• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  Science >> Science >  >> La nature
    Utiliser l’apprentissage profond pour imager la couche limite planétaire de la Terre
    Ce schéma de la couche limite planétaire (ligne rouge) montre les échanges d'humidité et les mouvements d'aérosols qui se produisent entre la surface terrestre et ce niveau le plus bas de l'atmosphère. Les chercheurs du Lincoln Laboratory utilisent des techniques d’apprentissage profond pour en savoir plus sur les fonctionnalités du PBL, importantes pour les études météorologiques et climatiques. Crédit :Joseph Santanello / Équipe d'étude PBL de la NASA

    Bien que la troposphère soit souvent considérée comme la couche de l’atmosphère la plus proche de la surface de la Terre, la couche limite planétaire (CLP) – la couche la plus basse de la troposphère – est en réalité la partie qui influence le plus significativement les conditions météorologiques près de la surface. Lors de l'enquête décennale des sciences planétaires de 2018, le PBL a été soulevé comme une question scientifique importante susceptible d'améliorer la prévision des tempêtes et les projections climatiques.



    "Le PBL est l'endroit où la surface interagit avec l'atmosphère, y compris les échanges d'humidité et de chaleur qui contribuent à conduire à des conditions météorologiques extrêmes et à un changement climatique", explique Adam Milstein, membre du personnel technique du groupe des systèmes spatiaux appliqués du laboratoire Lincoln au Massachusetts Institute of Technology. Technologie. "Le PBL est également le lieu où vivent les humains, et le mouvement turbulent des aérosols à travers le PBL est important pour la qualité de l'air qui influence la santé humaine."

    Bien que vitales pour l’étude du temps et du climat, des caractéristiques importantes du PBL, telles que sa hauteur, sont difficiles à résoudre avec la technologie actuelle. Au cours des quatre dernières années, le personnel du laboratoire Lincoln a étudié le PBL, en se concentrant sur deux tâches différentes :utiliser l'apprentissage automatique pour créer des profils de l'atmosphère numérisés en 3D et résoudre plus clairement la structure verticale de l'atmosphère afin de mieux prédire les sécheresses. .

    Cet effort de recherche axé sur le PBL s'appuie sur plus d'une décennie de travaux connexes sur les algorithmes de réseaux neuronaux rapides et opérationnels développés par le Lincoln Laboratory pour les missions de la NASA. Ces missions comprennent la mission TROPICS (Observations résolues dans le temps de la structure des précipitations et de l'intensité des tempêtes avec une constellation de petits satellites) ainsi que Aqua, un satellite qui collecte des données sur le cycle de l'eau de la Terre et observe des variables telles que la température des océans, les précipitations et la vapeur d'eau. dans l'atmosphère.

    Ces algorithmes récupèrent la température et l’humidité des données des instruments satellites et il a été démontré qu’ils améliorent considérablement la précision et la couverture mondiale utilisable des observations par rapport aux approches précédentes. Pour TROPICS, les algorithmes aident à récupérer des données utilisées pour caractériser les structures évoluant rapidement d'une tempête en temps quasi réel, et les algorithmes d'Aqua ont contribué à améliorer les modèles de prévision, la surveillance des sécheresses et la prévision des incendies.

    Ces algorithmes opérationnels pour TROPICS et Aqua sont basés sur des réseaux neuronaux classiques « peu profonds » pour maximiser la vitesse et la simplicité, créant un profil vertical unidimensionnel pour chaque mesure spectrale collectée par l'instrument sur chaque emplacement. Bien que cette approche ait amélioré les observations de l'atmosphère jusqu'à la surface dans son ensemble, y compris le PBL, le personnel du laboratoire a déterminé que de nouvelles techniques d'apprentissage « en profondeur » traitant l'atmosphère d'une région d'intérêt comme une image tridimensionnelle sont nécessaires pour améliorer les détails du PBL. plus loin.

    "Nous avons émis l'hypothèse que les techniques d'apprentissage profond et d'intelligence artificielle (IA) pourraient améliorer les approches actuelles en incorporant dans les solutions une meilleure représentation statistique de l'imagerie 3D de la température et de l'humidité de l'atmosphère", explique Milstein. "Mais il nous a fallu un certain temps pour trouver comment créer le meilleur ensemble de données :un mélange de données réelles et simulées ; nous devions nous préparer à entraîner ces techniques."

    L'équipe a collaboré avec Joseph Santanello du Goddard Space Flight Center de la NASA et William Blackwell, également du Applied Space Systems Group, dans un effort récent montrant que ces algorithmes de récupération peuvent améliorer les détails du PBL, notamment une détermination plus précise de la hauteur du PBL que le précédent. état de l'art.

    Même si une meilleure connaissance du PBL est largement utile pour améliorer la compréhension du climat et de la météo, une application clé est la prévision des sécheresses. Selon un rapport Global Drought Snapshot publié l’année dernière, les sécheresses constituent un problème planétaire urgent auquel la communauté mondiale doit s’attaquer. Le manque d’humidité en surface, notamment au niveau du PBL, est le principal indicateur de sécheresse. Alors que des études antérieures utilisant des techniques de télédétection ont examiné l'humidité du sol pour déterminer le risque de sécheresse, l'étude de l'atmosphère peut aider à prédire quand les sécheresses se produiront.

    Milstein et Michael Pieper, membre du personnel du laboratoire, travaillent avec des scientifiques du Jet Propulsion Laboratory (JPL) de la NASA pour utiliser des techniques de réseaux neuronaux afin d'améliorer la prévision des sécheresses sur la zone continentale des États-Unis. Bien que les travaux s'appuient sur les travaux opérationnels existants effectués par le JPL en intégrant (en partie) l'approche opérationnelle de réseau neuronal « superficiel » du laboratoire pour Aqua, l'équipe estime que ces travaux et les travaux de recherche sur l'apprentissage profond axés sur le PBL peuvent être combinés pour améliorer davantage. l'exactitude de la prévision de la sécheresse.

    "Le laboratoire Lincoln travaille avec la NASA depuis plus d'une décennie sur des algorithmes de réseau neuronal permettant d'estimer la température et l'humidité de l'atmosphère à partir d'instruments spatiaux infrarouges et micro-ondes, y compris ceux du vaisseau spatial Aqua", explique Milstein. "Au cours de cette période, nous avons beaucoup appris sur ce problème en travaillant avec la communauté scientifique, notamment sur les défis scientifiques qui subsistent. Notre longue expérience de travail sur ce type de télédétection avec les scientifiques de la NASA, ainsi que notre expérience dans l'utilisation des neurones. techniques de réseau, nous ont donné une perspective unique."

    Selon Milstein, la prochaine étape de ce projet consiste à comparer les résultats de l'apprentissage profond aux ensembles de données de la National Oceanic and Atmospheric Administration, de la NASA et du ministère de l'Énergie, collectés directement dans le PBL à l'aide de radiosondes, un type d'instrument piloté sur un système météorologique. ballon.

    "Ces mesures directes peuvent être considérées comme une sorte de "vérité terrain" permettant de quantifier la précision des techniques que nous avons développées", explique Milstein.

    Cette approche améliorée du réseau neuronal est prometteuse pour démontrer une prévision de la sécheresse qui peut dépasser les capacités des indicateurs existants, dit Milstein, et pour être un outil sur lequel les scientifiques peuvent s'appuyer pendant des décennies à venir.

    Fourni par le Massachusetts Institute of Technology

    Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche, de l'innovation et de l'enseignement du MIT.




    © Science https://fr.scienceaq.com