i hele PBL er vigtig for luftkvaliteten, der påvirker menneskers sundhed."

Selvom det er afgørende for at studere vejr og klima, er vigtige træk ved PBL, såsom dens højde, vanskelige at løse med den nuværende teknologi. I de sidste fire år har Lincoln Laboratory-medarbejdere studeret PBL med fokus på to forskellige opgaver:Brug af maskinlæring til at lave 3D-scannede profiler af atmosfæren og løse den vertikale struktur af atmosfæren mere klart for bedre at forudsige tørker .

Denne PBL-fokuserede forskningsindsats bygger på mere end ti års relateret arbejde med hurtige, operationelle neurale netværksalgoritmer udviklet af Lincoln Laboratory til NASA-missioner. Disse missioner omfatter Time-Resolved Observations of Precipitation-strukturen og stormens intensitet med en Constellation of Smallsats (TROPICS) mission samt Aqua, en satellit, der indsamler data om Jordens vandcyklus og observerer variabler som havtemperatur, nedbør og vanddamp i atmosfæren.

Disse algoritmer henter temperatur og fugtighed fra satellitinstrumentets data og har vist sig at forbedre nøjagtigheden og den anvendelige globale dækning af observationerne væsentligt i forhold til tidligere tilgange. For TROPICS hjælper algoritmerne med at hente data, der bruges til at karakterisere en storms hurtigt udviklende strukturer i næsten realtid, og Aquas algoritmer har hjulpet med at øge prognosemodeller, tørkeovervågning og brandforudsigelse.

Disse operationelle algoritmer for TROPICS og Aqua er baseret på klassiske "overfladiske" neurale netværk for at maksimere hastighed og enkelhed, hvilket skaber en endimensionel vertikal profil for hver spektral måling indsamlet af instrumentet over hver lokation. Mens denne tilgang har forbedret observationer af atmosfæren ned til overfladen generelt, inklusive PBL, fastslog laboratoriepersonalet, at nyere "dybe" læringsteknikker, der behandler atmosfæren over et område af interesse som et tredimensionelt billede, er nødvendige for at forbedre PBL-detaljerne videre.

"Vi antog, at deep learning og kunstig intelligens (AI)-teknikker kunne forbedres i forhold til nuværende tilgange ved at inkorporere en bedre statistisk repræsentation af 3D-temperatur- og fugtighedsbilleder af atmosfæren i løsningerne," siger Milstein. "Men det tog et stykke tid at finde ud af, hvordan man skaber det bedste datasæt – en blanding af ægte og simulerede data; vi var nødt til at forberede os på at træne disse teknikker."

Holdet samarbejdede med Joseph Santanello fra NASA Goddard Space Flight Center og William Blackwell, også fra Applied Space Systems Group, i et nyligt forsøg, der viser, at disse genfindingsalgoritmer kan forbedre PBL-detaljerne, herunder mere nøjagtig bestemmelse af PBL-højden end den tidligere state of the art.

Mens forbedret viden om PBL er bredt nyttigt til at øge forståelsen af ​​klima og vejr, er en nøgleapplikation forudsigelse af tørke. Ifølge en Global Drought Snapshot-rapport udgivet sidste år, er tørke et presserende planetarisk problem, som det globale samfund skal tage fat på. Mangel på fugtighed nær overfladen, specifikt på niveau med PBL, er den førende indikator for tørke. Mens tidligere undersøgelser, der anvender fjernmålingsteknikker, har undersøgt jordens fugtighed for at bestemme tørkerisikoen, kan undersøgelse af atmosfæren hjælpe med at forudsige, hvornår tørke vil ske.

Milstein og laboratoriemedarbejder Michael Pieper arbejder sammen med forskere ved NASAs Jet Propulsion Laboratory (JPL) for at bruge neurale netværksteknikker til at forbedre forudsigelse af tørke over det kontinentale USA. Mens arbejdet bygger på det eksisterende operationelle arbejde, som JPL har udført ved at inkorporere (delvis) laboratoriets operationelle "overflade" neurale netværkstilgang til Aqua, mener teamet, at dette arbejde og det PBL-fokuserede deep learning forskningsarbejde kan kombineres for yderligere at forbedre nøjagtigheden af ​​tørkeforudsigelser.

"Lincoln Laboratory har arbejdet med NASA i mere end et årti på neurale netværksalgoritmer til at estimere temperatur og fugtighed i atmosfæren fra rumbårne infrarøde og mikrobølgeinstrumenter, inklusive dem på Aqua-rumfartøjet," siger Milstein. "I løbet af den tid har vi lært meget om dette problem ved at arbejde med videnskabssamfundet, herunder at lære om, hvilke videnskabelige udfordringer der er tilbage. Vores lange erfaring med at arbejde med denne type fjernmåling med NASA-forskere, såvel som vores erfaring med at bruge neurale netværksteknikker, gav os et unikt perspektiv."

Ifølge Milstein er det næste trin for dette projekt at sammenligne de dybe læringsresultater med datasæt fra National Oceanic and Atmospheric Administration, NASA og Department of Energy indsamlet direkte i PBL ved hjælp af radiosonder, en type instrument fløjet på et vejr. ballon.

"Disse direkte målinger kan betragtes som en slags 'grundsandhed' for at kvantificere nøjagtigheden af ​​de teknikker, vi har udviklet," siger Milstein.

Denne forbedrede neurale netværkstilgang lover at demonstrere tørkeforudsigelser, der kan overstige de eksisterende indikatorers muligheder, siger Milstein, og at være et værktøj, som videnskabsmænd kan stole på i årtier fremover.

Leveret af Massachusetts Institute of Technology

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.