Хотя тропосферу часто считают ближайшим к поверхности Земли слоем атмосферы, планетарный пограничный слой (ППС) — самый нижний слой тропосферы — на самом деле является той частью, которая наиболее существенно влияет на погоду вблизи поверхности. В десятилетнем обзоре планетарной науки 2018 года PBL был поднят как важная научная проблема, которая потенциально может улучшить прогнозирование штормов и улучшить климатические прогнозы.
«PBL — это место, где поверхность взаимодействует с атмосферой, включая обмен влагой и теплом, что приводит к суровой погоде и изменению климата», — говорит Адам Мильштейн, технический сотрудник группы прикладных космических систем лаборатории Линкольна. «В PBL также живут люди, и турбулентное движение аэрозолей по всему PBL важно для качества воздуха, которое влияет на здоровье человека».
Хотя важные характеристики PBL, такие как ее высота, жизненно важны для изучения погоды и климата, их трудно определить с помощью современных технологий. В течение последних четырех лет сотрудники Лаборатории Линкольна изучали PBL, сосредоточив внимание на двух разных задачах: использовании машинного обучения для создания 3D-сканированных профилей атмосферы и более четком определении вертикальной структуры атмосферы, чтобы лучше прогнозировать засухи. .
Эти исследования, ориентированные на PBL, основаны на более чем десятилетней работе над быстрыми и оперативными алгоритмами нейронных сетей, разработанными Лабораторией Линкольна для миссий НАСА. Эти миссии включают в себя миссию «Наблюдения за структурой осадков и интенсивностью штормов с временным разрешением с помощью созвездия малых спутников» (ТРОПИК), а также «Аква», спутник, который собирает данные о круговороте воды на Земле и наблюдает за такими переменными, как температура океана, осадки и водяной пар. в атмосфере. Эти алгоритмы извлекают температуру и влажность из данных спутниковых приборов и, как было показано, значительно повышают точность и полезный глобальный охват наблюдений по сравнению с предыдущими подходами. Для TROPICS алгоритмы помогают получать данные, которые используются для характеристики быстро развивающихся структур шторма в режиме, близком к реальному времени, а для Aqua они помогли улучшить модели прогнозирования, мониторинг засухи и прогнозирование пожаров.
Эти операционные алгоритмы для TROPICS и Aqua основаны на классических «мелких» нейронных сетях для максимальной скорости и простоты, создавая одномерный вертикальный профиль для каждого спектрального измерения, собранного инструментом в каждом месте. Хотя этот подход в целом улучшил наблюдения за атмосферой вплоть до поверхности, включая PBL, сотрудники лаборатории определили, что для улучшения деталей PBL необходимы новые методы «глубокого» обучения, которые рассматривают атмосферу над интересующей областью как трехмерное изображение. дальше.
«Мы предположили, что методы глубокого обучения и искусственного интеллекта (ИИ) могут улучшить существующие подходы за счет включения в решения лучшего статистического представления трехмерных изображений температуры и влажности атмосферы», — говорит Мильштейн. «Но потребовалось время, чтобы понять, как создать лучший набор данных — сочетание реальных и смоделированных данных; нам нужно было подготовиться к обучению этим методам».
Команда сотрудничала с Джозефом Сантанелло из Центра космических полетов имени Годдарда НАСА и Уильямом Блэквеллом, также из группы прикладных космических систем, в недавней работе, финансируемой НАСА, которая показала, что эти алгоритмы поиска могут улучшить детализацию PBL, включая более точное определение высоты PBL. чем предыдущий уровень техники.
Хотя более глубокие знания о PBL в целом полезны для лучшего понимания климата и погоды, одним из ключевых приложений является прогнозирование засух. Согласно отчету Global Drought Snapshot, опубликованному в прошлом году, засухи являются актуальной планетарной проблемой, которую мировое сообщество должно решить. Отсутствие влажности у поверхности, особенно на уровне PBL, является ведущим индикатором засухи. В то время как предыдущие исследования с использованием методов дистанционного зондирования изучали влажность почвы для определения риска засухи, изучение атмосферы может помочь предсказать, когда произойдет засуха.
В рамках проекта, финансируемого Инициативой по изменению климата Лаборатории Линкольна, Мильштейн вместе с сотрудником лаборатории Майклом Пипером работают с учеными из Лаборатории реактивного движения НАСА (JPL) над использованием методов нейронной сети для улучшения прогнозирования засухи на континентальной части Соединенных Штатов. Хотя эта работа основывается на существующей оперативной работе, проделанной JPL, включая (частично) операционный подход лаборатории «мелких» нейронных сетей для Aqua, команда считает, что эту работу и исследовательскую работу по глубокому обучению, ориентированную на PBL, можно объединить для дальнейшего улучшения. точность прогноза засухи.
«Лаборатория Линкольна уже более десяти лет работает с НАСА над алгоритмами нейронных сетей для оценки температуры и влажности в атмосфере с помощью космических инфракрасных и микроволновых приборов, в том числе на космическом корабле Aqua», — говорит Мильштейн. «За это время мы многое узнали об этой проблеме, работая с научным сообществом, в том числе узнали о том, какие научные проблемы остаются. Наш многолетний опыт работы над этим типом дистанционного зондирования с учеными НАСА, а также наш опыт использования методов нейронных сетей открыли нам уникальную перспективу».
По словам Мильштейна, следующим шагом этого проекта будет сравнение результатов глубокого обучения с наборами данных Национального управления океанических и атмосферных исследований, НАСА и Министерства энергетики, собранных непосредственно в PBL с использованием радиозондов, типа приборов, летающих по погодным условиям. воздушный шар. «Эти прямые измерения можно считать своего рода «основательной истиной» для количественной оценки точности разработанных нами методов», — говорит Мильштейн.
По словам Мильштейна, этот улучшенный подход с использованием нейронных сетей обещает продемонстрировать прогнозирование засухи, которое может превзойти возможности существующих индикаторов, и стать инструментом, на который ученые смогут положиться в ближайшие десятилетия.