• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  •  Science >> Scienza >  >> Natura
    Utilizzando il deep learning per immaginare lo strato limite planetario della Terra
    Questo schema dello strato limite planetario (linea rossa) mostra gli scambi di umidità e il movimento di aerosol che si verificano tra la superficie terrestre e questo livello più basso dell'atmosfera. I ricercatori del Lincoln Laboratory stanno utilizzando tecniche di deep learning per saperne di più sulle caratteristiche PBL, importanti per gli studi meteorologici e climatici. Crediti:Joseph Santanello/Team di studio PBL della NASA

    Sebbene la troposfera sia spesso considerata lo strato dell’atmosfera più vicino alla superficie terrestre, lo strato limite planetario (PBL), lo strato più basso della troposfera, è in realtà la parte che influenza in modo più significativo il tempo vicino alla superficie. Nell'indagine decennale sulle scienze planetarie del 2018, il PBL è stato sollevato come un'importante questione scientifica che ha il potenziale per migliorare la previsione delle tempeste e le proiezioni climatiche.



    "Il PBL è il punto in cui la superficie interagisce con l'atmosfera, compresi gli scambi di umidità e calore che contribuiscono a provocare condizioni meteorologiche avverse e cambiamenti climatici", afferma Adam Milstein, membro dello staff tecnico dell'Applied Space Systems Group del Lincoln Laboratory presso il Massachusetts Institute of Technology. Tecnologia. "Il PBL è anche il luogo in cui vivono gli esseri umani e il movimento turbolento degli aerosol all'interno del PBL è importante per la qualità dell'aria che influenza la salute umana."

    Sebbene siano vitali per lo studio del tempo e del clima, caratteristiche importanti del PBL, come la sua altezza, sono difficili da risolvere con la tecnologia attuale. Negli ultimi quattro anni, lo staff del Lincoln Laboratory ha studiato il PBL, concentrandosi su due compiti diversi:utilizzare l’apprendimento automatico per creare profili dell’atmosfera scansionati in 3D e risolvere più chiaramente la struttura verticale dell’atmosfera per prevedere meglio i periodi di siccità. .

    Questo sforzo di ricerca incentrato sul PBL si basa su oltre un decennio di lavoro correlato su algoritmi di rete neurale veloci e operativi sviluppati dal Lincoln Laboratory per le missioni della NASA. Queste missioni includono la missione Time-Resolved Observations of Precipitation e Storm Intensity with a Constellation of Smallsats (TROPICS), nonché Aqua, un satellite che raccoglie dati sul ciclo dell'acqua terrestre e osserva variabili come la temperatura dell'oceano, le precipitazioni e il vapore acqueo. nell'atmosfera.

    Questi algoritmi recuperano la temperatura e l'umidità dai dati dello strumento satellitare e hanno dimostrato di migliorare significativamente la precisione e la copertura globale utilizzabile delle osservazioni rispetto agli approcci precedenti. Per TROPICS, gli algoritmi aiutano a recuperare i dati utilizzati per caratterizzare le strutture in rapida evoluzione di una tempesta in tempo quasi reale, mentre gli algoritmi di Aqua hanno contribuito a migliorare i modelli di previsione, il monitoraggio della siccità e la previsione degli incendi.

    Questi algoritmi operativi per TROPICS e Aqua si basano sulle classiche reti neurali "superficiali" per massimizzare la velocità e la semplicità, creando un profilo verticale unidimensionale per ogni misurazione spettrale raccolta dallo strumento su ciascuna posizione. Sebbene questo approccio abbia migliorato le osservazioni dell'atmosfera fino alla superficie complessiva, compreso il PBL, il personale di laboratorio ha stabilito che sono necessarie nuove tecniche di apprendimento "profondo" che trattano l'atmosfera su una regione di interesse come un'immagine tridimensionale per migliorare i dettagli del PBL. ulteriormente.

    “Abbiamo ipotizzato che le tecniche di deep learning e intelligenza artificiale (AI) potrebbero migliorare gli approcci attuali incorporando nelle soluzioni una migliore rappresentazione statistica delle immagini 3D di temperatura e umidità dell’atmosfera”, afferma Milstein. "Ma ci è voluto un po' di tempo per capire come creare il miglior set di dati, un mix di dati reali e simulati; dovevamo prepararci per addestrare queste tecniche."

    Il team ha collaborato con Joseph Santanello del Goddard Space Flight Center della NASA e William Blackwell, anch'egli dell'Applied Space Systems Group, in un recente sforzo che dimostra che questi algoritmi di recupero possono migliorare i dettagli del PBL, inclusa una determinazione più accurata dell'altezza del PBL rispetto al precedente. stato dell'arte.

    Sebbene una migliore conoscenza del PBL sia ampiamente utile per aumentare la comprensione del clima e delle condizioni meteorologiche, un’applicazione chiave è la previsione della siccità. Secondo il rapporto Global Drought Snapshot pubblicato lo scorso anno, la siccità è un problema planetario urgente che la comunità globale deve affrontare. La mancanza di umidità vicino alla superficie, in particolare a livello del PBL, è l'indicatore principale della siccità. Mentre studi precedenti che utilizzavano tecniche di telerilevamento avevano esaminato l'umidità del suolo per determinare il rischio di siccità, lo studio dell'atmosfera può aiutare a prevedere quando si verificherà la siccità.

    Milstein e il membro dello staff del laboratorio Michael Pieper stanno lavorando con gli scienziati del Jet Propulsion Laboratory (JPL) della NASA per utilizzare tecniche di rete neurale per migliorare la previsione della siccità negli Stati Uniti continentali. Sebbene il lavoro si basi sul lavoro operativo esistente che JPL ha svolto incorporando (in parte) l'approccio operativo della rete neurale "superficiale" del laboratorio per Aqua, il team ritiene che questo lavoro e il lavoro di ricerca sull'apprendimento profondo incentrato su PBL possano essere combinati per migliorare ulteriormente l'accuratezza della previsione della siccità.

    "Il Lincoln Laboratory ha lavorato con la NASA per più di un decennio su algoritmi di rete neurale per stimare la temperatura e l'umidità nell'atmosfera da strumenti spaziali a infrarossi e a microonde, compresi quelli sulla navicella spaziale Aqua", afferma Milstein. "In tutto questo tempo, abbiamo imparato molto su questo problema lavorando con la comunità scientifica, compreso ciò che resta delle sfide scientifiche. La nostra lunga esperienza di lavoro su questo tipo di telerilevamento con gli scienziati della NASA, così come la nostra esperienza con l'uso dei neuroni tecniche di rete, ci hanno fornito una prospettiva unica."

    Secondo Milstein, il prossimo passo di questo progetto sarà confrontare i risultati del deep learning con i set di dati della National Oceanic and Atmospheric Administration, della NASA e del Dipartimento dell’Energia raccolti direttamente nel PBL utilizzando radiosonde, un tipo di strumento volato su un pianeta meteorologico. palloncino.

    "Queste misurazioni dirette possono essere considerate una sorta di 'verità fondamentale' per quantificare l'accuratezza delle tecniche che abbiamo sviluppato", afferma Milstein.

    Questo approccio migliorato alla rete neurale promette di dimostrare una previsione della siccità che può superare le capacità degli indicatori esistenti, afferma Milstein, e di essere uno strumento su cui gli scienziati potranno fare affidamento per i decenni a venire.

    Fornito dal Massachusetts Institute of Technology

    Questa storia è stata ripubblicata per gentile concessione di MIT News (web.mit.edu/newsoffice/), un popolare sito che copre notizie sulla ricerca, l'innovazione e l'insegnamento del MIT.




    © Scienza https://it.scienceaq.com