استفاده از یادگیری عمیق برای تصویربرداری از لایه مرزی سیاره زمین

اگرچه تروپوسفر اغلب به عنوان نزدیکترین لایه اتمسفر به سطح زمین در نظر گرفته می شود، لایه مرزی سیاره ای (PBL) – پایین ترین لایه تروپوسفر – در واقع قسمتی است که بیشترین تأثیر را بر آب و هوای نزدیک به سطح دارد. در بررسی دهه 2018 علوم سیاره ای، PBL به عنوان یک موضوع علمی مهم مطرح شد که پتانسیل افزایش پیش بینی طوفان و بهبود پیش بینی های آب و هوایی را دارد.

آدام میلشتاین، یکی از کارکنان فنی در گروه سیستم‌های فضایی کاربردی آزمایشگاه لینکلن، می‌گوید: «PBL جایی است که سطح با جو تعامل می‌کند، از جمله تبادل رطوبت و گرما که به آب‌وهوای بد و تغییر آب و هوا کمک می‌کند». PBL همچنین جایی است که انسان ها زندگی می کنند و حرکت آشفته ذرات معلق در هوا در سراسر PBL برای کیفیت هوا که بر سلامت انسان تأثیر می گذارد مهم است.

اگرچه برای مطالعه آب و هوا و آب و هوا حیاتی است، ویژگی های مهم PBL، مانند ارتفاع آن، با فناوری فعلی به سختی قابل حل است. در چهار سال گذشته، کارکنان آزمایشگاه لینکلن، PBL را مطالعه کرده و تمرکز کرده اند روی دو کار متفاوت: استفاده از یادگیری ماشینی برای ساختن پروفایل‌های اسکن سه‌بعدی جو، و حل ساختار عمودی جو با وضوح بیشتر به منظور پیش‌بینی بهتر خشکسالی‌ها.

این تلاش تحقیقاتی متمرکز بر PBL ایجاد می شود روی بیش از یک دهه کار مرتبط روی الگوریتم های سریع و عملیاتی شبکه عصبی که توسط آزمایشگاه لینکلن برای ماموریت های ناسا توسعه یافته است. این ماموریت ها شامل مشاهدات زمان حل شده ساختار بارش و شدت طوفان با ماموریت صورت فلکی ست کوچک (TROPICS) و همچنین Aqua، ماهواره ای است که داده های مربوط به چرخه آب زمین را جمع آوری می کند و متغیرهایی مانند دمای اقیانوس، بارش و بخار آب را مشاهده می کند. در جو این الگوریتم‌ها دما و رطوبت را از داده‌های ابزار ماهواره‌ای بازیابی می‌کنند و نشان داده شده است که دقت و پوشش جهانی قابل استفاده مشاهدات را نسبت به رویکردهای قبلی به طور قابل‌توجهی بهبود می‌بخشند. برای TROPICS، الگوریتم‌ها به بازیابی داده‌هایی کمک می‌کنند که برای توصیف ساختارهای سریع در حال تکامل یک طوفان در زمان واقعی استفاده می‌شوند، و برای Aqua، به افزایش مدل‌های پیش‌بینی، نظارت بر خشکسالی و پیش‌بینی آتش‌سوزی کمک کرده است.

این الگوریتم‌های عملیاتی برای TROPICS و Aqua مبتنی هستند روی شبکه های عصبی کم عمق کلاسیک برای به حداکثر رساندن سرعت و سادگی، ایجاد یک نمایه عمودی یک بعدی برای هر اندازه گیری طیفی جمع آوری شده توسط ابزار در هر مکان. در حالی که این رویکرد مشاهدات اتمسفر تا سطح را به طور کلی بهبود بخشیده است، از جمله PBL، کارکنان آزمایشگاه تشخیص دادند که تکنیک های جدیدتر یادگیری “عمیق” که اتمسفر را بر روی یک منطقه مورد علاقه به عنوان یک تصویر سه بعدی در نظر می گیرد برای بهبود جزئیات PBL مورد نیاز است. به علاوه.

ما فرض کردیم که تکنیک های یادگیری عمیق و هوش مصنوعی (AI) می تواند بهبود یابد روی میلشتاین می‌گوید که رویکردهای فعلی با ترکیب یک نمایش آماری بهتر از تصاویر سه بعدی دما و رطوبت جو در محلول‌ها انجام می‌شود. اما مدتی طول کشید تا بفهمیم چگونه می توان بهترین مجموعه داده را ایجاد کرد – ترکیبی از داده های واقعی و شبیه سازی شده. ما باید برای آموزش این تکنیک ها آماده می شدیم.»

این تیم با جوزف سانتانلو از مرکز پرواز فضایی گودارد ناسا و ویلیام بلکول، همچنین از گروه سیستم‌های فضایی کاربردی، در تلاش اخیر ناسا همکاری کردند که نشان داد این الگوریتم‌های بازیابی می‌توانند جزئیات PBL را بهبود بخشند، از جمله تعیین دقیق‌تر ارتفاع PBL. نسبت به هنر قبلی

در حالی که دانش بهبود یافته از PBL به طور گسترده برای افزایش درک آب و هوا و آب و هوا مفید است، یک کاربرد کلیدی پیش‌بینی خشکسالی است. بر اساس گزارشی از خشکسالی جهانی که سال گذشته منتشر شد، خشکسالی یک موضوع سیاره ای مبرم است که جامعه جهانی باید به آن رسیدگی کند. کمبود رطوبت در نزدیکی سطح، به ویژه در سطح PBL، شاخص اصلی خشکسالی است. در حالی که مطالعات قبلی با استفاده از تکنیک‌های سنجش از دور، رطوبت خاک را برای تعیین خطر خشکسالی بررسی کرده‌اند، مطالعه جو می‌تواند به پیش‌بینی زمان وقوع خشکسالی کمک کند.

در تلاشی که توسط ابتکار تغییرات آب و هوایی آزمایشگاه لینکلن تامین شده است، میلشتاین به همراه مایکل پایپر، کارمند آزمایشگاه، با دانشمندان آزمایشگاه پیشرانش جت ناسا (JPL) برای استفاده از تکنیک های شبکه عصبی برای بهبود پیش بینی خشکسالی در قاره ایالات متحده کار می کنند. در حالی که این کار مبتنی بر کارهای عملیاتی موجود است که JPL با ترکیب (تا حدی) رویکرد شبکه عصبی عملیاتی “کم عمق” آزمایشگاه برای Aqua انجام داده است، تیم بر این باور است که این کار و کار تحقیقاتی یادگیری عمیق متمرکز بر PBL می توانند برای بهبود بیشتر ترکیب شوند. دقت پیش بینی خشکسالی

آزمایشگاه لینکلن بیش از یک دهه است که با ناسا کار می کند روی الگوریتم‌های شبکه عصبی برای تخمین دما و رطوبت در جو از ابزارهای مادون قرمز و مایکروویو موجود در فضا، از جمله آن‌ها روی میلشتاین می گوید: فضاپیمای آکوا. در طی آن زمان، ما با کار کردن با جامعه علمی، چیزهای زیادی در مورد این مشکل یاد گرفتیم، از جمله در مورد چالش های علمی باقی مانده است. تجربه طولانی کار ما روی این نوع سنجش از دور با دانشمندان ناسا، و همچنین تجربه ما در استفاده از تکنیک‌های شبکه‌های عصبی، چشم‌انداز منحصربه‌فردی را به ما داد.

به گفته Milstein، گام بعدی برای این پروژه مقایسه نتایج یادگیری عمیق با مجموعه داده‌های سازمان ملی اقیانوسی و جوی، ناسا و وزارت انرژی است که مستقیماً در PBL با استفاده از radiosondes، نوعی ابزار پرتاب شده، جمع‌آوری شده است. روی یک بالن هواشناسی میلشتاین می‌گوید: «این اندازه‌گیری‌های مستقیم را می‌توان نوعی «حقیقت زمینی» برای کمی‌سازی دقت تکنیک‌هایی که توسعه داده‌ایم در نظر گرفت.

میلشتاین می‌گوید: این رویکرد شبکه عصبی بهبودیافته نویدبخش نشان دادن پیش‌بینی خشکسالی است که می‌تواند از قابلیت‌های شاخص‌های موجود فراتر رود و ابزاری باشد که دانشمندان می‌توانند به آن اعتماد کنند. روی برای دهه های آینده