Selv om man ofte tenker på troposfæren som det laget i atmosfæren som ligger nærmest jordoverflaten, er det faktisk det planetariske grenselaget (PBL) – det laveste laget i troposfæren – som i størst grad påvirker været nær overflaten. I den dekadiske undersøkelsen av planetarisk vitenskap i 2018 ble PBL tatt opp som et viktig vitenskapelig tema som har potensial til å forbedre stormvarslingen og klimaprognosene.
“Det er i PBL at jordoverflaten samhandler med atmosfæren, blant annet gjennom utveksling av fuktighet og varme som bidrar til uvær og klimaendringer”, sier Adam Milstein, teknisk medarbeider i Lincoln Laboratorys Applied Space Systems Group. “Det er også i PBL vi mennesker bor, og den turbulente bevegelsen av aerosoler gjennom PBL er viktig for luftkvaliteten som påvirker menneskers helse.”
Selv om PBL er viktig for å studere vær og klima, er det vanskelig å bestemme viktige egenskaper ved PBL, som for eksempel høyden, med dagens teknologi. I løpet av de siste fire årene har de ansatte ved Lincoln Laboratory studert PBL med fokus på to ulike oppgaver: å bruke maskinlæring til å lage 3D-skannede profiler av atmosfæren, og å klargjøre den vertikale strukturen i atmosfæren for bedre å kunne forutsi tørkeperioder.
Denne PBL-fokuserte forskningsinnsatsen bygger på mer enn et tiår med relatert arbeid med raske, operative nevrale nettverksalgoritmer utviklet av Lincoln Laboratory for NASA-oppdrag. Disse oppdragene inkluderer TROPICS (Time-Resolved Observations of Precipitation structure and storm Intensity with a Constellation of Smallsats) og Aqua, en satellitt som samler inn data om jordens vannsyklus og observerer variabler som havtemperatur, nedbør og vanndamp i atmosfæren. Disse algoritmene henter temperatur og luftfuktighet fra satellittenes instrumentdata og har vist seg å forbedre nøyaktigheten og den globale dekningen av observasjonene betydelig i forhold til tidligere tilnærminger. For TROPICS bidrar algoritmene til å hente ut data som brukes til å karakterisere en storms raskt utviklende strukturer i nær sanntid, og for Aqua har de bidratt til å forbedre prognosemodeller, tørkeovervåking og brannvarsling.
Disse operasjonelle algoritmene for TROPICS og Aqua er basert på klassiske “grunne” nevrale nettverk for å maksimere hastighet og enkelhet, og skaper en endimensjonal vertikal profil for hver spektralmåling som instrumentet samler inn over hvert sted. Selv om denne tilnærmingen har forbedret observasjonene av atmosfæren helt ned til overflaten, inkludert PBL, har laboratoriepersonalet kommet frem til at det er nødvendig med nyere “dype” læringsteknikker som behandler atmosfæren over et interesseområde som et tredimensjonalt bilde for å forbedre detaljene i PBL ytterligere.
“Vi hadde en hypotese om at teknikker for dyp læring og kunstig intelligens (AI) kunne forbedre dagens tilnærminger ved å inkorporere en bedre statistisk representasjon av 3D-temperatur- og luftfuktighetsbilder av atmosfæren i løsningene”, sier Milstein. “Men det tok litt tid å finne ut hvordan vi skulle lage det beste datasettet – en blanding av reelle og simulerte data – og vi måtte forberede oss på å trene opp disse teknikkene.”
Teamet har samarbeidet med Joseph Santanello fra NASA Goddard Space Flight Center og William Blackwell, også fra Applied Space Systems Group, i et nylig NASA-finansiert prosjekt som viser at disse algoritmene kan forbedre detaljene i PBL, inkludert en mer nøyaktig bestemmelse av PBL-høyden enn tidligere.
Selv om bedre kunnskap om PBL er nyttig for å øke forståelsen av klima og vær, er en av de viktigste anvendelsene å forutsi tørke. Ifølge rapporten Global Drought Snapshot, som ble utgitt i fjor, er tørke et presserende globalt problem som verdenssamfunnet må gjøre noe med. Mangel på fuktighet nær overflaten, spesielt på PBL-nivå, er den viktigste indikatoren på tørke. Mens tidligere studier ved hjelp av fjernmålingsteknikker har undersøkt jordfuktigheten for å fastslå tørkerisiko, kan studier av atmosfæren bidra til å forutsi når tørke vil inntreffe.
I et prosjekt som er finansiert av Lincoln Laboratorys Climate Change Initiative, samarbeider Milstein og laboratoriemedarbeider Michael Pieper med forskere ved NASAs Jet Propulsion Laboratory (JPL) om å bruke nevrale nettverksteknikker for å forbedre tørkevarslingen over det kontinentale USA. Arbeidet bygger på eksisterende operativt arbeid som JPL har utført, og som (delvis) inkorporerer laboratoriets operative “grunne” nevrale nettverkstilnærming for Aqua, men teamet mener at dette arbeidet og det PBL-fokuserte forskningsarbeidet med dyp læring kan kombineres for å forbedre nøyaktigheten i tørkeprognosene ytterligere.
“Lincoln Laboratory har samarbeidet med NASA i mer enn ti år om algoritmer for nevrale nettverk for å estimere temperatur og luftfuktighet i atmosfæren ved hjelp av rombårne infrarøde instrumenter og mikrobølgeinstrumenter, blant annet på Aqua-sonden”, sier Milstein. “I løpet av denne tiden har vi lært mye om dette problemet ved å samarbeide med forskningsmiljøet, blant annet om hvilke vitenskapelige utfordringer som gjenstår. Vår lange erfaring med å jobbe med denne typen fjernmåling sammen med NASA-forskere, samt vår erfaring med bruk av nevrale nettverksteknikker, har gitt oss et unikt perspektiv.”
Ifølge Milstein er neste steg i prosjektet å sammenligne resultatene fra dyp læring med datasett fra National Oceanic and Atmospheric Administration, NASA og Department of Energy som er samlet inn direkte i PBL ved hjelp av radiosonder, en type instrument som flys på en værballong. Disse direkte målingene kan betraktes som en slags “bakkesannhet” for å kvantifisere nøyaktigheten til teknikkene vi har utviklet, sier Milstein.
Denne forbedrede nevrale nettverkstilnærmingen har potensial til å demonstrere tørkeprognoser som kan overgå kapasiteten til eksisterende indikatorer, sier Milstein, og til å bli et verktøy som forskere kan stole på i flere tiår fremover.
