使用深度学习对地球的行星边界层进行成像

尽管对流层通常被认为是距离地球表面最近的大气层，但行星边界层(PBL)——对流层的最低层——实际上是对地表附近天气影响最显着的部分。在2018年行星科学十年调查中，PBL被提出作为一个重要的科学问题，有可能加强风暴预报和改善气候预测。

“PBL是地表与大气相互作用的地方，包括水分和热量的交换，从而导致恶劣天气和气候变化，”林肯实验室应用空间系统小组的技术人员AdamMilstein说。“PBL也是人类居住的地方，整个PBL中气溶胶的湍流运动对于影响人类健康的空气质量非常重要。”

尽管对于研究天气和气候至关重要，但PBL的重要特征(例如其高度)很难用当前技术来解析。在过去的四年里，林肯实验室的工作人员一直在研究PBL，重点关注两项不同的任务：利用机器学习制作大气的3D扫描剖面，以及更清晰地解析大气的垂直结构，以便更好地预测干旱。

这项以PBL为重点的研究工作建立在林肯实验室为NASA任务开发的快速、可操作神经网络算法十多年的相关工作的基础上。这些任务包括小卫星星座的降水结构和风暴强度时间分辨观测(TROPICS)任务以及Aqua卫星，该卫星收集有关地球水循环的数据并观测海洋温度、降水和水蒸气等变量在大气中。这些算法从卫星仪器数据中检索温度和湿度，并已被证明比以前的方法显着提高了观测的准确性和可用的全球覆盖范围。对于TROPICS，这些算法有助于检索用于近乎实时地描述风暴快速演变的结构的数据，而对于Aqua，它有助于增强预测模型、干旱监测和预测。

TROPICS和Aqua的这些操作算法基于经典的“浅层”神经网络，以最大限度地提高速度和简单性，为仪器在每个位置收集的每个光谱测量结果创建一维垂直剖面。虽然这种方法改善了对整个大气层(包括PBL)的观测，但实验室工作人员确定需要更新的“深度”学习技术，将感兴趣区域上的大气视为三维图像，以改善PBL细节更远。

“我们假设深度学习和人工智能(AI)技术可以通过将大气3D温度和湿度图像的更好统计表示融入到解决方案中来改进当前的方法，”米尔斯坦说。“但我们花了一段时间才弄清楚如何创建最佳数据集——真实数据和模拟数据的混合;我们需要准备训练这些技术。”

该团队与NASA戈达德太空飞行中心的JosephSantanello和应用空间系统小组的WilliamBlackwell合作，在最近由NASA资助的一项工作中表明，这些检索算法可以改善PBL细节，包括更准确地确定PBL高度比以前的技术水平。

虽然提高PBL知识对于增进对气候和天气的了解广泛有用，但其中一项关键应用是预测干旱。根据去年发布的全球干旱快照报告，干旱是国际社会需要解决的紧迫全球问题。地表附近(特别是PBL水平)湿度不足是干旱的主要指标。虽然之前使用遥感技术的研究已经通过检查土壤湿度来确定干旱风险，但研究大气可以帮助预测干旱何时发生。

在林肯实验室气候变化倡议的资助下，米尔斯坦和实验室工作人员迈克尔·皮珀正在与美国宇航局喷气推进实验室(JPL)的科学家合作，利用神经网络技术来改进美国大陆的干旱预测。虽然这项工作建立在JPL现有操作工作的基础上(部分)合并了实验室针对Aqua的操作“浅层”神经网络方法，但该团队相信这项工作和以PBL为重点的深度学习研究工作可以结合起来，以进一步改进干旱预测的准确性。

“十多年来，林肯实验室一直与NASA合作开发神经网络算法，通过星载红外和微波仪器(包括Aqua航天器上的仪器)估算大气中的温度和湿度，”米尔斯坦说。“在那段时间里，我们通过与科学界的合作了解了很多关于这个问题的知识，包括了解仍然存在哪些科学挑战。我们与NASA科学家一起从事此类遥感工作的长期经验，以及使用神经网络技术的经验，给了我们独特的视角。”

据米尔斯坦介绍，该项目的下一步是将深度学习结果与美国国家海洋和大气管理局、美国宇航局和能源部使用无线电探空仪(一种在天气条件下飞行的仪器)直接在PBL中收集的数据集进行比较。气球。“这些直接测量可以被认为是一种‘基本事实’，可以量化我们开发的技术的准确性，”米尔斯坦说。

米尔斯坦说，这种改进的神经网络方法有望证明干旱预测可以超越现有指标的能力，并成为科学家在未来几十年可以依赖的工具。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！