使用深度学习对地球的行星边界层进行成像

虽然对流层通常被认为是大气层中离地球表面最近的一层，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大的部分。在 2018 年行星科学十年调查中， PBL 被提出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，这有助于导致恶劣的天气和气候变化，”林肯实验室应用空间系统小组的技术人员Adam Milstein说。“PBL也是人类生活的地方，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很重要。 

虽然对于研究天气和气候至关重要，但PBL的重要特征，如它的高度，很难用目前的技术来解决。在过去的四年里，林肯实验室的工作人员一直在研究PBL，专注于两项不同的任务：使用机器学习制作大气的3D扫描剖面图，以及更清楚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、可操作的神经网络算法十多年的相关工作之上。这些任务包括小卫星星座（TROPICS）的降水结构和风暴强度的时间分辨观测任务，以及Aqua，这是一颗收集地球水循环数据并观察海洋温度、降水和大气中水蒸气等变量的卫星。这些算法从卫星仪器数据中检索温度和湿度，并已被证明可以显着提高观测的准确性和可用的全球覆盖范围。对于TROPICS来说，这些算法有助于近乎实时地检索用于描述风暴快速演变结构的数据，而对于Aqua来说，它有助于增加预测模型、干旱监测和火灾预测。 

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值创建一维垂直轮廓。虽然这种方法改善了对包括PBL在内的整个地表大气的观测，但实验室工作人员确定，需要更新的“深度”学习技术，将感兴趣区域的大气视为三维图像，以进一步改善PBL的细节。

“我们假设深度学习和人工智能（AI）技术可以通过将大气的3D温度和湿度图像的更好统计表示纳入解决方案来改进当前的方法，”Milstein说。“但是花了一段时间才弄清楚如何创建最好的数据集——真实数据和模拟数据的混合;我们需要准备训练这些技术。

该团队与美国宇航局戈达德太空飞行中心的约瑟夫·桑塔内洛（Joseph Santanello）和应用空间系统集团的威廉·布莱克威尔（William Blackwell）合作，在最近 一项由美国宇航局资助的努力 中表明，这些检索算法可以改善PBL细节，包括比以前最先进的技术更准确地确定PBL高度。 

虽然提高对PBL的了解对于增加对气候和天气的了解有广泛的用处，但一个关键的应用是预测干旱。 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的地球问题。地表附近缺乏湿度，特别是在PBL水平上，是干旱的主要指标。虽然以前使用遥感技术的研究已经 检查了土壤 的湿度以确定干旱风险，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（Michael Pieper）正在与美国宇航局喷气推进实验室（JPL）的科学家合作，使用神经网络技术来改善美国大陆的干旱预测。虽然这项工作建立在JPL现有的操作工作的基础上，（部分）结合了实验室对Aqua的操作“浅层”神经网络方法，但该团队认为，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，以进一步提高干旱预测的准确性。 

“林肯实验室与美国宇航局合作了十多年，研究神经网络算法，用于从星载红外和微波仪器（包括Aqua航天器上的仪器）估计大气中的温度和湿度，”米尔斯坦说。“在那段时间里，通过与科学界的合作，我们学到了很多关于这个问题的知识，包括了解仍然存在的科学挑战。我们与美国宇航局科学家合作进行此类遥感的长期经验，以及我们使用神经网络技术的经验，为我们提供了独特的视角。

根据米尔斯坦的说法，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（一种在气象气球上飞行的仪器）直接在PBL中收集的数据集进行比较。“这些直接测量可以被认为是一种'基本事实'，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过现有指标的能力，并成为科学家在未来几十年可以依赖的工具。