Uso del aprendizaje profundo para mapear la capa límite planetaria de la Tierra | Noticias del MIT

Aunque a menudo se considera que la troposfera es la capa de la atmósfera más cercana a la superficie de la Tierra, la capa límite planetaria (PBL), la capa más baja de la troposfera, es en realidad la parte que más influye en el clima cerca de la superficie de la Tierra. En el Estudio Decenal de Ciencias Planetarias de 2018, el ABP se planteó como un tema científico importante que tiene el potencial de mejorar el pronóstico de tormentas y las proyecciones climáticas.

«En el PBL, la superficie interactúa con la atmósfera, incluido el intercambio de humedad y calor que conduce a condiciones climáticas severas y cambiantes», dice Adam Milstein, asociado técnico del Grupo de Sistemas Espaciales Aplicados del Laboratorio Lincoln. «La gente también vive en la PBL, y el movimiento turbulento de aerosoles a lo largo de la PBL es importante para la calidad del aire, lo que afecta la salud humana».

Aunque son cruciales para el estudio del tiempo y el clima, características importantes del PBL, como por ejemplo: B. su altura, difícil de determinar con la tecnología actual. Durante los últimos cuatro años, el personal del Laboratorio Lincoln ha estado estudiando el PBL, centrándose en dos tareas diferentes: utilizar el aprendizaje automático para crear perfiles escaneados en 3D de la atmósfera y resolver la estructura vertical de la atmósfera con mayor claridad para predecir mejor las sequías y poder predecir.

Este esfuerzo de investigación centrado en PBL se basa en más de una década de trabajo relacionado sobre algoritmos de redes neuronales operativas y rápidas desarrollados por el Laboratorio Lincoln para misiones de la NASA. Estas misiones incluyen la misión TROPICS (Time-Resolved Observations of Precipitation Structure and Storm Intensity with a Constellation of Smallsats), así como Aqua, un satélite que recopila datos sobre el ciclo del agua en la Tierra y observa variables como la temperatura del océano, las precipitaciones y el vapor de agua. en la atmósfera. Estos algoritmos recuperan la temperatura y la humedad de datos de instrumentos satelitales y se ha demostrado que mejoran significativamente la precisión y la cobertura global utilizable de las observaciones en comparación con enfoques anteriores. Para TROPICS, los algoritmos ayudan a recuperar datos utilizados para caracterizar las estructuras de rápida evolución de una tormenta casi en tiempo real, y para Aqua, han ayudado a mejorar los modelos de pronóstico, el monitoreo de sequías y el pronóstico de incendios.

Estos algoritmos operativos para TROPICS y Aqua se basan en redes neuronales “planas” clásicas para maximizar la velocidad y la simplicidad, creando un perfil vertical unidimensional para cada medición espectral adquirida por el instrumento en cada ubicación. Si bien este enfoque ha mejorado las observaciones de la atmósfera en la superficie en general, incluido el PBL, el personal del laboratorio descubrió que para lograr este PBL se necesitan nuevas técnicas de aprendizaje «profundo» que traten la atmósfera sobre una región de interés como una imagen tridimensional. Los detalles continúan mejorando.

«Presumimos que las técnicas de aprendizaje profundo y de inteligencia artificial (IA) podrían mejorar los enfoques actuales incorporando en las soluciones una mejor representación estadística de imágenes 3D de temperatura y humedad de la atmósfera», dice Milstein. “Pero tomó algún tiempo descubrir cómo crear el mejor conjunto de datos: una combinación de datos reales y simulados; Tuvimos que prepararnos para entrenar estas técnicas”.

El equipo trabajó con Joseph Santanello del Centro de Vuelo Espacial Goddard de la NASA y William Blackwell, también del Applied Space Systems Group, en un proyecto reciente financiado por la NASA y demostró que estos algoritmos de recuperación pueden mejorar el detalle del PBL, incluida una determinación más precisa de la altura del PBL. como el estado actual del arte.

Si bien un mejor conocimiento del ABP es ampliamente útil para mejorar la comprensión del clima y el tiempo, una aplicación importante es la predicción de sequías. Según un informe Global Drought Snapshot publicado el año pasado, las sequías son un problema urgente para el planeta que la comunidad global debe abordar. La falta de humedad cerca de la superficie, especialmente a nivel del PBL, es el principal indicador de sequía. Si bien estudios anteriores que utilizaron técnicas de detección remota han examinado la humedad del suelo para determinar el riesgo de sequía, el estudio de la atmósfera puede ayudar a predecir cuándo ocurrirán las sequías.

En un proyecto financiado por la Iniciativa de Cambio Climático del Laboratorio Lincoln, Milstein, junto con el colaborador del laboratorio Michael Pieper, está trabajando con científicos del Laboratorio de Propulsión a Chorro (JPL) de la NASA para utilizar técnicas de redes neuronales para mejorar el pronóstico de sequías en los Estados Unidos continentales. Si bien el trabajo se basa en el trabajo operativo existente del JPL e incorpora (en parte) el enfoque de red neuronal «superficial» operativa del laboratorio para Aqua, el equipo cree que este trabajo y el trabajo de investigación de aprendizaje profundo centrado en PBL conducirán a mejoras adicionales. para mejorar la precisión del pronóstico de sequía.

«El Laboratorio Lincoln ha estado trabajando con la NASA durante más de una década en algoritmos de redes neuronales para estimar la temperatura y la humedad en la atmósfera a partir de instrumentos espaciales de infrarrojos y microondas, incluidos los de la nave espacial Aqua», dice Milstein. “Durante este tiempo, al trabajar con la comunidad científica, hemos aprendido mucho sobre este problema, incluidos los desafíos científicos que aún existen. Nuestros años de experiencia trabajando en este tipo de teledetección con científicos de la NASA, así como nuestra experiencia en el uso de técnicas de redes neuronales, nos brindaron una perspectiva única”.

Según Milstein, el siguiente paso de este proyecto es comparar los resultados del aprendizaje profundo con conjuntos de datos de la Administración Nacional Oceánica y Atmosférica, la NASA y el Departamento de Energía directamente en el PBL utilizando radiosondas, un tipo de instrumento que se asienta sobre una superficie meteorológica. El dispositivo voló, fueron capturados en globo. «Estas mediciones directas pueden verse como una especie de 'verdad fundamental' para cuantificar la precisión de las técnicas que hemos desarrollado», dice Milstein.

Este enfoque mejorado de redes neuronales promete demostrar predicciones de sequía que pueden superar las capacidades de los indicadores existentes, dice Milstein, y ser una herramienta en la que los científicos podrán confiar durante las próximas décadas.