• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  Science >> Ciencia >  >> Naturaleza
    Uso del aprendizaje profundo para obtener imágenes de la capa límite planetaria de la Tierra
    Este esquema de la capa límite planetaria (línea roja) muestra los intercambios de humedad y el movimiento de aerosoles que ocurren entre la superficie de la Tierra y este nivel más bajo de la atmósfera. Los investigadores del Laboratorio Lincoln están utilizando técnicas de aprendizaje profundo para aprender más sobre las características del PBL, importantes para los estudios meteorológicos y climáticos. Crédito:Joseph Santanello / Equipo de estudio PBL de la NASA

    Aunque a menudo se piensa 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 influye más significativamente en el clima cerca de la superficie. En la encuesta decenal de ciencia planetaria de 2018, el PBL se planteó como una cuestión científica importante que tiene el potencial de mejorar el pronóstico de tormentas y las proyecciones climáticas.



    "El PBL es donde la superficie interactúa con la atmósfera, incluidos los intercambios de humedad y calor que ayudan a provocar condiciones climáticas severas y cambiantes", dice Adam Milstein, miembro del personal técnico del Grupo de Sistemas Espaciales Aplicados del Laboratorio Lincoln en el Instituto de Massachusetts de Tecnología. "El PBL es también el lugar donde viven los humanos, y el movimiento turbulento de los aerosoles a lo largo del PBL es importante para la calidad del aire que influye en la salud humana".

    Aunque son vitales para estudiar el tiempo y el clima, características importantes del PBL, como su altura, son difíciles de resolver con la tecnología actual. En 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 de la atmósfera escaneados en 3D y resolver la estructura vertical de la atmósfera con mayor claridad para predecir mejor las sequías. .

    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 de Observaciones resueltas en el tiempo de la estructura de las precipitaciones y la intensidad de las tormentas con una constelación de pequeños satélites (TROPICS), así como Aqua, un satélite que recopila datos sobre el ciclo del agua de 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 los datos de los instrumentos satelitales y se ha demostrado que mejoran significativamente la precisión y la cobertura global utilizable de las observaciones con respecto a enfoques anteriores. Para TROPICS, los algoritmos ayudan a recuperar datos que se utilizan para caracterizar las estructuras de rápida evolución de una tormenta casi en tiempo real, y los algoritmos de Aqua han ayudado a aumentar los modelos de pronóstico, el monitoreo de sequías y la predicción de incendios.

    Estos algoritmos operativos para TROPICS y Aqua se basan en redes neuronales "superficiales" clásicas para maximizar la velocidad y la simplicidad, creando un perfil vertical unidimensional para cada medición espectral recopilada por el instrumento en cada ubicación. Si bien este enfoque ha mejorado las observaciones de la atmósfera hasta la superficie en general, incluido el PBL, el personal del laboratorio determinó que se necesitan nuevas técnicas de aprendizaje "profundo" que traten la atmósfera sobre una región de interés como una imagen tridimensional para mejorar los detalles del PBL. más.

    "Presumimos que las técnicas de aprendizaje profundo e 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 nos llevó un tiempo descubrir cómo crear el mejor conjunto de datos:una combinación de datos reales y simulados; necesitábamos prepararnos para entrenar estas técnicas".

    El equipo colaboró ​​con Joseph Santanello del Centro de Vuelo Espacial Goddard de la NASA y William Blackwell, también del Applied Space Systems Group, en un esfuerzo reciente que demuestra que estos algoritmos de recuperación pueden mejorar el detalle del PBL, incluida una determinación más precisa de la altura del PBL que el anterior. estado del arte.

    Si bien un mejor conocimiento del PBL es ampliamente útil para aumentar la comprensión del clima y el tiempo, una aplicación clave es la predicción de sequías. Según un informe Global Drought Snapshot publicado el año pasado, las sequías son un problema planetario apremiante que la comunidad global debe abordar. La falta de humedad cerca de la superficie, específicamente a nivel del PBL, es el principal indicador de sequía. Si bien estudios anteriores que utilizaron técnicas de teledetección 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.

    Milstein y el miembro del personal del laboratorio Michael Pieper están trabajando con científicos del Laboratorio de Propulsión a Chorro (JPL) de la NASA para utilizar técnicas de redes neuronales para mejorar la predicción de sequías en los Estados Unidos continentales. Si bien el trabajo se basa en el trabajo operativo existente que JPL ha realizado incorporando (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 se pueden combinar para mejorar aún más. la precisión de la predicción de la 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 ese tiempo, hemos aprendido mucho sobre este problema trabajando con la comunidad científica, incluido el aprendizaje sobre los desafíos científicos que aún quedan. Nuestra larga experiencia trabajando en este tipo de detección remota con científicos de la NASA, así como nuestra experiencia con el uso de neuronas técnicas de red, nos dio 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 recopilados directamente en el PBL utilizando radiosondas, un tipo de instrumento volado en un avión meteorológico. globo.

    "Estas mediciones directas pueden considerarse una especie de 'verdad fundamental' para cuantificar la precisión de las técnicas que hemos desarrollado", afirma Milstein.

    Este enfoque mejorado de red neuronal promete demostrar que la predicción de sequías puede superar las capacidades de los indicadores existentes, afirma Milstein, y ser una herramienta en la que los científicos podrán confiar durante las próximas décadas.

    Proporcionado por el Instituto de Tecnología de Massachusetts

    Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre investigación, innovación y enseñanza del MIT.




    © Ciencia https://es.scienceaq.com