Использование глубокого обучения для визуализации планетарного пограничного слоя Земли

Исследователи из Массачусетского технологического института (MIT) разрабатывают алгоритмы глубокого обучения для создания трехмерных изображений планетарного пограничного слоя (ППС) атмосферы. Эта работа основана на более чем десятилетнем опыте разработки оперативных нейросетевых алгоритмов для миссий NASA, таких как TROPICS и Aqua, и направлена на улучшение детализации ключевых параметров ППС, включая его высоту.

Планетарный пограничный слой — это самый нижний слой тропосферы, непосредственно взаимодействующий с поверхностью Земли. Он играет критическую роль в формировании погоды и климата, влияя на обмен влагой и теплом, возникновение экстремальных погодных явлений и качество воздуха. Точное определение его характеристик, таких как высота, важно для улучшения прогнозирования штормов и климатических моделей. Одним из ключевых применений этой технологии является предсказание засух, поскольку дефицит влаги в ППС является ведущим индикатором их возникновения.

«Мы предположили, что методы глубокого обучения и искусственного интеллекта могут улучшить текущие подходы, включив лучшее статистическое представление трехмерных изображений температуры и влажности атмосферы в решения», — говорит Адам Мильштейн, сотрудник группы прикладных космических систем Лаборатории Линкольна. В сотрудничестве с NASA команда показала, что новые алгоритмы позволяют точнее определять высоту ППС. Следующим шагом станет сравнение результатов с прямыми измерениями с помощью радиозондов для количественной оценки точности методов.