"Het PBL is waar het oppervlak in wisselwerking staat met de atmosfeer, inclusief de uitwisseling van vocht en warmte die helpen leiden tot zwaar weer en een veranderend klimaat", zegt Adam Milstein, technisch staflid bij de Applied Space Systems Group van Lincoln Laboratory aan het Massachusetts Institute of Technology. Technologie. "Het PBL is ook de plek waar mensen leven, en de turbulente beweging van aërosolen door het PBL is belangrijk voor de luchtkwaliteit die de menselijke gezondheid beïnvloedt."

Hoewel essentieel voor het bestuderen van weer en klimaat, zijn belangrijke kenmerken van het PBL, zoals de hoogte, moeilijk op te lossen met de huidige technologie. De afgelopen vier jaar heeft het personeel van het Lincoln Laboratory het PBL bestudeerd, met de nadruk op twee verschillende taken:het gebruik van machine learning om 3D-gescande profielen van de atmosfeer te maken, en het duidelijker oplossen van de verticale structuur van de atmosfeer om droogtes beter te kunnen voorspellen. .

Deze op het PBL gerichte onderzoeksinspanning bouwt voort op meer dan tien jaar gerelateerd werk aan snelle, operationele neurale netwerkalgoritmen, ontwikkeld door Lincoln Laboratory voor NASA-missies. Deze missies omvatten de Time-Resolved Observations of Precipitation-structuur en stormintensiteit met een Constellation of Smallsats (TROPICS) -missie, evenals Aqua, een satelliet die gegevens verzamelt over de watercyclus van de aarde en variabelen observeert zoals oceaantemperatuur, neerslag en waterdamp. in de atmosfeer.

Deze algoritmen halen temperatuur en vochtigheid uit de gegevens van satellietinstrumenten en er is aangetoond dat ze de nauwkeurigheid en bruikbare wereldwijde dekking van de waarnemingen aanzienlijk verbeteren ten opzichte van eerdere benaderingen. Voor TROPICS helpen de algoritmen bij het ophalen van gegevens die worden gebruikt om de snel evoluerende structuren van een storm in bijna realtime te karakteriseren, en de algoritmen van Aqua hebben geholpen bij het vergroten van voorspellingsmodellen, het monitoren van droogte en het voorspellen van branden.

Deze operationele algoritmen voor TROPICS en Aqua zijn gebaseerd op klassieke ‘ondiepe’ neurale netwerken om de snelheid en eenvoud te maximaliseren, waardoor een eendimensionaal verticaal profiel ontstaat voor elke spectrale meting die door het instrument over elke locatie wordt verzameld. Hoewel deze aanpak de observaties van de atmosfeer tot aan de oppervlakte in het algemeen heeft verbeterd, inclusief het PBL, heeft laboratoriumpersoneel vastgesteld dat nieuwere 'diepe' leertechnieken die de atmosfeer boven een interessegebied behandelen als een driedimensionaal beeld nodig zijn om PBL-details te verbeteren. verder.

"We veronderstelden dat deep learning en kunstmatige intelligentie (AI) -technieken de huidige benaderingen zouden kunnen verbeteren door een betere statistische weergave van 3D-temperatuur- en vochtigheidsbeelden van de atmosfeer in de oplossingen op te nemen", zegt Milstein. "Maar het duurde een tijdje voordat we erachter kwamen hoe we de beste dataset konden creëren:een mix van echte en gesimuleerde data; we moesten ons voorbereiden om deze technieken te trainen."

Het team werkte samen met Joseph Santanello van het NASA Goddard Space Flight Center en William Blackwell, ook van de Applied Space Systems Group, in een recente poging die aantoonde dat deze ophaalalgoritmen de PBL-details kunnen verbeteren, inclusief een nauwkeurigere bepaling van de PBL-hoogte dan de vorige. state-of-the-art.

Hoewel verbeterde kennis van het PBL in grote lijnen nuttig is voor het vergroten van het begrip van klimaat en weer, is een belangrijke toepassing het voorspellen van droogtes. Volgens een vorig jaar gepubliceerd Global Drought Snapshot-rapport zijn droogtes een urgent planetair probleem dat de wereldgemeenschap moet aanpakken. Gebrek aan vocht aan het oppervlak, met name op het niveau van het PBL, is de belangrijkste indicator van droogte. Terwijl eerdere studies met behulp van teledetectietechnieken de vochtigheid van de bodem hebben onderzocht om het droogterisico te bepalen, kan het bestuderen van de atmosfeer helpen voorspellen wanneer droogtes zich zullen voordoen.

Milstein en laboratoriummedewerker Michael Pieper werken samen met wetenschappers van het Jet Propulsion Laboratory (JPL) van NASA om neurale netwerktechnieken te gebruiken om de droogtevoorspelling boven de continentale Verenigde Staten te verbeteren. Hoewel het werk voortbouwt op bestaand operationeel werk dat JPL heeft gedaan door (gedeeltelijk) de operationele ‘oppervlakkige’ neurale netwerkbenadering van het laboratorium voor Aqua te integreren, is het team van mening dat dit werk en het PBL-gerichte diepgaande leeronderzoek kunnen worden gecombineerd om de resultaten verder te verbeteren. de nauwkeurigheid van droogtevoorspellingen.

"Lincoln Laboratory werkt al meer dan tien jaar samen met NASA aan neurale netwerkalgoritmen voor het schatten van de temperatuur en vochtigheid in de atmosfeer met behulp van infrarood- en microgolfinstrumenten uit de ruimte, waaronder die van het Aqua-ruimtevaartuig", zegt Milstein. "In die tijd hebben we veel over dit probleem geleerd door samen te werken met de wetenschappelijke gemeenschap, inclusief door te leren welke wetenschappelijke uitdagingen er nog steeds zijn. Onze lange ervaring met het werken aan dit soort teledetectie met NASA-wetenschappers, evenals onze ervaring met het gebruik van neurale netwerktechnieken, gaven ons een uniek perspectief."

Volgens Milstein is de volgende stap voor dit project het vergelijken van de deep learning-resultaten met datasets van de National Oceanic and Atmospheric Administration, NASA en het Department of Energy, rechtstreeks verzameld in het PBL met behulp van radiosondes, een soort instrument dat op een weerstation wordt gevlogen. ballon.

"Deze directe metingen kunnen worden beschouwd als een soort 'grondwaarheid' om de nauwkeurigheid van de technieken die we hebben ontwikkeld te kwantificeren", zegt Milstein.

Deze verbeterde neurale netwerkbenadering is veelbelovend om droogtevoorspellingen aan te tonen die de mogelijkheden van bestaande indicatoren kunnen overstijgen, zegt Milstein, en om een ​​instrument te zijn waarop wetenschappers de komende decennia kunnen vertrouwen.

Aangeboden door Massachusetts Institute of Technology

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.